3.1 Framework and Assumptions 3.2 Ordinary Least Squares (OLS) Estimation 3.3 Goodness of Fit and Model Selection Criteria 3.4 Consistency and Efficiency of OLS 3.5 Sampling Distribution of OLS 3.6 Variance Estimation for OLS 3.7 Hypothesis Testing 3.8 Applications 3.9 Generalized Least Squares (GLS) Estimation 3.10 Conclusion

2.1 Motivation for multiple regression 2.2 Mechanics and interpretation of OLS 2.3 Unbiasedness of OLS estimator 2.4 Variance of the OLS Estimators 2.5 Efficiency of OLS: Gauss-Markov theorem

古典线性回归模型的假定 OLS的代数推导 OLS的几何解释 拟合优度 OLS的小样本性质 对单个系数的 t检验 对线性假设的 F检验 分块回归与偏回归(选读) 预测

2.1 为什么需要大样本理论 2.2 随机序列的收敛 2.3 大数定律与中心极限定理 2.4 统计量的大样本性质 2.5 随机过程的性质 2.6 大样本OLS的假定及估计量的性质 2.7 大样本OLS的stata实例

问题的提出 在前述基本假定下OLS估计具有BLUE的优 良性。 然而实际问题中,这些基本假定往往不能 满足,使OLS方法失效不再具有BLUE特性 估计参数时,必须检验基本假定是否满足 ,并针对基本假定不满足的情况,采取相 应的补救措施或者新的方法

1、OLS估计量的概率分布 B的概率分布 首先,服从正态分布的随机变量的线性组合仍然 服从正态分布。 其次,B分别是的线性组合,因此B的概率分 布取决于随机误差项μ 因此在μ是正态分布的假设下,每一个B也 服从正态分布,其分布特征(密度函数)由其均值和方差唯 一决定

4.1 Introduction to Asymptotic Theory 4.2 Framework and Assumptions 4.3 Consistency of OLS 4.4 Asymptotic Normality of OLS 4.5 Asymptotic Variance Estimation 4.6 Hypothesis Testing 4.7 Testing for Conditional Homoskedasticity 4.8 Conclusion

14.1 Restricted Least Squares (RLS) 1. OLS and RLS ()Unrestricted least squares(ULS) When using the ordinary least square method(OLS) to estimate the parameters, we do not put any prior constraint() or restriction(s) on the parameters. So we can estimate the parameters without any restrictions. This is ULS

对于 i i i y = b + b x + ε 1 2 (与教材中的符号不同)，应记住以下 OLS 估计与检验的计算公式： (其中 n 为样本个数， k 为包括自变量和因变量在内的变量个数)

Ch. 21 Univariate Unit Root process 1 Introduction Consider OLS estimation of a AR(1)process, Yt= pYt-1+ut where ut w ii d (0, 0), and Yo=0. The OLS estimator of p is given by and we also have