元线性回归模型的参数估计模型.pptVIP

STEP01STEP02无偏性是对估计量最重要的要求之一，它只能保证估计量的期望等于真值。对于总体某个待定参数，其无偏估计量不只一个。证：易知故同样地，容易得出3、有效性总体某个参数?的无偏估计量往往不只一个，而且无偏性仅仅表明?^的所有可能的取值按概率平均等于?，它的可能取值可能大部分与?相差很大。为保证?^的取值能集中于?附近，必须要求?^的方差越小越好。所以，提出有效性标准。有效性的定义?的真值01?的真值02?^的概率03?^的概率04（2）证明最小方差性其中，ci=ki+di，di为不全为零的常数则容易证明普通最小二乘估计量（ordinaryleastSquaresEstimators）称为最佳线性无偏估计量（bestlinearunbiasedestimator,BLUE）同理，可证明b0的最小二乘估计量0?b具有最小方差由于最小二乘估计量拥有一个“好”的估计量所应具备的小样本特性，它自然也拥有大样本特性。参数估计量的概率分布及随机干扰项方差的估计?2又称为总体方差。随机误差项?的方差?2的估计由于随机项?i不可观测，只能从?i的估计——残差ei出发，对总体方差进行估计。可以证明，?2的最小二乘估计量为它是关于?2的无偏估计量。在最大或然估计法中，因此，?2的最大或然估计量不具无偏性，但却具有一致性。2.3一元线性回归模型的统计检验010203变量的显著性检验拟合优度检验参数的置信区间说明回归分析是要通过样本所估计的参数来代替总体的真实参数，或者说是用样本回归线代替总体回归线。尽管从统计性质上已知，如果有足够多的重复抽样，参数的估计值的期望（均值）就等于其总体的参数真值，但在一次抽样中，估计值不一定就等于该真值。那么，在一次抽样中，参数的估计值与真值的差异有多大，是否显著，这就需要进一步进行统计检验。01主要包括拟合优度检验、变量的显著性检验及参数的区间估计。02一、拟合优度检验拟合优度检验：对样本回归直线与样本观测值之间拟合程度的检验。度量拟合优度的指标：判定系数（可决系数）R2问题：采用普通最小二乘估计方法，已经保证了模型最好地拟合了样本观测值，为什么还要检验拟合程度？总离差平方和的分解已知由一组样本观测值（Xi,Yi），i=1,2…,n得到如下样本回归直线如果Yi=?i即实际观测值落在样本回归“线”上，则拟合最好。可认为，“离差”全部来自回归线，而与“残差”无关。对于所有样本点，则需考虑这些点与样本均值离差的平方和,可以证明：记总体平方和（TotalSumofSquares）TSS=ESS+RSS回归平方和（ExplainedSumofSquares）残差平方和（ResidualSumofSquares）添加标题添加标题添加标题添加标题添加标题Y的观测值围绕其均值的总离差(totalvariation)可分解为两部分：一部分来自回归线(ESS)，另一部分则来自随机势力(RSS)。01在给定样本中，TSS不变，添加标题02如果实际观测点离样本回归线越近，则ESS在TSS中占的比重越大，因此添加标题03拟合优度：回归平方和ESS/Y的总离差TSS添加标题添加标题可决系数R2统计量01添加标题称R2为（样本）可决系数/判定系数（coefficientofdetermination)。02添加标题可决系数的取值范围：[0，1]R2越接近1，说明实际观测点离样本线越近，拟合优度越高。03注：可决系数是一个非负的统计量。它也是随着抽样的不同而不同。为此，对可决系数的统计可靠性也应进行检验，这将在第3章中进行。在例的收入－消费支出例中，二、变量的显著性检验变量的显著性检验所应用的方法是数理统计学中的假设检验。计量经济学中，主要是针对变量的参数真值是否为零来进行显著性检验的。回归分析是要判断解释变量X是否是被解释变量Y的一个显著性的影响因素。在一元线性模型中，就是要判断X是否对Y具有显著的线性性影响。这就需要进行变量的显著性检验。所谓假设检验，就是事先对总体参数或总体分布形式作出一个假设，然后利用样本信息来判断原假设是否合理，即判断样本信息与原假设是否有显著差异，从而决定是否接受或否定原假设。假设检验假设检验采用的逻辑推理方法是反证法先假定原假设正确，然后根据样本信息，观察由此假设而导致的结果是否合理，从而判断是否接受原假设。判断结果合理与否，是基于“小概率事件不易