二、简单线性回归模型（计量经济学学习笔记），头条算法面试题库

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新Python全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Python知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024c （备注Python）

正文

实际观测的被解释变量值 Y i Y_i Yi​不完全等于样本条件均值 Y i ^ \hat{Y_i} Yi​^​，二者之差可以用 e i e_i ei​表示。

则： Y i − Y i ^ = e i Y_i -\hat{Y_i}=e_i Yi​−Yi​^​=ei​ 或 Y i = β 1 ^ + β 2 ^ X i + e i Y_i=\hat{β_1}+\hat{β_2}X_i+e_i Yi​=β1​^​+β2​​Xi​+ei​

需要明确：样本回归函数与总体回归函数有所区别。总体回归函数虽然未知，但是是确定的：样本回归线随抽样波动而变化，可以有多条。总体回归函数的参数 β 1 和 β 2 β_1和β_2 β1​和β2​是确定的常数，样本回归函数的参数 β 1 ^ 和 β 2 ^ \hat{β_1}和\hat{β_2} β1​^​和β2​​是随机变量。SRF与PRF总是会存在差异。

---

②简单线性回归模型的参数估计

====================================================================================

---

2.1简单线性回归的基本假定：

---

五个基本假定：

• 1.零均值假定 给定解释变量 X i X_i Xi​，随机扰动项 u i u_i ui​的条件均值始终为零。

E ( u i ∣ X i ) = 0 E(u_i|X_i)=0 E(ui​∣Xi​)=0

• 2.同方差假定 对于每个给定的 X i X_i Xi​，随机扰动项 u i u_i ui​的条件期方差都等于一个常数 σ 2 σ^2 σ2

V a r ( u i ∣ X i ) = E [ u i − E ( u i ∣ X i ) ] 2 = E ( u i 2 ) = σ 2 Var(u_i|X_i)=E[u_i-E(u_i|X_i)]^2=E(u_i2)=σ^2 Var(ui​∣Xi​)=E[ui​−E(ui​∣Xi​)]2=E(ui2​)=σ2

• 3.无自相关假定 随机扰动项 u i u_i ui​的逐次值互不相关，或者说对于所有的i和j(i≠j)， u i 和 u j 的 协 方 差 为 零 。 u_i和u_j的协方差为零。 ui​和uj​的协方差为零。

C o v ( u i , u j ) = E [ u i − E ( u i ) ] [ u j − E ( u j ) ] = E ( u i u j ) = 0 Cov(u_i,u_j)=E[u_i-E(u_i)][u_j-E(u_j)]=E(u_iu_j)=0 Cov(ui​,uj​)=E[ui​−E(ui​)][uj​−E(uj​)]=E(ui​uj​)=0

• 4.随机扰动项 u i u_i ui​与解释变量 X i X_i Xi​不相关，可表示

为           C o v ( u i , X i ) = E [ u i − E ( u i ) ] [ X i − E ( X i ) ] = 0 Cov(u_i,X_i)=E[u_i-E(u_i)][X_i-E(X_i)]=0 Cov(ui​,Xi​)=E[ui​−E(ui​)][Xi​−E(Xi​)]=0

• 5.正态性假定 即假定随机扰动项