笔记:无截距项的一元回归模型
考虑
Yi=β1Xi+μiY_i=\beta_1X_i+\mu_iYi=β1Xi+μi
β1\beta_1β1的两个不同估计值
由样本回归模型得到两个正规方程:
∑(Yi−β~1Xi)=0(1)∑(Yi−β^1Xi)Xi=0(2)\sum(Y_i-\tilde\beta_1 X_i)=0\ \quad(1)\\ \sum(Y_i-\hat \beta_1 X_i)Xi=0\quad (2)∑(Yi−β~1Xi)=0 (1)∑(Yi−β^1Xi)Xi=0(2)
对于(1):
∑Yi=β~1Xiβ~1=Y‾X‾\sum Y_i=\tilde\beta_1 X_i \\ \tilde \beta_1=\frac{\overline Y}{\overline X}∑Yi=β~1Xiβ~1=XY
对于(2):
∑XiYi=β^1∑Xi2β^1=∑XiYi∑Xi2\sum X_i Y_i=\hat \beta_1\sum X_i^2 \\\quad \\\hat \beta_1=\frac{\sum X_iY_i}{\sum X_i^2}∑XiYi=β^1∑Xi2β^1=∑Xi2∑XiYi无偏估计量
上面两个不同估计量都是无偏估计量。证明如下。
E(β~1)=E(Y‾X‾)=E(β1X‾+μ‾X‾)=β1+E(μ‾X‾)=β1+1X‾E(1n∑μi)=β1+1nX‾∑E(μi)=β1E(\tilde \beta_1)=E(\frac{\overline Y}{\overline X})=E(\frac{\beta_1 \overline X +\overline \mu}{\overline X})=\beta_1+E(\frac{\overline \mu}{\overline X})\\\quad \\=\beta_1+\frac{1}{\overline X}E(\frac{1}{n}\sum \mu_i)=\beta_1+\frac{1}{n\overline X}\sum E(\mu_i)=\beta_1E(β~1)=E(XY)=E(Xβ1X+μ)=β1+E(Xμ)=β1+X1E(n1∑μi)=β1+nX1∑E(μi)=β1
E(β^1)=E(∑XiYi∑Xi2)=1∑Xi2∑XiE(β1Xi+μi)=β1+∑XiE(μi)∑Xi2=β1E(\hat \beta_1)=E(\frac{\sum X_iY_i}{\sum X_i^2})=\frac{1}{\sum X_i^2}\sum X_i E(\beta_1X_i+\mu_i)\\\quad \\ =\beta_1+\frac{\sum X_iE(\mu_i) }{\sum X_i^2}=\beta_1E(β^1)=E(∑Xi2∑XiYi)=∑Xi21∑XiE(β1Xi+μi)=β1+∑Xi2∑XiE(μi)=β1经过(X‾,Y‾)(\overline X,\overline Y)(X,Y)吗?
显然拟合线Y~=β~X\tilde Y=\tilde \beta XY~=β~X经过(X‾,Y‾)(\overline X,\overline Y)(X,Y)。
要想拟合线Y^=β^1X\hat Y=\hat \beta_1 XY^=β^1X经过(X‾,Y‾)(\overline X,\overline Y)(X,Y),那么β^1X‾\hat \beta_1 \overline Xβ^1X必须等于Y‾\overline YY,但
β^1X‾=∑XiYi∑Xi2X‾\hat \beta_1 \overline X=\frac{\sum X_iY_i}{\sum X_i^2}\overline Xβ^1X=∑Xi2∑XiYiX
通常不等于Y‾\overline YY。其中只有β^1\hat \beta_1β^1是OLS估计量
OLS就是要残差平方和最小:
MinRSS=∑ei2=∑(Yi−β^1Xi)2\rm {Min} \quad RSS=\sum e_i^2=\sum (Y_i-\hat \beta_1X_i)^2MinRSS=∑ei2=∑(Yi−β^1Xi)2
FOC:
∂RSS∂β^1=2∑(Yi−β^1Xi)(−Xi)=0\frac{\partial RSS}{\partial \hat \beta_1}=2\sum(Y_i-\hat \beta_1X_i)(-X_i)=0∂β^1∂RSS=2∑(Yi−β^1Xi)(−Xi)=0
这与β^1\hat \beta_1β^1的正规方程(2)一致。
笔记:无截距项的一元回归模型相关推荐
- ewiews面板回归模型操作_EViews操作指南:eviews面板数据回归分析
计量经济学实验指导书 实验一 EViews软件的基本操作 [实验目的] 了解EViews软件的基本功能,掌握软件的基本操作. [实验内容] 一.EViews软件的安装: 二.数据的输入与编辑: 三. ...
