)、普通最小二乘原理 设一个只含一个参数的非线性模型: Vi=f(xiB)+u l.2 中的误差项满足所有古典假定。如果参数的估计已经得到,则应使残 差平方和最小。即 s(B)=20-f(x,,B) (8) 最小。(8)去最小值的一阶条件为 =-2∑(1-(x1:B)( -df(x i 即 ∑(y-f(xB)( (9) dB 估计的关键在于方程(9)的求解(如果f(x1,B)是线性函数,则 就是第二章中的OLS)。多元的表述见书p104。 (二)、高斯一牛顿( Gauss-Newton)迭代法 1、高斯一牛顿迭代法的原理(以方程(7)为例) 第一、据经验给出参数的初始值(0),将f(x1,)在初始值处展为 泰勒级数,取一阶近似: 1(xB=/(,Bo)+y(,B) (10)（一）、普通最小二乘原理 设一个只含一个参数的非线性模型： i i f x i y = ( ,)+ i=1,2,  ,n （7） 中的误差项满足所有古典假定。如果参数的估计已经得到，则应使残 差平方和最小。即  = = − n i i f x i s y 1 2 )) ˆ ) ( ( , ˆ (  （8） 最小。（8）去最小值的一阶条件为 ) ˆ ) ˆ ( , ))( ˆ ( , 1 2 ( ˆ     d i df x i f x i y n i d ds −  − = =− =0 即 ) 0 ˆ ) ˆ ( , ))( ˆ 1 ( ( , = = −    d i n df x i i f x i y (9) 估计的关键在于方程（9）的求解（如果 ) ˆ ( ,i f x 是线性函数，则 就是第二章中的 OLS）。多元的表述见书 p104。 （二）、高斯—牛顿（Gauss—Newton）迭代法 1、高斯—牛顿迭代法的原理（以方程（7）为例） 第一、据经验给出参数的初始值 (0)  ˆ ，将 ) ˆ ( ,i f x 在初始值处展为 泰勒级数，取一阶近似： ) (0) ˆ ˆ ( (0) ˆ ˆ ) ˆ ( , ) (0) ˆ ) ( , ˆ ( ,         + − d i df x i f x i f x （10）