差。如下图：
图3.4
变。这种情形的相应名称是异方差性 （heteroscedasticity）或者说非相同的散布(unequal spread)或非相等的方差(variance)。用符号表示：
注意下标i, 它表示Y总体的方差不再是恒定不变的了。 区分同方差性和异方差性： 令Y代表每周消费支出，X代表每周收入。图3.4和3.5都表示 随着收入增加，平均消费支出也增加。但在图3.4中，消费支出的 方差在所有的收入水平上都保持不变，而在图3.5中，这个方差随 着收入的增加而增加，换句话说，富有的家庭比贫穷的家庭平均消 费更多，但前者的消费支出也有更大的变异。 假定4意味着Y 的条件方差也是同方差的，就是说：
ˆ ˆ min (Yi 1 2 Xi ) 2
（4-1）
根据微积分中求极限的原理，要使式（4-1）达到最小，式（4-1）对
ˆ ˆ 1、 2 的一阶偏导数应等于0，即
ˆ ˆ 2[Yi ( 1 2 X i )] 0 2 X [Y ( X )] 0 i i ˆ1 ˆ2 i
普通最小二乘法归功于德国数学家高斯，在回归分析 中得到了广泛运用。它比最大似然法简单的多。
回顾双变量总体回归函数PRF： 该PRF不可直接观测，同过SRF去估计它：
（ 是 的估 计量，条件均值） 为了考察SRF，把上式化为如下：
对于给定的Y和X的n对观测值，我们希望SRF尽可能靠近实际的Y。 规则之一：选择这样的SRF，使得残差和 可能小。（good or bad?） 尽
图 最小二乘准则
最小二乘准则是要确定SRF使得下式尽可能的小：
可以看出，
给出不同的
和
将会得到不同的
。
现在做两个实验。在实验1中，假设 在实验2中，假设 ， 。
，
。
总和：
表3.1
SRF的实验决定法
选择哪一组的 第1个实验的
值？ 值比第2个实验的 更优。 值给出一个更低的 。
所以说第1个实验的 如何知道最优？
式（4-4）可改写为
ˆ ˆ 1 Y 2 X xy ˆ i i 2 xi2
称为参数 1 、 2 的普通最小二乘估
（4-5） 计量的离差形式（deviation form）
样本回归线通过Y和X的样本均值
一旦从样本数据得到OLS估计值，便容易画出样本回归线，这样得到的 回归线有如下性质：
E.g. 做许多次实验，每次选择不同的
值，然后比较所得的
，
并从中选择给出最可能小的
值的那组
值。花费大量时间。
最小二乘法给出了简便的运算。
普通最小二乘法（ordinary least squares，OLS）的基本思想 ——使样本回归函数尽可能好地拟合样本数据 最小二乘法以
ˆ min ui2
表示被解释变量的估计值与实际观察值的偏差总体上最小。 双变量情形下即是求得
（4-4）
记
xi X i X yi Yi Y（之后都遵循一个惯例，小写字母表示对均值的离差）
x (X
2 i
i
1 X ) 2 X i2 ( X i ) 2 n
1 X i Yi n
x y ( X
i 1 i i i 1
n
n
i
X )(Yi Y ) X iYi
不相关，即 值不相关，即
ˆ X u 0 ˆ Yˆ u 0
i i
。
i i
（离差形式）
按照离差形式，SRF可写成：
利用离差形式可以推出：
例1 对于消费函数，若已知： n = 10 , X =23, Y =20
(X X )2 64,
(X X )(Y Y ) 37
xt yt
160 40 0 30 160 390
xt2
400 100 0 100 400 1000
2
X X
n
2
Y
t
X
y
150 30, Y 5
Y
n
x
xy x
t
110 22 5
ˆ
xy 390 0.39,ˆ Y ˆ * X 22 0.39 * 30 10.3 x 1000
i 2
则有 因而
( X X )(Y Y ) 37 0.58 ˆ 64 (X X )
i i
ˆ ˆ Y X 20 0.58 * 23 6.70 ˆ Yi 6.70 0.58 X i
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
在第12章例，我们将透彻的解释这一假定的全部涵义。
直观上，我们可以对此假定做如下解释：
设想我们的 中，ut 和ut-1 正相关， 那么Yt 不仅依赖于Xt ，而且依赖于ut-1 ，因为ut-1 在一定程 度上决定了ut 。
所以现阶段我们讨论假定5，就是说我们只考虑Xt 对Yt 的系统性影响和是否有影响，而不去担心由于u之间的可能的 交互相关而造成的其他可能作用于Y的影响。
