一元线性回归模型的参数估计.ppt

3.Y的分布性质： * 第二节 一元线性回归模型的参数估计 一元线性回归模型的概念 一元线性回归模型的基本假定 参数的普通最小二乘估计 截距为零的一元线性回归模型的估计 最小二乘估计量的性质 参数估计量的概率分布 一、一元线性回归模型的概念 一元线性回归模型是最简单的计量经济学模型，在模型中只有一个解释变量，其一般形式是： 二、一元线性回归模型的基本假定 1.为什么要作基本假定？ （1）只有具备一定的假定条件，所作出的估计才具有较好的统计性质。 （2）模型中有随机扰动，估计的参数是随机变量，只有对随机扰动的分布作出假定，才能确定所估计参数的分布性质，也才可能进行假设检验和区间估计。 2. 基本假定的内容 以上假定称为线性回归模型的经典假定，满足该假定的线性回归模型，称为经典线性回归模型。 三、参数的普通最小二乘估计（OLS） 1.OLS的基本思想 对于给定的样本观测值，可以用无数条直线来拟合。 2.最小二乘估计量的推导 整理得： 即： 以方程组称为正规方程组。 求解正规方程组得未知参数的OLS估计式： 3.用离差表示的OLS估计式 为表达得更简洁，可以用离差形式表示OLS估计式： 由于参数的估计结果是通过普通最小二乘法得到的，故称为普通最小二乘估计量（ordinary least squares estimators）。 注意：在计量经济学中，往往以小写字母表示对均值的离差。 4.几个常用的结果 写成离差形式为： 5.样本回归函数的离差形式 整理得 6.注意几个概念的区别 随机误差项：被解释变量的观测值与它的条件期望的差 残差：被解释变量的观测值与它的拟合值的差，是随机误差项的估计值 离差：样本观测值减去样本平均值 四、截距为零的一元线性回归模型的参数估计 例2.2：在上述家庭可支配收入-消费支出例中，对于所抽出的一组样本数据，参数估计的计算可通过下面的表2.3进行。 53650000 15674 21500 求和 88550002530 3500 10 82720002585 3200 9 6026200 8410000 2078 2900 8 5119400 6760000 1969 2600 7 3668500 5290000 1595 2300 6 2816000 4000000 1408 2000 5 1963500 2890000 1155 1700 4 1570800 1960000 1122 1400 3 701800 1210000 638 1100 2 475200 640000 594 800 1 　 　 　 　 　 表2.3 参数估计计算表 因此，由该样本估计的回归方程为： 五、最小二乘估计量的性质 1.参数估计量的评价标准 估计值 偏倚 概 率 密 度 概 率 密 度 估计值 一致性是估计量的一个大样本性质。 2. OLS估计