第2章 经典单方程计量经济学模型：一元线性回归模型.pptVIP

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. 5、CLRM 和 CNLRM 以上假设（正态性假设除外）也称为线性回归模型的经典假设或高斯（Gauss）假设，满足该假设的线性回归模型，也称为经典线性回归模型（Classical Linear Regression Model, CLRM）。 同时满足正态性假设的线性回归模型，称为经典正态线性回归模型（Classical Normal Linear Regression Model, CNLRM）。 §2.3 一元线性回归模型的参数估计(Estimation of Simple Linear Regression Model) 一、参数的普通最小二乘估计（OLS） 二、参数估计的最大或然法(ML) 三、最小二乘估计量的性质 四、参数估计量的概率分布及随机干 扰项方差的估计 一、参数的普通最小二乘估计（OLS） 1、最小二乘原理 根据被解释变量的所有观测值与估计值之差的平方和最小的原则求得参数估计量。 为什么取平方和？ 2、正规方程组 该关于参数估计量的线性方程组称为正规方程组（normal equations）。 3、参数估计量 求解正规方程组得到结构参数的普通最小二乘估计量（ordinary least squares estimators）及其离差形式： 分布参数的普通最小二乘估计量 4、“估计量”（estimator）和“估计值” (estimate)的区别 如果给出的参数估计结果是由一个具体样本资料计算出来的，它是一个“估计值”，或者“点估计”，是参数估计量的一个具体数值； 如果把上式看成参数估计的一个表达式，那么，则是Yi的函数，而Yi是随机变量，所以参数估计也是随机变量，在这个角度上，称之为“估计量”。 二、参数估计的最大似然法(ML) 1、最大似然法 最大似然法(Maximum Likelihood,ML)，也称最大或然法，是不同于最小二乘法的另一种参数估计方法，是从最大或然原理出发发展起来的其它估计方法的基础。 基本原理：当从模型总体随机抽取n组样本观测值后，最合理的参数估计量应该使得从模型中抽取该n组样本观测值的概率最大。 ML必须已知随机项的分布。 2、估计步骤 Yi的分布 Yi的概率函数 Y的所有样本观测值的联合概率—似然函数 对数似然函数 对数似然函数极大化的一阶条件 结构参数的ML估计量 3、讨论 在满足一系列基本假设的情况下，模