《元线性回归模型的参数估计.ppt》由会员分享，可在线阅读，更多相关《元线性回归模型的参数估计.ppt（23页珍藏版）》请在三一办公上搜索。
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、参数估计的最大或然法(ML)三、最小二乘估计量的性质 四、参数估计量的概率分布及随机干 扰项方差的估计,二、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）。由于参数的估计结果是通过最
2、小二乘法得到 的，故称为普通最小二乘估计量（ordinary least squares estimators）。,三、参数估计的最大或然法(ML),最大或然法(Maximum Likelihood,简称ML)，也称最大似然法，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：对于最大或然法，当从模型总体随机抽取n个样本观测值后，最合理的参数估计量应该使得从模型中抽取该n个样本观测值的概率最大。,在满足基本假设条件下，对一元线性回归模型：,随机抽取一组样本观测值（Xi,Yi）（i=1,2,n）。,那么Yi服从如下的正态分布：,于是，Y的概率函数
3、为,（i=1,2,n）,假如模型的参数估计量已经求得，为,因为Yi是相互独立的，所以的所有样本观测值的联合概率，也即或然函数(likelihood function)为：,将该或然函数极大化，即可求得到模型参数的极大或然估计量。,由于或然函数的极大化与或然函数的对数的极大化是等价的，所以，取对数或然函数如下：,解得模型的参数估计量为：,可见，在满足一系列基本假设的情况下，模型结构参数的最大或然估计量与普通最小二乘估计量是相同的。,例：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进行。,因此，由该样本估计的回归方程为：,0.670,4974750,15
4、83-0.6702150=142.4,142.4+0.670 xi,四、最小二乘估计量的性质,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。,一个用于考察总体的估计量，可从如下几个方面考察其优劣性：（1）线性性，即它是否是另一随机变量的线性函数；,（2）无偏性，即它的均值或期望值是否等于总体的真实值；（3）有效性，即它是否在所有线性无偏估计量中具有最小方差。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）。,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）,五、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,2又称为总体方差。,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。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。,
