回归分析的基础知识

拟合的思想是令绝对值的和最小（最小二乘）。

线性回归的思想是令残差和最小。

对于线性的理解 

线性假定并不要求初始模型都呈严格的线性性关系（不一定是这样的形式，才是线性）。

自变量与因变量可通过变量变换而转化成线性模型。（可以把lnx替换为x）

例如以下这些方程都是线性的：

 

内生性与外生性

式子中的所代表的是所有与y相关，但未添加到回归模型中的变量，如果这些变量和我们已添加的自变量相关，则存在内生性。所以必须与y不相关。如果遗漏了变量，则会导致内生性。

 如果存在内生性则会对回归系数影响非常大，也就是说会导致回归系数估计不准确，就必须去寻找更多的自变量。

核心解释变量和控制变量

无内生性（no endogeneity）要求所有解释变量均与扰动项不相关。 这个假定通常太强，因为解释变量一般很多（比如，5‐15个解释变量）， 且需要保证它们全部外生。 是否可能弱化此条件？答案是肯定的，如果你的解释变量可以区分为核心 解释变量与控制变量两类。

核心解释变量：我们最感兴趣的变量，因此我们特别希望得到对其系数的 一致估计（当样本容量无限增大时，收敛于待估计参数的真值 ）。

控制变量：我们可能对于这些变量本身并无太大兴趣；而之所以把它们也 放入回归方程，主要是为了 “控制住” 那些对被解释变量有影响的遗漏因素。

在实际应用中，我们只要保证核心解释变量与𝝁不相关即可。

回归系数的求解运用stata软件。