1、计量经济学,单方程计量经济学模型理论与方法,第二章 经典单方程计量经济学模型:一元线性回归模型,第一节 回归分析概述第二节 一元线性回归模型的参数估计第三节 一元线性回归模型的统计检验第四节 一元线性回归模型的预测,第二节: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、最小二乘估计量的性质 四、参数估计量的概率分布及随机误差项方差的估计,给出一元线性回归模型的一般形式:其中:被解释变量,:解释变量,和:待估参数;:随机误差项;总体回归函数形式:样本回归函数形式:其中 是 的估计值,我们需要找到一种参数估计方法,求出,并且这种参数估计方法保证了
2、估计值 与总体真值 尽可能地接近;这种参数估计方法就是普通最小二乘法 OLS。,一、一元线性回归模型的基本假设,为保证参数估计量具有良好的性质,通常对模型提出若干基本假设,这些假设与所采用的估计方法紧密相关。假设 1:解释变量 是确定性变量,不是随机变量;假设 2:随机误差项具有 0 均值和同方差,即假设3:随机误差项在不同样本点之间是独立的,不存在序列相关,即:,一、一元线性回归模型的基本假设,假设 4:随机误差项与解释变量之间不相关,即:假设 5:随机误差项服从 0 均值,同方差的正态分布,即,以上这些假设称为线性回归模型的经典假设,满足这些假设的线性回归模型,也称为经典线性回归模型(cl
3、assical linear regression model)。在回归分析的参数估计和统计检验理论中,许多结论都是以这些假定作为基础的。如果违背其中的某一项假定,模型的参数估计就会存在问题,也就是说最小二乘法(OLS)就不再适用,需对模型进行修正或采用其他的方法来估计模型了。,二、参数的普通最小二乘估计(OLS),普通最小二乘法(Ordinary Least Squares,OLS)回归分析的目的:根据样本回归函数 来估计替代未知的总体回归函数,就要保证样本回归函数尽可能地“接近”总体回归函数。在已知总体的一组样本观测值 的情况下,为了保证样本回归函数 尽可能地“接近”总体回归函数,就是要样
4、本回归线上的点 与真实观测点 在总体上尽量接近;这也就是说要求样本回归函数 的估计值 与真实观测值 之间的误差 在总体上尽量小。,每月家庭收入与消费支出散点图(样本),二、参数的普通最小二乘估计(OLS),要求真实观测值 与样本回归函数的估计值 之间的误差,也就是残差 在总体上最小,即采用残差平方和 最小的准则,也就是最小二乘准则:根据微积分中求极值的原理,要使 达到最小,待定系数 应满足:,二、参数的普通最小二乘估计(OLS),即:从而得到如下方程组:以上方程组称为最小二乘的正规方程组(normal equations),二、参数的普通最小二乘估计(OLS),解这个正规方程组得:其中 分别代
5、表 和 两个变量的样本均值。上式就称为线性回归模型参数 的最小二乘估计量(ordinary least squares estimators);将样本数据代入这两个公式,就可以计算出 的具体数值,它们一定是使残差平方和 取最小值的参数估计值(最小二乘估计值)。,二、参数的普通最小二乘估计(OLS),由此可得到拟合最优的样本回归直线(样本回归函数):由残差 可得样本回归模型为:将总体回归模型 与上式比较,是 的估计值,残差 可看作随机误差项 的估计值。,二、参数的普通最小二乘估计(OLS),例2.3:在上述例 2.1 中家庭可支配收入 影响家庭消费支出 的问题中,对于所抽出的一组样本数据如表 2
6、.2 所示:可将表中的这组样本数据代入到下面公式:进行参数估计计算,具体计算过程见下表(表2.4):,表2.4 家庭可支配收入 和消费支出 的样本数据资料 及参数估计的计算表(单位:元),例2.3根据表2.4中的计算结果,首先可计算出:再利用 计算出:由该样本估计的回归方程(即样本回归函数)为:这是对 X 和 Y 进行线性回归分析得到的初步结果。,Eviews软件画出的收入 X 和支出 Y样本数据的散点图,Eviews软件输出的回归结果,Eviews软件输出的被解释变量 的实际值、拟合值 和回归残差 的序列图,三、最小二乘估计量的性质,当采用最小二乘法将模型的参数估计出来以后,需考虑参数估计值
7、的精度问题;所谓精度问题就是这个参数估计值是否能代表总体参数的真值。这就需要考察一下参数估计量的统计性质。参数估计量是随机变量,其统计性质主要包括线性性、无偏性和最小方差性,也就是其均值和方差等方面的性质。事实可以证明:在模型满足那几条基本假定的前提下,最小二乘估计量的性质是非常理想的,它是具有最小方差的线性无偏估计量(best linear unbiased estimator,BLUE)。我们就要证明一下最小二乘估计量的线性性、无偏性和最小方差性(有效性)。,三、最小二乘估计量的性质,(1)最小二乘估计量的线性性:是指参数估计量 和 可以分别表示为被解释变量观测值 的线性组合(线性函数);
