計量經(jīng)濟(jì)學(xué)講義第一講(共十講) (一)

第一講普通最小二乘法的代數(shù)

一、問題

假定y與x具有近似的線性關(guān)系：丁=4+四％+￡,

其中￡是隨機(jī)誤差項。我們對用、用這兩個參數(shù)的值一

無所知。我們的任務(wù)是利用樣本數(shù)據(jù)去猜測河、舟的

取值?，F(xiàn)在，我們手中就有一個樣本容量為N的樣本,

其觀測值是：（X,%）,（%，%2），…，（VN，％N）。問題是，如

何利用該樣本來猜測小、力的取值？

為了回答上述問題，我們可以首先畫出這些觀察

值的散點(diǎn)圖（橫軸x,縱軸y）。既然y與x具有近似

的線性關(guān)系，那么我們就在圖中擬合一條直線：

￡=尺+頂工。該直線是對y與x的真實關(guān)系的近似，

而反,區(qū)分別是對用,4的猜測（估計）。問題是，如何

確定瓦與笈，以使我們的猜測看起來是合理的呢？

筆記：

1,為什么要假定y與x的關(guān)系是丁=&+/%+￡呢？一種合

理的解釋是，某一經(jīng)濟(jì)學(xué)理論認(rèn)為x與y具有線性的因果關(guān)系。

該理論在討論x與y的關(guān)系時認(rèn)為影響y的其他因素是不重要

的，這些因素對y的影響即為模型中的誤差項。

2、y=4+四％+￡被稱為總體回歸模型。由該模型有：

E（y\%）=4+（3\X+E（目x）。既然￡代表其他不重要因素對y

的影響，因此標(biāo)準(zhǔn)假定是：E（^|x）=Oo故進(jìn)而有：

E（y|x）=/?（）+4%,這被稱為總體回歸方程（函數(shù)），而

八.

9=4）+/?|X相應(yīng)地被稱為樣本回歸方程。由樣本回歸方程確定

的9與y是有差異的，丁一$被稱為殘差￡。進(jìn)而有：

人人

y=4）+4x+￡,這被稱為樣本回歸模型。

二、兩種思考方法

法一：

（如為，…，4）'與（%，％，…，N）'是N維空間的兩

點(diǎn)，A與樂的選擇應(yīng)該是這兩點(diǎn)的距離最短。這可以

歸結(jié)為求解一個數(shù)學(xué)問題：

NN

2

一X-）="譏Z（K一方。一BN

A）＞P\??=]i=i

由于y-白.是殘差我的定義，因此上述獲得瓦與6的方

法即是A與6的值應(yīng)該使殘差平方和最小。

法二：

給定王，看起來X與力越近越好（最近距離是0）。

然而，當(dāng)你選擇擬合直線使得y與無是相當(dāng)近的時候,

匕與少的距離也許變遠(yuǎn)了，因此存在一個權(quán)衡。一種

簡單的權(quán)衡方式是，給定擬合直線的選擇

應(yīng)該使,與%、%與%、…、W與片的距離的平均值

是最小的。距離是一個絕對值，數(shù)學(xué)處理較為麻煩，

因此，我們把第二種思考方法轉(zhuǎn)化求解數(shù)學(xué)問題:

NN

Ly/N=一A-/N

PQ>P\/=|A）/j=]

由于N為常數(shù)，因此法一與法二對于求解A與分的值

是無差異的。

三、求解

N

定義。=￡（/-6）-/心）2,利用一階條件,有:

/=1

SQ=￡2（K—A—￡%）（—1）=0

=>Z（y-A-/內(nèi)）=。（1）

IX=。

由（1）也有：

歹=氐+而

[N'N

在這里歹丁N、元=后卒

筆記：

人A

這表明：1、樣本回歸函數(shù)5=/?（）+/?]不過點(diǎn)（亂歹），即穿過

數(shù)據(jù)集的中心位置；2、$=歹（你能證明嗎？），這意味著，盡

人人A人

管Bo、0、的取值不能保證切=yi9但0o、P\的取值能夠保證y

的平均值與y的平均值相等；3、雖然不能保證每一個殘差都為0,

AA

但我們可以保證殘差的平均值為0。從友覺上看，0（）、/作為對

00、4的一個良好的猜測，它們應(yīng)該滿足這樣的性質(zhì)。

簿=￡2(-J(f)=O

=6)—6%)七二。⑵

z3=。

筆記：

對于簡單線性回歸模型：y=0（）+0\X+2,在0LS法下，

由正規(guī)方程（1）可知，殘差之和為零【注意：只有擬合直線帶

有截距時才存在正規(guī)方程（1）Jo由正規(guī)方程（2）,并結(jié)合正規(guī)

