第二章11计量经济学
计量经济学第二章主要公式
第二章主要公式资料地址：/jl1、回归模型概述（1）相关分析与回归分析经济变量之间的关系：函数关系、相关关系相关关系：单相关和复相关，完全相关、不完全相关和不相关，正相关与负相关，线性相关和负相关，线性相关和非线性相关。
相关分析：——总体相关系数XY ρ=——样本相关系数()()nii XY XX Y Y r --=∑——多个变量之间的相关程度可用复相关系数和偏相关系数度量 回归分析：相关关系 + 因果关系（2）随机误差项：含有随机误差项是计量经济学模型与数理经济学模型的一大区别。
（3）总体回归模型总体回归曲线：给定解释变量条件下被解释变量的期望轨迹。
总体回归函数：(|)()i i E Y X f X =总体回归模型：(|)()i i i i i Y E Y X f X μμ=+=+ 线性总体回归模型：011,2,...,i i iY X i n ββμ=++=（4）样本回归模型样本回归曲线：根据样本回归函数得到的被解释变量的轨迹。
（线性）样本回归函数： 01ˆˆˆi i Y X ββ=+ （线性）样本回归模型：01ˆˆˆi i iY X e ββ=++ 2、一元线性回归模型的参数估计（1）基本假设① 解释变量：是确定性变量，不是随机变量var()0i X =② 随机误差项：零均值、同方差，在不同样本点之间独立，不存在序列相关等()01,2,...,i E i n μ==2var()1,2,...,i i n μσ==cov(,)0;,1,2,...,i j i j i j n μμ=≠=③ 随机误差项与解释变量：不相关cov(,)01,2,...,i i X i n μ==④ （针对最大似然法和假设检验）随机误差项：2~(0,)1,2,...,i N i n μσ=⑤ 回归模型正确设定。
【前四条为线性回归模型的古典假设，即高斯假设。
满足古典假设的线性回归模型称为古典线性回归模型。
】 （2）参数的普通最小二乘估计（OLS ） 目标：21minnii e=∑对于一元线性回归模型：011,2,...,i i i Y X i n ββμ=++=正规方程组：011011ˆˆ2[()]0ˆˆ2[()]0ni i i ni i i i Y X X Y X ββββ==⎧--+=⎪⎪⎨⎪--+=⎪⎩∑∑ 解得：011112211ˆˆ()()ˆ()n n i i i i i i n ni i i i Y X X X Y Y x y X X x βββ====⎧=-⎪⎪⎪--⎨==⎪⎪-⎪⎩∑∑∑∑（3）最大似然估计（ML ）对于一元线性回归模型：011,2,...,i i i Y X i n ββμ=++=重要的基本假设：2~(0,)1,2,...,cov(,)0;,1,2,...,var()01,2,...,i i j i N i n i j i j n X i nμσμμ⎧=⎪=≠=⎨⎪==⎩ 得到：201~(,)1,2,...,i i Y N X i n ββσ+=【且cov(,)0;,1,2,...,i j Y Y i j i j n =≠=，这个对最大似然法的估计很重要】则目标：12,,...,n Y Y Y 的联合概率密度最大，即()2012112121ˆˆ()2max (,,...,)()()()1ni i i n n Y X nf Y Y Y f Y f Y f Y eββσ=---=⋅⋅⋅∑=最终结果与OLS 得到的结果相同。
计量经济学 第二章
二、典型例题分析
例 1、令 kids 表示一名妇女生育孩子的数目，educ 表示该妇女接受过教育的年数。生 育率对教育年数的简单回归模型为
kids = β0 + β1educ + μ
1
（1）随机扰动项 μ 包含什么样的因素？它们可能与教育水平相关吗？
（2）上述简单回归分析能够揭示教育对生育率在其他条件不变下的影响吗？请解释。
关于 βˆ1 求偏导得
∑ ∂RSS = 2
∂βˆ1
(Yt − βˆ1 X t )(− X t ) = 0
即
∑ X t (Yt − βˆ1 X t ) = 0
βˆ1
=
(∑ X iYi )
(∑
) X
2 i
4
可见 βˆ1 是 OLS 估计量。
例 5．假设模型为 Yt = α + βX t + μt 。给定 n 个观察值 ( X1,Y1 ) ， ( X 2 ,Y2 ) ，…，
5
例 6．对于人均存款与人均收入之间的关系式 St = α + βYt + μt 使用美国 36 年的年度数
据得如下估计模型，括号内为标准差：
Sˆt = 384.105 + 0.067Yt (151.105) (0.011)
计量经济学第二章经典线性回归模型
Yt = α + βXt + ut 中 α 和 β 的估计值 和
,
使得拟合的直线为“最佳”。
直观上看，也就是要求在X和Y的散点图上
Y
* * Yˆ ˆ ˆX
Yt
* **
Yˆt
et * *
*
*
**
*
**
**
*
Xt
X
图 2.2
残差
拟合的直线 Yˆ ˆ ˆX 称为拟合的回归线.
