（可修改）第二章 回归分析与模型设定(高级计量经济学-清华大学 潘文清).pptVIP

注意: (1) 这里函数簇A的主要特征是 g(X)=X’? 关于?是线性的。关于X可以是非线性的，如 g(X)= ?0+ ?1X+ ?2X2 或 g(X)= ?0+ ?1lnX (2) 关于参数?的取值没有约束。 .......... * 181h， 证明： 求解最小化问题 .......... * 181h， 根据一阶偏导为零的条件 设?*满足上述一阶条件，那么 E[X(Y-X’?*)]=0 E(XY)-E(XX’?*)=0 E(XY)=E(XX’)?* ?*=[E(XX’)]-1E(XY) .......... * 181h， 注意： (a) 条件E(Y2)?保征E(Y|X)存在； (b) 非奇异矩阵 保证解?*存在。 (c) 一般地，最正确线性最小二乘预测值(the best linear LS predictor) g*(X)=X’?*?E(Y|X). .......... * 181h， Question: What is the interpretation for ?*? 在一元线性回归 g(X)=X’?中， ?=(?0, ?1)’, X=(1, X1)’。 Slope: Intercept: Why? 验证 .......... * 181h， 于是： 由于 那么： .......... * 181h， 而 于是 可通过求解minE[(Y-(?0+?1X1)]2的方法解出?*0，?*1 .......... * 181h， Definition [Linear Regression Model]:  The specification Y=X’?+u, ??Rk+1is called a linear regression model, where u is the model regression disturbance or regression error. 注意： 线性回归模型〔linear regression model) 是人为定义的。因此，该模型可能没有包括真正的回归函数〔regression function〕: g0(X)=E(Y|X) 二、 线性回归模型 .......... * 181h， Theorem: 对线性回归模型 Y=X’?+u以?*代表最正确线性最小二乘解(best linear least square approximation coefficient)，那么 ?=?*当且仅当如下正交条件成立： E(Xu)=0 Proof: 记 u=Y-X’? 如果 ?=?*，那么 E(Xu)=E(XY)-E(XX’)?* =E(XY)-E(XX’)[E(XX’)]-1E(XY)=0 如果 E(Xu)=0, 那么 E(Xu)=E(XY)-E(XX’)?=0 于是： ?=[E(XX’)]-1E(XY)= ?* .......... * 181h， 注意： (1)无论E(Y|X) 是否线性，我们总可以写出线性回归模型Y=X’?+u，并设定E(Xu)=0，以使?= ?* ； (2) 当X中包含有截距项时〔如X1=1〕， E(Xu)=0 就意味着E(u)=0。(Why?) (3) E(Xu)=0与E(u|X)=0不能等同。有E(u|X)=0就有E(Xu)=0, 但反之不成立。 例如：设u=1+?，X与?为相互独立且服从标准正态分布N(0,1)的两随机变量，那么 E(u|X)= 1 E(Xu)=E(X·1)+E(X?)=E(X)+E(X)E(?)=0 (4) 当E(u)=0时， E(Xu)=Cov(X, u) (Why?) .......... * 181h， §2.4 模型的正确设定Correct Model Specification 对于被解释变量Y，最好的代表就是其条件期望E(Y|X)，因此，线性模型中模型的正确设定就是关于条件期望的正确设定。 What is the c