计量经济学第三版课件于俊年 ISBN9787566310101 PPT3第三章 3.1 3.2三版.pptVIP

ui是一个随机变量，称为随机项；α和β是两个未知常数，称为回归参数；角码i表示变量的第i个观察值或与之对应的随机项。 假定3 每个ui （i=１，２，…，n）的方差均为同一个常数，称之同方差假定或等方差性。 V(ui ) =E( )= = 常数 * 第三章 一元线性回归分析 其中xi和yi分别代表两个经济变量，yi称为因变量或被解释变量，xi称为自变量或解释变量； 设有如下关系 yi=α+βxi+ui （3.1.1） （i=1，2，3，…，n） §3.1 一元线性回归模型及基本假定 关系(3.1.1)称为一元线性回归模型。 模型(3.1.1)是对总体而言的，因此也叫做总体 回归模型。 这里线性一词有两层含义。 它一方面指被解释变量y与解释变量x之间为线 性关系， 另一方面也指被解释变量y与参数α、β之间为 线性关系。 在一般情况下，我们更关注被解释变量y与参 数α、β之间的线性关系。 随机项u代表未被考虑到模型中去而又对y有影 响的所有因素产生的总效应。 在回归模型中随机项u的引进是很重要的，正 是随机项u才导致了因变量y的随机性。 计量经济学对模型的研究也正是由此开始。 在计量经济学中，能否成功地估计出这些参数值， 取决于随机项u和自变量x的性质。 因此，对于u和x的统计假定，以及检验这些假定 是否满足的方法，在计量经济学中占有十分重要 的地位。 要求随机项u和自变量x满足的统计假定有五个， 这些假定称为经典回归模型的基本假定或称经 典假定。 假定1 每个ui（i=1，2，3，…，n）均为服从正态分布的实随机变量。 假定2 每个ui （ i =1，2，3，…，n）的期望值均为０，即E（ ui ）=０ （ i =1，2，…，n） 假定4 与自变量不同观察值xi相对应的随机项ui彼此独立，即 COV（ ui ，uj）=０ （i≠j） 这个假定称为非自相关假定。 假定5 随机项ui与自变量的任一观察值xj不相关，即COV（ui，xj）=０ （i，j=１，２，…，n） 显然，如果x是非随机变量，则假定５自动满足。 假定3和假定4叫做高斯—马尔柯夫 （Gouss Morkou）假定。 以上假定通常也叫高斯—马尔可夫 (Gauss Markov)假定，也称古典假定。 由于我们今后遇到的大多数单方程模型其自变量都将假定是非随机变量，所以假定5大多数情况都将自然满足。 根据假定2，对（3.1.1）式两边同时取均值， 则有 E（yi）=α+βxi （3.1.2） 表明点（xi，E（yi））在直线（3.1.2）上，这条 直线叫做总体回归直线（或理论回归直线)也称总体 方程）。 上述五个基本假定中１-４是针对随机项ui的假定， 最后一个是针对ui和xi两者的假定。 假定１-３决定了ui的分布： ui ～N（０, ） （3.1.3） 同时也决定了模型（3.1.1）中yi的分布。 根据假定３，由（3.1.1）和(3.1.2)式可得 V(yi)=E( ) = =常数 （3.1.4） 因此，yi服从期望值为α+βxi，方差为 的正态 分布： yi ～N（α+βxi, ） （3.1.5） §3.2 回归参数的最小二乘估计 对模型 yi=α+βxi+ui ( 3.2.1) 两边取均值得总体方程： E(yi)=α+βxi (3.2.2) 这里参数α和β是未知的，实际上总体回归直线 是无法求得的，它只是理论上的存在。 我们只能获得样本观测值(xi,yi) (xi,yi) 0 xi x 图3.2.1 散点与回归直线 假设样本回归直线已作出，设它为 （3.2.3） 是α的估计量， 是β的估计量，这样