对于任何数据点 (Xt, Yt), 此直线将Yt 的总值 分成两部分。
β
K
βK
β1 β1
...
βK
βK
Var(β 0 )
Cov(β1 ,β
0
)
Cov(β 0 ,β1 )
Var(β1 )
...
Cov(β
0
,β
K
)
...
Cov(β1
,β
K
)
...
...
...
...
Cov(β
K
,β
0
)
Cov(β K ,β1 )
...
Var(β K )
不难看出，这是 β 的方差-协方差矩阵，它是一 个(K+1)×(K+1)矩阵，其主对角线上元素为各 系数估计量的方差，非主对角线上元素为各系 数估计量的协方差。
ut ～ N (0, 2 ) ，t=1,2,…n
二、最小二乘估计
1. 最小二乘原理
为了便于理解最小二乘法的原理，我们用双
变量线性回归模型作出说明。
对于双变量线性回归模型Y = α+βX + u， 我 们
的任务是，在给定X和Y的一组观测值 (X1 ,
计量经济学第二章(第一部分)
i= 1
同
上
该准则消除了正负误差抵消，其缺点是：
不能保证找到的直线具有无偏性。如：
+2 －1
－1
+3
0 0
3 Yi -Yˆ i = 4
3
2
Yi -Yˆ i =6
i=1
i=1
3
3
2
Yi -Yˆ i = 3
Yi -Yˆ i =9
i=1
i=1
33 计量经济学
（3）使得
13 计量经济学
Y i01X iui,i1,2n,..., 同
上
其中 0，1 称为回归参数；u为随机误差 项； X称为解释变量；Y称为被解释变量。 “一元”是指：只有一个解释变量；
14 计量经济学
Y i01X iui,i1,2n,..., 同
上
“线性”包含：
被解释变量与间 解为 释线 变性 量关系
量Y的影响；
16 计量经济学
同 上
（2）变量观测值的观测误差的影响； （3）模型数学形式的设定误差影响； （4）其它随机因素的影响。
17 计量经济学
同 上
2、随机误差项u的特性
（1）对被解释变量Y的影响方向，有正有负；
（2）由于代表次要因素，因此，对Y的总平
均影响可视为零；
（3）对被解释变量Y的影响是非趋势的，是
假定2、3统称为高斯－马尔可夫假定。
23 计量经济学
假定4 cov(Xi,ui)=Exiui＝0 ,
假
定
i=1,2,…,n且X为确定性变量，而非 4
随机变量。
如果解释变量X是确定性变量而非随机变 量该假定自动成立，即EXi＝Xi ，EXiui＝ XiEui= 0 。该假定表明X与u不相关。因 为在模型中u包含了除X对Y的影响外其它 因素对Y的影响，因此应与X对Y的影响分 开。
计量经济学第二章
以上假设也称为线性回归模型的经典假设或高斯 （Gauss）假设，满足该假设的线性回归模型，也 称为经典线性回归模型（Classical Linear Regression Model, CLRM）。
注意:
1、如果假设1、2满足，则假设3也满足;
2、如果假设4满足，则假设2也满足;
1 yi 0 1 ui xi
就属于被解释变量y与解释变量x之间不为线性关 系的情形，如果我们令
1 x x
此时非线性模型就变成线性模型了
yi 0 1 xi ui
山东经济学院统计与数学学院计量经济教研室
三、一元线性回归模型中随机项的假定
在给定样本观测值(样本值) ( xi , yi ) ，i=1,2, 3,…,n 后， 为了估计（2. 5）式的参数 0 和 1 ， 必须 对随机项 u i 做出某些合理的假定。这些假定通常 称为古典假定。
山东经济学院统计与数学学院计量经济教研室
