[经济学]计量经济学复习.ppt

计量经济学讲义 第一章 导论 计量经济学的性质和经济数据 计量经济学“四大过程” 计量模型“四个要素” 第二章 简单回归模型 本章大纲 简单回归模型的定义 普通最小二乘法的推导 OLS的操作技巧 测量单位和函数形式 OLS估计量的期望值和方差 过原点回归 术语注解 线性的含义： y 和x 之间并不一定存在线性关系，但是，只要通过转换可以使y的转换形式和x的转换形式存在相对于参数的线性关系，该模型即称为线性模型。 关于u的假定 我们假定总体中误差项u的平均值为零. E(u) = 0 (2.5) 该假定是否具有很大的限制性呢? 关于u的假定 如果, E(u)=5. 则 y = (b0 +5)+ b1x + (u-5), 从而, E(u’)=E(u-5)=0. 上述推导说明我们总可以通过调整常数项来实现误差项的均值为零, 因此该假定的限制性不大. 条件期望零值假定 我们需要对u和 x之间的关系做一个关键假定。 理想状况是对x的了解并不增加对u的任何信息。 换句话说，我们需要u和 x完全不相关。 条件期望零值假定  由于我们已经假定了E(u) = 0，因此有 E(u|x) = E(u) = 0. (2.6) 该假定是何含义？ 条件期望零值假定  (2.6)说明总体回归函数应满足 E(y|x) = b0 + b1x. 该函数是x的线性函数，y的分布以它为中心。 普通最小二乘法的推导 回归的基本思想是从样本去估计总体参数。 。 普通最小二乘法的推导 因此OLS估计出的斜率为 关于OLS的更多信息 OLS法是要找到一条直线，使残差平方和最小。 残差是对误差项的估计，因此，它是拟合直线（样本回归函数）和样本点之间的距离。 OLS的代数性质 回归元（解释变量）和OLS残差之间的样本协方差为零 OLS回归线总是通过样本的均值。 OLS的代数性质 我们可把每一次观测看作由被解释部分和未解释部分构成. 预测值和残差在样本中是不相关的 证明 SST = SSE + SSR 拟合优度 我们如何衡量样本回归线是否很好地拟合了样本数据呢? 可以计算模型解释的总平方和的比例，并把它定义为回归的R-平方 R2 = SSE/SST = 1 – SSR/SST 自然对数 假定SLR.1 （关于参数是线性的） 在总体模型中，因变量 y 和自变量 x 和残差 u 的关系可写作 y = b0 + b1x + u , 其中 b0 和 b1 分别是总体的截距参数和斜率参数 假定SLR.2 (随机抽样): 假定我们从总体模型随机抽取容量为n的样本, {(xi, yi): i=1, 2, …, n}, 那么可以写出样本模型为： yi = b0 + b1xi + ui Assumptions SLR.3 and SLR.4 SLR.3, 零条件期望： 假定 E(u|x) = 0 . 那么在随机样本中我们有 E(ui|xi) = 0 SLR.4 (自变量中的样本变动): 在样本中，自变量 x 并不等于一个不变常数。 定理2.1 ( OLS的无偏性) 使用假定SLR.1到SLR.4，我们可以得到无论b0,和b1 取什么值，它们的OLS估计量的期望值等于它们各自的真值。 无偏性总结 b1 和 b0 的OLS估计量是无偏的 无偏性的证明依赖于我们的四个假定--如果任何假定不成立，OLS未必是无偏的 记住无偏性是对估计量的描述--对于一个给定的样本我们可能靠近也可能远离真实的参数值 OLS估计量的抽样方差 在一个附加假定下计算这个方差会容易的多，因此有 假定 SLR.5 (同方差性): Var(u|x) = s2 (Homoskedasticity) 定理 2.2 ( OLS 估计量的抽样方差 ) 在假定 SLR.1 到 SLR.5 下，我们有(2.57): 误差方差估计量(继续) 第三章 多元回归分析： 估计 对多元回归的解释 简单回归估计与多元回归估计 拟合优度(cont) 关于 R2 随着解释变量的增加R2 不会下降, 通常会上升 鉴于R2 会随着解释变量的增加而上升，模型间仅仅基于R2 的比较意义不大． 遗漏变量导致的偏差 遗漏变量导致的偏差(cont) OLS 估计量的方差(cont) 以 x 表示 (x1, x2,…xk) 假定 Var(u|x) = s2 也意味着 Var(y| x) = s2 ４个无偏假定再加上同方差假定，就是 Gauss-Markov 假定 OLS 估计量的方差(con