第2章 一元线性回归模型.pptVIP

湖北大学商学院 chen qianli 第二章 一元线性回归模型 一元线性回归模型，又称简单线性回归，研究两个变量之间的线性关系，尽管它作为实证分析的一般工具仍存在局限，但可作为学习多元回归模型的基础和练习。 2.1 模型的定义 2.2 模型的估计：普通最小二乘法（OLS) 2.3 模型的假设与OLS估计量的性质 2.4 模型参数的检验 2.5 方差分析 2.6 金融研究：共同基金能战胜市场吗？ 2.1 模型的定义 y和x代表某一个总体的两个变量，我们感兴趣用x来解释y，会面临三个问题： 如何考虑其他影响y的因素？ Y和x的函数关系如何？ 如何刻画在其他条件不变的情况下x对y的影响？ 假设在总体中以下方程成立： Y＝a＋b X+ u 这定义了一元线性回归模型 Y：因变量 被解释变量 响应变量 被预测变量 回归子 X：自变量 解释变量 控制变量 预测变量 回归元 u：误差项（error term）或扰动项（disturbance），表示除x之外影响y 的其他因素，回归模型将u看作不可观测的， u是unobserved的简写。通过u，回答第一问题。 2.1 模型的定义 模型表示了X，Y之间的线性函数关系——第二问题 有模型可知： D Y=bD X+D u 保持其他条件不变意味着：Du＝0，则 D Y=bD X 斜率参数b 度量了在其他条件不变的情况下X对Y的影响。 截距参数a 尽管也有作用，但很少当作研究的主要部分。 ——第三问题 为了能从作为样本的观测数据中获得a和b的可靠估计，需要对误差项u 与解释变量x的关系给予一定限制。 关于u 的假设：E（ u ）＝0 只要截距项a 被包括在方程中，此假设不会失去什么。 零条件期望假设： E(u|x) = E(u) = 0 这是u 与x的关系的最关键的假设。 2.1 模型的定义 此假设要求，u的均值不随X的不同取值而变化。这是比不相关要强，比独立要弱的假设，可直观的认为此假设意味着，u与f（X）不相关,即X中不含有能预测u的信息。 利用此假设可得： E(Y|X)＝a＋b X 总体回归函数（populatin regression function, PRF） 以教育的回报例子说明此假设的含义。以u姑且表示能力影响因素，则 E(u|12年教育)＝ E(u|16年教育)＝0 2.2 模型的估计：普通最小二乘法（OLS） 回归的基本问题是： 采用一定的方法，从样本数据{(xi,yi): i=1, …,n} 中估计总体回归模型中的参数a, b ，数据来自总体指 yi = a+ bxi + uj 普通最小二乘法（ Ordinary Least Squares）的思想来自曲线对数据的拟合。在一元线性回归模型下，要找一条与样本数据拟合得最好的直线： 拟合好坏的标准基于观测值的残差项（residual ）： 2.2 模型的估计：普通最小二乘法（OLS） OLS估计：选择直线是残差平方和达到最小，即损失函数选择二次的形式。 一阶条件为： 2.2 模型的估计：普通最小二乘法（OLS） 总体参数a，b 的OLS的估计量为： 2.2 模型的估计：普通最小二乘法（OLS） 估计出的OLS回归直线又称样本回归函数（SRF）是总体回归函数E(Y|X)＝a＋b X的一个样本估计： 残差的性质： 残差与误差项的关系： 残差的代数性质： 2.3 模型的假设与OLS估计量的性质 OLS是一种参数估计方法，其得到的估计量是否具有良好的性质（如无偏性、有效性和一致性）取决于许多假设。 假设SLR.1（线性性）：总体模型具有线性性 Y＝a＋b X+ u 假设SLR.2（抽样样本）：观测数据{(xi,yi): i=1, …,n} 是从总体中抽取的一个样本。 假设SLR.3（零条件期望）： E(u|x) = 0 （以自变量的样本值为条件与教科书里将X视为在重复样本中固定不变的处理方法相同，但后一种处理构想对非实验的学科来说是不现实的。） 假设SLR.4（自变量样本有变异）：xi， i=1, …,n。不为完全相同的常数。 定理：（OLS估计量的无偏性） 在SLR.1—SLR.4假设下， 2.2 模型的估计：普通最小二乘法（OLS） OLS估计量的