方程（1）有：

「__見練習(xí)⑴提示一-

￡g七=0nZ（&—￡）%=Z（&—2）（七—無）=0

=>Cov（e,x）=0

無論用何種估計方法，我們都希望殘差所包含的信息價值很小，

如果殘差還含有大量的信息價值，那么該估計方法是需要改進(jìn)

的！對模型y=&+%x+6?利用OLS,我們能保證（1）：殘差

均值為零；（2）殘差與解釋變量x不相關(guān)【一個變量與另一個變

量相關(guān)是一個重要的信息Jo

方程（1）與（2）被稱為正規(guī)方程，把A=y-成了帶

入（2）,有：

-一一6（七一君士=。

1

2（%-元）%

上述獲得瓦、4的方法就是普通最小二乘法（OLS）。

練習(xí)：

（1）驗證：

A=Z（y一歹加=Z（Y一＞）（七一君=￡（乙一無）避

1

Z（N—君玉2（七一元）2Z（為一元）2

二￡七必一改?歹

一?際

_N

提示：定義Z.的商差為z.=Z.—Z,則離差之和yz.=0必為

IIITI

1=1

繆。利用這個簡單的代數(shù)性質(zhì)，不難得到：

Z（x一歹）（了,?一箱=Z（必一力七

X（,一歹）（七一三）=Xy,（七一工）

筆記：

定義y與x的樣本協(xié)方差、x的樣本方差分別為：

Cov（x,y）=—MX%—9）/N

Var（x）=^xi-xf/N'

ACov(x.y)

則片二--------------o

V7zr(x)

上述定義的樣本協(xié)方差及其樣本方差分別是對總體協(xié)方差S及

xy

其總體方差3；的有偏估計。相應(yīng)的無偏估計是：

5孫二Z(七一幻(》—y)/(N—1)

d=Z(—>/(NT)

基于前述對VZzr(x)與。。y(x,y)的定義，可以驗證：

Var(a+bx)=b2Var(x)

Cov{a+bx,y)=bCov{x,y)

其中a,b是常數(shù)。值得指出的是，在本講義中，在沒有引起混

淆的情況下，我們有時也用Var(x)、G?u(x,y)來表示總體方

差與協(xié)方差，不過上述公式同樣成立。

(2)假定)+用OLS法擬合一個過原點(diǎn)的克

線：g=8X,求證在OLS法下有：

并驗證：2?;+泊

筆記：

1、現(xiàn)在只有一個正規(guī)方程，該正規(guī)方程同樣表明

￡?內(nèi)=0。然而，由于模型無截距，因此在OLS法下我們不

能保證=0恒成立。所以，盡管.玉二。成立，但現(xiàn)在

該式并不急味著Gou(￡,x)=0成立。

2、無截距回歸公式的一個應(yīng)用：

?=4+4%+弓

U=(y—力=4(七一君+(《一習(xí)

定義耳二y一y、Dj=X,一元、3=￡[百，則與=BPi多o

按照0LS無截距回歸公式，有：

.二二Z(y一歹)(七一制

￡D廠2(工廠“

(3)假定y=〃+￡,用OLS法擬合一水平直線，即：

§=B,求證/二9。

筆記：

證明上式有兩種思路，一種思路是求解一個最優(yōu)化問題，我

們所獲得的一個正規(guī)方程同樣是工其二。;另外一種思路是，

模型y=尸+￡是模型y=/x+C的特例，利用2g七二0的

結(jié)論，注意到此時看二1,因此同樣有=。。

(4)對模型y=A+/]X+e進(jìn)OLS估計，證明殘差與

勺樣本不相關(guān)，即Cou(￡J)=0。

四、擬合程度的判斷

(一)方差分解及其R2的定義

可以證明，Var(y)=Var(y)+Var(^)。

證明：

y=夕+￡=>Var(y)=Var(y)+Var⑹+2Cov(y,￡)

