第三章一元回归模型的估计与检验.docVIP

一元线性回归模型 如何根据样本回归函数（SRF）尽可能准确地估计总体回归函数（PRF）是回归分析的首要任务。在回归分析中有多种构造SRF的方法，但应用最多的是普通最小二乘方法（method of ordinary least squares,简记OLS）。本章中，我们通过一元线性回归模型讨论这一方法，下一章，将该方法推广到多变量回归模型中。同时对极大似然（maximum likelihood，简记为ML）估计方法予以介绍。 一元线性回归模型的点估计原理 一、普通最小二乘法 普通最小二乘法归功于法国数学家高斯（Carl Friedrich Gauss）。由于其概念清楚、方法简单，在一定的假定条件下，具有良好的统计性质，从而使它成为回归分析中最具功效和使用最广泛的方法。 1、基本原理 由第二章可知，PRF一般不能直接观测，而是通过SRF来估计。比如对于一元PRF (2.2.4) 通过对应的一元SRF (2.2.8) (2.2.9) 来估计的，其中是的条件均值的估计值。 然而，SRF又是如何决定的呢？为了说明决定的基本原理，我们考虑如下决定过程。首先把(2.2.9)式写为：