§2.2一元线性回归模型及其参数估计一、一元线性回归模型的参数估计一元线性回归模型的一般形式模型参数估计的任务1、普通最小二乘法（OrdinaryLeastSquare,OLS）由于解得：最小二乘参数估计量的离差形式(deviationform)随机误差项方差的估计量1.用原始数据（观测值）Xi，Yi计算2、最大或然法（MaximumLikelihood,ML）将该或然函数极大化，即可求得到模型参数的极大或然估计量。由于或然函数的极大化与或然函数的对数的极大化是等价的，所以，取对数或然函数如下：可见，在满足一系列基本假设的情况下，模型结构参数的最大或然估计量与普通最小二乘估计量是相同的。但是，随机误差项的方差的估计量是不同的。3、样本回归线的数值性质(numericalproperties)二、最小二乘参数估计量的统计性质高斯-马尔可夫定理当模型参数估计完成后，需考虑参数估计值的精度，即是否能代表总体参数的真值，或者说需考察参数估计量的统计性质。1、线性性：最小二乘参数估计量是Y的线性函数。2、无偏性：最小二乘参数估计量的均值等于总体回归参数真值。3、有效性：在所有线性无偏估计量中，最小二乘参数估计量具有最小方差。（2）证明最小方差性4、结论普通最小二乘参数估计量具有线性性、无偏性、最小方差性等优良性质。具有这些优良性质的估计量又称为最佳线性无偏估计量，即BLUE估计量（theBestLinearUnbiasedEstimators）。显然这些优良的性质依赖于对模型的基本假设。三、最小二乘参数估计量的概率分布可以证明，随机误差项方差的无偏估计量为：例：已知收入X和消费支出Y的如下数据，试估计Y对X的一元线性回归方程，并计算参数估计量的标准差。解：其中，