方差问题r
r
③随机误差项ui,uj之间的协方差为0,COV(ui,uj)0序列相关问题r
r
④随机误差项ui和解释变量之间没有关系随机解释变量问题r
r
⑤随机误差项uiN()正态分布,结合前面ui0均值为零σ2r
r
最小二乘法优点:无偏、一致、有效、线性r
拟合优度:回归直线与观测值之间的拟合程度r
r
判定系数:r平方ESSTSS1RSSTSS贝塔1平方乘xxxxx除TSSTSS∑YiY2r
r
判定系数r平方:大于0小于1,越大,拟合度越好。r
r
相关系数r:大于1小于1,表示变量间的线性相关程度,0时变量间无关。r
r
判定系数:有解释的变差ESS和总变差的比值。用于判断回归直线和样本点之间的拟合程度。r
r
残差:RSS,回归直线上的点与样本点间的差。样本观测值Yi与样本回归直线值Yi之间的差,YiYi(YiY)(YYi)r
r
复相关系数:复相关系数表示所有解释变脸与被解释变量Y的线性相关程度。r
r
第三章r
r
方差非齐性:回归模型中的随机误差项的方差不是常数,即varui≠δ2,varuiδi2则称r
r
随机误差项有方差非齐性或异方差。加权最小二乘法估计,样本分段比较法(戈匡特),残差回归检验法:怀特、戈里瑟检测。1参数估计无偏,2非有效参数估计量的Var有偏,导致参数的假设检验也非有效。r
r
加权最小二乘法的方法:即用随机误差项的方差的根标准差,除以方程各项,消除异方差。r
r
样本分段比较方法:将样本排序,分段,分别估计,分别计算RSS,用F法检验是否异方差。r
r
序列相关:线性回归模型中各个随机误差项之间存在关系,之间的协方差不为0,即有Covuiuj≠0i≠j称为序列相关或自相关。一阶差分法、广义差分法法估计,0DW法检测4。回归系数估计无偏,估计量方差不定,假设检验失效。r
r
多重共线性:解释变量x的样本观测值间存在线性相关或近似的线性关系。岭回归估计法、主成分回归法估计,简单相关系数法、方差因子膨胀法、判定系数法、矩阵条件数检测法。完全失效。r
r
多重共线性的后果:①各X对Y的影响难精确鉴别r
r
②系数估计量的方差会很大,将导致显著性u,t检验失效r
r
③模型对增删不显著解释变量非常敏感。r
r
多重共线性的处理:①追加样本信息r
r
②使用非样本先验信息r
r
③进行变量形式的转换r
r
④使用有偏估计r
r
随机解释变量模型:Xi与随机误差项ui的有关希r
r
Xi、ui相互独立,无偏,r
r
Xi、ui不独立且相关,有偏不一致,r
r
Xi、ui不独立不相关,有偏一致。r
r
误差变量模型:由于r