Eviews数据统计与分析教程5章 基本回归模型OLS估计-普通最小二乘法

EViews统计分析基础教程
四、 线性回归模型的基本假定
假定2：不同样本点下的随机误差项u之间是不相关的， 即 Cov（ui，uj）=0，i≠j，i，j=1，2，…，n 其中，cov表示协方差。当此假定条件不成立时，则 称该回归模型存在序列相关问题，也称为自相关问题。
EViews统计分析基础教程
四、 线性回归模型的基本假定
假定3：同一个样本点下的随机误差项u与解释变量x之间 不相关，即
Cov（xi，ui）=0
i=1，2，…，n
EViews统计分析基础教程
四、 线性回归模型的基本假定
假定4：随机误差项u服从均值为0、同方差的正态分布， 即 u ～N（0，σ2） 如果回归模型中没有被列出的各因素是独立的随机 变量，则随着这些随机变量个数的增加，随机误差项u服 从正态分布。
EViews统计分析基础教程
四、 线性回归模型的基本假定
线性回归模型必须满足以下几个基本假定：
假定1：随机误差项u具有0均值和同方差，即 E ( ui ) = 0 i=1，2，…，n Var ( ui ) = σ2 i=1，2，…，n 其中，E表示均值，也称为期望，在这里随机误差项u的 均值为0。Var表示随机误差项u的方差，对于每一个样本 点i，即在i=1，2，…，n的每一个数值上，解释变量y对 被解释变量x的条件分布具有相同的方差。当这一假定条 件不成立是，称该回归模型存在异方差问题。
EViews统计分析基础教程
四、 线性回归模型的基本假定
假定5：解释变量x1，x2，…，xi是非随机的确定性变量， 并且解释变量间互不相关。则这说明yi的概率分布具有 均值，即
EViews统计分析基础教程
二、一元线性回归模型
1.模型设定
一元线性回归模型的形式为
yi = 0 + 1 xi + ui
（i=1，2，…，n）
其中，y为被解释变量，也被称为因变量；x为解释变量或自 变量；u是随机误差项（random error term），也被称为误 差项或扰动项，它表示除了x之外影响y的因素，即y的变化 中未被x所解释的部分；n为样本个数。
EViews统计分析基础教程
一、普通最小二乘法（OLS）
1.最小二乘原理
设双变量的总体回归方程为 yt= B1 + B2xt +μt 样本回归函数为 yt= b1 + b2xt + et 其中，et为残差项，
5-3式为估计方程，b1 和b2分别为B1和B2的估计量， 因而 e = 实际的yt –估计的yt
EViews统计分析基础教程
三、 多元线性回归模型
在多元线性回归模型中，要求解释变量x1，x2，…，xk之 间互不相关，即该模型不存在多重共线性问题。如果有 两个变量完全相关，就出现了完全多重共线性，这时参 数是不可识别的，模型无法估计。
EViews统计分析基础教程
三、 多元线性回归模型
通常情况下，把多元线性回归方程中的常数项看作虚拟 变量的系数，在参数估计过程中该常数项始终取值为1。 因而模型的解释变量个数为k+1.多元回归模型的矩阵形 式为 Y = X + u 其中，Y是因变量观测值的T维列向量；X是所有自变量 （包括虚拟变量）的T个样本点观测值组成的T×（k+1） 的矩阵；是k+1维系数向量；u是T维扰动项向量。
EViews统计分析基础教程
二、一元线性回归模型
2.实际值、拟合值和残差
估计方程为
表示的是yt的拟合值， 和 分别是 0 和1的估计量。 实际值指的是回归模型中被解释变量（因变量）y的原始观 测数据。拟合值就是通过回归模型计算出来的yt的预测值。
EViews统计分析基础教程
二、一元线性回归模型
EViews统计分析基础教程
一、普通最小二乘法（OLS）
1.最小二乘原理
估计总体回归函数的最优方法是选择B1和B2的估计量b1 ，b2， 使得残差et尽可能达到最小。 用公式表达即为
总之，最小二乘原理就是选择样本回归函数使得y的估计值 与真实值之差的平方和最小。
EViews统计分析基础教程
一、普通最小二乘法（OLS）
2.实际值、拟合值和残差
三条曲线分别是实际值（Actual），拟合值（Fitted） 和残差（Residual）。实际值和拟合值越接近，方程拟 合效果越好。
EViews统计分析基础教程
三、多元线性回归模型
通常情况下，将含有多个解释变量的线性回归模型（多 元线性回归模型）写成如下形式， yi = 0 + 1 x1i +2 x2i+3 x3i+…k xki + ui （i=1， 2，…，n） 其中，y为被解释变量，也被称为因变量；x为解释变量 或自变量；u是随机误差项（random error term），也 被称为误差项或扰动项； n为样本个数。
2.方程对象
选择工作文件窗口工具栏中的“Object”| “New Object”| “Equation”选项，在下图所示的对话框中输入方程变量。
EViews统计分析基础教程
一、普通最小二乘法（OLS）
2.ห้องสมุดไป่ตู้程对象
EViews5.1提供了8种估计方法： “LS”为最小二乘法； “TSLS”为两阶段最小二乘法； “GMM”为广义矩法； “ARCH”为自回归条件异方差； “BINARY”为二元选择模型，其中包括Logit模型、Probit 模型和极端值模型； “ORDERED”为有序选择模型； “CENSORED”截取回归模型； “COUNT”为计数模型。
EViews统计分析基础教程
第5章 基本回归模型的OLS估计
重点内容：
• 普通最小二乘法
• 线性回归模型的估计
• 线性回归模型的检验
EViews统计分析基础教程
一、普通最小二乘法（OLS）
1.最小二乘原理
设（x1，y1），（x2，y2），…，（xn，yn）是平面直角坐标 系下的一组数据，且x1< x2<…< xn，如果这组图像接近于一 条直线，我们可以确定一条直线y = a + bx ，使得这条直 线能反映出该组数据的变化。 如果用不同精度多次观测一个或多个未知量，为了确定各未 知量的可靠值，各观测量必须加改正数，使其各改正数的平 方乘以观测值的权数的总和为最小。因而称最小二乘法。