第三讲(计量经济学).pptVIP

1、最大似然法 基本原理：似然原理 一元线性回归模型ML使用的条件：已知随机扰动项的分布。 ML与最小二乘估计量的关系： 在满足经典线性回归模型的基本假定之下，模型参数的最大似然估计量与普通最小二乘估计量是相同的。 但是，扰动项的方差估计是不同的。 四、一元线性回归模型普通最小二乘估计量的性质 在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。 五、参数估计量的概率分布及随机干扰项方差的估计 * 第二讲回顾：模型及估计 1、相关性分析与回归分析 相关关系、因果关系 一元线性总体回归模型： 一元线性总体回归函数： 一元线性样本回归函数： 一元线性样本回归模型： 残差 2、基本概念： 3、一元线性回归模型参数的普通最小二乘估计（OLS) 模型： 假定现在已经取得样本： 正规方程组 ？ 4、最小二乘估计量的简化： ？ 普通最小二乘估计量是Yi的线性组合，是Yi的加权平均数：（线性性） 权数的性质： ? 普通最小二乘估计的残差及其性质 即：正规方程组揭示的是残差的性质。 §2.2 一元线性回归模型的参数估计（续） 普通最小二乘估计残差的性质： 普通最小二乘估计残差： 2、普通最小二乘估计量与参数的关系 二、经典线性回归模型的基本假设The Basic Assumptions of Classical Linear Regression Model(CLRM) 1、解释变量确定 2、随机扰动项： 当解释变量一定时，期望为0，且所有随机扰动项同方差，序列不相关。 3、解释变量与随机扰动项不相关，即 当解释变量一定的条件下，随机扰动项服从正态分布即： 4、正态性假设： 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）。 一元线性回归模型经典假定下的推论： 1、在线性回归模型的经典假定下，随机扰动项独立同服从正态分布，即 2、 相互独立。 3：随机扰动项方差的估计 可以证明： 三、一元线性回归模型参数的最大似然法(ML) 注意：若随机扰动项不服从正态分布，则最小二乘估计与极大似然估计不一定相同。 高斯—马尔可夫定理(Gauss-Markov theorem) 无偏性、有效性 渐近无偏性、渐近有效性、一致性。 样本容量一定时的性质。 样本容量变大时的性质。 通常用于衡量估计量好坏的标准 证： 无偏性：即 有效性：在所有线性无偏估计中，最小二乘估计的方差最小。 证明最小方差性 由于此估计量为无偏估计量，因此 下面证明： 一致性：大样本性质： 其他性质（课后习题） *