注意:这里将样本回归线看成总体回归线的近似 替代 E,=E(1)+ B0+月1X1+1 2为E(I|)的佔计量 B1为B1的估计量,i=(0.1
• 注意：这里将样本回归线看成总体回归线的近似 替代 则
样本回归函数的随机形式/样本回归模型: 同样地,样本回归函数也有如下的随机形式: y2=1+1=B0+BX1+e 式中,e1称为(样本)残差(或剩余)项( residual),代表 了其他影响Y的随机因素的集合,可看成是A1的估计量 由于方程中引入了随机项,成为计量经济模 型,因此也称为样本回归模型( sample regression model)
• 样本回归函数的随机形式/样本回归模型： 同样地，样本回归函数也有如下的随机形式： i i i i i Y = Y + = + X + e 0 1 ˆ ˆ ˆ ˆ 式中， i e 称 为（样本）残差（ 或剩 余）项（residual），代表 了其他影响Yi 的随机因素的集合，可看成是 i 的估计量 i ˆ 。 由于方程中引入了随机项，成为计量经济模 型，因此也称为样本回归模型（sample regression model）
V回归分析的主要目的:根据样本回归函数 SRF,估计总体回归函数PRF 即,根据=+e=6+X+e 估计y=E(Y|X1)+1=B0+Bx1+p =A+A1 E(r Xi=8+&x (Y|x2) 图213总体回归线与样刺回归线的基本关系
▼回归分析的主要目的：根据样本回归函数 SRF，估计总体回归函数PRF。 即，根据 i i i i i Y = Y + e = + X + e 0 1 ˆ ˆ ˆ 估计 Yi = E Y Xi + i = 0 + 1 Xi + i ( | )
这就要求: 设计一“方法”构造 SRF,以使SRF尽可注意:这里PRF可 能永远无法知道 能“接近”PRF,或 者说使(=01)尽可 能接近A(=0)
注意：这里PRF可 能永远无法知道
§22双变量线性回归模型的参数估计 双变量线性回归模型的基本假设 二、参数的普通最小二乘估计(OLS) 三、最小二乘估计量的性质 四、参数估计量的概率分布及随机干 扰项方差的估计
§2.2 双变量线性回归模型的参数估计 一、双变量线性回归模型的基本假设 二、参数的普通最小二乘估计（OLS） 三、最小二乘估计量的性质 四、参数估计量的概率分布及随机干 扰项方差的估计