第二章22料一元线性回归分析.pptVIP

§2.2 一元线性回归分析 一、一元线性回归模型的基本假设 二、参数的普通最小二乘估计（OLS） 三、最小二乘估计量的性质 四、参数估计量的抽样分布及随机项方差的估计 Notes 单方程计量经济学模型分为两大类：线性模型和非线性模型 线性模型中，变量之间的关系呈线性关系 非线性模型中，变量之间的关系呈非线性关系 一元线性回归模型：只有一个解释变量 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。 估计方法有多种，其中最广泛使用的是普通最小二乘法（ordinary least squares, OLS）。 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。 实际这些假设与所采用的估计方法紧密相关。 A4:随机误差项ui非自相关假设 Cov(ui, uj)=0 i≠j i,j= 1,2, …,n A5:随机误差项ui与解释变量X之间不相关 Cov(Xi, ui)=0 i=1,2, …,n A6:解释变量X之间不相关 二、回归参数的普通最小二乘估计（OLS） 普通最小二乘法（OLS）：选择参数使全部观测值的残差平方和（RSS）最小。 Q: Why not sum of residuals? 三、最小二乘估计量的性质 当模型参数估计出后，需考