《2.2一元线性回归模型的基本假设》.pptVIP

2.2一元线性回归模型的基本假设 一元线性回归模型：只有一个解释变量 i=1,2,…,n Y为被解释变量，X为解释变量，?0与?1为待估参数， ?为随机干扰项 说明 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。 实际上这些假设与所采用的估计方法紧密相关。 下面的假设主要是针对采用普通最小二乘法（Ordinary Least Squares, OLS）估计而提出的。所以，在有些教科书中称为“The Assumption Underlying the Method of Least Squares”。 在不同的教科书上关于基本假设的陈述略有不同，下面进行了重新归纳。 1、关于模型关系的假设 模型设定正确假设。The regression model is correctly specified. 线性回归假设。The regression model is linear in the parameters。 注意：“linear in the parameters”的含义是什么？ 2、关于解释变量的假设 确定性假设。X values are fixed in repeated sampling. More technically, X is assumed to be nonstochastic. 注意：“in repeated sampling”的含义是什么？ 与随机项不相关假设。The covariances between Xi and μi are zero. 由确定性假设可以推断。 观测值变化假设。X values in a given sample must not all be the same. 无完全共线性假设。There is no perfect multicollinearity among the explanatory variables. 适用于多元线性回归模型。 样本方差假设。随着样本容量的无限增加，解释变量X的样本方差趋于一有限常数。 时间序列数据作样本时间适用 3、关于随机项的假设 0均值假设。The conditional mean value of μi is zero. 同方差假设。The conditional variances of μi are identical.(Homoscedasticity) 由模型设定正确假设推断。 是否满足需要检验。 序列不相关假设。The correlation between any two μi and μj is zero. 是否满足需要检验。 4、随机项的正态性假设 在采用OLS进行参数估计时，不需要正态性假设。在利用参数估计量进行统计推断时，需要假设随机项的概率分布。 一般假设随机项服从正态分布。可以利用中心极限定理（central limit theorem, CLT）进行证明。 正态性假设。The μ’s follow the normal distribution.