Cov(y9c)=Cov(Bo+B\X￡)=6coycx,￡)=0

Wzr(y)=Var{y}+Var(s)

方差表示一個變量波動的信息。方差分解亦是信息分

解。建立樣本回歸函數(shù)?=A+￡x時，從直覺上看，

我們當(dāng)然希望關(guān)于9的波動信息能夠最大程度地體現(xiàn)

關(guān)于y的波動信息。因此，我們定義判定系數(shù)

R2=?3顯然，owNw］。如果R2大，貝勃的波

Var(y)

動信息就越能夠被9的波動信息所體現(xiàn)。R2也被稱為

擬合優(yōu)度。當(dāng)R2=l時，V"(￡)=0,而殘差均值又為

零，因此著各殘差必都為零，故樣本回歸直線與樣本

數(shù)據(jù)完全擬合。

(二)總平方和、解釋平方和與殘差平方和

定義：

7ss=X(%—歹了

ESS=2@-})2=￡@-?

RSS=￡仁［名)2=工號

其中TSS、ESS、RSS分別被稱為總平方和、解釋平

方和與殘差平方和。根據(jù)方差分解，必有：

TSS=ESS+RSS。因止匕，R2=ESS/TSS=1-RSS/TSS

(三)關(guān)于R2的基本結(jié)論

1、R2也是y與9的樣本相關(guān)系數(shù)r的平方。

證明：

y=9+￡=>Cov(y,y)=Var(y)+Cov(e,y)=Var(y)

=/=C/F(y5)=9)二R2

Var(y)Var(y)Var(y)

2、對于簡單線性回歸模型：y=4)+4x+e,R2是y

與X的樣本相關(guān)系數(shù)的平方。

證明：

R2=C—2(y,y)=Cov2(y，Bo+8iX)=片Co",%)

Var(y)Var(y)Var(y)Var(灰+Bg^2VfZ7<y)l4zr(x)

二[C嗎yj『二r2

]Var(y)y/Var(x)

練習(xí)：

(1)對于模型：y=B+e,證明在OLS法下R2=0。

(2)對于模型：y=/?()+/?d+￡,證明在OLS法

Var(x)

R2=A2

Var(y)

警告！

軟件包通常是利用公式R2=1—RSS/TSS,其中

RSS=Z得來計算R2。應(yīng)該注意到，我們在得到結(jié)論

Z（y一少了=—少了+時利用了■=o的性

質(zhì)，而該性質(zhì)只有在擬合直線帶有截距時才成立，因

此，如果擬合直線無截距，則上述結(jié)論并不一定成立,

因此，此時我們不能保證R2為一非負(fù)值?？偠灾?/p>

在利用R2時，我們的模型一定要帶有截距。當(dāng)然，還

有一個大前提，即我們所采用的估計方法是OLS。

五、自由度與調(diào)整的R2

如果在模型中增加解釋變量，那么總的平方和不

變，但殘差平方和至少不會增加，一般是減少的。為

什么呢？舉一個例子。假如我們用OLS法得到的模型

估計結(jié)果是：R=A++此時，OLS法估

計等價于求解最小化問題：

N人人人

四河Z（丫一A一瓦。一Aw,只

%用，"2i=l

令最后所獲得的目標(biāo)函數(shù)值（也就是殘差平方和）

為RSS1。現(xiàn)在考慮對該優(yōu)化問題施加約束：A=0并

求解，則得到目標(biāo)函數(shù)值RSS2。

比較上述兩種情況，相對于RSS1,RSS2是局部

最小。因此，RSS1小于或等于RSS2。應(yīng)該注意到，

原優(yōu)化問題施加約束后對應(yīng)于模型估計結(jié)果：

%=園+編

因此，如果單純依據(jù)R2標(biāo)準(zhǔn)，我們應(yīng)該增加解釋

變量以使模型擬合得更好。增加解釋變量將增加待估

計的參數(shù)，在樣本容量有限的情況下，這并不一定是

明智之舉。這涉及到自由度問題。

什么叫自由度？假設(shè)變量x可以自由地取N個值

(為,％,…,/)，那么x的自由度就是N。然而，如果施

加一個約束，。為常數(shù)，那么x的自由度就

減少了，新的自由度就是N-1。

考慮在樣本回歸直線少=A+向4+A%z下殘差

￡的自由度問題。對殘差有多少約束？根據(jù)正規(guī)方程

(1)(2),有：Z我=°；?"=°，因此存在兩個約

束。故殘差的自由度是N-2。如果當(dāng)樣本回歸函數(shù)是:

