第一章--一元线性回归模型-计量经济学(陶长琪).pptVIP

（二）回归参数的置信区间 用OLS得到的回归方程参数估计值只是一个点 估计，虽然根据OLS的无偏性可知，在重复抽样中 参数估计值的期望会等于参数的真实值，但不能 说明这个参数估计是一个可靠的估计。 方差只是说明了估计值和其均值的离散程 度，并不能说明参数真实值的分布范围。所以须 确定一个区间，使得在 左右的这个区间范围内 可能包含了　，并且确定这样的范围包含参数真 实值的概率是多少，这就是参数的区间估计。 一元线性模型中，　　　 的置信区间: 在变量的显著性检验中已经知道： 意味着，如果给定置信度1-?，从分布表中查得自 由度为n-2的临界值，那么t值处在　　　　　的 概率是1-?。 置信区间表示为： 将　　　　　带入上式得 　　　　　　 　　　　　　　 　 整理后可得 由上式可知，　在置信度为1-?下的置信区间为 1-?的置信度下, ?i的置信区间: 在例1-1中 由于 于是，?1、?0的置信区间分别为: (0.660277,0.680137) (651.1135,860.9511) 第四节　一元线性回归模型的预测 一、均值预测 　　 均值预测是指对于给定的值来预测的条件 均值，也就是预测总体回归线本身的点。 二、个值预测 　　 个值预测是指对一个特定的值来预测的一个 个别值。 一、均值预测 设总体回归函数E(Y|X=X0)=?0+?1X，Y在X=X0时条件均值为 E(Y|X=X0)=?0+?1X0 通过样本的回归函数 可得到X0时 于是 可见，?0是条件均值E(Y|X=X0)的无偏估计。 由于 可以证明 得到　的分布后，将 　用它的估计值　 进行替 代，并构造t统计量 于是，在1-?的置信度下，总体均值E(Y|X0)的置信区间为 如果想要预测对于给定的X值时单个Y的值。则 作个值预测。由 　　　　　　　可得 且 二、个值预测 从而在1-?的置信度下， Y0的置信区间为 它可以作为总体均值 或Y的个别值在 处预测的估计值。 在 出 在例1-1中，得到了样本回归函数为 有兴趣的读者，可以根据上边介绍的理论部分来计算总体条件均值和个值预测的置信区间。 第五节 案例分析 * * * * 例1-1 根据凯恩斯的绝对收入假说，建立最简 单的消费函数。下面利用我国1995-2010年城镇 居民家庭人均消费性支出与城镇居民家庭人均可 支配收入数据，使用普通最小二乘法建立一元线 性回归模型。有关数据见表1-2。 回归方程为 三、最小二乘估计量的性质 利用普通最小二乘法计算出的 是样 本观测值的函数，所以同一总体的不同样本就 会计算出不同的 。 用样本回归直线去代表总体回归直线，其 实用性和准确性是依靠 这两个参数的。 所以，必须了解估计量的性质。 一个用于考察总体的估计量，可从如下几个方面考察其优劣性： （1）线性性 即它是否是另一随机变量的线性函数； （2）无偏性 即它的均值或期望值是否等于总体的真实值； （3）有效性 即它是否在所有线性无偏估计量中具有最小方差。 这三个准则也称作估计量的小样本性质。 拥有这类性质的估计量称为最佳线性无偏估计量（BLUE）。 （4）渐近无偏性 即样本容量趋于无穷大时，是否它的均值序列趋于总体真值； （5）一致性 即样本容量趋于无穷大时，它是否依概率收敛于总体的真值； （6）渐近有效性 即样本容量趋于无穷大时，是否它在所有的一致估计量中具有最小的渐近方差。 当不满足小样本性质时，需进一步考察估计量的大样本或渐近性质： （一）线性性 是指一个变量是否是另一个变量的线性函数。 OLS估计量 均为随机观测值 的线性函数。 证明： （二）无偏性 是指估计量的均值或期望等于总体真实值。 OLS估计量的均值等于总体参数值，即 证明： （三）有效性 也称最小方差性，指估计量在所有线性无偏估计量中有最小方差。 (2) 证明最小方差性 其中，ci=ki+di，di为不全为零的常数 则容易证明 四、极大似然法 是不同于最小二乘法的另一种参数估计方法，是从最大或然原理出发发展起来的其它估计方法的基础。 基本原理：对于最大或然法，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