原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
OLS估计量的推导
OLS（Ordinary Least Squares）是一种用于估计线性回归模型参数的方法。下面是OLS估计量的推导步骤：
假设我们有一个线性回归模型： y = Xβ + ε
其中，y是因变量，X是自变量的矩阵，β是待估计的参数向量，ε是误差向量。
要找到最佳的参数估计值β，我们希望最小化误差平方和（sum of squared errors）。
步骤如下：
定义误差平方和（SSE）： SSE = εε
其中ε是误差向量。
将线性回归模型代入SSE： SSE = (y - Xβ)(y - Xβ)
对β求导并令导数等于0： ?SSE/?β = -2X(y-Xβ) = 0
通过求解等式求得β的估计值： XXβ = Xy
如果XX是可逆的，我们可以通过求解正规方程（normal equations）来得到OLS估计值： β_hat = (XX)^(-1)Xy
其中，β_hat是参数估计值。
这样，我们得到了OLS估计值β_hat的表达式。
需要说明的是，OLS估计值的存在前提是模型满足一些假设条件，如误差项的条件期望为零、误差项的方差恒定、误差项之间互相独立等。在满足这些条件的情况下，OLS估计值是无偏的，并且具有最小方差性质。
文档评论（0）