清风数学建模--一元线性回归

一元线性回归模型

$$\begin{gathered} 假设x是自变量，y是因变量，且满足如下线性关系 \\ {y}_i={\beta }_0+{\beta }_1{x}_i+{\mu }_i \\ {\beta }_0和{\beta }_1为回归系数，{\mu }_i为无法观测地且满足一定条件地扰动项 \\ 令预测值\widehat{y_i}=\widehat{{\beta }_0}+\widehat{{\beta }_i}{x}_i \\ 其中\widehat{{\beta }_0},\widehat{{\beta }_1}=\mathrm{argmin}(\sum _{i=1}^n(y_i-\widehat{y_i}{)}^2)=\mathrm{argmin}(\sum _{i=1}^n(y_i-\widehat{{\beta }_0}-\widehat{{\beta }_i}{x}_i{)}^2) \\ \widehat{{\beta }_0},\widehat{{\beta }_1}=\mathrm{argmin}(\sum _{i=1}^n(\widehat{m{u}_i}{)}^2) \\ 我们称\widehat{{\mu }_i}=y_i-\widehat{{\beta }_0}-\widehat{{\beta }_i}xi为残差 \end{gathered}$$

对于线性地理解

$$\begin{gathered} 假设x是自变量，y是因变量，且满足如下线性关系: \\ {y}_i={\beta }_0+{\beta }_1{x}_i+{\mu }_i \end{gathered}$$

$$\begin{gathered} 线性假定并不要求初始模型都呈上述地严格线性关系, \\ 自变量与因变量可以通过变量变换儿转化称线性模型 \end{gathered}$$

回归系数地解释

从图中可以看出，由于多加入了一个变量$x_2$导致$x_1$前面的系数变化很大，而这是由内生性导致的。

内生性

$$\begin{gathered} 假设我们的模型为：Y={\beta }_0+{\beta }_1{x}_1+{\beta }_2{x}_2+\cdots +{\beta }_k{x}_k+\mu \\ \mu 为无法观测满足的且满足一定条件的扰动项 \\ 如果满足误差项 \\ mu和所有的自变量x均不相关，测称该回归模型具有外生性 \\ （如果相关，则存在内生性，内生性会导致回归系数估计不准确，不满足无偏和一致性） \end{gathered}$$

$$回到刚才的例子中:误差项{\mu }_i包含了什么$$

包含了多有与$y$相关，但未添加到回归模型中的变量,而如果这些变量和我们已经添加的自变量相关，则存在内生性

核心解释变量和控制变量

 因为五内生性要求所有的解释变量均与扰动项不相关。而这个假定通常太强了，因为解释变量一般很多，且需要保证它们全部外生。
 而我们可以通过将解释变量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，因此我们特别希望的到对其系数一致估计（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并无太大的兴趣；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u不相关即可