第二章一元线性回归模型32学时课题.pptVIP

* * （1）线性性，即它是否是随机变量的线性函数； （2）无偏性，即它的均值或期望值是否等于总体的真实值； （3）有效性，即它是否在所有线性无偏估计量中具有最小方差。 这三个准则也称作估计量的小样本性质，拥有这类性质的估计量称为最佳线性无偏估计量。 * * 高斯—马尔可夫定理(Gauss-Markov theorem) 在给定经典线性回归模型的假设条件下，最小二乘估计量是具有最小方差的线性无偏估计量。 OLS估计量是最佳线性无偏估计量（Best Linear Unbiased Estimator ）,简称具有BLUE 性质。 * * 1、线性性 指的是估计值是否是随机变量的线性函数； 即 、 是 的线性组合。 * * 证明： * * 2.无偏性 ?的真值 ?的真值 有偏 无偏 * * 无偏性是对估计量最重要的要求之一，它只能保证估计量的期望等于真值。 对于总体某个待定参数，其无偏估计量不只一个。 * * * * 证： 易知 故 同样地，容易得出 * * 3、有效性 总体某个参数?的无偏估计量往往不只一个，而且无偏性仅仅表明?^的所有可能的取值按概率平均等于?，它的可能取值可能大部分与?相差很大。 为保证?^的取值能集中于?附近，必须要求?^的方差越小越好。所以，提出有效性标准。 * * 有效性的定义 ?的真值 ?的真值 ?^的概率 ?^的概率 * * * * （2）证明最小方差性 其中，ci=ki+di，di为不全为零的常数 则容易证明 普通最小二乘估计量（ordinary least Squares Estimators）称为最佳线性无偏估计量（best linear unbiased estimator, BLUE） 同理， 可 证 明 b 0 的 最 小 二 乘 估 计 量 0 ? b 具 有 最 小 方 差 * * 引入样本回归函数中的代表各种随机因素影响的随机变量， 称为样本残差项、回归残差项或样本剩余项、回归剩余项，简称 残差项或剩余项（residual），通常用 表示。 在样本回归函数中引入残差项后，得到的是随机方程，成为 了计量经济学模型，称为样本回归模型（sample regression model） 。 对于例2-2中的样本回归函数 引入残差项 可得样本回归模型 例如： * * 线性样本回归模型 确定性部分 + 随机部分 = 样本回归模型 确定性部分是线性函数的样本回归模型称为线性样本回归模型。 只含有一个解释变量的线性样本回归模型称为一元线性样本回归模型， 其一般形式是 （2-10） 其中，Y为被解释变量，X为解释变量， 、 、 的估计， 是参数 为观测值下标， 为样本容量。 为残差项， * * 线性样本回归模型 含有多个解释变量的线性样本回归模型称为多元线性样本回归模型， 其一般形式是 （2-11） 为观测值下标， 为样本容量。 为残差项， 其中，Y为被解释变量， 为解释变量， 、? 、 、 、 、 、 、 的估计， 是参数 、 、 、 、 * * 注意：总体是我们研究的目的，但是不能知道总体的全部数据，所以用总体中的一部分（样本）来推断总体的性质。这里将样本回归线看成总体回归线的近似替代 则 * * ▼回归分析的主要目的：根据样本回归函数SRF，估计总体回归函数PRF。 注意：这里PRF可能永远无法知道。 即，根据 估计 * * 回归分析的主要目的是要通过样本回归函数（模型）SRF尽可能准确地估计总体回归函数（模型）PRF。 估计方法有多种，其中最广泛使用的是普通最小二乘法（ordinary least squares, OLS）。 为保证参数估计量具有良好的性质，通常对模型提出若干基本假设。 实际这些假设与所采用的估计方法紧密相关。 §2.2一元线性回归模型的基本假设 * * 一、线性回归模型的基本假设 假设1. 解释变量X是确定性变量，不是随机变量； 在重复随机抽样中取固定值。 假设2. 随机误差项?具有零均值、同方差和不序列相关性： E(?i)=0 i=1,2, …,n Var (?i)=??2 i=1,2, …,n Cov(?i, ?j)=0 i≠j i,j= 1,2, …,n * * 假设3. 随机误差项?与解释变量X之间不相关：