叶阿忠-计量经济学(数字教材版)第二章 一元线性回归模型 知识点.docxVIP

第二章 一元线性回归模型 一、知识点列表 序号 知 识 点 页码 教材章节 1 回归分析基本概念 P1 2.1.1 2 回归模型的设定 P1-P2 2.1.2 3 一元线性回归模型中对模型的假设 P3 2.2.1 4 一元线性回归模型中对解释变量的假设 P3 2.2.1 5 一元线性回归模型中对随机干扰项的假设 P3 2.2.1 6 普通最小二乘法 P3-P5 2.3.1 7 最小二乘估计量的统计性质 P5-P6 2.3.2 8 一元线性回归模型中的假设检验 P6 2.4.1 9 一元线性回归模型中的回归系数的显著性检验 P7 2.4.2 10 一元线性回归模型的Stata软件操作 P8-P17 2.5 二、关键词 1、回归分析基本概念 关键词： 回归分析 在计量经济学中，回归分析方法是研究某一变量关于另一（些）变量间数量依赖关系的一种方法，即通过后者观测值或预设值来估计或预测前者的（总体）均值。回归的主要作用是用来描述自变量与因变量之间的数量关系，还能够基于自变量的取值变化对因变量的取值变化进行预测，也能够用来揭示自变量与因变量之间的因果关系 关键词： 解释变量、被解释变量 影响被解释变量的因素或因子记为解释变量，结果变量被称为被解释变量。 2、回归模型的设定 关键词： 随机误差项（随机干扰项） 不包含在模型中的解释变量和其他一些随机因素对被解释变量的总影响称为随机误差项。产生随机误差项的原因主要有：（1）变量选择上的误差；（2）模型设定上的误差；（3）样本数据误差；（4）其他原因造成的误差。 关键词：残差项（residual） 通过样本数据对回归模型中参数估计后，得到样本回归模型。通过样本回归模型计算得到的样本估计值与样本实际值之差，称为残差项。也可以认为残差项是随机误差项的估计值。 3、一元线性回归模型中对随机干扰项的假设 关键词：线性回归模型经典假设 线性回归模型经典假设有5个，分别为：（1）回归模型的正确设立；（2）解释变量是确定性变量，并能够从样本中重复抽样取得；（3）解释变量的抽取随着样本容量的无限增加，其样本方差趋于非零有限常数；（4）给定被解释变量，随机误差项具有零均值，同方差和无序列相关性。（5）随机误差项服从零均值、同方差的正态分布。前四个假设也称为高斯马尔科夫假设。 4、最小二乘估计量的统计性质 关键词：普通最小二乘法（Ordinary Least Squares，OLS） 普通最小二乘法是通过构造合适的样本回归函数，从而使得样本回归线上的点与真实的样本观测值点的“总体误差”最小，即：被解释变量的估计值与实际观测值之差的平方和最小。 关键词：无偏性 由于未知参数的估计量是一个随机变量，对于不同的样本有不同的估计量。这些估计量对于参数的真实取值，一般都会有偏差，要求不出现偏差几乎是不可能的。但是，如果在多次试验中所取得的估计量的平均值与参数的真实值相吻合，称为估计量的无偏性。即满足：。 关键词：有效性 在运用OLS法进行回归系数估计的时候，其系数估计的方差在线性无偏估计类中方差达到最小。 关键词：一致性 回归系数的最小二乘估计依概率收敛到实际参数值 5、一元线性回归模型中的假设检验 关键词：显著性检验 显著性检验是一种利用样本结果来证实一个虚拟假设真伪的检验程序。它的基本思想是先对总体参数提出一个假设，然后利用样本信息来判断这一假设是否成立。它通过数据来确认原假设的合理性，一般总是将期望结果的反面作为原假设，即原假设确定了一个与我们期望不符的参数值。其原理是概率性质的反证法，小概率事件原理，即小概率事件在1次试验中几乎是不可能发生。