计量经济学精编本课件于俊年 ISBN9787811343038 PPT精2.1.pptVIP

* 第二篇 单方程线性回归模型 第二章 一元线性回归分析 【本章要点】（1）最小二乘法的基本思想； （2）能应用最小二乘法估计一元线性回归模 型的参数；（3）能够对参数的性质进行讨论； （4）能应用一元线性回归模型进行预测； （5）掌握 EViews的使用方法，能应用EViews 软件计算和分析一元线性 回归模型的实际经济问 §2.1 一元线性回归模型及基本假定 设有如下关系 yi=α + βxi + ui （i =1,2,…,n） (2.1.1) 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；ui是 一个随机变量，称为随机项；α和β是两个常数， 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。 关系(2.1.1)称为一元线性回归模型。模型(2.1.1)是 对总体而言的，因此也叫做总体回归模型。 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 （古典）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 =1,2,3,…,n） 假定3 每个ui（ i = 1,2,3,…,n ）的方差均为同一个 常数，即V(ui) = E( )= =常数 称之同方差假定或等方差性。 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 =1,2,3,…,n ) 显然，如果x是非随机变量，则假定5将自动满足。 以上假定通常也叫高斯—马尔可夫 (Gauss Markov) 假定，也称古典假定。满足以上古典假定的线性回 归模型，也称为古典线性模型或经典线性模型。 根据假定2，对(2.1.1)式两边同时取期望值，则有 E(yi) = α+ βxi (2.1.2) 表明点（xi，E(yi)）在直线(2.1.2)上，这条直线叫 做总体回归直线（或理论回归直线或总体方程）。 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。 基本假定1-3决定了ui的分布： ui ～N（0, ） (2.1.3) 同时也决定了模型(2.1.1)中yi的分布。 *