计量经济学一元线性回归模型参数估计.pptVIP

概念：;§2.2 一元线性回归模型的参数估计 ;单方程计量经济学模型分为两大类： 线性模型和非线性模型; 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。;普通最小二乘法（Ordinary Least Squares, OLS） 德国数学家高斯提出。简单，应用广泛。 (2)最大似然法（Maximum Likelihood） 在线性模型上估计值与OLS法相同。;;参数的普通最小二乘估计（OLS） ;方程组（*）称为正规方程组（normal equations）。 ;记;;若记;将最后一个等式两边对样本值求和并同除以样本大小n，即得;3. 残差 的均值为0;4. 残差 和预测的Yi值不相关， 即; 经典线性回归模型的基本假设的引入;线性回归模型的基本假设（1）;线性回归模型的基本假设（2-1）;这一假定无非是说，凡是模型不含的因而归属于ui的因素，对Y的均值都没有系统的影响。因此正的ui值就抵消了负的ui值，以致它们对Y的平均影响为零。;线性回归模型的基本假设（2-2）;同方差性;异方差性;如异方差图所表明，var(u|X1)var(u|X2)var(u|X3)…var(u|Xi)。 因此，很有可能，来自X=X1时的Y总体的观测值比来自X2, X3等等时的Y总体的观测值会更靠近PRF。简言之:并不是对应于不同X的所有Y值都是同样可靠的。可以根据Y值多么靠近或多么远离其均值(也就是PRF上的点）分布以判断其可靠程度。因此，我们可以认为那些离均值较近的Y总体的样本比远为分散的Y总体的样本更为可取。 同方差假设表明：对应于不同X值的全部Y值具有同样的重要性。;线性回归模型的基本假设（2-3）;给定Xi值;.任意两个Y值对它们的均值的离差都不会表现出如图(a)和 (b)的模式。该假设是说，我们只考虑Xt对Yt的系统性影响和是否有影响，而不去担心由于u之间的可能的交互相关而造成的其他可能作用于Y的影响。;线性回归模型的基本假设（3）;线性回归模型的基本假设（4）; 1、如果假设1、2满足，则假设3也满足; 2、如果假设4满足，则假设2也满足。;线性回归模型的基本假设（5）;线性回归模型的基本假设（6-1）;线性回归模型的基本假设（6-2）;线性回归模型的基本假设(7);习题（1）;最小二乘估计量的性质;（4）渐近无偏性，即样本容量趋于无穷大时，是否它的均值序列趋于总体真值； （5）一致性，即样本容量趋于无穷大时，它是否依概率收敛于总体的真值； （6）渐近有效性，即样本容量趋于无穷大时，是否它在所有的一致估计量中具有最小的渐近方差。;高斯—马尔可夫定理(Gauss-Markov theorem) 在给定经典线性回归的假定下，最小二乘估计量是具有最小方差的线性无偏估计量。;证：;计量经济学一元线性回归模型参数估计;（2）证明最小方差性; 由于最小二乘估计量拥有一个“好”的估计量所应具备的小样本特性，它自然也拥有大样本特性。 ;1）满足线性性、无偏性、有效性三个小样本性质的参数估计量称为最佳 线性无偏估计量（best linear unbiased estimator，BLUE）。 ;变量及参数估计量的概率分布;变量及参数估计量的概率分布;;最小二乘估计量精度（标准差）;随机误差项?的方差?2的估计（1）;随机误差项?的方差?2的估计（2）;计量经济学一元线性回归模型参数估计; 三、参数估计的最大似然法(ML) ;在满足基本假设条件下，对一元线性回归模型： ;因为Yi是相互独立的，所以的所有样本观测值的联合概率，也即似然函数(likelihood function)为： ; 由于似然函数的极大化与其对数的极大化是等价的，所以，取对数似然函数如下：;计量经济学一元线性回归模型参数估计;可得：;解得模型的参数估计量为： ;将ML估计量代入（3）式可得：;显然，ML估计量 不具备无偏性；但当样本增多，n趋向 无穷大时， ，故 是渐进无偏的。;;;;因此，由该样本估计的回归方程为： ; 1. 理解最小二乘法原理，并掌握求最小二乘估计量方法（公式）？ 2. 理解CLRM的假设，并能在证明中灵活运用 ;