计量三、双变量线性回归模型选编.pptVIP

（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;一、什么是“回归”;二、双变量线性回归模型的概念; 设我们有Y和X的n对观测值数据，则根据(2)式，变量Y的每个观测值应由下式决定： Yi = ? + ?Xi + ui , i = 1, 2, ...,n (3) (3)式称为双变量线性回归模型或简单线性回归模型。其中 ?和? 为未知的总体参数，也称为回归模型的系数（ coefficients）。下标 i是观测值的序号。 当数据为时间序列时，往往用下标 t来表示观测值的序号，从而（3）式变成 Yt = ? + ?Xt + ut , t = 1, 2, ...,n (3’);三、“线性”一词的含义;四、为何要在模型中包括扰动项u;五、普通最小二乘法(OLS Ordinary Least squares); ;残差 拟合的直线 称为拟合的回归线. 对于任何数据点 (Xt, Yt), 此直线将Yt 的总值 分成两部分。 第一部分是Yt的拟合值或预测值 ： , t=1,2,……,n 第二部分，et ，代表观测点对于回归线的误差，称为拟合或预测的残差 （residuals）： t=1,2,……,n 即 t=1,2,……,n ;残差平方和 我们的目标是使拟合出来的直线在某种意义上是最佳的，直观地看，也就是要求估计直线尽可能地靠近各观测点，这意味着应使残差总体上尽可能地小。要做到这一点，就必须用某种方法将每个点相应的残差加在一起，使其达到最小。理想的测度是残差平方和，即 ;最小二乘法 最小二乘法就是选择一条直线，使其残差平方和达到最小值的方法。即选择 和 ，使得; 运用微积分知识，使上式达到最小值的必要条件为：;整理，得：;（5）式和（6）式给出了OLS法计算 和 的公式， 和 称为线性回归模型 Yt = ? + ?Xt + ut 的参数? 和 ? 的普通最小二乘估计量 (OLS estimators）。 这两个公式可用于任意一组观测值数据，以求出截距和斜率的OLS估计值（estimates)，估计值是从一组具体观测值用公式计算出的数值。 一般说来，好的估计量所产生的估计值将相当接近参数的真值，即好的估计值。可以证明，对于CLR模型，普通最小二乘估计量正是这样一个好估计量。;六、经典线性回归模型的基本假定 Yt = ? + ?Xt + ut , t = 1, 2, ...,n 这里 ?和? 为未知总体参数，下一步的任务是应用统计学的方法，由Y和X的观测值（即样本数据）来估计?和? 的总体值，常用的估计方法就是最小二乘法。为了应用最小二乘法，得到好的估计量，双变量线性回归模型需要满足一些统计假设条件，这些统计假设是：;假定1;假定2;假定3;假定4;假定5;假定6;假定7;假定8;假定9;假定10;假定11;思考; 第二节 最小二乘估计量的性质 最小二乘估计量，究竟是不是一个好的估计量呢？ 一个好估计量应该具备什么样的性质。（P20-22 小样本性质（最优线性无偏估计量） 大样本性质（一致性） 本节将重点讨论最小二乘估计量的小样本性质。 ;一、估计量的均值和方差;二. 高斯--马尔柯夫定理（Gauss--Markov Theorem）;证明高斯——马尔柯夫定理;;第三节 拟合优度的测度 一、拟合优度(Goodness of fit)的概念 用最小二乘法得到的回归直线 至少从残差平方和为最小这一意义上来说是所有可能直线中最佳的拟合线。 应该指出，对于任意两个变量的一组观测值，我们总是可以运用最小二乘法得到一条直线，问题是该直线能否较好地拟合所给定的观测值，这就是拟合优度问题。;但该直线是不是Y和X之间关系的一种恰当的描述呢？如果各观测点紧密地聚集在这条直线的周围，则表明该直线对Y和X之间关系的描述是好的；否则，用直线来描述这两个变量之间的关系就未必恰当，如下图所示： ;;拟合优度是两变量之间关系强度的测度。在这里，指的是两变量间线性关系强