假定1 E(ui|xi)=0 i=1,2, …,n； 随机误差项u具有零均值. 假定2 Var (ui|xi)=E{[ui-E(ui)]2}=E(ui2)=u2 i=1,2, …,n 随机误差项u具有同方差. 假定3 Cov(ui, uj)= E{[ui-E(ui)] [uj-E(uj)]}= 0 i≠j, i, j= 1,2, …,n 随机误差项u具有不序列相关性. 假定4 Cov(ui, xi)=0 i=1,2, …,n 随机误差项u与解释变量x之间不相关. 假定5 ui~N(0, u2 ) i=1,2, …,n u服从零均值、同方差的正态分布.
山东经济学院统计与数学学院计量经济教研室
回归与回归分析的内容
计量经济学(第四版)习题参考答案
第一章 绪论1.1 一般说来，计量经济分析按照以下步骤进行：（1）陈述理论（或假说） （2）建立计量经济模型 （3）收集数据（4）估计参数 （5）假设检验 （6）预测和政策分析 1.2 我们在计量经济模型中列出了影响因变量的解释变量，但它（它们）仅是影响因变量的主要因素，还有很多对因变量有影响的因素，它们相对而言不那么重要，因而未被包括在模型中。
为了使模型更现实，我们有必要在模型中引进扰动项u 来代表所有影响因变量的其它因素，这些因素包括相对而言不重要因而未被引入模型的变量，以及纯粹的随机因素。
1.3时间序列数据是按时间周期（即按固定的时间间隔）收集的数据，如年度或季度的国民生产总值、就业、货币供给、财政赤字或某人一生中每年的收入都是时间序列的例子。
横截面数据是在同一时点收集的不同个体（如个人、公司、国家等）的数据。
如人口普查数据、世界各国2000年国民生产总值、全班学生计量经济学成绩等都是横截面数据的例子。
1.4 估计量是指一个公式或方法，它告诉人们怎样用手中样本所提供的信息去估计总体参数。
在一项应用中，依据估计量算出的一个具体的数值，称为估计值。
如Y 就是一个估计量，1nii YY n==∑。
现有一样本，共4个数，100，104，96，130，则根据这个样本的数据运用均值估计量得出的均值估计值为5.107413096104100=+++。
第二章 计量经济分析的统计学基础2.1 略，参考教材。
2.2N SS x ==45=1.25 用α=0.05，N-1=15个自由度查表得005.0t =2.947，故99%置信限为x S t X 005.0± =174±2.947×1.25=174±3.684也就是说，根据样本，我们有99%的把握说，北京男高中生的平均身高在170.316至177.684厘米之间。
2.3 原假设120:0=μH备择假设120:1≠μH检验统计量()10/25XX μσ-Z ====查表96.1025.0=Z 因为Z= 5 >96.1025.0=Z ,故拒绝原假设, 即此样本不是取自一个均值为120元、标准差为10元的正态总体。
《计量经济学》各章主要知识点
第一章：绪论1.计量经济学的学科属性、计量经济学与经济学、数学、统计学的关系；2.计量经济研究的四个基本步骤（1）建立模型（依据经济理论建立模型,通过模型识别、格兰杰因果关系检验、协整关系检验建立模型）；（2）估计模型参数（满足基本假设采用最小二乘法，否则采用其他方法：加权最小二乘估计、模型变换、广义差分法等）；（3 ）模型检验:经济意义检验（普通模型、双对数模型、半对数模型中的经济意义解释，见例1、例2 ）,统计检验（T检验，拟合优度检验、F检验,联合检验等）；计量经济学检验（异方差、自相关、多重共线性、在时间序列模型中残差的白噪声检验等）；（4 ）模型应用。
