c第三章 多元线性回归模型.pptVIP

* 多元样本回归函数 Y 的样本条件均值可表示为多个解释变量的函数 或回归剩余（残差）： 其中 * 多个解释变量的多元线性回归模型的n组样本观测值，可 表示为 用矩阵表示 * * 总体回归函数 或 样本回归函数 或 其中： 都是有n个元素的列向量 是有k 个 元素的列向量 （ k = 解释变量个数 + 1 ） 是第一列为1的n×k阶解释变量数据矩阵 ， (截距项可视为解释变量总是取值为1) 矩阵表示方式 * 假定1：零均值假定 （ i=1，2，---n） 或 E（u）=0 假定2和假定3：同方差和无自相关假定： 或用方差-协方差矩阵表示为: （i=j） (i≠j) 0 * 假定5: 无多重共线性假定 (多元中增加的) 假定各解释变量之间不存在线性关系，或各个解释变量观测值之间线性无关。或解释变量观测值 矩阵X的秩为K(注意X为n行K列)。 Ran(X)= k Rak(XX)=k 即 (XX) 可逆 假定6:正态性假定 * 假定4：随机扰动项与解释变量不相关 一、普通最小二乘法（OLS） 原则：寻求剩余平方和最小的参数估计式 即 求偏导，并令其为0 其中 即 * * 用矩阵表示的正规方程 偏导数 因为样本回归函数为 两边左乘 根据最小二乘原则 则正规方程为 * OLS估计式 由正规方程 多元回归的OLS估计量为 当只有两个解释变量时为： 注意： 为X、Y的离差 对比 简单线性回归中 local N = _N gen cons = 1 （产生一个常数项） mkmat consume, mat(y) （将消费这个变量构造成一个矩阵y） mkmat income cons, mat(X) (将收入和常数项构造成一个矩阵X) mat b = inv(X*X)*X*y (inv表示取逆矩阵) mat list b mat list y mat list X * ●回归线通过样本均值 ●估计值 的均值等于实际观测值 的均值 ●剩余项 的均值为零 ●被解释变量估计值 与剩余项 不相关 ●解释变量 与剩余项 不相关