计量经济学中相关证明.docx

课本中相关章节的证明过程 第2章有关的证明过程 2.1 一元线性回归模型 有一元线性回归模型为：yt = ：o + ； xt + ut 上式表示变量屮和xt之间的真实关系。其中yt称被解释变量(因变量)，xt称解释变量(自 变量)，ut称随机误差项，：。称常数项，〉称回归系数(通常未知)。上模型可以分为两部分。 回归函数部分，E(yt) = ：。+〉xt, 随机部分，ut。 图2.8 真实的回归直线 这种模型可以赋予各种实际意义，收入与支出的关系；如脉搏与血压的关系；商品价 格与供给量的关系；文件容量与保存时间的关系；林区木材采伐量与木材剩余物的关系； 身高与体重的关系等。 以收入与支出的关系为例。 假设固定对一个家庭进行观察，随着收入水平的不同，与支出呈线性函数关系。但实 际上数据来自各个家庭，来自各个不同收入水平，使其他条件不变成为不可能，所以由数 据得到的散点图不在一条直线上(不呈函数关系)，而是散在直线周围，服从统计关系。随 机误差项Ut中可能包括家庭人口数不同，消费习惯不同，不同地域的消费指数不同，不同 家庭的外来收入不同等因素。所以， 在经济问题上“控制其他因素不变”实际是不可能的。 回归模型的随机误差项中一般包括如下几项内容， (1)非重要解释变量的省略，(2) 人的随机行为，(3)数学模型形式欠妥，(4)归并误差(粮食的归并)(5)测量误差等。 回归模型存在两个特点。(1)建立在某些假定条件不变前提下抽象出来的回归函数不 能百分之百地再现所研究的经济过程。(2)也正是由于这些假定与抽象，才使我们能够透 过复杂的经济现象，深刻认识到该经济过程的本质。 通常，线性回归函数E(yt) = ：。+ ； xt是观察不到的，利用样本得到的只是对 E(yt)= ； Xt的估计，即对和；的估计。 在对回归函数进行估计之前应该对随机误差项 Ut做出如下假定。 Ut是一个随机变量，Ut的取值服从概率分布。 E( ut) = 0。 D( ut) = E[ ut - E( ut) ] 2 = E( ut)2 = ： 2。称 u 具有同方差性。 ut为正态分布(根据中心极限定理)。以上四个假定可作如下表达：ut : N (0, : ■)。 Cov( ui, uj) = E[( ui - E( ui) ) ( uj - E( u) )] = E( u , u) = 0, ( i ：j)。 含义是不同观测值所对应的随机项相互独立。称为 ui的非自相关性。 Xi是非随机的。 Cov( ui, xj = E[( ui - E( ui) ) ( Xi - E( Xi) )] = E[ ui ( Xi - E( Xi) ] = E[ u Xi - ui E( Xi) ] = E( u Xi) = 0. ui与Xi相互独立。否则，分不清是谁对 yt的贡献。 对于多元线性回归模型，解释变量之间不能完全相关或高度相关(非多重共线性)。 在假定(1)，(2)成立条件下有 E(yt) = E( ?。+ E xt + ut) = ?。+ ?1 xt。 2.2最小二乘估计(OLS 对于所研究的经济问题，通常真实的回归直线是观测不到的。收集样本的目的就是要 对这条真实的回归直线做出估计。 图2.9 怎样估计这条直线呢？显然综合起来看，这条直线处于样本数据的中心位置最合理。 怎样用数学语言描述“处于样本数据的中心位置”？设估计的直线用 表示。其中yt称yt的拟合值（fitted value ），凫和屛分别是？o和?1的估计量。观测值到 这条直线的纵向距离用?表示，称为残差。 yt = y? + ? = ?o + ?i xt +1? 称为估计的模型。假定样本容量为 To（ 1）用“残差和最小”确定直线位置是一个途径。 但很快发现计算“残差和”存在相互抵消的问题。 （2）用“残差绝对值和最小”确定直线 位置也是一个途径。但绝对值的计算比较麻烦。 （3）最小二乘法的原则是以“残差平方和 最小”确定直线位置。用最小二乘法除了计算比较方便外，得到的估计量还具有优良特性 （这种方法对异常值非常敏感）。设残差平方和用Q表示， 、U?t2= J (yt -?t)2 = V i 4 T (yt — ?0 — ?1Xt)2， id 则通过Q最小确定这条直线，即确定?0和?1的估计值。以?0和?1为变量，把Q看作是?0和 ?1的函数，这是一个求极值的问题。求 Q对?0和?1的偏导数并令其为零，得 正规方程， 手=2 J (yt 一？。一？必)(-1) = 0 :一 ？0 i =1 誇=2 a (yt - - ?1xt) (- xt) = 0 ；?1 i =1 (2.7) (2.8) 下面用代数和矩阵两种形式推导计算结果。 首先用代数形式推导。由（2.7 ）、（2.8 ）式得, T _