第三讲-基本假设和参数的估计.ppt

变量间的关系：不相关、函数关系、统计（相关）关系对相关关系的研究：分为（）、（）样本回归函数（模型）与总体回归函数（模型）的区别§2.2一元线性回归模型的基本假设

§2.3一元线性回归模型的参数估计（1）一、参数的普通最小二乘估计（OLS）二、一元线性回归模型的基本假设三、最小二乘估计量的性质

给定一组样本观测值（Xi,Yi）（i=1,2,…n）普通最小二乘法（Ordinaryleastsquares,OLS）的基本思路：在来自于总体的n个观测点中，试图找到一条直线，使得这些点到这条直线的垂直距离的平方和最小为什么是正态假定呢？随机干扰项代表回归模型中未明显引进的许多自变量（对因变量）的总影响，我们希望这些被忽略的变量所起的影响是微小的。于是利用统计学中著名的中心极限定理就能证明，如果存在大量独立且相同分布的随机变量，随着这些变量个数的无限增大，他们的总和将趋向正态分布。正是这个中心极限定理为随机干扰项正态性假定提供了理论基础2、正态分布的一个性质是，正态分布变量的任何线性函数都是正态分布。3、正态分布是一个比较简单、仅涉及两个参数（均值和方差）的分布；他为人们所熟知，他的理论性质在数理统计学中受到广泛的研究。4、如果我们在处理小样本或有限容量时，比如说数据小于100次观测，那么正态假定就起到关键作用。她不仅有助于我们推导出OLS估计量精确的概率分布，而且是我们能用t、F和卡方分布来对回归模型进行统计检验。重要提示几乎没有那个实际问题能够同时满足所有基本假设。通过模型理论的发展，就可以克服违背基本假设所带来的问题违背基本假设的处理构成了以下内容：异方差问题（违背同方差假设）序列相关问题（违背序列不相关假设）共线性问题（违背解释变量不相关假设）随机解释变量问题（解释变量不确定，与随机误差项相关）三、最小二乘估计量的性质在给定经典线性回归模型的假定条件（前四个）下，最小二乘估计具有一些理想的或最优的性质。这些性质包含在著名的高斯—马尔科夫定理之中渐进无偏性：即样本容量趋于无穷大时，他的均值序列是否趋于总体均值。一致性：即样本容量趋于无穷大时，他是否依概率收敛于总体的真值。渐进有效性：即样本容量趋于无穷大时，他在所有的一致估计量中是否具有最小的渐进方差。这三个准则称为估计量的大样本渐进性质**回顾①不线性相关一定不相关；②有相关关系并不意味着一定有因果关系；③？分析对称地对待任何（两个）变量，两个变量都被看作是随机的。④？分析对变量的处理方法存在不对称性，即区分应变量（被解释变量）和自变量（解释变量）：前者是随机变量，后者不是。判断、填空样本回归函数样本回归模型利用样本回归模型，观察值可以表示为利用总体回归模型，观察值可以表示为总体回归模型总体回归函数总体回归函数是未知的，但它是确定的；样本回归函数是随抽样波动而变化的，可以有许多条总体回归函数的参数和是确定的常数；而样本回归函数的参数和是随抽样而变化的随机变量总体回归模型中的是不可直接观测的；样本回归模型的是只要估计出样本回归的参数就可以计算的数值。一元线性回归模型：只有一个解释变量i=1,2,…,nY为被解释变量，X为解释变量，?0与?1为待估参数，?为随机干扰项.若有n个样本观测点也可写为一、参数的普通最小二乘估计（OLS）普通最小二乘法归功于德国数学家高斯令求关于和的偏导数，并令其为0，得：（1）方程组（1）或（2）称为正规方程组（normalequations）。整理得（2）记上述参数估计量可以写成：称为OLS估计量的离差形式（deviationform）。由于参数的估计结果是通过最小二乘法得到的，故称为普通最小二乘估计量（ordinaryleastsquaresestimators）。顺便指出，记则有可得（**）式也称为样本回归函数的离差形式。（**）注意：在计量经济学中，往往以小写字母表示对均值的离差。?这样一旦从样本数据得到OLS估计值，便容易画出样本回归线，它具有如下性质（课本60页第9题）1、样本回归直线经过样本的均值点，2、残差的均值为0，即有：即有3、不相关与区分估计量和估计值回归分析的主要目的是要通过样本回归函数（模型）SRF尽可能准确地估计总体回归函数（模型）PRF。二、线性回归模型的基本假设不仅仅是得到和，而且要对真实的做出推断。和或者说，我们