第2章3节最小二乘估计.pptxVIP

经济计量学;经济计量学;第三节 最小二乘估计 ; 在回归分析中有很多种构造样本回归函数的方法，而最广泛使用的一种是普通最小二乘法（method of ordinary least squares, 简记OLS）;一、普通最小二乘法（OLS）;计量经济分析的目标是寻求总体回归函数：; 那么，我们如何估计出 呢？;; 为了达到此目的，我们就必须使用最小二乘 准则（残差平方和最小），使：;由多元函数的极值的求法知应有：;;（2.18） ;; 实际上，这是样本的二重性。当我们要作统 计推断时，需要用样本的观测值来计算估计量的 观测值（估计值）。当我们需要了解估计量的性 质时，需要将估计量作为随机变量来讨论。;【注】 1. 最小二乘估计量 的其它形式 ：;这里用到结论：;其中， 是 X，Y;【注】 2. 正规方程组的另一种表示形式：;【注】 3. OLS估计值受变量单位的影响：; （2） 若只有自变量 X 的单位扩大 c 倍时，则 斜率缩小为原来的 c 倍，而截距没有变化。;评价由小样本构造的估计量的常用标准有：;评价由大样本构造的估计量的常用标准有：; 【例2.1】 下表示某地区10户家庭人均收入（X） 和人均食物消费支出（Y）的数据; 【解】;又因为：;Eviews命令：y c x Eviews输出结果为：; 【例】现有某企业销售收入Y 与广告支出 X的 12 个月的观测值（Xi,Yi）,根据这些观测值计算得到：; 【解】; 二、经典线性回归模型的假设条件; 为达这一目的，通常要对总体回归模型做出某些假设。设总体回归模型为：;假定1：误差项 ui 的均值为零或条件均值为零。; 假定2：误差项 ui 的方差相等（同方差）。; 假定3：误差项 ui 和 uj（i≠j）不相关。; 假定4：误差项 ui 和 Xi 不相关。; 假定5：正确地设定了回归模型，即在经验 分析中所用的模型没有设定偏误。; 至此，我们完成了关于经典线性回归模型的基本假定的讨论。上述所有假定都是针对总体回归模型而言的，而不是关于样本回归模型的。 如果线性回归模型满足经典假定，则称其为经典线性回归模型。;三、???小二乘估计量的性质;;1;2;同理可证， 是 的一个无偏估计量，即; 由无偏性的证明可以看出：当X 是非随机变量、E(u)=0 这些经典假定不满足时，那么就无法保证无偏性成立了。;有效性（最小方差性）;据Yi与Yj不相关，i≠j;又因为;同理， 的方差为：; 【注】影响 估计精度（方差）的因素有; （1）自变量的变异越大，估计的精度就越高。因为Xi 的变异性增加时， 的方差就会减小，就是说，解释变量的样本分布越分散，就越容易找出E(Y/Xi) 和 Xi 间的关系，即越容易准确估计 。;直线拟合与散点集中度的关系; （2）随机误差项的方差 越大， 越大。 因为，影响 Y 的不可观测的因素变异越 大，要准确地估计 就越难。; （3）当样本容量 n 扩大时，Xi 的总变异会 增加。因此，当样本容量增大时， 会 变小。;;注意：上式中， 未知，其余均为样本观测值。; 2. 的最小二乘估计量; 残差平方和 的计算：; 用 代替 ，我们可估计出 的 标准误：;【注意】（1） 分清 4 个式子的关系。; 【注意】（2）误差 ui 与残差 ei 的区别：; 残差 ei 出现在样本回归模型;四、OLS回归直线的性质;因为;（4）;四、判定系数R2—拟合优度的度量 ;（一）总变差的分解;于是; 表示实测的Y 值围绕其均值的总变异， 称为总平方和（TSS）。; 被解释变量的观测值与其估计值之差的平方和，是围绕回归线的 Y 值的变异，称为残差平方和（RSS）。是回归线未做出解释的变差。;RSS：旧指回归平方和 regression