计量经济学：第4章 一元线性回归.ppt

*4.4最小二乘假设的作用简单线性回归模型的基本假设必须对无法观测的u与解释变量x之间的关系加以约束。才能从一个随机数据样本中获得b0和b1的可靠估计。“计量经济学是设法对经济关系进行定量估计和预测的学科。经济理论常常影响函数形式的选择，但经济理论很少能告诉我们一个模型的随机设定，这通常依赖于经验分析。计量经济学的一个主要任务就是为给定情形确定一个最好的估计量。而干扰的随机结构对此有极重要的影响。”MichaelP.MurrayEconometrics:AModernIntroduction**最小二乘假设及其作用*最小二乘假设#1:E(u|X=x)=0.关于假设：我们需要对u和x之间的关系做一个关键假定。理想状况是对x的了解并不增加对u的任何信息。换句话说，我们需要u和x完全不相关。假设1：E(u|x)=E(u)=0。（4.11）说明：这个假定的一个含义是，u的平均值与x值无关；对任意给定的x值，无法观测因素的平均值都相等。在一些教材上，通常给出的假定是：E(u)=0和cov(x,u)=0。*假定（4.11）给出了另一个回归非常有用的解释。以x为条件对（4.1）取期望，可得：E(y|x)=b0+b1x(4.12)总体回归函数E(y|x)是x的一个线性函数。现在可以把y分成两个部分：b0+b1x，称为y的系统部分，即由x解释的部分；u，非系统部分，或说不能由x解释的部分。**最小二乘假设#1(续)*最小二乘假设#2:(Xi,Yi),i=1,…,ni.i.d.*最小二乘假设#3:罕见大异常值.

技术层面表述:E(X4)?andE(Y4)?*OLS对异常值敏感:

经典线性回归模型（CLRM）的基本假定：

假定1：干扰项的条件均值为零。即，E(ui|Xi)=0假定2：同方差性或ui的方差相等。即，Var(ui|Xi)=?2假定3：各个干扰项无自相关。即，Cov(ui,uj|Xi,Xj)=0假定4：ui和Xi的协方差为零。即，Cov(ui,Xi)=E(uiXi)=0假定5：?服从零均值、同方差、零协方差的正态分布?i~N(0,??2)i=1,2,…,n注：假定4可由假定1推出。我们会在以后的课程中对这些假定详细讨论。如果假定5满足，则假设2、3也满足。*第4章一元线性回归*第4章一元线性回归△问题：缩小小学班级的规模会对学生的测试成绩有何影响？加利福尼亚测试成绩数据集*4.1线性回归模型简单回归模型的定义简单回归模型（即一元线性回归）用来研究两个变量之间的关系。y和x是两个代表某个总体的变量，我们感兴趣的是用x来解释y，或研究y如何随x而变化。在建立计量经济学模型前，我们会面临三个问题：y和x的函数关系是怎样的呢？我们应该如何考虑其他影响y的因素呢？我们何以确定我们在其他条件不变的情况下刻画了y和x之间的关系？**一元线性回归模型——一般符号*图形中的术语:Y和X的观测值;总体回归线;和回归误差(或者“误差项”):问题：STR减少2个，预计对测试成绩有什么影响？答案非常简单几点说明Yi=?0+?1Xi+ui（4.1）方程给出了y和x之间的函数关系；若u中的其他因素都保持不变，即?u=0，则x对y具有线性影响，即?y=b1?x；线性形式意味着：不管x的初始值为多少，它的任何一单位变化对y的影响都是相同的。最困难的问题是：模型（4.1）是否真的能让我们得到关于x如何在其他条件不变的情况下影响y的结论？*

回归史话：

“回归”是由英国著名生物学家兼统计学家高尔顿（Galton）在研究人类遗传问题时提出来的。为了研究父代与子代身高的关系，高尔顿搜集了1078对父亲及其儿子的身高数据。他发现这些数据的散点图大致呈直线状态，也就是说，总的趋势是父亲的身高增加时，儿子的身高也倾向于增加。但是，高尔顿对试验数据进行了深入的分析，发现了一个很有趣的现象—回归效应。因为当父亲高于平均身高时，他们的儿子身高比他更高的概率要小于比他更矮的概率；父亲矮于平均身高时，他们的儿子身高比他更矮的概率要小于比他更高的概率。它反映了一个规律，即这两种身高父亲的儿子的身高，有向他们父辈的平均身高回归的趋势。“高尔顿等人关于回归分析的先驱性的工作，以及……是数理统计学发展史中的重要事件.”──摘自《中国大百科全书》（数学卷）*回归的概念