3一元线性回归模型参数估计.pptVIP

§2.2 一元线性回归模型及参数估计 Simple Linear Regression Model and Its Estimation 一、 “线性”回归模型的特征及含义 二、一元线性回归模型的基本假设 三、参数的普通最小二乘估计(OLS) 四、最小二乘估计量的性质 五、参数估计量的概率分布及随机干扰 项方差的估计 其他条件不变的概念(ceteris paribus) 包括经济学在内的许多社会科学中的假设都具有“其他条件不变”的特点：在研究两个变量之间关系时，所有其他相关因素都必须固定不变。 例如，经济学中在分析消费需求时，想知道之中商品价格的变化对其需求量的影响，而让所有其他因素——收入、其他商品的价格和个人偏好等——都保持不变。 计量经济分析中的其他条件不变意味着“其他(相关)因素保持不变，这一概念在因果分析中有重要作用。 二、线性回归模型的基本假设 技术路线： 由于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。即通过： 三、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。 普通最小二乘法(Ordinary least squares, OLS)给出的判断标准是：二者之差的平方和最小。 四、参数估计的最大似然法(ML) 最大或然法(Maximum Likelihood,简称ML)，也称最大似然法，是不同于最小二乘法的另一种参数估计方法，是从最大似然原理出发发展起来的其它估计方法的基础。 基本原理： 对于最大似然法，当从模型总体随机抽取n 组样本观测值后，最合理的参数估计量应该使得从模型中抽取该n 组样本观测值的联合概率最大。 但是，随机误差项的方差的估计量是不同的。 即可得到 的最大似然估计量为： 五、最小二乘估计量的统计性质 样本回归线的数学性质(numerical properties) 样本回归线通过Y 和X 的样本均值； Y 估计值的均值等于观测值的均值； 残差的均值为零。 显然这些优良的性质依赖于对模型的基本假设。 复 习 单方程计量经济学模型的特征 经典线性模型的基本假设 最小二乘原理和最大似然原理 一元线性模型最小二乘估计量的统计性质 六、参数估计量的概率分布及随机干扰项方差的估计 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 的无偏估计量为 它是关于?2的无偏估计量。 例2.2：在例2.1家庭可支配收入-消费支出例中，对于所抽出的一组样本数，参数估计的计算可通过下面的表2.2.1进行。 由该样本估计的回归方程（样本回归函数）为： * * 一、 线性回归模型的特征 一个例子 凯恩斯绝对收入假设消费理论：消费C是由收入Y唯一决定的，是收入的线性函数： 但实际上上述等式不能准确实现。 原因 (1)消费除了受收入影响外还受其他因素因影响。 (2)线性关系是一个近似，收入变量的观察值是近似的，数据本身并不绝对准确地反映收入水平。 因此，一个更符合实际的数学描述是： 线性回归模型的特征： 是通过引入随机误差项将变量之间的关系用线性随机方程来描述，并用随机数学的方法来估计方程中的参数。 在线性回归模型中，被解释变量的特征由解释变量和随机误差项共同决定。 计量经济学中“线性”回归模型的含义 对参数为线性、对变量非线性的函数： 对参数非线性、对变量线性的函数： 对参数非线性、对变量非线性的函数： 对变量间存在非线性关系的线性模型的处理方法 (1)变量置换 例如，描述税收与税率之间关系的拉弗曲线： s = a+br+cr2 (c 0) s：税收，r：税率 设，X1= r, X2= r2，则原方程变为s = a+bX1+cX2 (2)对数变换 例如，Cobb-Dauglas生产函数：幂函数 Q:产出量，K：投入的资本，L：投入的劳动 方程两边取对数： 结论： 实际经济活动中的许多问题，变量之间的非线性关系都可以最终化为线性关系。所以，线性回归模型具有普遍意义。 即使对于无法采取任何变换方法使之变成线性的非线性模型，目前适用较多的参数估计方法非线性最小二乘法，其原理仍然是以线性估计方法为基础。 线性模型理论方法在计量经济学理论方法中占据重要地位。 采用最小二乘或最大似然方法。 一元线性回归模型：只有一个解释变量 i=1,2,…,