假设选择两个模型去描述货币工资变化率和失业率的理论关系：
回归模型1对参数和变量都是线性的，回归模型2则对参数为线性， 对变量X为非线性。假如回归模型1是“正确”模型，则模型2在A、 B两点间高估了真实的Y均值。
除了在选择模型时需要做出判断，假定9还为了提醒我们，回归 分析以及由分析得到的结果，是以所选的模型为条件的，从而警 醒我们，在建立计量经济模型时必须十分审慎，特别是对某些经
假定3：干扰项ui 的均值为零。对给定的X值，随机干扰项ui 的均 值或期望值为零，专业地讲，ui 的条件均值为零，符号上记为：
假定3的几何意义可由图3.3描绘出来。图中显示了变量X的几 个值以及与每一X值相对应的一个Y总体。 如图所示，对应于给定的X，每一个Y总体都是围绕其均值分 布的；一些Y值位于均值之上，一些Y值位于均值之下。离开均值 的上方和下方的距离就是ui 。 这一假定意味着凡是模型不含的因而归属于u 的因素，对Y的 均值都没有系统的影响，正的ui 值抵消了负的ui 值，以致它们的 平均影响为零。
1. 它通过Y和X的样本均值。这是从（4-5）显见的事实，该式可写成
2. 估计的
均值等于实测的Y均值。因为：
将最后一个等式两边对样本值求和并除以样本大小n，即得： 这里利用了等式 。（Why?）
3. 残差
的均值等于0。由（4-2），第一个方程是：
因为 故上述方程化为 ，从而
4．残差 5．残差
和解释变量 和预测的
假定7：观测次数n必须大于待估计的参数个数。另一种说法是，观 测次数n必须大于解释变量的个数。 不妨设想我们只有一对Y和X的观测值，则无法估计两个未知数。 假定8：X值要有变异性。在一个给定的样本中，X值不可以全是相 同的，即var(X)必须是一个有限的正数。 试想，如果全部X值都相同，则 无法估计β。 。则
第四章
经典线性回归模型
华中科技大学武昌分校 王怡
◆ ◆ ◆ ◆
普通最小二乘法 最小二乘法的基本假定
最小二乘参数估计的精度或标准误差
最小二乘估计量的性质：高斯-马尔可夫 定理
◆ ◆
判定系数r2 ：拟合优度的一个度量 关于蒙特卡罗实验的一个注记
一、普通最小二乘法
前一章我们提到根据样本回归函数尽可能准确地估计 总体回归函数，通常有两种估计方法：普通最小二乘法 (Ordinary Least Squares, OLS)和最大似然法 (Maximum Likelihood, ML)。
二、最小二乘法的基本假定
如果我们的目的仅仅是估计 目的不仅仅是获得 和 和 ，则OLS法足够用。但回归分析的 和 做出推断，即判 有多接近。
，还要对真实的
断它们离总体值有多接近，或者说
与其期望值
PRF表明Yi 依赖于Xi 和ui 。因此，我们需明确Xi 和ui 是怎样产 生的，为了回归估计的有效解释，对Xi 变量（一个或多个）和误差项ui 做出假定是极其重要的。
假定5：各个干扰项之间无自相关性。给定任意两个X值：Xi 和Xj （i j）,ui 和uj 之间的相关性为零，i和j为两次不同的观测，用 符号表示：
假定5即是设定ui 和uj 不相关。用专门术语来说，这是无序列 相关(no serial correlation)或无自相关(no auto correlation)。即是不会表现出如下图(a)和图(b)的模式。图(a) 中u值是正相关的，即正（负）的u伴随着正（负）的u。图（b） 中u值是负相关的，即正（负）的u伴随着负（正）的u。
假定1：线性回归模型。回归模型对参数而言是线性的，如
假定2：在重复抽样中X值是固定的。再重复的样本中，回归元所 取的数值被认为是固定的。说的更专业些，假定X是非随机的。 如第3章中的例子，考虑表2.1中各收入水平对应的各个Y总体， 把收入值X固定在80美元的水平上，随机抽取一个家庭，并观测到 它的周家庭消费支出Y为60美元。仍然把X固定在80美元，而随机 的另抽取一个家庭并观测到它的Y值为75美元。在每次抽取即重复 抽样的过程中，X值都固定在80美元。可以对表中的全部X值重复 这一过程。
图3.3 干扰项ui 的条件分布
假定4：同方差性或ui 的方差相等。给定X值，对所有的观测， ui 的方差都是相同的。就是说ui 的条件方差是恒定的，用符号表示：
对于每个u 的条件方差都是某个等于
的正常数。用专业术语
说，上式代表同方差性(homoscedasticity)或者说相同的散步 或相等的方差。这意味着，对应于不同X值的Y总体均有同样的方
ˆ 2
x y
i
i
xi2
直观上，如果家庭收入很少变动，我们就不怎么能解释消费支出的 变化。 变量必须在变！