[R语言]蒙特卡罗模拟检验CLRM假定下最小二乘量的BLUE性质

本文为大家带来的是通过蒙特卡罗模拟（Monte CarloSimulation）检验CLRM假定下，最小二乘估计量的BLUE性质的检验。（Monte Carlo本质上是一种计算机模拟或抽样实验），以下的实验过程来自于古扎拉蒂 计量经济学（第5版），第三章3.8.验证OLS估计是无偏估计。

 

1-3. 给参数beta1，2，样本大小n和所有观测的X值赋值。这里我们取beta1=20，beta2=0.6，样本大小n取25，观测值X以向量形式从1取到n（1：n来表示），即到25。

  b1 <- 20
  b2 <- 0.6
  n <- 25
  X <- c(1:n)

4. 利用rnorm函数生成n个正态分布的随机数，并将他们组成向量其值赋给u。

5. 根据上述公式计算出对应的向量Y。

  u <- rnorm(n)
  Y <- b1+b2*X+u

6. 利用回归函数lsfit（）对X，Y做回归（这里用lm（Y~X）函数做回归也可以），然后用$符号取出coefficients中的回归系数。

7. 用for循环重复实验100次，i作为计数变量，每一次循环得出的结果放入一个叫做lsfit.b的数组里（数组名随便你取啦）的一行，所以最终这个数组就应该有100行，2列，所以我们需要在循环体外面先初始化一个所有元素全为0的100行2列的数组，dim中的向量就是行列数，然后在循环体内把每第i次循环计算出的回归系数放在数组的第i行。

lsfit.b <- array(0, dim = c(100,2))
for(i in 1:100){
  lsfit.b[i,] <- c(lsfit(X,Y)$coefficients)
}

8. 最终我们利用apply函数按列计算出数组lsfit.b中平均数，参数2表示按第二行，mean表示取均值。

9. 输出结果就好啦

lsfit.bmean <- apply(lsfit.b, 2, mean)
lsfit.bmean

以下是具体的全部代码，因为先开始忽视了随机数u需要满足正态分布的条件，并且手抖把赋值写到循环里去啦，不过现在都已经改正啦~结果比对与初值是差不多的，检验正确~

 ~\(≧▽≦)/~ 

  b1 <- 20
  b2 <- 0.6
  n <- 25
  X <- c(1:n)
  u <- rnorm(n)
  Y <- b1+b2*X+u
lsfit.b <- array(0, dim = c(100,2))
for(i in 1:100){
  lsfit.b[i,] <- c(lsfit(X,Y)$coefficients)
}
lsfit.bmean <- apply(lsfit.b, 2, mean)
lsfit.bmean