计量经济学 3.1 一元线性回归模型的参数估计.pptVIP

第三章 一元线性回归 §3.1 一元线性回归模型的参数估计 §3.2 拟合优度指标：决定系数 §3.3 变量之间线性关系的显著性检验 §3.4 回归参数的显著性检验 §3.5 残差图分析 §3.6 总体均值和个别值的预测 §3.7 一元线性回归分析实例 §3.1 一元线性回归模型的参数估计 一、一元线性回归模型的基本假设 二、参数的普通最小二乘估计（OLS） 三、最小二乘估计的性质 四、随机误差项方差的估计 二、参数的普通最小二乘估计（OLS） 我们在直角坐标系中画出样本回归直线SRF，如图所示： 因此，由最小二乘法得到的样本回归方程为： 三、最小二乘估计的性质 1、OLS法得到的回归方程性质 （2）残差的平方和最小，即 当模型参数估计出后，需考虑参数估计值的精度，即是否能代表总体参数的真值，或者说需考察参数估计量的统计性质。 同理 类似地，我们可以求得： * 一元线性回归模型：只有一个解释变量 （3.1.1） 其中，Y为被解释变量，X为解释变量，?0与?1为待估参数，ε为随机误差项。 如果获得了关于变量X和Y的一个容量为n的样本（xi，yi），i=1，2，…n，则每一对（xi，yi）都应满足模型（3.1.1），从而有： （3.1.2） 回归分析的主要目的是要通过样本回归函数（模型）SRF尽可能准确地估计总体回归函数（模型）PRF。 估计方法有多种，其种最广泛使用的是普通最小二乘法（ordinary least squares, OLS）。 为保证参数估计量具有良好的性质，通常对模型提出若干基本假设。 注：实际这些假设与所采用的估计方法紧密相关。 一、一元线性回归模型的基本假设 特别地，称满足以上四条假定的线性回归模型（3.1.1）式为标准回归模型。 根据以上五条假定，结合（3.1.2）式我们可以推出以下结论： （3.1.2） 在上一章中，我们曾经说过，关于参数β0，β1的估计必须依据某种准则。那么，依据什么样的准则得到的估计值比较好呢？ 样本回归方程 由于S( )是关于参数 的二元函数，要求S( )达到最小，所以 最小二乘法参数的估计过程 通过求解得到参数β0，β1的估计值为： 从样本回归方程（3.1.6）式可以看到以下几点： （3.1.6） 该回归方程表明，家庭收入每增加一个单位，消费支出将平均增加0.657个单位，说明该居民区居民的消费倾向为0.657。 （1）残差的总和等于0，即 最小。 这是由最小二乘法的基本原理的要求决定的。 （3）被解释变量Y的观测值yi之和等于其拟合值 之和，从而yi的均值 （4）残差 互不相关，即 （5）回归直线通过解释变量X和被解释变量Y 的均值点 用 代替x代入回归方程（3.1.6）式中，得到 为了计算上的方便，特别是在解释变量和被解释变量观测的平均值较大时，可对变量和进行中心化处理。 记： ， 公式可以得到： ，代入计算 （a） （b） 图3.3 中心化前后的回归直线 一个用于考察总体的估计量，可从如下几个方面考察其优劣性： （1）线性性，即它是否是另一随机变量的线性函数； （2）无偏性，即它的均值或期望值是否等于总体的真实值； （3）有效性（方差最小性），即它是否在所有线性无偏估计量中具有最小方差。 2、OLS法得到的估计量的性质 拥有这类性质的估计量称为最佳线性无偏估计量（Best Liner Unbiased Estimator, BLUE）。 当不满足小样本性质时，需进一步考察估计量的大样本或渐近性质。 这三个准则也称作估计量的小样本性质。 （1）线性性。即参数估计量是关于被解释变量Y取值的线性函数。 记 ，则 即 的线性函数。 所以 的线性函数。 估计量的均值等于参数本身。