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

Consistency e Under the Gauss-Markov assumptionS OLS IS BLUE, but in other cases it wont always be possible to find unbiased estimators o In those cases, we may settle for estimators that are consistent, meaning as n→>∞,the distribution of the estimator collapses to the parameter value Economics 20- Prof anderson

第13章基本回归模型----概述了 EViews中的普通最小二乘估计(OLS) 基础。 第14章其他回归方法--讨论加权最小二乘估计(WLS),二阶段最小二乘 估计(TSLS),和非线性最小二乘估计(NLS)技术

补救序列相关的基本思路 变换存在序列相关的模型,使变换后的新模 型具有无序列相关的随机误差项,这样新模 型满足基本假设,那么运用OLS进行估计以 及进行检验,就能得到理想可信的结果。 从随机误差项入手—变序列相关的随机误差 项为无序列相关的

Ch. 20 Processes with Deterministic Trends 1 Traditional Asymptotic Results of OlS Suppose a linear regression model with stochastic regressor given by Y=x!3+e,t=1,2,…,T,;B∈R or in matrix form y=xB+E We are interested in the asymptotic properties such as consistency and limiting

1.何谓 Multicollinearity =Xb+a One of the conditions for ols: Tadde+k12

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