计量经济学

Econometrics

陈国强
经济学院
西北师范大学
第5章 多元回归分析：OLS渐近性

提要
一、一致性
二、渐近正态性与大样本推断
三、OLS的渐近有效性
 第5章 多元回归分析：OLS渐近性
• 前面内容回顾
 第5章 多元回归分析：OLS渐近性

• 除了有限样本性质外，了解估计量和检验统计量的渐近性质（
asymptotic properties）或大样本性质也是非常重要的。定义这些性质
不是针对特定样本量，而是考虑样本量无限增加的情况 。
• 幸运的是，在我们所做的假设下，OLS具有令人满意的大样本性质。
• 应用中相当重要的发现是，即使没有正态性假设（假设MLR.6)， t 与
F 统计量也近似服从t 与 F分布，至少在大样本量的条件下如此。
 • 5.1. 一致性

• 估计量的无偏性固然重要，但并非总能实现。
• 既然并非所有有用的估计量都是无偏的，所以几乎所有经
济学家都同意，一致性（consistency）是对估计量最起码
的要求。
• 计量经济学家格兰杰曾说“如果你在 n 趋于无穷时还不能
正确地得到它，那就 不应该干这件事。”他的意思是说，
如果你给出一特定总体参数的估计量不是一致的，那么就
是在浪费时间。
 • 5.1. 一致性
• 𝛽መj 是βj 的OLS估计量，在MLR.1-MLR.4假定下𝛽መj 是无偏
的， 𝛽መj 的均值为βj 。如果估计量是一致的，随着样本增
加， 𝛽መj 越来越紧密地分布在βj 周围，n趋近于无穷时𝛽መj 的
分布就紧缩成一个单一的点βj 。但并不是在任何情况下
都能得到无偏估计量。

6
 • 5.1. 一致性
• 在样本容量增大的过程中，
– 估计量的偏差会如何变化→ 一致性
– 正态分布的假定是否可以放松 → 渐近正态性
– 渐近有效性
• 在不能得到无偏估计量的情形下，我们希望得到的估计
量具有一致性， 即随着n→∞，估计值收敛于真实值。

( )
lim Pr ˆ −    = 1
n→
Pr lim ˆ = 

• 一致性指的是随着样本容量逐渐增大过程中的趋势性特
征，并不针对某一特定的样本量
• 即使没有正态性假定，OLS估计量也会渐近地服从正态
分布；针对OLS估计量的t和F统计量在样本容量增大的情
形下，会渐近地服从t和F分布

7
 • 5.1. 一致性

• 定理5.1 OLS的一致性
– 在假定MLR.1-MLR.4下，对于所有的𝑗 = 0,1， … ，𝑘，OLS估计量

𝛽መj 都是βj 一致估计。

– OLS估计量的有限样本、小样本或精确性质
• 对任何样本容量都成立

• 无偏性（ MLR.1-4 ：线性、随机抽样、解释变量有变化、零条件均值）；

• 最优线性无偏估计量（+扰动项的方差假设）

• OLS估计量的抽样分布（+扰动项的正态分布假设）
– 如果扰动项是正态分布，OLS估计量也是正态分布的，因此可以根据t分布和F分布构造检验统计量

– 扰动项是不可观测的，因此对扰动项分布的检验通常转化为对因变量分布的检验

8
 • 5.1. 一致性

– 以一元线性回归为例，斜率参数估计值为：
෌൫𝑥𝑖 − 𝑥)𝑢ҧ 𝑖
መ
𝛽1 = 𝛽1 +
σ 𝑥𝑖 − 𝑥ҧ 2
n−1 ෌൫𝑥𝑖 − 𝑥)𝑢 ҧ 𝑖
= 𝛽1 + −1
n σ 𝑥𝑖 − 𝑥ҧ 2
𝐶ov(𝑥1 , 𝑢)
መ
plim𝛽1 = 𝛽1 + = 𝛽1
𝑉𝑎𝑟(𝑥1 )

– 注意：
• 𝑉𝑎𝑟(𝑥1 ) < ∞，𝑉𝑎𝑟(𝑢) < ∞；多元回归中不能完全共线性，实际分析中不容易
碰到。
• 偏误的方向取决于x1和u之间的协方差
• 如果x1和u之间的协方差相对于的x1方差很小，则这种不一致性就可以忽略

9
 • 5.1. 一致性

– 同时定理5.1意味着零均值和零相关，即
• 假定MLR.4′ ：对于所有的𝑗 = 0,1， … ，𝑘，都有𝐶ov(𝑥i , 𝑢) = 0， E(𝑢) = 0。

