![eecb6a32fa98b8edad9a3dced314e930.png](https://i-blog.csdnimg.cn/blog_migrate/c8199a6c36c789cc8b87a82fe98b7e27.jpeg)
我们的PhD level高级计量经济学I回归分析部分参考的教材是Hayashi (2001)[1]。课堂上主要介绍了两个部分:OLS回归(finite sample下的OLS、large sample下的OLS),和IV方法。这篇文章将主要分享OLS、GLS、大样本下的OLS性质等相关内容。
最小二乘法
OLS的目标是,为了确定y和x的线性关系,需要找到一个估计量
最小。为了求解该式,我们使用矩阵求导的方法。一阶条件为:
由此可以推出beta的表达式:
1.若要让beta的估计值唯一,我们需要一些假设条件
-
,其中T是观测值数量,k是回归元数量。另外,X'X或X需要满秩k,即没有多重共线性。
一个不满足满秩的例子:![]()
2.OLS估计有如下性质
-
。这其实可以从(2)式里的一阶条件直接得到。
-
。
3.拟合优度
估计拟合优度时,我们一般不使用误差的平方,以避免y的尺度对拟合优度的影响。相反,我们使用如下两种手段:
- uncentered R square
其中
- centered R square
值得注意的是,要让centered R方取值落在[0,1]之间,必须限定回归中含有constant。原因如下:
根据定义,有
但两种R方有一个