例1:在模型中，y某类商品的消费支出，x收入，P商品价格，试对模型进行经济意义检验，并解释A"》的经济学含义。
In X = 0.213 +0.25 In 一0.31£其中参数卩'",都可以通过显著性检验。
经济意义检验可以通过（商品需求与收入正相关、与商品价格负相关\商品消费支出关于收入的弹性为0.25 （ 1心/畑）=0.251】心/仏））；价格增加一个单位，商品消费需求将减少31%。
例2 :硏究金融发展与贫富差距的关系，认为金融发展先使贫富差距加大（恶化）, 尔后会使贫富差距降＜氐（好转），成为倒U型。
贫富差距用GINI系数表示，金融发展用（贷款余额/存款总额）表示。
回归结果G/^VZ r =2.34 + 0.641；-1.29x；/模型参数都可以通过显著性检验。
在X的有意义的变化范围内,GINI系数的值总是大于1 ,细致分析后模型变的毫无意义；同样的模型还有：GINI系数的值总是为负= —13.34 + 7.12 兀一14.31#O3.计量经济学中的一些基本概念数据的三种类型：横截面数据、时间序列数据、面板数据；线性模型的概念；模型的解释变量与被解释变量，被解释变量为随机变量（如果—个变量为随机变量,并与随机扰动项相关，这个变量称为内生变量），被解释变量为内生变量,有些解释变量也为内生变量。
计量经济学第二章简单线性回归模型
例:100个家庭构成的总体 (单位:元)
1000 820 888 932
每 960 月 家 庭 消 费 支 出 Y
E (Y X i ) 900
1500 962 1024 1121 1210 1259 1324
1150
2000 1108 1201 1264 1310 1340 1400 1448 1489 1538 1600 1702
假定2：同方差假定 Var(Y Xi)2
假定3：无自相关假定 C ov(Y i,Yj)0 (ij)
假定5：正态性假定 Yi N(12Xi,2)
34
二、普通最小二乘法
法的选择
19
引入随机扰动项的原因
● 未知影响因素的代表 ● 无法取得数据的已知影响因素的代表 ● 众多细小影响因素的综合代表 ● 模型的设定误差 ● 变量的观测误差 ● 变量内在随机性
20
四、样本回归函数（SRF）
样本回归线：
对于 X 的一定值，取得Y 的样本观测值，可计算其条
件均值，样本观测值条件均值的轨迹称为样本回归线。 样本回归函数：
28
一、简单线性回归的基本假定
1. 为什么要作基本假定？
●模型中有随机扰动，估计的参数是随机变量， 只有对随机扰动的分布作出假定，才能确定 所估计参数的分布性质，也才可能进行假设 检验和区间估计
●只有具备一定的假定条件，所作出的估计才 具有较好的统计性质。
29
2、基本假定的内容
（1）对模型和变量的假定
计量经济学中: 线性回归模型主要指就参数而言是“线性”,因为
只要对参数而言是线性的,都可以用类似的方法估计1其8
三、随机扰动u 项
◆概念:
Y
各个 Y i 值与条件均值
计量经济学第二章
二、参数的普通最小二乘估计
Q
e
2 i
(Y
i
Yi )
2
[Y
i
( 0 1 X i )]
2
Q 对 0 ， 1 求 一 阶 偏 导 令 其 为 0， 得 到 :
0 1
LOGO
LOGO
微积分 求：当x,y为多少时，F=f(x,y)最小或最大？ 解：将F分别对x,y求一阶偏导，并令其等于0：
F x F y 0
例 如 ： F 1 0 x 8 y 6 xy
2 3
0
如 何 求 F的 极 值 ？
由此便可解出x,y
LOGO
