一元线性回归模型的参数估计(D)_第1页
一元线性回归模型的参数估计(D)_第2页
一元线性回归模型的参数估计(D)_第3页
一元线性回归模型的参数估计(D)_第4页
一元线性回归模型的参数估计(D)_第5页
已阅读5页，还剩14页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

1、一元线性回归模型的参数估计-普通最小二乘法1、什么是一元线性回归模型?一元回归模型,是最简单的计量经济学模型.在模型中,只有一个解释变量,被解释变量与解释变量之间存在线性关系.2、一元回归模型的一般形式: yi=0+1xi+i, i=1,2,n (1)其中,y是被解释变量,x是解释变量,0、1是待定参数,是随机误差项,yi,xi是随机抽取的n组样本观测值. 该方程满足如下条件: E(i)=0 Var(i)=2 Cov(i,j)=0 Cov(xi,ui)=0 i=1,2,.,n j=1,2,n ij3、模型参数估计的任务(1)一是求得反映变量之间数量关系的参数(即一元线性回归模型yi=0+1xi

2、+i, i=1,2,n 中的0,1)的估计量;(2)二是求得随机误差项的分布参数.4、模型参数估计的普通最小二乘法普通最小二乘法,是应用最多的参数估计方法.(1)什么是最小二乘原理在已经获得样本观测值yi,xi(i=1,2,n)的情况下,假如参数估计量已经求得记为,我们可以得到直线方程: i=1,2,n (2) 其中,是被解释变量的估计值,它由参数估计量和解释变量的观测值计算得来. 被解释变量的观测值与估计值,在总体上越接近越好.判断的标准是: 二者之差平方和 最小. 这就是最小二乘原理.思考为什么用平方和,而不直接将二者的差简单相加?(2) 从最小二乘原理,根据样本观测值,具体求参数估计值. 由于, =( ) 我们可以知道,Q是二次函数并且是非负数.所以Q的极小值总是存在的.(为什么?) 根据极值存在的必要条件知, (为什么不是充分条件?)由此,不难推得: (4)进而得到: (5)于是解得 (6)另外,可以将公式(6)简化变形得 (7)其中, (3)求随机误差项方差的估计值. 记 为第i个样本观测值的残差.即被解释变量的观测值与估计值之差.则随机误差项方差的估计值为:

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论