《计量经济学一元线性回归模型的参数估计》由会员分享，可在线阅读，更多相关《计量经济学一元线性回归模型的参数估计（26页珍藏版）》请在金锄头文库上搜索。
1、2.3 一元线性回归模型的参数估计,一、参数的普通最小二乘估计（OLS） 二、参数估计的最大似然法(ML) 三、最小二乘估计量的性质 四、估计量的概率分布及随机干扰项方差 的估计,一、参数的普通最小二乘估计（OLS,给定一组样本观测值（Xi, Yi）（i=1,2,n）要求样本回归函数尽可能好地拟合这组值. 普通最小二乘法（Ordinary least squares, OLS）给出的判断标准是：二者之差的平方和,最小,方程组（*）称为正规方程组（normal equations,记,上述参数估计量可以写成,称为OLS估计量的离差形式（deviation form）。 由于估计结果是通过最小二乘
2、法得到的，故称为普通最小二乘估计量（ordinary least squares estimators,顺便指出 ，记,则有,可得,*）式也称为样本回归函数的离差形式,*,注意：在计量经济学中，往往以小写字母表示对均值的离差,二、参数估计的最大似然法(ML,1、最大似然法,最大似然法(Maximum Likelihood,ML)，也称最大或然法，是不同于最小二乘法的另一种参数估计方法，是从最大或然原理出发发展起来的其它估计方法的基础。 基本原理：当从模型总体随机抽取n组样本观测值后，最合理的参数估计量应该使得从模型中抽取该n组样本观测值的概率最大。 ML必须已知随机项的分布,2、估计步骤,Yi
3、的分布,Yi的概率函数,Y的所有样本观测值的联合概率似然函数,对数似然函数,对数似然函数极大化的一阶条件,结构参数的ML估计量,3、讨论,在满足一系列基本假设的情况下，模型结构参数的最大似然估计量与普通最小二乘估计量是相同的。 但是，分布参数的估计结果不同,例2.2.1：在上述家庭可支配收入-消费支出例中，对于所抽出的一组样本数，参数估计的计算可通过下面的表2.2.1进行,因此，由该样本估计的回归方程为,三、最小二乘估计量的性质,1、概述,当模型参数估计出后，需考虑参数估计值的精度，即是否能代表总体参数的真值，或者说需考察参数估计量的统计性质。 准则： 线性性(linear)，即它是否是另一随
4、机变量的线性函数； 无偏性(unbiased)，即它的均值或期望值是否等于总体的真实值； 有效性(efficient)，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,4）渐近无偏性，即样本容量趋于无穷大时，是否它的均值序列趋于总体真值； （5）一致性，即样本容量趋于无穷大时，它是否依概率收敛于总体的真值； （6）渐近有效性，即样本容量趋于无穷大时，是否它在所有的一致估计量中具有最小的渐近方差,当不满足小样本性质时，需进一步考察估计量的大样本或渐
5、近性质,2、高斯马尔可夫定理(Gauss-Markov theorem,高斯马尔可夫定理(Gauss-Markov theorem) 在给定经典线性回归的假定下，最小二乘估计量是具有最小方差的线性无偏估计量,证,易知,故,同样地，容易得出,2）证明最小方差性,其中，ci=ki+di，di为不全为零的常数 则容易证明,普通最小二乘估计量（ordinary least Squares Estimators）称为最佳线性无偏估计量（best linear unbiased estimator, BLUE,四、参数估计量的概率分布及随机干扰项方差的估计,2、随机误差项的方差2的估计,由于随机项i不可观测，只能从i的估计残差ei出发，对总体方差进行估计,2又称为总体方差,可以证明，2的最小二乘估计量为,它是关于2的无偏估计量,在最大似然估计法中,2的最大似然估计量不具无偏性，但却具有一致性
