计量三、双变量线性回归模型概要.pptVIP

第三章 双变量线性回归模型 （简单线性回归模型） （Simple Linear Regression Model） 第一节 双变量线性回归模型的估计 第二节 最小二乘估计量的性质 第三节 拟合优度的测度 第四节 双变量回归中的区间估计和假设检验 第五节 预测 第一节 双变量线性回归模型的估计 一、什么是“回归” 回归一词的历史渊源：加尔顿 回归的现代释义：研究因变量对一个或多个自变量的依赖关系，其用意在于通过的已知或者设定值，去估计和预测前者的（总体）均值。 身高的例子——回归线 回归与因果 回归与相关 二、双变量线性回归模型的概念 设 Y = 消费, X = 收入, 我们根据数据画出散点图 这意味着 Y = ? + ?X (1) 写出计量经济模型 Y = ? + ?X + u (2) 其中 u = 扰动项或 误差项 Y为因变量或被解释变量 X为自变量或解释变量 ?和? 为未知参数 三、“线性”一词的含义 变量为线性 参数为线性 本教材主要讨论对参数为线性的情形，对变量X则可以是线性的，也可以不是线性的。 四、为何要在模型中包括扰动项u 我们在上一章中已初步介绍了为什么要在模型中包括扰动项u，下面进一步说明之： （1）真正的关系是Y = f (X1， X2，… )，但X2, X3,…, 相对不重要，用u代表之。 （2）两变量之间的关系可能不是严格线性的，u反映了与直线的偏差。 （3）经济行为是随机的，我们能够用 Y=α+βX 解释“典型”的行为，而用u来表示个体偏差。 （4）总会出现测量误差， 使得任何精确的关系不可能存在。 五、普通最小二乘法(OLS Ordinary Least squares) （一）最小二乘原理 我们的任务是， 在给定X和Y的一组观测值 (X1 , Y1), (X2 , Y2) , ..., (Xn , Yn) 的情况下, 求出 Yt = ? + ?Xt + ut 中 ?和 ? 的估计值 和 , 使得拟合的直线为最佳。 直观上看，也就是要求在X和Y的散点图上穿过各观测点画出一条“最佳”直线，如下图所示。 假定1 线性回归模型。即模型对参数而言是线性的。变量本身是否线性则无关紧要。 假定2 X为非随机变量。即在重复抽样中，X值是固定的。这意味着我们的回归分析是条件回归分析，即以X的给定值为条件的。 假定3 扰动项ui 的均值为零。即对给定的X值，随机扰动项的均值或期望值为零。专业说，是ui的条件均值为零。 这意味着扰动项对Y的均值没有系统的影响，以至它们对Y的平均影响为零。这也意味着 假定4 同方差或扰动项方差相等，为恒定常数。即给定X，对所有观测值，扰动项的条件方差是恒定的。 假定5 各扰动项之间无自相关。给定任意两个X值，如Xi和Xj(i≠j),则ui和uj之间不相关。即 或 专门术语称，无序列相关或无自相关。 假定6 扰动项u和解释变量X是不相关的。即ui和Xi的协方差为零，即 或 这表明，X与u对Y 的影响是独立的。 假定7 观测次数N必须大于待估计的参数的个数。 假定8 X值要有变异性。在一个给定的样本中，X值不可以全是相同的。用专门术语讲，X的方差必须是一个有限的正数。 假定9 正确地设定了回归模型。即不存在设定偏误。设定偏误包括三种情况：（1）选择了错误的函数形式，例如把非线性关系作为线性关系处理或者是用变量自身还是变量的对数形式上出错；（2）遗漏有关的解释变量；（3）包括无关的解释变量。 假定10 没有完全的多重共线性。即解释变量之间没有完全的线性关系 假定11 随机干扰项ui是正态分布。 思考 为什么要满足这些假定？ 不满足会有什么结果？ 现实能否满足呢？ 一、估计量的均值和方差 经证明，两个估计量均是无偏估计量，即估计量的均值等于参数真值。 注意：证明过程用到了哪些假设？ 方差证明过程（p38） 二. 高斯--马尔柯夫定理（Gauss--Markov Theorem） 对于满足统计假设条件的经典线性回归模型 Yt = ? + ?Xt + ut , ，普通最小二乘估计量 ( OLS估计量)