2.2一元线性回归.pptVIP

§2.2 一元线性回归模型的参数估计 一、一元线性回归模型的基本假设 二、参数的最小二乘估计（OLS） 三、最小二乘估计量的性质 四、参数估计量的概率分布及随机干 扰项方差的估计 二、参数的最小二乘估计（OLS） 给定一组样本观测值（Xi, Yi）（i=1,2,…n）要求样本回归函数尽可能好地拟合这组值，也就是要样本回归线尽可能靠近所有的点。 拟和一条直线的准则 最小二乘法（Ordinary least squares, OLS） 案例 研究某居住小区家庭可支配收入X（单位：元）对家庭消费支出Y（单位：元）的影响。 假如在该小区的家庭中抽出10户观察数据如下 X 800 1200 1600 2000 2400 800 1200 1600 2000 2400 Y 550 790 1020 1200 1370 600 840 1070 1360 1450 散点图 最小二乘准则 最小二乘准则 使各个观测样本点到拟合直线的垂直距离平方和（即 ）最小。 最小二乘估计 四、最小二乘估计量的性质 当模型参数估计出后，需考虑参数估计值的精度，即是否能代表总体参数的真值，或者说需考察参数估计量的统计性质。 （2）证明最小方差性 4、结论 普通最小二乘估计量具有线性性、无偏性、最小方差性等优良性质。 具有这些优良性质的估计量又称为最佳线性无偏估计量，即BLUE估计量（the Best Linear Unbiased Estimators）。 显然这些优良的性质依赖于对模型的基本假设。 * 单方程计量经济学模型分为两大类： 线性模型和非线性模型 线性模型中，变量之间的关系呈线性关系 非线性模型中，变量之间的关系呈非线性关系 一元线性回归模型：只有一个解释变量 i=1,2,…,n Y为被解释变量，X为解释变量，?0与?1为待估参数， ?为随机干扰项 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，其种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。 注：实际这些假设与所采用的估计方法紧密相关。 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； 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： Cov(Xi, ?i)=0 i=1,2, …,n 假设4、?服从零均值、同方差、零协方差的正态分布 ?i~N(0, ??2 ) i=1,2, …,n 1、如果假设1、2满足，则假设3也满足; 2、如果假设4满足，则假设2也满足。 注意： 以上假设也称为线性回归模型的经典假设或高斯（Gauss）假设，满足该假设的线性回归模型，也称为经典线性回归模型（Classical Linear Regression Model, CLRM）。 另外，在进行模型回归时，还有两个暗含的假设： 假设5：随着样本容量的无限增加，解释变量X的样本方差趋于一有限常数。即 假设6：回归模型是正确设定的 假设5旨在排除时间序列数据出现持续上升或下降的变量作为解释变量，因为这类数据不仅使大样本统计推断变得无效，而且往往产生所谓的伪回归问题（spurious regression problem）。 假设6也被称为模型没有设定偏误（specification error） 用点到直线的垂直坐标距离： 表示点到直线的距离。 达到最小值。 1.使 2.使 3.使 4.使 达到最小值。 达到最小值。 达到最小值。 最小。 最小二乘法给出的判断标准是：样本观测值与样本回归函数之差的平方和 Y X . . . . . X Y (Xi,Yi) ei (