一般表现形式：
Yi 0 1 X 1i 2 X 2i k X ki i
i=1,2…,n
其中:k为解释变量的数目，j称为回归参数
（regression coefficient）。
习惯上：把常数项看成为一虚变量的系数，该
虚变量的样本观测值始终取1。这样：
Yˆi ˆ0 ˆ1 X1i ˆ2 X 2i ˆki X Ki
i=1,2…n
根据最小二乘原理，参数估计值应该是下列方程组的解


ˆ
0
Q

0

ˆ1
Q

0


ˆ
2

Q

0
ˆ k
Q

0
n
n
其中 Q ei2 (Yi Yˆi )2
X 2i ˆk ˆk X ki ˆk X ki
X ki) ) X 1i ) X 2i

Yi Yi X 1i Yi X 2i


(ˆ0 ˆ1 X 1i ˆ2 X 2i ˆk X ki ) X ki Yi X ki
• 含义：
回归函数（PRF）说明被解释变量Y的平均状 态（总体条件期望）随解释变量X变化的规律。
• 函数形式：
可以是线性或非线性的。
E(Y | X i ) 0 1 X i
为一线性函数。其中，0，1是未知参数，称为
回归系数（regression coefficients）。 。
三、随机扰动项
2、回归分析的基本概念
回归分析(regression analysis)是研究一个变量关于另一个 （些）变量的具体依赖关系的计算方法和理论。
其用意：在于通过后者的已知或设定值，去估计和（或）预 测前者的（总体）均值。
这里：前一个变量被称为被解释变量（Explained Variable） 或应变量（Dependent Variable），后一个（些）变量被称为解 释变量（Explanatory Variable）或自变量（Independent Variable）。
式中，ei 称为（样本）残差（或剩余）项（residual），代表
了其他影响Yi 的随机因素的集合，可看成是i 的估计量ˆi 。
由于方程中引入了随机项，成为计量经济模型，因此 也称为一元样本回归模型（sample regression model）。
▼回归分析的主要目的：根据样本回归函数SRF，估计 总体回归函数PRF。
第二章 回归分析的基本方法
回归分析概述 线性回归模型及假定 线性回归模型的参数估计
§2.1 回归分析概述
一、变量间的关系及回归分析的基本概念 二、一元总体回归函数 三、随机扰动项 四、一元样本回归函数（SRF）
§2.1 回归分析概述
一、变量间的关系及回归分析的基本概念
1、变量间的关系 经济变量之间的关系，大体可分为两类：
由于方程中引入了随机项，成为计量经济学模型， 因此也称为一元总体回归模型。
随机误差项主要包括下列因素的影响：
1）在解释变量中被忽略的因素的影响； 2）变量观测值的观测误差的影响； 3）模型关系的设定误差的影响； 4）其它随机因素的影响。
产生并设计随机误差项的主要原因： 1）理论的含糊性； 2）数据的欠缺； 3）节省原则。
模型中解释变量的数目为（k+1）
Yi 0 1 X 1i 2 X 2i k X ki i
也被称为总体回归函数的随机表达形式。它 的 非随机表达式为:
E(Yi | X1i , X 2i , X ki ) 0 1 X1i 2 X 2i k X ki
（1）确定性关系或函数关系：研究的是 确定现象非随机变量间的关系。
（2）统计依赖或相关关系：研究的是非确 定现象随机变量间的关系。
例如： 函数关系：
圆面积 f ,半径 半径2
统计依赖关系/统计相关关系：
农作物产量 f 气温, 降雨量, 阳光, 施肥量
对变量间统计依赖关系的考察主要是通过相关分析(correlation analysis)或回归分析(regression analysis)来完成的：
• 概念：
在给定解释变量Xi条件下被解释变量Yi的期望 轨迹称为一元总体回归线（population regression line），或更一般地称为一元总体回归曲线 （population regression curve）。
相应的函数：
E(Y | X i ) f (X i )
称为（双变量）一元总体回归函数（population regression function, PRF）。
正相关 线性相关 不相关 相关系数：
统计依赖关系
负相关 1 XY 1
正相关 非线性相关 不相关
负相关
有因果关系 无因果关系
回归分析 相关分析
▲注意：
①不线性相关并不意味着不相关； ②有相关关系并不意味着一定有因果关系； ③回归分析/相关分析研究一个变量对另一个 （些）变量的统计依赖关系，但它们并不意味着一定 有因果关系。 ④相关分析对称地对待任何（两个）变量，两个 变量都被看作是随机的。回归分析对变量的处理方法 存在不对称性，即区分应变量（被解释变量）和自变 量（解释变量）：前者是随机变量，后者不是。
记样本回归线的函数形式为：
Yˆi f ( X i ) ˆ0 ˆ1 X i
称为一元样本回归函数（sample regression function， SRF）。
注意： 这里将样本回归线看成总体回归线的近似替代
则
样本回归函数的随机形式/样本回归模型：
同样地，样本回归函数也有如下的随机形式： Yi Yˆi ˆi ˆ0 ˆ1 X i ei
Yˆi ˆ0 ˆ1 X1i ˆ2 X 2i ˆki X ki
其随机表示式:
Yi ˆ0 ˆ1 X1i ˆ2 X 2i ˆki X ki ei
ei称为残差或剩余项(residuals)，可看成是总
体回归函数中随机扰动项i的近似替代。
样本回归函数的矩阵表达:
i 1
i 1
n
2
(Yi (ˆ0 ˆ1 X 1i ˆ2 X 2i ˆk X ki ))
i 1
于是得到关于待估参数估计值的正规方程组：
((ˆˆ00(ˆ0ˆˆ11XX1ˆ1i1i X1ˆiˆ22i XXˆ222ii
即，根据
Yi Yˆi ei ˆ0 ˆ1 X i ei
估计
Yi E(Y | X i ) i 0 1 X i i
注意：这里PRF可能永 远无法知道。
§2.2 线性回归模型
一、多元线性回归模型 二、多元线性回归模型的基本假定
一、多元线性回归模型
多元线性回归模型:表现在线性回归模型中的 解释变量有多个。
Yˆ Xβˆ
或
Y Xβˆ e
其中：
ˆ0
βˆ

