古典線性回歸模型假定
出自 MBA智库百科(https://wiki.mbalib.com/)
古典線性回歸模型假定是指高斯提出的10大假定,這些假定被作為大部分計量理論的基石。
假定1:線性回歸模型。
即回歸模型在參數上是線性的,這是古典線性回歸模型的起點。
假定2:在重覆抽樣中,x值是固定的,非隨機的。
這個假定的根本意思就是,我們的回歸分析是條件回歸分析,以給定的解釋變數x值為條件。
假定3:干擾項具有零均值。即E(εi | xi) = 0。
該假定說的就是,沒有顯性包括在模型中而是包含在\epsilon_i中的因素不會系統地影響y的均值,正的εi和負的εi會相互抵消,所以,它們對Y的平均影響等於0。
假定4:干擾項具有同方差。即Var(εi | xi) = σ2。
同方差的意思就是,圍繞回歸線的變化在不同的x值上是相同的,不會隨著x的變化而增加或減少。相反,如果Y總體的條件方差隨X而變化,這種情形就稱作異方差,即。
假定5:干擾項之間不存在自相關。給定任意兩個X值,對應的兩個干擾項之問的相關等於0。即,Var(εi,εj | xi,xj)=。。
假定6:εi和Xi之問的協方差等於0。即COV(εi,xi) = E(εi,xi) = 0。
假定7:觀察值的個數n必須大於要估計的參數的個數。
假定8:X值的變化必須足夠大。
或者說,X的方差
必須是一個有限的正值。
假定9:回歸模型正確設定。
假定10:不存在多重共線性。也就是說,在解釋變數之間不存在完全的線性關係。這實際上是多元回歸中的假定。
還是不懂,Xi是一組抽樣的值還是什麼,干擾項是一組值還是什麼,干擾項是一個抽樣X狗與Y值的方差還是啥,這個隨機擾動項還是說是樣本函數的殘差