称为总体回归函数（PRF). 总体回归函数表明被解释变量Yi的平均状态 （总体条件期望）随解释变量Xi的变化规律。
LOGO
我们可以把总体回归函数简化为线性的形式：
E (Y X i ) 0 1 * X i
（2.1.4)
其中： 0 , 1 是未知的参数，称为回归系数。 （2.1.4)也称为线性总体回归函数。
LOGO
总体回归函数表明被解释变量Yi的平均状态 E (Y X i )随解释变量Xi的变化规律。 那么，对于某一个具体的家庭来说，它的消费支 出Yi就恰好等于给定收入水平Xi下的消费支出的平均 值(Y (X i )X i ) 吗？ E E Y 所以，对于每一个具体的家庭，记
LOGO
在函数关系中，给定一个X，只有一个确定的Y与 之对应，因此X,Y都是确定性变量； 在相关关系中，给定一个X，有多个Y与之相对应， 因此当给定的X为确定性变量时，Y是一个不确定 的变量，称为随机变量。
2第二章计量经济学的统计学基础知识
if
1 1
,
2
2已知
理论： H 0 : 1 2 ; H1 : 1 2
X
~
N
(1
,
1
n1
),Y
~
(2
,
2
n2
)
X
Y
~
N
(1
2
,
1
n1
2
) n2
U X Y (1 2 ) ~ N (0,1) 1 2
n1 n2
if , H 0right
U
X Y ~ N (0,1)
1 2
n1 n2
P{U u } 查附表知u， 如果U u， 则接受H1
n
P( X xi ) 1
i 1
一、概率分布
连续性的随机变量概率函数
P（a X b）
b
f (x)dx
a
x
其中f (x)为概率密度函数。密度函数满足条件
f (x) 0；
b
f (x)dx 1
a
概率分布还可用分布函数表示。分布函数是概率的累积，即
随机变量X取小于某个x值的累积概率是x的函数，记为F（x）.
t0.001(9) 3.25
例3（卡方分布）：设已知维尼纶纤度在正常 生产条件下服从正态分布N（1.405, 0.002304)。 在生产某段时间，抽取了5根纤维，测得其纤 度为1.32, 1.55, 1.36, 1.4, 1.44.问该段时间母体方
差是否正常？（显著性水平是0.1）
解：H0 : 2 02 0.0482
注意：这里的分母是子样标准差除以自由度， 实际上是子样均值的标准差！只有这样才与 分子保持一致性。分子被平均了，分母当然 也要平均！ t分布在小样本（n<30）统计推断中占有重要的地位。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
i=1,2, …,n
一元线性回归模型的基本假设
假设4、随机误差项 ? 服从零均值、同方差、零
协方差的正态分布
? i ~ N(0,? 2 )
i=1,2, …,n
假设5：随着样本容量的无限增加，解释变量 X
的样本方差趋于一有限常数。即
? (Xi ? X)2 / n ? Q,
n? ?
假设6：回归模型是正确设定的
该样本的散点图（scatter diagram) ：
由于样本取自总体，可用该线近似地代表总 体回归线。该线称为 样本回归线。
样本回归函数
记样本回归线的函数形式为：
Y?i ? f ( Xi ) ? ??0 ? ??1 Xi
注意：与总体回归函数进行比较。
样本回归函数
同样地，样本回归函数也有如下的随机形式：
1
1
最小。
参数的最小二乘估计
根据微分运算，可推得用于估计 ??0 、??1 的下列 方程组：
方程组（ *）称为正规方程组 （normal equations ）。
参数的最小二乘估计
上述参数估计量可以写成： ?
? ?
??1
?
