区间估计与假设检验演示教学.pptVIP

区间估计与假设检验;回归分析的目的，不仅仅是估计样本回归函数，而是要用估计来对总体回归函数进行推断。我们想知道， 和 与真实的 和 有多接近。 由于 、 和 是随机变量，所以我们需要清楚它们的概率分布，若不知其概率分布，那我们就无法将它们与其真实值相联系。;1. 干扰项ui 的概率分布;假定ui 为随机变量，则 的概率分布将取决于对ui 的概率分布所做的假定。 在上一章，我们把普通最小二乘法应用于经典线性回归模型时，并没有对干扰项ui 的概率分布做出假定。 对这些ui 所做的假定仅是：（1）它们 的期望值为零，（2）它们是不相关的，（3）它们有一个不变的方差。有了这些假定，OLS中估计量满足诸如无偏性和最小方差的统计性质。 但是，我们的兴趣不仅要得到 ，还要利用它对真值 做出推断。或者说，我们的目的不仅是要得到样本回归函数，还要用它来推测总体回归函数。 ; 尽管有了高斯-马尔可夫定理，但由于OLS法不对ui的概率性质做任何假定，仍难以从SRF去推断PRF。 对这一不足，在回归分析中，人们常常假定ui遵从正态分布。在第4章中讨论的经典线性回归模型的假定中增加ui 的正态性假定，就得到了所谓的 经典正态线性回归模型(classical normal linear regression model, CNLRM);2. 关于ui 的正态性假定;性质：对两个正态分布变量来说，零协方差或零相关就意味着两个变量互相独立。;为什么是正态假定？;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的。OLS估计量 和 是ui 的线性函数，因此，若ui 是正态分布的，则 和 也是正态分布的。 3. 正态分布是一个比较简单、仅有两个参数的分布，为人们所熟知。 4. 如果处理小样本或有限容量样本时，比如说数据少于100次观测，那么正态假定就起到关键作用。它不仅有助于推导出OLS估计量精确的概率分布，而且使我们能用t、F和卡方来对回归模型进行检验。;3. 在正态性假定下OLS估计量的性质;5. （ui 的线性函数）是正态分布的。 均值： 方差： 写成 令 同样的， Z服从???准正态分布。 服从n-2个自由度的 分布。 的分布独立于 。 ， ;二、统计学预备知识;区间估计;例如，α=0.05，则1-α=0.95，意味着如果我们构造一个置信系数为0.95的置信区间，所构区间有95%的概率含有真θ时。一般的，如果置信系数是1-α，我们常说有一个100（ 1-α ）%置信区间，α就是显著性水平(level of significance)。;例;2. 假设检验; 一个假设被称为简单的，如果它确定了分布的各参数的各一个值；否则就称为复合假设，例如 如果 ，并且 这是一个简单假设。 如果 因为σ的值未被确定，这是一个复合假设。;为了检验虚拟假设（即检验其真实性），我们利用样本信息以获得检验统计量(test statistic)。统计检验量常常就是未知参数的点估计量。然后我们试图找出检验统计量的抽样或概率分布，并利用置信区间或显著性方法去检验虚拟假设。 接上例，考虑一个总体中的男子身高（X）： 现假设 问题是：这个检验统计量为 的样本会来自均值为69的总体吗？直觉上，如果 “足够接近” ，我们也许不会拒绝虚拟假设，否则我们宁可拒绝它而接受对立假设。;因为 ，所以检验统计量 的分布是： 既然知道了 的概率分布，可以根据 建立μ的一个100（1-α）置信区间，然后看此置信区间是否包含 。如果包含，就不拒绝虚拟假设；如果不包含，就可拒绝虚拟假设。 例如，取α=0.05，将有一个95%的置信区间。如果此区间包含 ，由于这样建立起来的区间每100个中有95个会含有 ，我们就不拒绝虚拟假设。;置信区间法操作步骤： 因 ，从而 Zi 是一个标准正态变量，于是由正态分布表知： 即 整理得： 这就