《2一元线性回归模型》-公开·课件设计.pptVIP

第二章 一元线性回归模型 第一节 回归模型概述 第二节 参数的最小二乘估计 第三节 最小二乘估计量的统计性质 第四节 一元线性回归模型的统计检验 第五节 一元线性回归模型的预测 第六节 一元线性回归模型案例分析 第二节 参数的最小二乘估计 一、经典线性回归模型：OLS基本假定 二、普通最小二乘法（OLS） 三、例题示范 一、经典线性回归模型：OLS基本假定 1.零均值假定：随机扰动项可正可负，可相互抵消 2.同方差假定：各次观察值中ui具有相同的方差 3.无序列相关假定：随机扰动项相互独立 4.解释变量与随机扰动项不相关假定： 5.随机扰动项服从正态分布假定 1、 E(ui)=0 2、 Var(ui)=σ2 3、Cov(ui,uj)=0 4、Cov(ui,Xi)=0 5、Ui~N(0, σ2 ) 注意： 对于线性回归模型，模型估计的任务是用回归分析的方法估计模型的参数。 最常用的估计方法是普通最小二乘法。 为保证参数估计量具有良好的性质，通常对模型提出若干基本假设。如果实际模型满足这些基本假设，普通最小二乘法就是一种适用的估计方法； 如果实际模型不满足这些基本假设，普通最小二乘法就不再适用，而要发展其它方法来估计模型。 二、普通最小二乘法（OLS） 普通最小二乘法是一种参数估计方法，确定估计参数的准则是使全部观察值的残差平方和最小， 几个常用的结果 ●样本