《元线性回归的最小乘估计》由会员分享，可在线阅读，更多相关《元线性回归的最小乘估计（22页珍藏版）》请在金锄头文库上搜索。
1、我们的任务是， 在给定X和Y的一组观测值 (X1, Y1), (X2, Y2) , ., (Xn, Yn) 的情况下, 如何求出Yt = + Xt + ut 中 和 的估计值,使得拟合的直线为最佳。,一元线性回归的最小二乘估计,直观上看，也就是要求在X和Y的散点图上穿过各观测点画出一条“最佳”直线，如下图所示。,拟合的直线 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。 第一部分是Yt的拟合值或预测值 ：, t=1,2,n第二部分，et 代表观测点对于回归线的误差，称为拟合或预测的残差 （residuals）：t=1,2,n即 t=1,2,n,残差,
2、我们的目标是使拟合出来的直线在某种意义上是最佳的，直观地看，也就是要求估计直线尽可能地靠近各观测点，这意味着应使各残差尽可能地小。要做到这一点，就必须用某种方法将每个点相应的残差加在一起，使其达到最小。理想的测度是残差平方和，即,如何决定估计值 和 ? 残差平方和,最小二乘法就是选择一条直线，使其残差平方和达到最小值的方法。即选择 和 ，使得,最小二乘法,达到最小值。,运用微积分知识，使上式达到最小值的必要条件为：,即,整理，得：,此二式称为正规方程。解此二方程，得：,.,其中：,离差,样本均值,估计量,（5）式和（6）式给出了OLS法计算 和 的公式， 和 称为线性回归模型 Yt = + X
3、t + ut 的参数 和 的普通最小二乘估计量 (OLS estimators）。这两个公式可用于任意一组观测值数据，以求出截距和斜率的OLS估计值（estimates)，估计值是从一组具体观测值用公式计算出的数值。一般说来，好的估计量所产生的估计值将相当接近参数的真值，即好的估计值。可以证明，对于CLR模型，普通最小二乘估计量正是这样一个好估计量。,3 例子,例1 对于第一段中的消费函数，若根据数据得到： n = 10 , =23, =20,则有,因而,例2 设Y和X的5期观测值如下表所示，试估计方程Yt = + Xt + ut 序号 1 2 3 4 5 Yt 14 18 23 25 30X
4、t 10 20 30 40 50 解：我们采用列表法计算。计算过程如下：,表31,Eviews 创建工作文件，输入数据并进行回归： Create u 1 5 data x y ls y c x,对于满足统计假设条件(1)-(4)的线性回归模型 Yt = + Xt + ut , ，普通最小二乘估计量 ( OLS估计量) 是最佳线性无偏估计量（BLUE）。 或对于古典线性回归模型（CLR模型）Yt=+Xt ，普通最小二乘估计量（OLS估计量）是最佳线性无偏估计量（BLUE）。,3. 高斯-马尔柯夫定理（Gauss-Markov Theorem）,我们已在前面证明了无偏性，此外，由于：由上段结果，=其中这表明， 是诸样本观测值Yt（t=1,2,n）的线性函数,故 是线性估计量。剩下的就是最佳性了，即 的方差小于等于的其他任何线性无偏估计量的方差，我们可以证明这一点，但由于时间关系，从略。有兴趣的同学请参见教科书（P46-47）,我们在前面列出的假设条件（5）表明，ut N( 0, 2 ) , t= 1, 2, .,n即各期扰动项服从均值为0、方差为2的正态分布。 考虑到假设条件（4），即Xt为非随机量，则由前面结果：=其中，,4. 和 的分布,这表明， 是N个正态分布变量u1，u2，,un的线性函数，因而亦为正态分布变量，即类似的有：,
