第2章 简单性回归Final.pptVIP

* * * * 简单二元回归 (3) y = b0 + b1x + u * 本章大纲 二元回归模型的定义 推导普通最小二乘法的估计量 OLS的操作技巧 测量单位和函数形式 OLS估计量的期望值和方差 过原点回归 * OLS估计量的期望值和方差 从总体中抽取的不同的随机样本可得到不同的OLS估计量，我们将研究这些OLS估计量的分布。 首先，我们在一些假定下证明OLS的无偏性。 * 假定SLR.1 （关于参数是线性的） 在总体模型中，因变量 y 和自变量 x 和误差 u 的关系可写作 y = b0 + b1x + u , 其中 b0 和 b1 分别是总体的截距参数和斜率参数 * 假定SLR.2 (随机抽样): 假定我们从总体模型随机抽取容量为n的样本, {(xi, yi): i=1, 2, …, n}, 那么可以写出样本模型为 yi = b0 + b1xi + ui * 假定 SLR.3 和 SLR.4 SLR.3, 零条件期望： 假定 E(u|x) = 0 . 那么在随机样本中我们有 E(ui|xi) = 0 SLR.4 (自变量中的样本变动): 在样本中，自变量 x 并不是一个不变常数。 * 定理2.1 ( OLS的无偏性) 使用假定SLR.1到SLR.4，我们可以得到无论b0,和b1 取什么值，它们的OLS估计量的期望值