? xi yi ? xi2
?? ??0 ? Y ? ??1 X
称为OLS估计量的 离差形式（deviation form ）。
最小二乘估计量的性质
1、线性性 即估计量 ??0 、??1 是 Yi 的线性组合。
最小二乘估计量的性质
2、无偏性 即估计量 ??0 、??1 的均值（期望）等于
总体回归参数真值 ? 0与 ? 1 。
? ? E(??1 ) ? E(? 1 ? ki ? i ) ? ? 1 ? ki E(? i ) ? ? 1
回归分析概念
变量间的相关形式，有 线性相关和非线性相关 。
变量间线性相关程度 可用相关系数来测度：
? XY ?
Cov( X , Y) Var (X)Var (Y)
如果给出 X与Y的一组样本，则样本相关系数为：
n
? ( Xi ? X)(Yi ? Y)
rXY ?
i?1 n
n
? ? ( Xi ? X)2
? ? E(??0 ) ? E(? 0 ? wi ? i ) ? E(? 0 ) ? wi E(? i ) ? ? 0
3、有效性 （最小方差性）即在所有线性无偏估计 量中，最小二乘估计量 ??0、??1 具有最小方差。
参数估计量的概普通最小二乘估计量 ??0 、??1 分别是
将居民消费支出看成是其可支配收入的线性函
数时:
E(Y | Xi ) ? ? 0 ? ? 1 Xi
称为线性总体回归函数。 其中，?0，?1是未知参
数，称为 回归系数。
随机干扰项
随机干扰项
总体回归函数说明在给定的收入水平 Xi下，该社 区家庭平均的消费支出水平。但对某一个别的家庭，
其消费支出可能与该平均水平有偏差。
从该样本估计总体回归函数 PRF？
表2.1.3 家庭消费支出与可支配收入的一个随机样本 Y 800 1100 1400 1700 2000 2300 2600 2900 3200 3500 X 594 638 1122 1155 1408 1595 1969 2078 2585 2530
样本回归函数
差ei出发，对总体方差进行估计。
可以证明， ? 2的最小二乘估计量 为
? ??2 ?
ei2
n? 2
它是关于 ? 2的无偏估计量。
居民人均消费支出与人均GDP回归
§2.3 一元线性回归模型统计检验
? 一、拟合优度检验 ? 二、变量的显著性检验 ? 三、参数的置信区间
拟合优度检验
拟合优度检验：检验模型对样本观测值的 拟合程度。
度量拟合优度的指标： 判定系数（可决系 数） R2
1、总离差平方和的分解
已知由一组样本观测值（ Xi,Yi），i=1,2…,n 得到如下样本回归直线
Y?i ? ??0 ? ??1 Xi
而Y的第i个观测值与样本均值的离差 yi ? Yi ? Y 可分解为两部分之和。
拟合优度检验
yi ? Yi ? Y ? (Yi ? Y?i ) ? (Y?i ? Y) ? ei ? y?i
拟合优度检验
TSS=ESS+RSS
Y的观测值围绕其均值的 总离差可分解为两部 分：一部分来自回归线 (ESS)，另一部分则来自随机 势力(RSS)。在给定样本中， TSS不变，如果实际观 测点离样本回归线越近，则 ESS在TSS中占的比重 越大，因此
可决系数 R2 ? ESS ? 1 ? RSS
TSS
最小二乘估计量的性质
最小二乘估计量的性质
（1）线性性， 即它是否是另一随机变量的线性 函数；
（2）无偏性， 即它的均值或期望值是否等于总 体的真实值；
（3）有效性， 即它是否在所有线性无偏估计量中具 有最小方差。
这三个准则也称作估计量的 小样本性质。 拥有这类性质的估计量称为 最佳线性无偏估计量 （best liner unbiased estimator, BLUE ）。
? ? ? yi2 ? ei2 ? y?i2
拟合优度检验
对于所有样本点，则需考虑这些点与样本均值离 差的平方和 ,可以证明：
? ? ? yi2 ? ei2 ? y?i2
记
? 总体平方和 TSS ? y?i2 ? 回归平方和 ESS ? y?i2 TSS=ESS+RSS
? 残差平方和 RSS ? ei2
记
