前面讨论的简单随机抽样与分层抽样.pptVIP

（1） 为设定常数的情形 这种情况在实际应用中是存在的。比如为同一目的进行 的调查已重复进行多次，将以前数据中 关于 计算而得的 回归系数（倘若前几次该系数比较稳定在某一数值的话）直 接作为最新调查的 设定值。 首先研究这种简单回归估计值的期望。注意到 是 的 无偏估计， 又是 的无偏估计，因此，有： (5.30) 即回归估计量是总体平均数的无偏估计。 的方差可计算为： (5.32) 由(5.30)以及(5.32)可知，无论 是怎样的设定值， 总 是 的无偏估计，估计的精度与 的设定值有关。 (5.32)式的右端实际上是 的二次三项式，又由于 前的系 数为 是个正数，因此，只要适当选取 就可使 达 到最小值，利用高等数学的知识，可得使 达到最小 值的 应为： 其中 为 X 和 Y 的相关系数，此时最小方差为： (5.34) (5.33) （2） 取样本回归系数的情形 如果 需要估计而定，估计的原则总是使 达到最小 根据(5.33)式的启发，自然取： (5.35) 这实际上就是样本回归系数。利用 得到的回归，由于 是比值型随机变量，与比估计一样的理由， 不可能是总 体平均数的无偏估计。但当 n 相当大时，有下列近似结果： (5.36) (5.37) 因此，对简单随机抽样，当样本容量 n 相当大时，回归 估计 （不管 是否设定）的方差均近似地看作： 与简单随机抽样时 的简单估计 的方差相比，只要 ， 则回归估计一定优于简单估计。 至于 的情况，则表示X与Y没有任何线性关系，那么 用X、Y的线性回归来估计 就相当于单纯依赖 去估计 回归估计与简单随机抽样时的比估计相比孰优孰劣呢？ 当 n 相当大时，比估计的方差为： 欲使回归估计优于比估计，当且仅当： 即 或 (5.38) 这是一个当然的不等式。一般情况总是回归估计优于比估计 除非 ，此时这两种估计量效果几乎一样。 回归估计量的上述性质都是在样本容量 n 相当大时才成 立，当 n 偏小时容易产生较大偏倚，(5.36)式中关于1/n的同 阶无穷小这一项就蕴涵了这种可能性。 当 n 相当大时， 或 如何估计呢？ 由于这两个参数的主要部分都是 ，因此，要 给出估计，只要将 S 换为 s，X、Y 换为 x、y，N 换为 n即可 形式上的估计可以写成 实质上是残差平方和，其自由度为(n－2)，因此得到 或 的估计为： (5.39) 为样本回归系数 故 例5.3 （续例5.1）使用回归估计继续讨论某县小麦亩产与总产 量问题。 样本回归系数 小麦产量的估计为: 小麦总产量的估计为: 显见，回归估计比起比估计精度略高一点，但相差不大，它 们比简单估计则要精确的多！ 2、分层随机抽样情况 与比估计情形一样，在分层随机抽样中考虑两种形式的 回归估计：分别回归估计与联合回归估计。 （1）分别回归估计 所谓分别回归估计，就是先在各层中对该层的平均数或 总和进行回归估计，然后再按层权平均或相加。 设第 h 层的样本平均数回归估计为 ，那么分别回归估计为 其中 分别为第 h 层的样本均值、回归参数。 (5.41) (5.40) 当各层的 为预先设定时，那么这两个估计量都是无偏估 计量。又由于各层抽样都是相互独立的，由(5.31)式立即可 得： (5.42) 并且当 时，达到最小值： (5.43) * * 前面讨论的简单随机抽样和分层抽样，我们所关心的参数都是单指标的，给出的估计量也是线性形式。这一章我们将要讨论比较复杂的情况，我们关心的参数不再是单指标的而是两个或两个以上的指标。此时，遇到的统计量不再是线性形式，往往呈现出非线性形式，比如两个变量之比，或呈现变量之间的回归关系。 第五章 比估计与回归估计 所谓回归关系就是变量之间的关系不是确定的，是带有