首页 理论教育 一元线性回归模型在《统计学原理》中的标准

一元线性回归模型在《统计学原理》中的标准

时间:2023-08-15 理论教育 版权反馈
【摘要】:(一)总体回归模型Yt=β1+β2 Xt+ut上式被称为总体回归模型。满足以上标准假定的一元线性模型,称为标准的一元线性回归模型。描述Y的平均值或期望值如何依赖于X的方程称为回归方程,一元线性回归方程的形式如下:E=β1+β2 Xt方程的图示是一条直线,也称为直线回归方程。总体回归模型中的β1和β2是未知的参数,表现为常数。而样本回归模型中的和是随机变量,其具体数值随所抽取的样本观测值不同而变动。

一元线性回归模型在《统计学原理》中的标准

(一)总体回归模型

Yt12 Xt+ut

上式被称为总体回归模型。式中的β1和β2是未知的参数,又叫回归系数。其中,Yt和Xt分别是Y和X的第t个观测值。ut随机误差项,又称随机干扰项,它是一个特殊的随机变量,反映未列入方程式的其他各种因素对Y的影响。随机扰动项ut包含了丰富的内容,产生的原因主要有以下几个方面:

(1)忽略掉的影响因素造成的误差;

(2)模型关系不准确造成的误差;

(3)变量观测值的计量误差;

(4)随机误差。

(二)误差项的标准假定

假定1:误差项的期望值为0,即对所有的t总有

E(ut)=0

假定2:误差项的方差为常数,即对所有的t总有

Var(ut)=E(u2t)=σ2

假定3:误差项之间不存在序列相关关系,其协方差为零,即当t≠s时有:

Cov(ut,us)=0

假定4:自变量是给定的变量,与误差项线性无关。

假定5:随机误差项服从正态分布

满足以上标准假定的一元线性模型,称为标准的一元线性回归模型。(www.xing528.com)

描述Y的平均值或期望值如何依赖于X的方程称为回归方程(回归函数),一元线性回归方程(回归函数)的形式如下:

E(Yt)=β12 Xt

方程的图示是一条直线,也称为直线回归方程。β1是回归直线在Y轴上的截距,是当X=0时Y的期望值;β2是直线的斜率,称为回归系数,表示当X每变动一个单位时,X的平均变动值。

图6-6 回归方程

(三)样本回归函数

在现实问题研究中,由于所要研究的现象的总体单位数一般是很多的,在许多场合甚至是无限的,因此无法掌握因变量Y总体的全部取值。也就是说,总体回归函数事实上是未知的,需要利用样本的信息对其进行估计。一元线性回归函数的样本回归函数(回归方程)可表示为:

式中的是样本回归线上与xt相对应的y值,可视为E(Yt)的估计;是样本回归函数的截距系数,是样本回归函数的斜率系数,它们是对总体回归系数β1和β2的估计。

实际观测到的因变量yt值,并不完全等于如果用et表示二者之差(et=yt-),则有:

上式称为样本回归模型。式中et称为残差。

样本回归函数与总体回归函数之间的区别。

(1)总体回归线是未知的,它只有一条。而样本回归线则是根据样本数据拟合的,每抽取一组样本,便可以拟合一条样本回归线。

(2)总体回归模型中的β1和β2是未知的参数,表现为常数。而样本回归模型中的是随机变量,其具体数值随所抽取的样本观测值不同而变动。

(3)总体回归模型中的ut是Yt与未知的总体回归线之间的纵向距离,它是不可直接观测的。而样本回归模型中的et是yt与样本回归线之间的纵向距离,当根据样本观测值拟合出样本回归线之后,可以计算出et的具体数值。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