1元线性回归模型参数估计.pptVIP

§2.2 一元线性回归模型及参数估计 Simple Linear Regression Model and Its Estimation ;一、 线性回归模型的特征;因此，一个更符合实际的数学描述是：;计量经济学中“线性”回归模型的含义; 对可化为线性的非线性模型的处理方法 (1)变量置换 例如，描述税收与税率之间关系的拉弗曲线： s = a+br+cr2 (c 0) s：税收，r：税率 设，X1= r, X2= r2，则原方程变为s = a+bX1+cX2 ;三个版本的C-D生产函数模型：;线性模型与非线性模型;结论： 实际经济活动中的许多问题，变量之间的非线性关系都可以最终化为线性关系。所以，线性回归模型具有普遍意义。 即使对于无法采取任何变换方法使之变成线性的非线性模型，目前适用较多的参数估计方法非线性最小二乘法，其原理仍然是以线性估计方法为基础。 线性模型理论方法在计量经济学理论方法中占据重要地位。;其他条件不变的概念(ceteris paribus);二、线性回归模型的基本假设; 一元线性回归模型：只有一个解释变量 ;一元线性回归模型的基本假设;如果假设1和2满足，则假设3也满足； 如果假设4 满足，则假设2 也满足。;假设4： ?i ~ N(0, ??2 ) i =1,2, …,n 例：测度教育的回报问题 问题提出：如果从总体中选择一个人，并让他或她多受一年教育，那么，他或她的工资会提高多少？ 工资水平与可测教育水平及其他非观测因素的关系： 工资：小时工资(元)，教育：受教育的年数。 其他非观测因素：工作经验、天生素质、职业道德等。 E(μi|Xi) = 0 假设μ是天生能力，这个假定就是要求，不论受教育的年数是多少，平均能力水平都一样。例如，E(abil|8) = E(abil|6)； ; Var(μi |Xi ) =σ?2，Var(Yi | Xi ) =σ?2 Var(wage|educ)=σ2，虽然平均工资E(wage|educ)可随着教育水平的提高而增长，但工资相对于它的均值的变异却被假定为对所有的教育水平都不变。 ?i ~ N(0, ??2) 的理由：由于μ是影响wage而又观测不到的许多因素之和，所以我们可以借助中心极限定理来断定μ具有近似正态分布。 ;三、参数的普通最小二乘估计（OLS） ;方程组（*）称为正规方程组（normal equations）。 由于参数的估计结果???通过最小二乘法得到的，故称为普通最小二乘估计量（ordinary least squares estimators）。 ;四、参数估计的最大似然法(ML) ;在满足基本假设条件下，对一元线性回归模型： ;因为Yi 是相互独立的，所以的所有样本观测值的联合概率，也即似然函数(likelihood function)为： ; 由于似然函数的极大化与似然函数的对数的极大化是等价的，所以，取对数似然函数如下：;解得模型的参数估计量为： ;但是，随机误差项的方差的估计量是不同的。;记;记;样本回归线的数学性质(numerical properties);五、最小二乘估计量的统计性质;高斯—马尔可夫定理(Gauss-Markov theorem) 在给定经典线性回归的假定下，最小二乘估计量是具有最小方差的线性无偏估计量。;证：;;（2）证明最小方差性; 显然这些优良的性质依赖于对模型的基本假设。;六、参数估计量的概率分布及随机干扰项方差的估计 ;;2、随机误差项? 的方差?2的估计;; 例2.2：在例2.1家庭可支配收入-消费支出例中，对于所抽出的一组样本数，参数估计的计算可通过下面的表2.2.1进行。 ;由该样本估计的回归方程（样本回归函数）为： ;复 习