第4章 一元线性回归

一、线性回归模型

    一元线性回归模型Y_i=\beta_0+\beta_1X_i=u_i

    总体回归函数\beta_0+\beta_1X,截距\beta_0,斜率\beta_1,误差项u_i


二、线性回归模型的系数估计

    普通最小二乘(ordinary least squares,OLS)估计量

    参数估计量\hat{\beta}_1=s_{XY}/s_X,\quad \hat{\beta}_0=\overline{Y}-\hat{\beta}_1\overline{X}

    预测值\hat{Y}_i=\hat{\beta}_0+\hat{\beta}_1+X_i

    参数\hat{u}_i=Y_i-\hat{Y}_i


三、拟合优度

    回归R^2(regression R^2)可由X_i解释的Y_i样本方差的比例

    被解释平方和(explained sum of squares,ESS)ESS=\sum_{i=1}^n(\hat{Y}_i-\overline{Y})^2

    总平方和(total sum of squares,TSS)TSS=\sum_{i=1}^n(Y_i-\overline{Y})^2

    残差平方和(sum of squared residuals)SSR=\sum_{i=1}^n\hat{u}_i^2

    则R^2=ESS/TSS=1-SSR/TSS


    回归标准误(standard error of the regression,SER)回归误差u_i的标准差估计量

    SER=s_{\hat{u}},其中s_{\hat{u}}^2=\frac{1}{n-2}\hat{u}_i^2=\frac{SSR}{n-2}


四、最小二乘假设

    假设1:给定X_iu_i的条件分布均值为0

    假设2:(X_i,Y_i),i=1,2,...,n独立同分布

    假设3:不太可能出现大异常值


    第一个作用体现在数学运算上,如果这些假设成立,则在大样本条件下,OLS估计量的抽样分布为正态分布。大样本正态分布使我们能基于OLS估计量进一步发展假设检验和构造置信区间的方法。

    第二个作用是组织OLS回归出现问题的各种情形。


五、OLS估计量的抽样分布

    \mathbb{E}(\overline{Y})=\mu_Y,\quad\mathbb{E}(\hat{\beta}_0)=\beta_0,\quad\mathbb{E}(\hat{\beta}_1)=\beta_1

    \sigma_{\hat{\beta_1}}^2=\frac{var[(X_i-\mu_X)u_i]}{n[var(X_i)]^2}m,\quad \sigma_{\hat{\beta_0}}^2=\frac{var(H_iu_i)}{n[\mathbb{E}(H_i^2)]},其中H_i=1-\frac{X_i\mu_X}{\mathbb{E}(X_i^2)}

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 218,204评论 6 506
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 93,091评论 3 395
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 164,548评论 0 354
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,657评论 1 293
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,689评论 6 392
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,554评论 1 305
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,302评论 3 418
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,216评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,661评论 1 314
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,851评论 3 336
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,977评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,697评论 5 347
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,306评论 3 330
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,898评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 33,019评论 1 270
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 48,138评论 3 370
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,927评论 2 355