回归模型的估计概论高级计量经济学清华大学潘文清.pptxVIP

回归模型的估计概论高级计量经济学清华大学潘文清会计学第1页/共45页 第二章指出，当联合概率分布p(X,Y)已知时，在MSE最小化准则下，E(Y|X)是Y的最佳代表，被称为是Y关于X的回归函数(regression function)，也可称为总体回归函数(population regression function)。 而当上述总体回归函数呈现线性形式 E(Y|X)=X’?0时，则称回归模型Y=X’?+u关于E(Y|X)正确设定，这时“真实”参数?0等于最佳线性最小二乘解?*： ?0=?*=[E(XX’)]-1E(XY)且E(u|X)=0 E(Xu)=0第2页/共45页 问题是：我们往往不知道总体的p(X,Y)。因此，只能通过样本来估计总体的相关信息。 根据样本估计总体构成了回归分析的主体内容。§3.1 参数估计：概论Parameter Estimation: General Approaches第3页/共45页 设(Y1,Y2,…,Yn)’是从未知总体Y~f(Y)中随机抽取的一个样本，并由此估计总体的特征，如参数?。 我们可以寻找一个关于?的估计量(estimator)T，它是关于所抽样本Y的函数：T=h(Y) 对于某一样本(Y1,Y2,…,Yn)’，则有一个估计值(estimate): t=h(Y1,Y2,…,Yn)一、衡量参数估计量优劣的准则 Criteria for an Estimator第4页/共45页 1、有限样本准则 记T为所选取的统计量，则T与参数?的差异可用均方误（mean square error, MSE）刻画： E(T-?)2 由于T关于?的均方误有如下分解式 E(T- ?)2=Var(T)+[E(T)- ?]2记[E(T)- ?]=E(T)- ?为T关于?的偏差(bias)。　Var(T)刻画了统计量Ｔ的真正的离散程度，如果它较小，表明Ｔ不太受数据随机波动的影响；　如果Ｅ(T)-?较小，表明Ｔ的分布密切围拢着?。第5页/共45页定义: T is an unbiased estimator of ? iff E(T- ?)=0, for all ?. 对无偏估计量， MSE=Variance，因此，在实践中还希望从无偏估计量中选择方差最小的。于是，有如下最小方差无偏准则（minimum variance unbiasedness criterion） 定义: T is a minimum variance unbiased estimator, or MVUE, of ? iff (a) E(T- ?)=0 for all ?, and (b) V(T)≤V(T*) for all T* such that E(T*- ?)=0 最小方差无偏估计量也称为无偏有效估计量(Unbiased and efficient estimator)第6页/共45页2、无限样本准则（Asymptotic Criteria） 有限样本往往需要知道估计量的精确分布，而这是建立在对总体分布已知的情况下的。 如果总体分布未知，则需要依赖无限样本准则：注意： (1)一致性的充分条件是：lim E(Tn)=?, 且 lim Var(Tn)=0 (2)同一参数可能会有多个一致估计量。如从对称分布的总体中抽样，则样本均值与样本中位数都是总体期望?=E(Y)的一致估计量。第7页/共45页 在实践中，为了区分同一参数不同的一致估计量，需要从退化极限分布(degenerate limiting distribution)转向渐近分布(asymtotic distribution) 尤其是，一致估计量具有以参数真实值为中心的渐近正态分布(asymptotic normal distribution)。 因此，有如下最佳渐近正态估计量准则：第8页/共45页注意： (1)大样本BAN准则是小样本MVUE准则的渐近版本(version)； (2)在计量经济学中，除了精确分布已知的情况，最佳渐近正态性，或称为渐近有效性(asymptotic efficiency)，是最常选择的准则。 (3)渐近有效估计量的直观表述为第9页/共45页二、类比估计法(The Analogy Principle)1、基本原理总体参数是关于总体某特征的描述，估计该参数，可使用相对应的描述样本特征的统计量。 (1)估计总体矩，使用相应的样本矩 (2)估计总体矩的函数，使用相应的样本矩的函数 对线性回归模型： Y=?0+?1X+u 上述方法都是通过样本矩估计总体矩，因此，也称为矩估计法(moment methods, MM)。第10页/共45页 (3)类比法还有： 用样本中位数估计总体中位数； 用样本最大值估计总体最大值； 用样本均值函数mY|X估计总体