3-1矩阵基础和多元线性回归模型.ppt

矩阵代数概述; 矩阵(matrix)就是一个矩形数组。 m?n矩阵就有m行和n列。m称为行维数，n称为列维数。 可表示为：;方阵：具有相同的行数和列数的矩阵。一个方阵的维数就是其行数或列数。 行向量：一个1?m的矩阵被称为一个(m维)行向量。 列向量：一个n?1的矩阵被称为一个(n维)列向量。 ;对角矩阵、单位矩阵和零矩阵;矩阵的运算;矩阵运算的性质（1）;矩阵运算的性质（2）; 矩阵A的行与列互换称为A的转置矩阵，用A’表示;对任意一个n?n的矩阵A，A的迹tr(A)定义为其主对角线元素之和。 迹的性质：;对一个n?n的矩阵A，如果存在矩阵B，使得 BA=AB=In 则称B为矩阵A的逆，用A-1表示。 如果A有逆矩阵，则称A是可逆的或非奇异的；否则，称A是不可逆的或奇异的。 ;(1) 如果一个矩阵的逆存在，则它是唯一的 (2) 若??0且A可逆，则 (3) 如果A和B都是n?n可逆矩阵，则 (4) ;给定一个n?n的方阵 ，A的行列式，记为|A|，定义为： |A|=?(-1)ta1p1a2p2…anpn 其中，t为p1p2….pn的逆序数。;例：求下列矩阵A的行列式;求方阵的逆矩阵（1）;求方阵的逆矩阵（2）;求方阵的逆矩阵（3）;例：求下列矩阵A的逆阵 ;Step1: 求|A| |A|=-24 Step2: 求A的余因子矩阵c Step3: 求A的伴随矩阵，即c’ Step4: ; (1) 令 x1, x2,…, xr是一组维数相同的向量，若存在不全为零的实数?1, ?2, …, ?r使得 则称向量组{x1, x2,…, xr}是线性相关的； 否则，称{x1, x2,…, xr}是线性无关的。 ; 令A是一个n?m的矩阵，则A中线性无关的最大列向量称为A的秩，即为rank(A)。 若rank(A)=m，则称为列满秩 秩的性质： (1) 行秩＝列秩=rank(A) (即： rank(A’)=rank(A)) (2) 如果A是一个n?k矩阵，则 rank(A)?min(n,k);令A为n?n对称矩阵。 (1) 如果对除x=0外的所有n?1向量x，都有x’Ax0，则称A为正定的。 (2)如果对除x=0外的所有n?1向量x，都有x’Ax?0，则称A为半正定的。 正定和半正定矩阵的性质： (1) 正定矩阵的主对角元素都严格为正，半正定矩阵的主对角元素都非负； (2) A是正定的，则A-1存在并正定； (3) 如果X是一个n?k矩阵，则X’X和XX’都是半正定的；;令A为n?n对称矩阵。如果AA=A，则称A是幂等矩阵。 幂等矩阵的性质： 令A为n?n幂等矩阵 (1) rank(A)=tr(A) (2) A是半正定的。; (1) 对于一个给定的n?1向量a，对所有n?1向量x，定义线性函数 f(x)= a’x，则f 对x的导数是1?n阶偏导数向量a’，即： (2) 对一个n?n的对称矩阵A，定义 则; 如果y是一个n?1随机向量，用var(y)（或cov-var(y)）表示的y的方差-协方差矩阵定义为： 其中?j2=var(yj), ?ij=var(yi, yj) 显然， ?ij=var(yi,yj) =var(yj,yi)=?ji，故var(y)对称。 ;第三章 经典单方程计量经济学模型：多元回归 ;§3.1 多元线性回归模型 ;多元线性回归模型的引入; 一、多元线性回归模型;截距项和偏回归系数;总体回归模型的n个随机方程（1）;令;样本回归函数：根据样本估计的总体回归函数;样本回归模型的n个随机方程（1）;令; 经典线性回归模型的基本假设的引入;线性回归模型的基本假设（1）;线性回归模型的基本假设（2-1）;线性回归模型的基本假设（2-2）;线性回归模型的基本假设（2-3）;线性回归模型的基本假设（2-4）;线性回归模型的基本假设（3）;线性回归模型的基本假设（4）;线性回归模型的基本假设（5）;线性回归模型的基本假设（6）;线性回归模型的基本假设(7)