8、证明如下:其中:对于引进的 容易证明有如下的特性:;,(1)最小二乘估计量的线性性,证明;因为:证明;首先:然后:这里:,(1)最小二乘估计量的线性性,证明;因为:可得到:再回到前面得到的且已证明;则上式等于:即:;由此可见 是 的线性函数(组合)。,(1)最小二乘估计量的线性性,的线性性得到证明以后,同样的道理,的线性性证明如下:其中:即:,由此可见 也是 的线性函数(组合)。,(1)最小二乘估计量的线性性,经过证明我们已经得到:;由于,由解释变量 决定的,取值是确定性的,所以 相当于是一组常数,因此我们说 是 的线性函数。同样道理,由于,其中样本数,均值 和 都是确定性的,所以 也相当于是
9、一组常数,因此我们说 也是 的线性函数。,三、最小二乘估计量的性质,(2)最小二乘估计量的无偏性:是指参数估计量 和 的均值(期望值)分别等于总体回归参数的真值 和;即:;证明如下:由线性性得:即;同样的道理,由线性性得:同样,对于引进的 容易证明有如下的特性:,(2)最小二乘估计量的无偏性,即:;证明:由,则:;另:;再回到前面得到的:即:,(2)最小二乘估计量的无偏性,这样就有:;分别对 和 求均值(期望值),得到:由基本假定 2 知,所以 得证;同理可得:即 得证;因此 和 分别是 和 的无偏估计量。,三、最小二乘估计量的性质,(3)最小二乘估计量的最小方差性(有效性):是指在所有的线性
10、无偏估计量中,最小二乘估计量 和 具有最小方差,最小方差性又叫“有效性”;也就是说,如果 和 是其他参数估计方法得到的总体真值的线性无偏估计量,则有 和 成立。要证明上面两式成立,须分两步证明;首先求最小二乘估计量 和 的方差:由 的线性性,即 求得其方差为:由基本假定 2 知,所以上式成立,(3)最小二乘估计量的最小方差性(有效性):,即:同理,由 的线性性,即,求得其方差为:这里有:;那么:,(3)最小二乘估计量的最小方差性(有效性):,即:要求记住这两个重要结论:;下面推证最小方差性:这里我们只证明;关于 的 证明与前式类似;假设 是其他参数估计方法求出来的总体真值的线性无偏估计量,即
11、是 的另一个线性无偏估计量,其中系数,且;,(3)最小二乘估计量的最小方差性(有效性):,由 的无偏性可得:要使无偏性成立,必须满足:和而且还有:所以:,(3)最小二乘估计量的最小方差性(有效性):,即:即:得证,的最小方差性得证;而且只有当 时,等式才成立。同理可证:即 的最小方差性也得证。,三、最小二乘估计量的性质,我们证明了最小二乘估计量 和 具有三个性质:线性性、无偏性和最小方差性。在满足经典线性回归模型基本假定的前提下,最小二乘估计量具有线性性、无偏性和最小方差性这样的优良性质,即最小二乘估计量 和 是参数真值 和 的最佳线性无偏估计量(best linear unbiased es
12、timator,BLUE),这一结论就是著名的高斯马尔可夫定理(Gauss-Markov theorem)。,四、参数估计量的概率分布及随机误差项方差的估计,(1)参数估计量 和 的概率分布最小二乘估计量 和 均是被解释变量 的线性组合,因此 和 就与 有相同类型的概率分布。在基本假定的条件下,是正态分布,也是正态分布:;(注释:由于,则)和 与 有相同类型的概率分布,因此 和 也服从正态分布,所以 和 的分布可以表示为:,(1)参数估计量 和 的概率分布,即:于是,和 的标准差分别为:,(2)随机误差项 的方差 的估计,在参数估计量 和 的方差的表达式中,都含有随机误差项 的方差;是总体方差
13、,由于 实际上是未知的,因此 和 的方差实际上无法计算,这就需要对 进行估计;随机误差项 不可观测,但残差 是 的估计值,因此可以用 的方差作为随机误差项 的方差 的估计值(估计量)。可以证明,总体方差 的无偏估计量 为:即:,(2)随机误差项 的方差 的估计,为了计算方便 起见,也可以采用如下计算形式:随机误差项方差的估计量 的平方根称为回归方程的估计标准误差,记为,即:估计标准误差 是用来反映被解释变量的实际观测值 与估计值 的平均偏离程度的指标;越小,则回归直线精度越高,代表性越好;当 时,表示所有的样本点都落在回归直线上,解释变量与被解释变量之间表现为函数关系。,(2)随机误差项 的方差 的估计,用无偏估计量 去代替,可计算参数估计量 和 的标准差(方差):的样本标准差:的样本标准差:,第二节一元线性回归模型参数估计的要求,掌握线性回归模型的几条基本假设;理解最小二乘原理;掌握一元线性回归模型参数的最小二乘估计量,掌握最小二乘估计量的统计性质(线性性、无偏性和最小方差性);了解参数估计量的概率分布,了解随机误差项方差的估计;熟悉Eviews软件的数据输入等基本操作和最小二乘估计。,
copyright@ 2008-2022 冰豆网网站版权所有
经营许可证编号:鄂ICP备2022015515号-1