一元线性回归的最小二乘估计

一元线性回归的最小二乘估计第一页，共二十一页，2022年，8月28日*****

et************

YXXt

图2

YtYt第二页，共二十一页，2022年，8月28日

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残差第三页，共二十一页，2022年，8月28日

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?

残差平方和第四页，共二十一页，2022年，8月28日

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。第五页，共二十一页，2022年，8月28日

运用微积分知识，使上式达到最小值的必要条件为：

即第六页，共二十一页，2022年，8月28日整理，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第七页，共二十一页，2022年，8月28日（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=+Xt+ut的参数和的普通最小二乘估计量(OLSestimators）。

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。第八页，共二十一页，2022年，8月28日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

则有因而第九页，共二十一页，2022年，8月28日例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

12345Yt1418232530Xt

1020304050

解：我们采用列表法计算。计算过程如下：第十页，共二十一页，2022年，8月28日序号YtXtyt=Yt-xt=Xt-xtytxt211410-8-2016040021820-4-1040100323301000425403103010053050820160400n=5110150003901000表3－1第十一页，共二十一页，2022年，8月28日Eviews创建工作文件，输入数据并进行回归：Createu15dataxylsycx第十二页，共二十一页，2022年，8月28日第十三页，共二十一页，2022年，8月28日第十四页，共二十一页，2022年，8月28日第十五页，共二十一页，2022年，8月28日第十六页，共二十一页，2022年，8月28日第十七页，共二十一页，2022年，8月28日第十八页，共二十一页，2022年，8月28日

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=α+β+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--MarkovTheorem）第十九页，共二十一页，2022年，8月28日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β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）第二十页，共二十一页，2022年，8月28日我们在前面列出的假设条件（5）表明，

ut~N(0,2)