cad二次开发网站,中国建设工程造价管理协会官网,wordpress七牛远程图片,wordpress蚂蚁主题对计量经济学初学者而言#xff0c;OLS原理的矩阵表示通常令人“发怵”。其原因主要在于#xff0c;至少在财经类课程体系中#xff0c;关于矩阵微分的先行课程是缺失的。鉴于计量经济学的进阶课程大多采用矩阵语言#xff0c;笔者认为有必要专文论述如何“搞掂”关于OLS原… 对计量经济学初学者而言OLS原理的矩阵表示通常令人“发怵”。其原因主要在于至少在财经类课程体系中关于矩阵微分的先行课程是缺失的。鉴于计量经济学的进阶课程大多采用矩阵语言笔者认为有必要专文论述如何“搞掂”关于OLS原理的矩阵方法以降低后续学习的门槛。一、从OLS的基本原理谈起对于多元回归模型(1)OLS原理就是选择参数估计值以使得残差平方和最小即若定义目标函数为Q则由上述最优化问题的一阶条件可形成一个包括k1个正规方程的方程组。 求解上述正规方程组(3)即获得各个参数的OLS估计量。现在若我们引入向量与矩阵定义则多元回归模型(1)可表示为最优化问题(2)可表示为正规方程组(3)可表示为二、矩阵微分规则的引出与应用我们考察式(6)。在这里与0是k1维列向量。用式(6)来描述正规方程组(3)看似十分平凡但其实隐含了一个关于矩阵微分的一般规则一个标量对一个m维列向量求导等价于该标量对这个m维列向量中的每一个元素求导其求导结果是一个m维列向量。这是一个简单而重要的规则接下来我们将反复利用此规则。最优化问题(5)的目标函数Q可进一步展开成由于标量Q只可能被分解成标量式(7)中最后一个等号右边的四项均为标量并且有根据式(8)我们需依次解决四个问题(一)标量其不是中任何元素的函数。因此有从形式上看式(9)与我们在《微积分》课程中所熟悉的微分规则是一致的其中为常数为变量。这里的0是标量而式(9)中的0是k1维列向量。(二)由于为标量而为k1维列向量我们可迅速判断为k1维行向量。若定义则。显然有从形式上看式(10)与我们在《微积分》课程中所熟悉的微分规则是一致的。关键的差别在于在式(10)中不能同那样被直接置于等号右边——为了满足矩阵微分规则我们还需对其进行转置处理以使其变为一个列向量。(三)敏锐的读者会发现由于标量的转置等于标量本身即有故有当然我们还可将标量中的因式定义为列向量从而有。因此。从形式上看式(12)与我们在《微积分》课程中所熟悉的微分规则是一致的。重要的是在这里能同那样被直接置于等号右边。如此处理满足矩阵微分规则原因在于是一个列向量。(四)现在我们碰到了棘手的问题——在中出现了两次。但非常幸运的是对问题(一)、(二)与(三)的讨论已暗示这个求导结果也应该与传统的微分规则具有一定的一致性。关于函数积的微分规则表明参照式(13)中第二个等号右边的表达式我们可以猜测在这里我们很容易注意到为列向量为行向量。为了满足矩阵微分规则我们需要对行向量取转置以将其转化为列向量。在回答问题(一)、(二)与(三)时我们对相应的矩阵微分规则进行了具体的验证。当然我们也可以验证式(14)是成立的但由于比较复杂在此略去。三、OLS估计量的“三步”记忆法及启示将式(9)、(10)、(12)、(14)带入式(8)并结合式(6)有进而有假定的逆存在则有(一)“三步”记忆法我们可通过如下“三步”来记忆式(17)Step1。注意等式两边左乘而不是。考虑矩阵的维数显然是无意义的。Step2。前提是存在。Step3省略则有。既然两者近似相等那么就以作为的估计量。(二)启示如果能省略那么意味着。但这有何依据呢为了回答此问题我们来考察列向量由式(18)可知若式(19)成立则省略就是比较合理的。那么式(19)意味着什么呢很容易发现其意味着第一误差项的样本均值近似为零第二误差项与任何一个解释变量均近似地样本不相关。现在的问题是上述两个结论成立吗答案是若“误差项期望值等于零”与“误差项与任意解释变量均不相关”这两大假定成立则上述两个结论至少在大样本下是成立的。原因在于这两大假定是两个总体矩条件上述两个结论其实是相应的样本矩条件而根据矩估计原理样本矩是对总体矩的一致估计。根据上述讨论我们可以获得两大启示第一给定上述两个假定成立OLS估计本质上是矩估计的特例第二如果上述两个假定不成立那么OLS估计量就不会是对真实参数向量比较“靠谱”的估计。反过来这意味着上述两大假定成立对于保证OLS估计量具有良好性质至关重要。四、如何保证存在存在表明是一个的满秩方阵亦即×。按照矩阵理论有故这进一步意味着作为一个的矩阵秩等于k1亦即必须列满秩。满足列满秩假定意味着构成的k1个列向量线性无关——这k1个列向量中的任何一个向量均不能是其余列向量的线性组合。若此假定被违背则出现完全共线情况此时不存在OLS法失效。在此我们列举一个不满足列满秩假定的例子。对于模型(20)假设则矩阵中的第一个列向量是后两个列向量的线性组合故三个列向量完全共线不具有列满秩性质。此时一个与原模型等价的新模型是在这里为任意常数。。现在我们不妨问这样一个问题如果真能够将对与进行回归那么回归结果所估计的到底是式(20)还是式(21)呢显然我们无法确定。用计量经济学术语来讲就是当不满足列满秩假定时模型(20)或者(21)是无法被识别的。值得指出的是不满足列满秩假定的一个特殊例子是样本容量小于待估计参数的数量。例如对于模型(20)其有三个参数需要估计。假定我们仅有两个观测值那么将是一个2×3的矩阵其秩最大为2故不满足列满秩假定。其实从直觉上很容易理解模型(20)的样本回归方程代表一个平面而要确定一个平面至少需要3个点(观测值)。五、回到一元线性回归模型对于一元回归模型(22)此时矩阵由列向量与构成矩列满秩假定成立表明其中为任意常数。亦即变量的N次观测值不能为一个常数。对于一元线性回归模型斜率估计量的公式为显然若变量的N次观测值为一个常数则而这是一个不定型。我们从直觉上很容易理解当变量的N次观测值为一个常数时由于缺乏对照变量对的影响是根本无法被识别的。·END·