? i ? Yi ? E(Y | Xi )
称? i为观察值Yi围绕它的期望值 E(Y|Xi)的离差,是一
个不可观测的随机变量 ，又称为随机干扰项 或随机
误差项 。
随机干扰项
例2.1：个别家庭的消费支出为：
(*)
即，给定收入水平 Xi ,个别家庭的支出可表示为两 部分之和 :
（1）该收入水平下所有家庭的平均消费支出 E(Y|Xi)，称为系统性或确定性部分 ，
第二章 一元线性回归模型
?§ 2.1 回归分析概述 ?§ 2.2 一元线性回归模型的参数估计 ?§ 2.3 一元线性回归模型检验 ?§ 2.4 一元线性回归模型预测 ?§ 2.5 实例
§2.1 回归分析概述
一、回归分析的基本概念 二、总体回归函数 三、随机扰动项 四、样本回归函数（ SRF）
回归分析概念
1078 1254 1496 1683 1925 1122 1298 1496 1716 1969 1155 1331 1562 1749 2013 1188 1364 1573 1771 2035 1210 1408 1606 1804 2101
1430 1650 1870 2112 1485 1716 1947 2200
样本回归函数
注意：这里PRF可能永远无法知道。
§2.2 一元线性回归模型的参数估计
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、参数估计的最大似然法 (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
一元线性回归模型的基本假设
一元线性回归模型： 只有一个解释变量
Y （元）
500
0
500
1000
1500 2000 2500 3000 3500 每月可支配收入 X（元）
4000
总体回归函数
在给定解释变量 Xi条件下被解释变量 Yi的期望 轨迹称为 总体回归线 ,或更一般地称为 总体回归曲 线,相应的总体回归函数为： E(Y | Xi ) ? f (Xi )
函数形式： 可以是线性或非线性的。
假设 2、随机误差项 ? 具有零均值、同方差和不序列 相关性：
E( ? i)=0 Var ( ? i)=? ?2 Cov( ? i, ? j)=0
i=1,2, …,n i=1,2, …,n i ≠j i,j= 1,2, …,n
假设3、随机误差项 ? 与解释变量 X之间不相关：
Cov( Xi , ? i ) ? 0
3500 2299 2321 2530 2629 2860 2871
15510
总体回归函数
描出散点图发现：随着收入的增加，消费 “平均地说”也在增加，且 Y的条件均值均落在 一根正斜率的直线上。这条直线称为 总体回归线 。
3500
3000 每 月 2500
消 2000 费 支 1500
出 1000
合，因此，??0 和 ??1 的概率分布取决于
Yi 的线性组
Y的分布特征
。
在 ?是正态分布的假设下， Y是正态分布，则
??0、 ??1 也服从正态分布，因此：
? ??1 ~ N(? 1,
?2
xi2 )
?? ??0 ~ N(? 0 , n
X
2 i
?
2)
xi2
随机扰动项方差估计
由于随机项 ? i不可观测，只能从 ? i的估计——残
Yi ? ? 0 ? ? 1 Xi ? ? i
i=1,2,…,n
Y为被解释变量， X为解释变量， ?0与? 1为待估
参数， ? 为随机干扰项
估计方法有多种，其种最广泛使用的是普 通 最小二乘法 （ordinary least squares, OLS ）。
一元线性回归模型的基本假设
假设 1、解释变量 X是确定性变量，不是随机变量；
（2）其他随机或非确定性部分 ? i。
随机干扰项
随机误差项主要包括下列因素的影响：
1）代表未知的影响因素； 2）代表残缺数据； 3）代表众多细小影响因素； 4）代表数据观测误差； 5）代表模型设定误差； 6）变量的内在随机性
样本回归函数
样本回归函数
总体回归函数实际上是未知的。 例2.2：在例2.1的总体中有如下一个样本，能否