§2.2一元线性回归模型的参数估计 一元线性回归模型的基本假设 二、参数的普通最小二乘估计(oLS) 参数估计的最大或然法ML 四、最小二乘估计量的性质 五、参数估计量的概率分布及随机干 扰项方差的估计
§2.2 一元线性回归模型的参数估计 一、一元线性回归模型的基本假设 二、参数的普通最小二乘估计（OLS） 三、参数估计的最大或然法(ML) 四、最小二乘估计量的性质 五、参数估计量的概率分布及随机干 扰项方差的估计
单方程计量经济学模型分为两大类: 线性模型和非线性模型 ·线性模型中,变量之间的关系呈线性关系 非线性模型中,变量之间的关系呈非线性关系 元线性回归模型:只有一个解释变量 Y =Fo+BX+u Y为被解释变量,X为解释变量,与β为待估 参数,p为随机干扰项
单方程计量经济学模型分为两大类： 线性模型和非线性模型 •线性模型中，变量之间的关系呈线性关系 •非线性模型中，变量之间的关系呈非线性关系 一元线性回归模型：只有一个解释变量 Yi = 0 + 1 X i + i i=1,2,…,n Y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
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。 估计方法有多种,其种最广泛使用的是普通 最小二乘法( ordinary least squares,OLS)。 为保证参数估计量具有良好的性质,通常对 模型提出若干基本假设。 注:实际这些假设与所采用的估计方法紧密 相关
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。 估计方法有多种，其种最广泛使用的是普通 最小二乘法（ordinary least squares, OLS）。 为保证参数估计量具有良好的性质，通常对 模型提出若干基本假设。 注：实际这些假设与所采用的估计方法紧密 相关
、线性回归模型的基本假设 假设1、解释变量ⅹ是确定性变量,不是随机变量; 假设2、随机误差项μ具有零均值、同方差和不序列相 关性: E(;)=0 var()=2i=1,2, Cov(u ui=0 ifj 假设3、随机误差项μ与解释变量X之间不相关: COv(X;2μ)=0 假设4、μ服从零均值、同方差、零协方差的正态分布 HNO,ol)
一、线性回归模型的基本假设 假设1、解释变量X是确定性变量，不是随机变量； 假设2、随机误差项具有零均值、同方差和不序列相 关性： E(i )=0 i=1,2, …,n Var (i )= 2 i=1,2, …,n Cov(i, j )=0 i≠j i,j= 1,2, …,n 假设3、随机误差项与解释变量X之间不相关： Cov(Xi , i )=0 i=1,2, …,n 假设4、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
注意: 1、如果假设1、2满足,则假设3也满足: 2、如果假设4满足,则假设2也满足。 以上假设也称为线性回归模型的经典假设 或高斯( Gauss)假设,满足该假设的线性回归 模型,也称为经典线性回归模型( Classical Linear Regression Model, CLRM)
1、如果假设1、2满足，则假设3也满足; 2、如果假设4满足，则假设2也满足。 注意： 以上假设也称为线性回归模型的经典假设 或高斯（Gauss）假设，满足该假设的线性回归 模型，也称为经典线性回归模型（Classical Linear Regression Model, CLRM）
另外,在进行模型回归时,还有两个暗含的 假设: 假设5:随着样本容量的无限增加,解释变 量X的样本方差趋于一有限常数。即 ∑(X-x)2/n-×Q,n→∞ 假设6:回归模型是正确设定的 假设5旨在排除时间序列数据出现持续上升或下降的变 量作为解释变量,因为这类数据不仅使大样本统计推断变 得无效,而且往往产生所谓的伪回归问题( spurious regression problem)。 假设6也被称为模型没有设定偏误( specification error)
另外，在进行模型回归时，还有两个暗含的 假设： 假设5：随着样本容量的无限增加，解释变 量X的样本方差趋于一有限常数。即 (Xi − X) / n →Q, n → 2 假设6：回归模型是正确设定的 假设5旨在排除时间序列数据出现持续上升或下降的变 量作为解释变量，因为这类数据不仅使大样本统计推断变 得无效，而且往往产生所谓的伪回归问题（spurious regression problem）。 假设6也被称为模型没有设定偏误（specification error）
二、参数的普通最小二乘估计(0LS) 给定一组样本观测值(X,Y1)(i=1,2,n)要 求样本回归函数尽可能好地拟合这组值 普通最小二乘法( Ordinary least squares,OLS) 给出的判断标准是:二者之差的平方和 Q=∑(1-1)2=∑(X1-(Bb+月x,) 最 即在给定样本观测值之下,选择出、B1能使Y;与 之差的平方和最小
二、参数的普通最小二乘估计（OLS） 给定一组样本观测值（Xi , Yi）（i=1,2,…n）要 求样本回归函数尽可能好地拟合这组值. 普通最小二乘法（Ordinary least squares, OLS） 给出的判断标准是：二者之差的平方和 = − = − + n i i i n Q Yi Y Y X 1 2 0 1 2 1 )) ˆ ˆ ) ( ( ˆ ( 最小
根据微分运算,可推得用于估计、A的下列方程组: ∑(0+A1x1-1) ∑(+Ax1-1)x1=0 ΣY2=1B0+B1∑2 rx1=B21+ ∑2∑1-∑V7Sr2 解得: 7272-(Σ2 B1 2-(r1) 方程组(*)称为正规方程组( normalequations)
方程组（*）称为正规方程组（normal equations）
记∑x=∑(x-x)2=∑x2-1cx) ∑xy=∑(X1-X(Y-Y)=∑XH-∑x∑Y 上述参数估计量可以写成:/A=2x Bo=Y-BX 称为0LS估计量的离差形式( deviation for)。 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( ordinary least squares estimators
记 ( ) 2 2 2 2 1 i = ( i − ) = i − Xi n x X X X i i = i − i − = i i − XiYi n x y X X Y Y X Y 1 ( )( ) 上述参数估计量可以写成： = − = Y X x x y i i i 0 1 1 2 ˆ ˆ ˆ 称为OLS估计量的离差形式（deviation form）。 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（ordinary least squares estimators）
顺便指出,记p=-F 则有 分=(B+B11)-(B0+BX+e) =B1(X,-X)-n∑e 可得 y1=B1 (*)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
顺便指出 ，记 y ˆ i = Y ˆ i −Y 则有 = − − = + − + + i n i i i X X e y X X e 1 1 0 1 0 1 ( ) ˆ ) ˆ ˆ ) ( ˆ ˆ ˆ ( 可得 i i y x1 ˆ ˆ = （**）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
