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+β2Xi+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。
====================================================================================
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(uiuj)=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 即假定随机扰动项服从期望