￡=凡+用光+Az，則殘差的自由度為N-3。顯然，待

估計的參數(shù)越多，則殘差的自由度越小。

自由度過少會帶來什么問題？簡單來說，自由度

過少會使估計精度很低。例如，我們從總體中隨機(jī)抽

取%1，%2,…,赤來計算亍以作總體均值的估計，現(xiàn)在X的

自由度是N,顯然N越大則以亍作為總體均值的估計

越精確。

根據(jù)正規(guī)方程，我們是通過殘差來獲得對參數(shù)的

估計，因此，殘差自由度過少意味著我們對參數(shù)的估

計也是不精確的。

筆記：

舉一個極端的例子，對葡單線性回歸模型，假定我們只有兩

次觀測(X，%)、()，2，%2)。顯然，我們可以保證R'n,即完全擬

合。但我們得到的這個擬合直線很可能與y與x的真實關(guān)系相去

甚遠(yuǎn)，畢竟我們只有兩次觀測。事實上，此時殘差的自由度為0!

我們經(jīng)常需要對估計方法進(jìn)行自由度調(diào)整。例如,

當(dāng)利用公式V"(x)=Z(%L君2/N來估計總體方差

時，我們實際上是對變量(％-亍)2求樣本均值。然而應(yīng)

該注意到，約束條件君=。恒成立，這意味著

變量(X-君2的自由度是NJ而不是N?，F(xiàn)在對估計方

法進(jìn)行自由度調(diào)整，利用年=￡[(%-君2作為對

總體方差的估計。上述兩種估計具有什么不同的后果

呢？可以證明，V”(x)是有偏估計而是無偏估計。

筆記：

什么叫有偏估計？如果我們無限次重復(fù)抽串樣本容量為N的

樣本，針對每一個樣本都可以依據(jù)公式

V?r“6一幺).計算總體方差的一個估計值。然后，

對這些方差的估計值計算平均值，如果該平均值不等于總體方

差，那么我們就稱VZz?x)是對總體方差的一個有偏估計。抽象

一點(diǎn)，即E\Var(xy\w5；。

R2忽視了自由度調(diào)整，這由下面的推導(dǎo)可以看出:

可_]Z"_1rZJ_1Varg)

2(i)2lS(y_-)2”

在這里，Vw(￡)與V"(y)都是對相應(yīng)總體方差的有偏

估計。現(xiàn)在我們對自由度作調(diào)整，重新定義一個指標(biāo),

即所謂的調(diào)整的R2(4)：

TRSSMN-2)

方=1「

"-TSS/(N—\)

N—1

應(yīng)該注意到，如果是針對多元線性回歸模型，待估

計的斜率參數(shù)有k個，另外還有1個截距(即總的待

估計系數(shù)參數(shù)的個數(shù)為k+1個)，那么上述公式就是:

產(chǎn)VW,且可能為負(fù)數(shù)。

思考題：

如果用增加解釋變量的方法來提高R2,這一定會

提高R2嗎？

筆記：

/\/\/X

假設(shè)甲同學(xué)的回歸結(jié)果是y=&+才X]+/72々+￡，而乙同

八/X

學(xué)的回歸結(jié)果是y=片+萬優(yōu)+￡'。甲同學(xué)足夠幸運(yùn)，他獲得

的R-確實比乙同學(xué)所獲得的高，但這是否就意味著，依據(jù)已有

的樣本，甲同學(xué)所選取的模型就一定優(yōu)于乙同學(xué)所選取的呢？答

案是“不一定！乙對模型的選取不能僅僅依靠A2這個指標(biāo)，其

他的因素應(yīng)該被考慮，例如，模型是否符合經(jīng)濟(jì)學(xué)理論，估計參

數(shù)是否有符合預(yù)期的符號，這些因素在模型選擇時都十分重要。

另外一點(diǎn)也特別要引起重視，即被解釋變量不同的模型（例如一

個模型的被解釋變量是logy,而另一個模型其被解釋變量是y）

其R2（或者A2）是不可比的。總而言之，初學(xué)者要堅決抵制僅

僅依靠R2來進(jìn)行模型選擇的誘惑！

六、簡單線性回歸模型的拓展：多元線性回

歸模型

考慮f=A+G玉+A%2，各系數(shù)的估計按照OLS

是求解數(shù)學(xué)問題：

NN

M詛—Ry="譏2（丫一A—6%—Az）?

