第六章一元线性回归模型下.docVIP

一元线性回归模型（下） 总体回归函数： Yi = B1 + B2Xi + ui 估计的样本回归函数： i = 49.667 – 2.5176Xi 问题：OLS得出的估计回归直线的“优度”如何？即怎样判别它确实是真实的总体回归函数的一个好的估计量呢？ 6.1古典线性回归模型的一些基本假定 为什么对ui做一些假定？ Yi依赖于Xi与ui，假设Xi值是给定的或是已知的，是以给定X为条件（条件回归分析），而随机误差项u是随机的。由于Y的生成是在随机误差项( u)上加上一个非随机项( X)，因而Y也就变成了随机变量。只有假定随机误差项是如何生成的，才能判定样本回归函数对真实回归函数拟合的好坏。 因此必须对ui的生成做一些特殊的假定： 6.1.1 解释变量(X)与扰动误差项不相关。如果X是非随机的，则该假定自动满足。 （回忆：条件回归分析是以给定X值为条件的。） 6.1.2 扰动项的期望或均值为零。 E(ui)= 0 (6 - 1) 平均地看，随机扰动项对Yi没有任何影响，也就是说，正值与负值相互抵消。 6.1.3 同方差假定，即每个ui的方差为一常数。 Var (ui) = (6 - 2) 可简单地理解为,与给定X相对应的每个Y的条件分布同方差；即每个Y值以相同的方差分布在其均值周围，否则称为异方差。 提问： ui的(条件)方差等于Yi的(条件)方差吗？ Yi = B1 + B2Xi + ui 由于X值是假设给定的或是非随机的，因此 Y中惟一变化的部分来自于u。因此，给定Xi，ui与Yi同方差。 6.1.4 无自相关(no autocorrelation)假定，即两个误差项之间不相关。 cov (ui,uj)=0 i≠j ( 6 - 3 ) i和j表示任意的两个误差项。 假定6.1.4表明两误差项之间没有系统的关系。 如果某一个误差项u大于（小于）其均值，并不意味着另一个误差项也在均值之上（下）。简言之，无自相关假定表明误差项ui是随机的。 6.1.5 在总体回归函数Yi=B1+B2Xi+ui中，误差项ui服从均值为零，方差为的正态分布，即 ui ~ N( 0，) ( 6 - 4 ) 以上5个条件为经典假设条件。 6.2 普通最小二乘法估计量的性质 （为什么要采用OLS？） OLS法得到广泛的使用，因为它有一些理想的理论性质，即OLS估计量是最优线性无偏(Best Linear Unbiased Estimator, BLUE)估计量。 简言之，OLS估计量b1和b2满足： 线性；即b1和b2是被解释变量Y的线性函数。 （是不是X的线性函数？） 证明: 因为 由于 所以，设 说明是的线性函数，是以为权的一个加权平均。 (2) 无偏性；即 E(b1) = B1 E(b2) = B2 E() = 平均而言， b1和b2将与B1和B2真实值相一致，将与真实的相一致。 （尽管大多数情况下我们并不知道B1和B2的真实值） 先了解的一些性质： 1.因为假定为非随机（给定）的，所以也是非随机（给定）的。 2. ，给定一个样本，已知，可作为常量，因此。 3. 因为 4.（显而易见） (3) 最小方差性。 即b1、b2的方差小于其他任何一个B1、B2的无偏估计量的方差。 （证明过程略，详见古扎垃蒂，《计量经济学》，第三版上册，P84－85） 根据以上性质，如果使用OLS法，将能够更准确地估计B1和B2，虽然其他的方法也能得到B1和B2的线性无偏估计量。 6.3 估计量的方差与标准差 由于随机误差项服从正态分布，OLS估计量也是随机变量。 （回顾，设，。由于给定的，可以看作常量。） 可以得到估计量的方差及标准差： var(b1) (6 - 5) 其中 se(b1) = (6 - 6) var(b2 ) = ( 6 - 7 ) se(b2) = ( 6 - 8 ) 一旦知道了，可以求得OLS估计量的方差与标准差。 但在通常情况下，是未知的，可以用样本方差来代替，由下式来估计： (6 - 9) 是残差平方和(RSS)，即Y的真实值与估计值的差的平方和，(n－2)称为自由度。 是真实的一个无偏估计量。（为什么） 同时 (6 - 10) 即正的平方根称为估计值的标准差或是回归标准差，它是Y值偏离估计的回归直线的标准方差。 炒栗子一