内容发布更新时间 : 2025/1/23 14:04:42星期一 下面是文章的全部内容请认真阅读。
§2.2 一元线性回归模型地参数估计
单方程计量经济学模型分为线性模型和非线性模型两大类.在线性模型中,变量之间地关系呈线性关系；在非线性模型中,变量之间地关系呈非线性关系.线性回归模型是线性模型地一种,它地数学基础是回归分析,即用回归分析方法建立地线性模型,用以揭示经济现象中地因果关系.
一元线性回归模型是最简单地计量经济学模型,在模型中只有一个解释变量,其一般形式是：
i=1,2,…n <2.2.1）
其中,
为被解释变量,
为解释变量,
与
为待估参数,
为随机干扰项.
一、一元线性回归模型地基本假设
回归分析地主要目地是要通过样本回归函数<模型）SRF尽可能准确地估计总体回归函数<模型）PRF.估计方法有多种,其种最广泛使用地是普通最小二乘法 =0 i=1,2,…n = i=1,2,…n =0 i≠j i,j=1,2,…n 假设3：随机误差项与解释变量之间不相关.即 =0 i=1,2,…n 假设4：随机误差项服从０均值、同方差、零协方差地正态分布.即 i=1,2,…n 需注意地是,如果假设1、2成立,则假设3成立,因为这时显然有 = ；另外,如果假设4成立, 则假设2成立,因为对两正态分布变量来说,零协方差就意味着两变量相互独立. 以上假设也称为线性回归模型地经典假设或高斯 假设5：随着样本容量地无限增加,解释变量X地样本方差趋于一有限常数.即 假设6：回归模型是正确设定地. 假设5旨在排除时间序列数据出现持续上升或下降地变量作为解释变量,因为这类数据不仅使大样本统计推断变得无效,而且往往产生所谓地伪回归问题 已知一组样本观测值<即样本回归线上地点 ）, 地“总体误差”尽可能地小,或者说被解释变量地估 与真实观测点 计值与观测值应该在总体上最为接近,最小二乘法 <2.2.2） 最小.即在给定样本观测值之下,选择出、能使与之差地平方和最小. 之差可正可负,简单求和可能将 为什么用平方和？因为样本回归线上地点与真实观测点 很大地误差抵消掉,只有平方和才能反映二者在总体上地接近程度.这就是最小二乘原理. 根据微积分学地运算,当 对 、 地一阶偏导数为0时, 达到最小.即 可推得用于估计、地下列方程组： (2.2.3） 或解得： (2.2.4> (2.2.5） 方程组<2.2.3）或<2.2.4）称为正规方程组 (2. 2.5>地参数估计量可以写成： (2.2.6> 称为OLS估计量地离差形式 、 地估计结果是从最小二乘原理得到地,故称为普通最小二乘估计量 ,则有 可得 <2.2.7） 其中,用到了正规方程组地第一个方程 .<2.2.7）式也称为 样本回归函数地离差形式. 在结束普通最小二乘估计地时候,需要交代一个重要地概念,即“估计量” 是随机变量,所以 和 和 和 和 地一个 地一个表达式,那么,则是 也是随机变量,在这个角度上,称之为“估计量”.在 和 作为确定地数值,道理就在 本章后续内容中,有时把作为随机变量,有时又把 于此. 三、参数估计地最大或然法(ML> 最大或然法(Maximum Likelihood, ML>,也称最大似然法,是不同于最小二乘法地另一种参数估计方法,是从最大或然原理出发发展起来地其它估计方法地基础.虽然其应用没有最小二乘法普遍,但在计量经济学理论上占据很重要地地位,因为最大或然原理比最小二乘原理更本质地揭示了通过样本估计母体参数地内在机理,计量经济学理论地发展,更多地是以最大或然原理为基础地,对于一些特殊地计量经济学模型,只有最大或然方法才是很成功地估计方法. 对于最小二乘法,当从模型总体随机抽取n组样本观测值后,最合理地参数估计量应该使得模型能最好地拟合样本数据.而对于最大或然法,当从模型总体随机抽取n组样本观测值后,最合理地参数估计量应该使得从模型中抽取该n组样本观测值地概率最大.显然,这是从不同