一元线性回归决定系数_2.1 一元线性回归

在复习了概率论和统计学的相关概念后，按照《计量统计学》内容的章节安排，开始自学第二篇“回归分析基础”的一元线性回归。

一元线性回归这一章的概念并不多，基本上是围绕一元线性回归模型这一方程展开的，并对系数的估计、回归的方法（最小二乘）、回归方法也就是最小二乘的假设以及最小二乘一元线性回归的拟合优度R^2的介绍（1个中心+4个方面）。

一元线性回归模型的系数有什么含义？其中

的含义最有意思，可以解释为“X变化一个单位所引起的Y的变化”。这么有意思的系数是怎么求出来的呢？最小二乘。为什么要选择最小二乘这种方法来回归呢？因为一是大家都用（相当于一种共识的语言，大家彼此都知道是基于什么来进行讨论），二是无偏、一致（可以较好的反映现实）。最小二乘要发挥出其对现实较好的反映程度或者说是对总体较好的估计程度，就不得不有一些前提假设来保证（详见图）。

就我个人的理解，回归是一种思想。我们使用计量方法所要解决的科学问题，就是在总体未知的前提下，通过随机方法获取样本，并根据样本数据来估计总体特征。其中，所使用的方法，就是回归思想的工具载体。建立了一元线性回归的思想，我们使用一些基本的数据来解决一些简单的问题。当问题更加复杂时，或者说一元线性回归无法较好的解决问题时，多元线性回归就出场了——相比于一元回归，多元回归能更好的消除遗漏变量导致的偏差。当变量间的关系未必是线性时，非线性模型就有了更大的用武之地。

根据数据的不同类型，在一元或多元回归的基础上，可以是分析面板数据时可能会用到的固定效应模型，可以是分析二因值变量时用到的logit，可以是分析时间序列数据时用到的VAR模型；当然，也可以根据变量间的关系不同，比如双向因果关系时，可能会用到工具变量等。也就是说，在掌握了一元、多元线性与非线性的回归基础后，升阶的方法是根据更加具体的研究问题（如解决问题所用的数据类型或变量间的不同关系）所决定的。当然，因为随着研究的推进，遇到的问题会更加琐碎，为了更好的解决问题，可能方法在选定后还会有进一步优化或调整的需要。比如分析时间序列数据可以用到AR模型，但是涉及多个变量时可以用VAR模型；当数据类型是面板数据（包含时间序列信息）时甚至有PVAR模型。如果你选择了PVAR模型来解决你的问题，一定是你先发现了问题，然后在解决问题的过程中根据需要一步一步地找到了PVAR模型；决不是你从一篇文章中看到了很炫的PVAR模型，然后为了运用这个模型而仓促的找了一个需要被解决的问题。

当你理清了计量方法在整个研究中的位置，整个自学过程其实就是种下了一颗种子，然后慢慢地长出来一棵技能树。这棵技能树上，主干的部分当然要点亮（概率、统计与回归基础），有些枝桠要点亮（几个常用的方法），但并不是所有的枝桠都需要点亮——你完全可以在需要的时候再去点它（不是那么常用的方法），前提是你已经在心中有了这么一棵树。

下一章自学将迎来关于一元线性回归的假设检验与置信区间。重在点滴积累。