一元线性回归模型及参数估计.pptxVIP

一元线性回归模型及其参数估计一、一元线性回归模型的参数估计二、最小二乘参数估计量的统计性质三、最小二乘参数估计量的概率分布

一、一元线性回归模型的参数估计

一元线性回归模型的一般形式一元线性回归模型的一般形式是：iiXiYmbb++=10i=1，2，…，n在满足基本假设：====0),(0),(2)(0)(iixCovjiCoviVariEmmmmsmmi=1,2,…,nj=1,2,…,ni≠j的情况下，随机抽取n组样本观测值iXiY,（i=1,2,…n），就可以估计模型的参数。同方差期望或均方值协方差

模型参数估计的任务模型参数估计的任务为两项：一是求得反映变量之间数量关系的结构参数的估计量，在一元线性回归模型即是参数和的估计量；b0b1二是求得随机误差项的分布参数，由于随机误差项的均值已经被假定为0，所以所要求的分布参数只有方差。2ms

最小二乘法给出的判断标准是：二者之差的平方和最小，即给定一组样本观测值（Xi,Yi），i=1,2,…n，假如模型参数估计量已经求得，并且是最合理的参数估计量，那么样本回归函数应该能够最好地拟合样本数据，即样本回归线上的点与真实观测点的“总体误差”应该尽可能地小。普通最小二乘法

（OrdinaryLeastSquare,OLS）

由于2)?1(iYniYQ-=?=2))1?0?(1(iXniYbb+-?是$b0、$b1的二次函数，并且非负，所以其极小值总是存在的。根据极值存在的条件，当Q对$b0、$b1的一阶偏导数为0时，Q达到最小。即001?0?==?????íìb??b??QQT?íì=-+=-+??0)1?0?(0)1?0?(iXiYiXiYiXbbbbT???íìS+S=SS+=S21?0?1?0?iXiXiXiYiXniYbbbb

解得：???íì10-=??XYbbS-SSS-S=2)(21?iXiXniXiYiXiYnb由于0?b、1?b的估计结果是从最小二乘原理得到的，故称为最小二乘估计量(least-squaresestimators)。

最小二乘参数估计量的离差形式

(deviationform)注：在计量经济学中，往往以大写字母表示原始数据（观测值），而以小写字母表示对均值的离差（deviation)。记???????íì-=-===??YiYiyXiXixiYnYiXnX11，则参数估计量可以写成：???íì=-=??21?1?0?ixiyixXYbbb

随机误差项方差的估计量记iYiYie?-=为第i个样本观测点的残差，即被解释变量的估计值与观测值之差，则随机误差项方差的估计量为：

其中简捷公式为用原始数据（观测值）Xi，Yi计算简捷公式为用离差形式的数据xi，yi计算

最大似然法（MaximumLikelihood,ML）最大或然法，也称最大似然法，是不同于最小二乘法的另一种参数估计方法，是从最大或然原理出发发展起来的其它估计方法的基础。基本原理：对于最大或然法，当从模型总体随机抽取n组样本观测值后，最合理的参数估计量应该使得从模型总体中抽取该n组样本观测值的联合概率最大。

将该或然函数极大化，即可求得到模型参数的极大或然估计量。

由于或然函数的极大化与或然函数的对数的极大化是等价的，所以，取对数或然函数如下：

可见，在满足一系列基本假设的情况下，模型结构参数的最大或然估计量与普通最小二乘估计量是相同的。

但是，随机误差项的方差的估计量是不同的。

样本回归线的数值性质(numericalproperties)01样本回归线通过Y和X的样本均值；Y估计值的均值等于观测值的均值；残差的均值为0。02

二、最小二乘参数估计量的统计性质

高斯-马尔可夫定理

01当模型参数估计完成后，需考虑参数估计值的精度，即是否能代表总体参数的真值，或者说需考察参数估计量的统计性质。02高斯—马尔可夫定理(Gauss-Markovtheorem)在给定经典线性回归的假定下，最小二乘参数估计量是具有最小方差的线性无偏估计量。

线性性：最小二乘参数估计量是Y的线性函数。

无偏性：最小二乘参数估计量的均值等于总体回归参数真值。

有效性：在所有线性无偏估计量中，最小二乘参数估计量具有最小方差。

（2）证明最小方差性

结论普通最小二乘参数估计量具有线性性、无偏性、最小方差性等优良性质。具有这些优良性质的估计量又称为最佳线性无偏估计量，即BLUE估计量（theBestLinearUnbiasedEstimators）。