经典正态线性回归模型.pptVIP

暨南大学经济学院统计系 陈文静 保险精算学基础 第一章 利息基本计算 经济学院统计系 陈文静 第4章 经典正态线性回归模型 误差项正态性假定一个注释 1 误差项被认为是许多次要影响因素的和，随着这些次要影响因素的数量变大，误差项的分布倾向于接近正态分布。 2 只有在误差项服从正态分布（或者样本非常大）时，后面将要介绍的t统计量和F统计量才有应用价值。 采用正态分布假定的理由 中心极限定理(central limit theorem) 中心极限定理 (central limit theorem) 采用正态分布假定的理由——续 2.中心极限理论还说明，即使变量的个数不是很多，或变量不是严格独立，但其和也可视作(或近似于)正态变量。 正态分布的一个性质是，正态分布变量的任何线性函数都是正态分布的。 正态分布仅设计两个参数：均值和方差，而且许多现象都服从正态分布。 小样本时，正态性假定起到了关键性作用，有助于我们推导出OLS估计量的精确概率分布，进一步进行假设检验。 4.3 在正态性假定下OLS估计量的性质 1 无偏性(unbiasedness) 2 有效性(efficiency) 3 一致性(consistency) OLS估计量的值是根据样本数据利用公式计算得出的。对于一个给定的总体，由于研究者通常仅有一个样本，因此，计量经济学的初学者常常假定回归分析只能产生的一个估计值。然而，事实上，来自于相同总体的不同样本都会产生不同的估计值。所有可能的样本集有一个相同的分布，该分布具有均值和方差。尽管在大多数实际应用中，我们面对的是从总体抽取的唯一样本，但我们仍需要讨论的抽样分布性质。务必记住，抽样分布是指不同值的分布，这些值来自不同的样本，而不是同一样本。因为误差项的正态分布同样意味着的OLS估计量也是正态分布，所以这些被假定为正态分布。 正态性假定下OLS估计量的性质（续） 4.5. 正态分布或由正态分布所派生的分布 概率密度函数(probability density function) 设X为一连续型随机变量，x 为任意实数，X的概率密度函数记为f(x)，它满足条件 概率密度函数 ? 密度函数 f(x)表示X 的所有取值 x 及其频数f(x) 概率密度函数 在平面直角坐标系中画出f(x)的图形，则对于任何实数 a b，P(a X? b)是该曲线下从a 到 b的面积 分布函数 (distribution function) 连续型随机变量的概率也可以用分布函数F(x)来表示，分布函数定义为： 分布函数与密度函数的图示 密度函数曲线下的面积等于1 分布函数是曲线下小于 x0 的面积 连续型随机变量的期望和方差 连续型随机变量的数学期望 方差 正态分布(normal distribution) 由C.F.高斯(Carl Friedrich Gauss，1777—1855)作为描述误差相对频数分布的模型而提出 描述连续型随机变量的最重要的分布 许多现象都可以由正态分布来描述 4 经典统计推断的基础 概率密度函数 f(x) = 随机变量 X 的密度函数 ? = 正态随机变量X的均值 ? ?= 正态随机变量X的方差 ? = 3.1415926; e = 2.71828 x = 随机变量的取值 (-? x ?) 正态分布函数的性质 3 均值?和标准差?一旦确定，分布的具体形式也惟一确定，不同参数正态分布构成一个完整的“正态分布族” 正态分布函数的性质 4. 均值?决定正态分布曲线的中心位置，称为位置参数；标准差?决定曲线的“陡峭”或“扁平”程度。?越大，正态曲线扁平；?越小，正态曲线越陡峭 5. 曲线f(x)相对于均值?对称，尾端向两个方向无限延伸，且理论上永远不会与横轴相交，当x趋于无穷时，曲线以x轴为其渐近线。 6. 正态随机变量在特定区间上的取值概率由正态曲线下的面积给出，而且其曲线下的总面积等于1 ? 和? 对正态曲线的影响 正态分布的概率 标准正态分布(standardize the normal distribution) 标准正态分布(standardize the normal distribution) 一般的正态分布取决于均值?和标准差 ? 计算概率时 ，每一个正态分布都需要有自己的正态概率分布表，这种表格是无穷多的 若能将一般的正态分布转化为标准正态分布，计算概率时只需要查一张表 任何一个一般的正态分布，可通过下面的线性变换转化为标准正态分布 标准正态分布 由正态分布导出的几个重要分布 c2分布(图示) ?2分布(?2 distrib