上一篇《小样本OLS回归的框架》讲解了小样本OLS回归的主要框架,本文沿着该框架,对小样本OLS回归做一个全面的梳理。
1 假设
这里先将所有的小样本OLS回归中可能用到的假设放到一起,方便浏览。当然,后面的每一个结论并不是要用到所有的假设,而是只用到某几个假设,这在后面讲每个结论时会具体说明。
- 假设1 线性性:(y_i=x_i'beta+varepsilon_i),其中(beta)是未知参数向量,将所有(N)个样本放到一起,可以写成(y=Xbeta+varepsilon),其中(X)是(Ntimes K)矩阵;
- 假设2 严格外生性:(mathbb{E}(varepsilon|X)=0);
- 假设3 非奇异性:(X'X)是非奇异的;
- 假设4 球形扰动项:(mathbb{E}(varepsilon|X)=sigma^2I_n);
- 假设5 条件正态扰动项 (varepsilon|Xsim mathcal{N}(0,sigma^2I_n));
- 假设6 无近似多重共线性:当(nto infty)时,(X'X)的最小特征值(lambda_text{min}(X'X)toinfty)的概率为1。
其中,假设3等价于(text{rank}(X)=K)。假设6只在个别资料中会出现,它排除了近似多重共线性的可能。另外,假设4说明了扰动项没有自相关性并且是同方差的,假设5包含了假设4,假设5只在需要推导(hatbeta)的抽样分布及其相关问题时需要用到。
2 (beta)的点估计及其性质
2.1 (beta)的点估计
通过求解(hat{beta}=argmin text{SSR}(beta)),在假设3成立时很容易得到(hatbeta=(X'X)^{-1}Xy),这就是点估计。
我们将线性回归的残差记为(e=y-Xhatbeta)。
在后续的推导中,主要用到的是点估计(hatbeta)与真实(beta)的差,利用假设1,有(hatbeta-beta=(X'X)^{-1}X'varepsilon)。
2.2 (hatbeta)的性质
首先,(hatbeta)的条件期望就等于(beta),即它是条件无偏的,利用假设4,可以得到(mathbb{E}(hatbeta-beta|X)=0)。当然,在无条件下它也是无偏的。
它的条件方差很好计算,由定义和假设4,(text{Var}(hatbeta|X)=sigma^2(X'X)^{-1})。若假设6也成立,则对于任何(Ktimes 1)且满足(tau'tau=1)的向量(tau),有当(nto infty)时,(tau'text{Var}(hatbeta|X)tauto 0)。这意味着,只要不存在近似多重共线性,那么只要数据足够多,(hatbeta)的方差就会趋近于0,反之,若出现了近似多重共线性,方差就很难靠收集数据来补救。
可以证明,在所有的线性无偏估计量中,(hatbeta)具有最小的方差,这就是Gauss-Markov定理。它表明,对于任意一个其他的线性无偏估计量(hat b),(text{Var}(hat b|X)-text{Var}(hatbeta|X))必为半正定矩阵。
对于未知的参数(sigma^2),可以用残差的方差估计量(s^2=e'e/(N-K))来估计它。这也是一个无偏估计量,即(mathbb{E}(s^2|X)=sigma^2)。
3 (hatbeta)的抽样分布及假设检验
3.1 (hatbeta)的抽样分布
由于是小样本,因此对于扰动项分布的假设至关重要。光靠假设4是不够的,必须要用更强的假设5。
有了假设5,可以得出(hatbeta)也服从条件正态分布:
对于任意(Jtimes K)的非随机矩阵(R),有
3.2 拟合优度
线性回归模型对数据的拟合情况怎样?可以用拟合优度来表达。下式为非中心化(R^2)的表达式:
下式是中心化(R^2),又叫决定系数(Coefficient of Determination):
其实,(R^2)就是(y)和(hat y)之间的相关系数平方:(R^2=hatrho^2_{yhat y})。
3.3 一些辅助结论和定理
定理1 正态随机变量的二次型 (m)维随机向量(vsimmathcal{N}(0,I_m)),(Q)是(mtimes m)的非随机对称幂等矩阵,(text{rank}(Q)=qle m),则(v'Qvsimchi^2_q)。
定理2 (q)维随机向量(Zsimmathcal{N}(0,V)),其中(V=text{Var}(v))是(qtimes q)的对称、非奇异的协方差矩阵,则(Z'V^{-1}Zsimchi^2_q)。
由定理1,可以得到(dfrac{(N-K)s^2}{sigma^2}simchi^2_{N-K})。
另外,(text{Cov}(hatbeta, e|X)=0),并且(e)和(hatbeta)服从联合正态分布,这是因为
而由假设5,(varepsilon)服从条件正态分布,因此上式是(varepsilon)的线性组合,也服从以(X)为条件的联合正态分布。而对于联合正态分布来说,不相关性等价于独立性,因此,(e)和(hatbeta)是独立的。
3.4 假设检验
3.4.1 (F)检验
我们可以对如(Rbeta=r)这样的零假设进行假设检验,其中(R)为(Jtimes K)的矩阵。
若零假设成立,那么
由3.1节,我们可知
再利用定理2,可以得出
由于分布(chi^2_J)不依赖于(X),因此,上式的无条件分布也服从(chi^2_J)分布。
但问题在于(sigma^2)是未知的,因此上式是无法计算的。解决办法是利用(s^2)替代它,这样替代后,再稍作处理(除以(J)),我们可以推导出一个不一样的分布,也就是(F)统计量:
为何服从(F)分布?可以从分子为(chi^2_J)分布除以(J)、分母为(chi^2_{N-K})分布除以(N-K)、分子与分母中的变量(hatbeta)与(e)相互独立三个条件证明。
从另一个角度,记(e)为无约束回归的残差,记(tilde e)为在约束(Rbeta=r)下的回归的残差,那么(F)统计量又可以写为
3.4.2 (t)检验
当(J=1)时,(Rhatbeta-r)和(sigma^2R(X'X)^{-1}R')变成了标量,不必再用二次型的形式构造出(chi^2_1)分布,而是可以直接构造正态分布形式:
只要再对上一节(F)统计量的分母也相应求平方根,就可以得到(T)统计量:
从而可进行(t)检验。
文章来源: 博客园
- 还没有人评论,欢迎说说您的想法!