第三讲 基本假设和参数估计.pptVIP

变量间的关系： 不相关、函数关系、统计（相关）关系 对相关关系的研究：分为（ ）、（ ） 样本回归函数（模型）与总体回归函数（模型）的区别 §2.2 一元线性回归模型的基本假设 §2.3 一元线性回归模型的参数估计（1） 一、参数的普通最小二乘估计（OLS） 二、一元线性回归模型的基本假设 三、最小二乘估计量的性质  给定一组样本观测值（Xi, Yi）（i=1,2,…n） 普通最小二乘法（Ordinary least squares, OLS）的基本思路：在来自于总体的n个观测点中，试图找到一条直线，使得这些点到这条直线的垂直距离的平方和最小 为什么是正态假定呢？ 随机干扰项代表回归模型中未明显引进的许多自变量（对因变量）的总影响，我们希望这些被忽略的变量所起的影响是微小的。于是利用统计学中著名的中心极限定理就能证明，如果存在大量独立且相同分布的随机变量，随着这些变量个数的无限增大，他们的总和将趋向正态分布。正是这个中心极限定理为随机干扰项正态性假定提供了理论基础 2、正态分布的一个性质是，正态分布变量的任何线性函数都是正态分布。 3、正态分布是一个比较简单、仅涉及两个参数（均值和方差）的分布；他为人们所熟知，他的理论性质在数理统计学中受到广泛的研究。 4、如果我们在处理小样本或有限容量时，比如说数据小于100次观测，那么正态假定就起到关键作用。她不仅有助于我们推导出OLS估计量精确的概率分布，而且是我们能用t、F和卡方分布来对回归模型进行统计检验。 重要提示 几乎没有那个实际问题能够同时满足所有基本假设。 通过模型理论的发展，就可以克服违背基本假设所带来的问题 违背基本假设的处理构成了以下内容： 异方差问题（违背同方差假设） 序列相关问题（违背序列不相关假设） 共线性问题（违背解释变量不相关假设） 随机解释变量问题（解释变量不确定，与随机误差项相关） * * 回顾 ①不线性相关一定不相关； ②有相关关系并不意味着一定有因果关系； ③ ？分析对称地对待任何（两个）变量，两个变量都被看作是随机的。 ④？分析对变量的处理方法存在不对称性，即区分应变量（被解释变量）和自变量（解释变量）：前者是随机变量，后者不是。 判断、填空 样本回归函数 样本回归模型 利用样本回归模型，观察值 可以表示为 利用总体回归模型，观察值 可以表示为 总体回归模型 总体回归函数 总体回归函数是未知的，但它是确定的； 样本回归函数是随抽样波动而变化的，可以有许多条 总体回归函数的参数 和 是确定的常数； 而样本回归函数的参数 和 是随抽样而变化的随机变量 总体回归模型中的 是不可直接观测的； 样本回归模型的 是只要估计出样本回归的参数就可以计算的数值。 ●作为总体运行的客观规律，总体回归函数是客观存在 的，但在实际的经济研究中总体回归函数通常是未知的， 只能根据经济理论和实践经验去设定。 计量经济学研究中“计量”的根本目的就是要寻求总体 回归函数。 ●我们所设定的计量模型实际就是在设定总体回归函 数的具体形式。 ●总体回归函数中 Y 与 X 的关系可以是线性的，也可 以是非线性的。 * 如何理解总体回归函数 一元线性回归模型：只有一个解释变量 i=1,2,…,n Y为被解释变量，X为解释变量，?0与?1为待估参数， ?为随机干扰项. 若有n个样本观测点 也可写为 一、参数的普通最小二乘估计（OLS） 普通最小二乘法归功于德国数学家高斯 令 求 关于 和 的偏导数，并令其为0，得： （1） 方程组（1）或（2）称为正规方程组（normal equations）。 整理得 （2） 记 上述参数估计量可以写成： 称为OLS估计量的离差形式（deviation form）。 由于参数的估计结果是通过最小二乘法得到的，故称为普通最小二乘估计量（ordinary least squares estimators）。 顺便指出 ，记 则有 可得 （**）式也称为样本回归函数的离差形式。 （**） 注意： 在计量经济学中，往往以小写字母表示对均值的离差。 ? 这样一旦从样本数据得到OLS估计值，便容易画出样本回归线，它具有如下性质（课本60页第9题） 1、样本回归直线经过样本的均值点， 2、残差的均值为0， 即有： 即有 3、 不相关 与 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。 二、线性回归模型的基本假设 不仅仅是得到 和 ，而且要对真实的 做出推断。 和 或者说，我们想知道 与其期望值 有多接近 具体地说 下面我们要介绍的就是经典假设，满足该假设的线性回