线性回归模型的基本假设 y,=Po+B,xu+B2x2i+.+Pkk+ 在普通最小二乘法中,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: 解释变量之间互不相关 2.随机误差项具有0均值和同方差。即 E(1)=0 Var(u)=o 即随机误差项的方差是与观测时点t无关的常数 3.不同时点的随机误差项互不相关(序列不相关),即 Co(21)=0 ≠0, 4.随机误差项与解释变量之间互不相关。即 Cov(x,ui)=0 5.随机误差项服从0均值、同方差的正态分布。即 1~N(0,a2 1.2 当随杋误差项满足假定1~4时,将回归模型称为“标准回归模型”,当随机 误差项满足假定1~5时,将回归模型称为“标准正态回归模型”。如果实际模型 满足不了这些假定,普通最小二乘法就不再适用,而要发展其他方法来估计模型2 线性回归模型的基本假设 t i i k ki ui y =  0 + 1 x1 +  2 x2 ++  x + i = 1 , 2 , … , n 在普通最小二乘法中，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： 1．解释变量之间互不相关； 2．随机误差项具有0均值和同方差。即 E(ui ) = 0 2 Var(ui ) =  i = 1 , 2 , … , n 即随机误差项的方差是与观测时点t无关的常数； 3．不同时点的随机误差项互不相关（序列不相关），即 Cov(ui ,ui−s ) = 0 4．随机误差项与解释变量之间互不相关。即 Cov(x ji ,ui ) = 0 5．随机误差项服从0均值、同方差的正态分布。即 ui ~ (0, ) 2 N  当随机误差项满足假定1 ~ 4时，将回归模型称为“标准回归模型”，当随机 误差项满足假定1 ~ 5时，将回归模型称为“标准正态回归模型”。如果实际模型 满足不了这些假定，普通最小二乘法就不再适用，而要发展其他方法来估计模型。 j = 1 , 2 , … , k , i = 1 , 2 , … , n i = 1 , 2 , … , n s ≠ 0, i = 1 , 2 , … , n