A），川.夕12j=]夕0血.夕2,=]

因此，存在三個正規(guī)方程：

Z（）；-及、-B\X「蕊）=Z/=o

<工（y]樂-A%-隈2]）與=￡沐i=o

￡（y—氐一說：—Az",=二°

第一個方程意味著殘差之和為零，也意味著手二歹及其

八/\A

9二片+/西+雙可

筆記：

第一個正規(guī)方程Zg=0可以被改寫為

X&%=O,%=1.

第二個方程結(jié)合第一個正規(guī)方程意味著殘差與XI樣本

不相關(guān)；

第三個方程結(jié)合第一個正規(guī)方程意味著殘差與X2樣本

不相關(guān)。

根據(jù)上述三個方程，可以獲得瓦、A，在此

不給出具體公式。

筆記：

對于估計結(jié)果$=/?（）+四X]+月2%，是不是打的數(shù)值大于

八

々就一定意味著在解釋變量y時/比西更加重要呢？答案是

“不一定！”。這是因為，通過對馬與否取不同的測量單位，那

么々與不前面的估計系數(shù)值將發(fā)生改變。有一種辦法可以使估

計系數(shù)不隨解釋變量的測度單位變化而變化，其基本原理如下：

人人人、

X=/）+/%,+尸2弓+我]

歹二尺+函+月虧j

/XA

=>%一—=4ai—％）+?2（/i—豆）+&

n上￡土二五+區(qū)里）上務(wù)+工g

外S），與'''%

在這里S表示變量的樣本標(biāo)準(zhǔn)差。定義：

_￥-y_甌?-%7_"元2L7"

一，,―2一

人S人S

…戶4=昆上

LSy

/X/\*

則有：z=b,z+bz+￡o

yv>1xri\92xrn;1

在新模型中，解釋變量是原變量的標(biāo)準(zhǔn)化，它是無量綱的。

A

保持其他因素不變，當(dāng)Az=1時，Az=6。注意到

勺ry,1

Az=A（―——）,當(dāng)樣本容量很大時用與s分別和總體均值

x1A

licl

*

以.及其總體標(biāo)準(zhǔn)差夕近似，因此、,類似，

A|A|AzA|jxM1iJ§A|…

A

Az?Av.1.1/5oAz=1急味著Ax】；之s、.，因此對"的一個

yv\i'>ViArhlzAI1

翻譯是，保持其他因素不變，當(dāng)X1變化一個標(biāo)準(zhǔn)差時，y約將變

/XA

化。1個標(biāo)準(zhǔn)差。類似可以對。2進(jìn)行翻譯。

A

/?被稱為標(biāo)準(zhǔn)化系數(shù)或者，系數(shù)。在實踐中，我們可以先利

用標(biāo)準(zhǔn)化變量進(jìn)行無截距回歸得到標(biāo)準(zhǔn)化系數(shù)，然后反推出非標(biāo)

準(zhǔn)化變量回歸模型中的各個斜率系數(shù)的估計值。

七、OLS的矩陣代數(shù)

（一）矩陣表示

總體多元回歸模型是：

%=+0TAi+。2*2盧…+0/匕+￡戶'=>,?,，N

如果用矩陣來描述，首先定義下列向量與矩陣:

Y=Xp+U

（二）如何得到OLS估計量?

求解一個最小化問題：Min（｝^Xj3y（Y-X^,有:

B

a（yx/y（yx￡）］_譏（y-Ax，）（yx￡）］

/X人

明印

_e（yy-yx/-"XY+"XX/）_0

而根據(jù)矩陣微分的知識（見下面的筆記），有:

乳啰=0

鄧

d（伊XY）r氏

八=xYB'x,6)=xxBzB'xx)，=zxxB

邳d(3

故，XY=XXB，則￡=(XX)T(XV)

筆記：

1、d(arb)/db=d(tfa)/db=ad(t/Ab)/db=2Ab。在這里,

a?是向量，是對稱矩陣，。名與b'A〃都是標(biāo)量。重