第三讲 基本假设和参数的估计.ppt

变量间的关系： 不相关、函数关系、统计（相关）关系 对相关关系的研究：分为（ ）、（ ） 样本回归函数（模型）与总体回归函数（模型）的区别 §2.2 一元线性回归模型的基本假设 §2.3 一元线性回归模型的参数估计（1） 一、参数的普通最小二乘估计（OLS） 二、一元线性回归模型的基本假设 三、最小二乘估计量的性质  给定一组样本观测值（Xi, Yi）（i=1,2,…n） 普通最小二乘法（Ordinary least squares, OLS）的基本思路：在来自于总体的n个观测点中，试图找到一条直线，使得这些点到这条直线的垂直距离的平方和最小 为什么是正态假定呢？ 随机干扰项代表回归模型中未明显引进的许多自变量（对因变量）的总影响，我们希望这些被忽略的变量所起的影响是微小的。于是利用统计学中著名的中心极限定理就能证明，如果存在大量独立且相同分布的随机变量，随着这些变量个数的无限增大，他们的总和将趋向正态分布。正是这个中心极限定理为随机干扰项正态性假定提供了理论基础 2、正态分布的一个性质是，正态分布变量的任何线性函数都是正态分布。 3、正态分布是一个比较简单、仅涉及两个参数（均值和方差）的分布；他为人们所熟知，他的理论性质在数理统计学中受到广泛的研究。 4、如果我们在处理小样本或有限容量时，比如说数据小于100次观测，那么正态假定