2.2一元线性回归模型参数估计.pptVIP

2、随机误差项?的方差?2的估计 由于随机项?i不可观测，只能从?i的估计——残差ei出发，对总体方差进行估计。 ?2又称为总体方差。 可以证明，?2的最小二乘估计量为 它是关于?2的无偏估计量。 上次课程回顾 一、变量间的关系及回归分析的基本概念 二、总体回归函数 三、随机扰动项 四、样本回归函数（SRF） 一、变量间的关系及回归分析的基本概念 1、变量间的关系 2、回归分析的基本概念 回归分析(regression analysis)是研究一个变量关于另一个（些）变量的具体依赖关系的计算方法和理论。 二、总体回归函数（PRF) 在给定解释变量Xi条件下被解释变量Yi的期望轨迹称为总体回归线（population regression line），或更一般地称为总体回归曲线（population regression curve）。 总体回归函数 总体回归模型 三、随机扰动项 随机误差项包括的因素 产生并设计随机误差项的原因 习题 例1、令kids表示一名妇女生育孩子的数目，educ表示该妇女接受过教育的年数。生育率对教育年数的简单回归模型为 kids= ?0+?1educ+ ? 随机扰动项 包含什么样的因素？它们可能与教育水平相关吗？ 收入、年龄、家庭状况、政府的相关政策等也是影响生育率的重要的因素，在上述简单回归模型中，它们被包含在了随机扰动项之中。有些因素可能与教育水平相关，如收入水平与教育水平往往呈正相关、年龄大小与教育水平呈负相关等。 §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、参数的普通最小二乘估计（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 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 对变量为线性 我们所研究的是指对参数为线性的模型 对参数为线性 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 1.对模型设定的假设 2.对解释变量的假设 3.对随机干扰项的假设 1.对模型设定的假设 假设1：回归模型的设定是正确的 被称为模型没有设定偏误（specification error） 假设2：回归模型的是线性的 被解释变量关于参数是线性的。 2.对解释变量的假设 假设3：解释变量X是确定性变量，不是随机变量，在重复抽样中取固定值。 假设4：随机误差项?与解释变量X之间不相关： Cov(Xi, ?i)=0 i=1,2, …,n E(Xi , ?i)=0 假设5：解释变量在所抽取的样本中具有变异性。 假设6：随着样本容量的无限增加，解释变量的方差趋于一个非零常数。 3. 对随机干扰项的假设 假设7.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8.?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 仅仅用OLS做参数估计并不需要这一条假设，但做统计推断时需要。 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）。 还满足第8条正态性假设的就叫经典正态线性回归模型 二、参数的普通最小二乘估计（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. 普通最小