ˆ1

ˆk
e1
e


e2

en
二、多元线性回归模型的基本假定
假设1，解释变量是非随机的或固定的，且各 X之间互不相关（无多重共线性）。
假设2，随机误差项具有零均值、同方差及不 序列相关性

0


2

假设3，E(X’)=0，即
i E(i )

E
X 1i i



X
1i E(i
)


0
X Ki i X Ki E(i )
假设4，向量 服从多维正态分布，即
μ~ N(0, 2I) 同一元回归一样，多元回归还具有如下两个重要假设：
方程表示：各变量X值固定时Y的平均响应。
j也被称为偏回归系数，表示在其他解释变
量保持不变的情况下，Xj每变化1个单位时，Y 的均值E(Y)的变化;
或者说j给出了Xj的单位变化对Y均值的“直
接”或“净”（不含其他变量）影响。
总体回归模型n个随机方程的矩阵表达式为
Y Xβ μ
其中
1 X 11 X 1 X 12
记
i Yi E(Y | X i )
称i为观察值Yi围绕它的期望值E(Y|Xi)的离差
（deviation），是一个不可观测的随机变量，又称 为随机干扰项（stochastic disturbance）或随机误 差项（stochastic error）。
(*)
（*）式称为一元总体回归函数（方程）PRF的随 机设定形式。表明被解释变量除了受解释变量的系统 性影响外，还受其他因素的随机性影响。
回归分析构成计量经济学的方法论基础，其主要内容包括： （1）根据样本观察值对经济计量模型参数进行估计，求得回 归方程；
（2）对回归方程、参数估计值进行显著性检验； （3）利用回归方程进行分析、评价及预测。
二、一元总体回归函数
回归分析关心的是根据解释变量的已知或 给定值，考察被解释变量的总体均值，即当解 释变量取某个确定值时，与之统计相关的被解 释变量所有可能出现的对应值的平均值。
上述假设的矩阵符号表示 式：
假设1，n(k+1)矩阵X是非随机的，且X的秩=k+1，
即X满秩。 假设2，
E (μ)

E
1



E(1
)


0
n E( n )
E (μμ )

E
1

1