一元线性回归模型的参数估计-(公开课件).pptVIP

§2.3 一元线性回归模型的参数估计 一、参数的普通最小二乘估计（OLS） 二、参数估计的最大或然法(ML) 三、最小二乘估计量的性质 四、参数估计量的概率分布及随机干 扰项方差的估计 二、参数的普通最小二乘估计（OLS） 给定一组样本观测值（Xi, Yi）（i=1,2,…n）要求样本回归函数尽可能好地拟合这组值。 普通最小二乘法（Ordinary least squares, OLS）给出的判断标准是：二者之差的平方和最小。 三、参数估计的最大或然法(ML) 最大或然法(Maximum Likelihood,简称ML)，也称最大似然法，是不同于最小二乘法的另一种参数估计方法，是从最大或然原理出发发展起来的其它估计方法的基础。 基本原理： 对于最大或然法，当从模型总体随机抽取n个样本观测值后，最合理的参数估计量应该使得从模型中抽取该n个样本观测值的概率最大。 四、最小二乘估计量的性质 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。 （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，即它是否在所有线性无偏估计量中具有最小方差。 拥有这类性质的估计量称为最佳线性无偏估计量（best liner unbia