- 计量经济学-简单的一元线性回归模型之一
一元回归模型 回归分析和相关分析之间的差别 相关分析研究的是变量之间的线性相关性,而回归分析要研究的是解释变量和被解释变量之间的平均关系.相关分析中,变量都是随机变量:而回归分析中,解释变量是确定的, ...
- 怎么用python进行回归预测_使用Python训练回归模型并进行预测
摘要:本篇文章将介绍在python中使用机器学习库sklearn建立简单回归模型的过程. 回归分析是一种常见的统计方法,用于确定不同变量间的相互关系.在Excel中可以通过数据分析菜单中的回归功能快速 ...
- 简单数据预测—使用Python训练回归模型并进行预测(转自蓝鲸网站分析博客)
使用Python训练回归模型并进行预测 回归分析是一种常见的统计方法,用于确定不同变量间的相互关系.在Excel中可以通过数据分析菜单中的回归功能快速完成.本篇文章将介绍在python中使用机器 ...
- Logistics回归模型
二分类资料logistics回归: 因变量为二分类变量的资料(一般为0,1分类),可用非条件logistics回归和条件logistics回归进行分析.非条件logistics回归多用于非配比研究资料 ...
- 一元线性回归模型(保姆级)
提示:本文是基于最小二乘法对数据进行拟合. 目录 一.模型建立的流程 二.模型原理 1.模型 2.参数编辑 和编辑的估计 三.回归方程的显著性检验 1.t检验 2.F检验 3.相关系数的显著检验 ...
- 回归模型中截距项的意义_中级经济师考试 回归模型
回归,回归到哪里?它与相关的差别在哪里?大家先回想一下这个问题! 回归,回归的是事物的本质 . 回归分析就是根据相关关系的具体形态,选择一个合适的 数学模型 ,来 近似的表达变量间的依赖关系 . 回归 ...
- 《计量经济学》学习笔记之一元线性回归模型
注意:本笔记以文字概括为主,公式为辅,问为啥,因为贴图片和打公式对于我来说,太烦啦~所以,就只把每个章节里觉得重要的一些概念记下来. 书籍:<计量经济学(第三版)>–李子奈 导航 下一章: ...
- 数据分析4——挖掘建模(监督学习中的分类、回归模型,无监督学习)
文章目录 挖掘建模 1.机器学习与建模 2.训练集.测试集.验证集 3.监督学习中的分类模型 (1)KNN (2)朴素贝叶斯--适合离散数据 (3)生成模型与判别模型 (4)决策树 安装Graphvi ...
最新文章
- jCryptoJS 、C#互通加密(MD5版)
- CentOS下开启配置端口转发
- 手写自己的MyBatis框架-V2.0 可优化之处
- Java核心技术笔记 异常、断言和日志
- Android应用开发—PendingIntent:如何判断两个PendingIntent对等
- CentOS 7 安装并启动Nginx
- “阿里巴巴小程序繁星计划”:20亿扶持200万小程序开发者和100万商家
- android联系人源码分析,android 联系人源码分析 新字段的添加流程
- Docker禁令生效,开始限制所有被美国列入实体清单的公司和个人使用Docker
- Python学习——K近邻算法
- c语言字符串汇编,C语言调用汇编实现字符串对换
- 区块链供应链金融应用场景解决方案
- linux nvme 驱动 版本,Linux 上的 NVMe
- Android项目开发实战——简单备忘录
- Keli μVision中 STR指令写入内存无效
- iOS经典讲解之Apple Pay开发
- C# Socket通信服务器编写
- 机器学习文本特征提取
- 人体神经元细胞分布图片,神经元人体分布大图
- Rds mysql 内存配置_RDS MySQL内存管理
热门文章
- 解决已经安装了新版本的.net framework,在visual studio的target framework没有显示的问题
- 【前端-React Native】移动端原生开发整合React Native Elements教程-安卓示例
- R语言 疗效分析或数值可视化之瀑布图(柱状图)ggpubr
- live2d PHP,GitHub - hiccphp/live2d-widget: 把萌萌哒的看板娘抱回家 | Live2D widget for web platform...
- 博海拾贝--springcloud的组件及使用(1)
- onShareAppMessage 使用uniapp小程序分享好友,朋友圈功能
- android如何打开apk文件怎么打开方式,apk是什么文件格式?.apk文件怎么打开?
- 51单片机项目之OLED显示多功能门禁系统(密码、刷卡、指纹、WIFI、蓝牙等)(一)硬件设计
- css 梯形的三种实现方法
- 神器推荐!这几款 Windows 软件,非常实用!