1.解释变量t1,x2,…,t是非随机变量，观测值x1,x2,…,x是 常数。 2.等方差及不相关的假定条件为 E(e,)=0,i=1,2,…,n .=j1,2.,n） 10,≠j 这个条件称为高斯-马尔柯夫(Gauss-Markov)条件，简称G-M条件。在此条 件下，便可以得到关于回归系数的最小二乘估计及误差项方差。2估计的一些重 要性质，如回归系数的最小二乘估计是回归系数的最小方差线性无偏估计等。 3.正态分布的假定条件为 eN(0,c2),i=1,2,…,n 1,e2,…,9*相互独立 在此条件下便可得到关于回归系数的最小二乘估计及。2估计的进一步的结果， 如它们分别是回归系数及。的最小方差无偏估计等，并且可以作回归的显著性 检验及区间估计。 4.通常为了便于数学上的处理，还要求n>p,即样本容量的个数要多于解 释变量的个数。在整个回归分析中，线性回归的统计模型最为重要。一方面是因 为线性回归的应用最广泛；另一方面是只有在回归模型为线性的假定下，才能得到 比较深人和一般的结果；再就是有许多非线性的回归模型可以通过适当的转化变 为线性回归问题进行处理。因此，线性回归模型的理论和应用是本书研究的重点。 对线性回归模型我们通常要研究的问题有： 1.如何根据样本(x1,x2…,py),i=1,2,…,n求出风，月1,2…，月，及 方差。2的估计： 2.对回归方程及回归系数的种种假设进行检验； 3.如何根据回归方程进行预测和控制，以及如何进行实际问题的结构分析。 1.4建立实际问题回归模型的过程 在实际问题回归分析模型的建立和分析中有几个重要的阶段，为了给读者 个整体印象，我们以经济模型的建立为例，先用逻辑框图表示回归模型的建模过 程。见图1.3。 下面我们按逻辑框图顺序叙述每个阶段要做的工作以及应注意的问题 PDF created with pdfFactory Pro trial version www.pdffactory.comPDF created with pdfFactory Pro trial version www.pdffactory.com