• 由假定MLR.4可以得到MLR.4′ ，实际上我们以前用的都是假定MLR.4′ 得到普通

最小二乘估计。但由假定MLR.4′ 不可以得到MLR.4：
– 首先，如果E(u|x1 ,x2, … , x𝑘 ) 与任何一个xj 相关，在MLR.4′ 假定下，普通最小二乘是有偏的；

– 其次，假定MLR.4零条件均值意味着E 𝑦 𝑥 =𝛽0 +𝛽1 𝑥，代表总体回归函数。若只有MLR.4′ 成立，

E 𝑦 𝑥 =𝛽0 +𝛽1 𝑥可能不是总体回归函数， 𝐶ov(𝑥i , 𝑢) = 0并不能保证解释变量的非线性函数（比如
𝑥 2 ）与u不相关。

• 简而言之
– E(u|x1 ,x2, … , x𝑘 )=0→ 𝐶ov(𝑥i , 𝑢) = 0

– E(u|x1 ,x2, … , x𝑘 )=0不成立，但𝐶ov(𝑥i , 𝑢) = 0成立：OLS估计量是有偏但一致的

– E(u|x1 ,x2, … , x𝑘 )=0成立，意味着总体回归模型是正确设定的

 • 5.1. 一致性
– 估计量在有限样本中有偏的，但可能具有一致性。
• 比如正态分布极大似然估计的样本方差是有偏的一致的。
– 估计量是无偏的，但可能不具有一致性
• 假设z的真值为0，随机变量X以0.5的概率取1，而以0.5的概率取-1，那么,
E(x)=0 = z 。
• 但是, 当n趋向无穷大时, X总是在X=0这条线上下摆动，它的方差并不会趋
于0。因此，它不是Z的一致估计量。
– 无偏估计量何时具有一致性
• 对于无偏估计量，参数真值始终在其分布中心，即总是不会偏离真值太远
• 随着样本容量的增加，如果无偏估计量的方差趋于0，则表明其取值范围
以真值为中心不断集中
• 如果一个θ的无偏估计量Wn的方差 var(Wn) → 0 as n→ ∞，则，Wn是θ的
一致估计量

11
 • 5.1. 一致性
• 推导OLS估计的不一致性
– 如果误差与任何一个自变量相关，那么OLS估计就是有偏而又不一
致的估计，这种偏误不会随样本容量增大而消失。
– 考虑遗漏变量情况
• 假定真实的模型为𝑦 = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + 𝑢，
• 但被错误地设定为𝑦෤ = 𝛽෨0 + 𝛽෨1 𝑥1 + 𝑢，则
෩ σ 𝑥𝑖1 − ഥ𝑥1 𝑥𝑖2 σ 𝑥𝑖1 − ഥ
𝑥1 𝑢𝑖
plim𝛽1 = 𝛽1 + 𝛽2 plim 2 + plim 2
σ 𝑥𝑖1 − ഥ𝑥1 σ 𝑥𝑖1 − ഥ
𝑥1
𝐶ov(𝑥1 , 𝑥2 ) 𝐶ov(𝑥1 , 𝑢)
= 𝛽1 + 𝛽2 +
𝑉𝑎𝑟(𝑥1 ) 𝑉𝑎𝑟(𝑥1 )
= 𝛽1 + 𝛽2 𝛿ሚ1
 • 5.1. 一致性
– 不一致性可以看成是偏误
– 不一致性与偏误主要的区别在于，一致性使用的是总体方差和总
体协方差，偏误用的是样本方差和样本协方差
– 不一致性的严重程度取决于解释变量与遗漏变量之间的相关程度
– 不一致性是大样本问题，不会因为样本容量的增大而消失
– 遗漏变量不仅会导致与之具有相关性的解释变量对应的估计系数
不具有一致性，也会导致与之不具有相关性的解释变量对应的估
计系数不具有一致性；除非遗漏的变量与所有的解释变量都不相
关，从而使得扰动项满足高斯-马尔科夫经典假定
– 考虑一个模型为：
𝑦 = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + 𝑢
若𝑐𝑜𝑣(𝑢, 𝑥1) ≠ 0(𝑥1 为内生变量)，𝑐𝑜𝑣(𝑢, 𝑥2) = 0 (𝑥2为外生变量)
• 若𝑐𝑜𝑣(𝑥1, 𝑥2 ) ≠ 0 ，则b1和b2的OLS估计量均不一致。
• 若𝑐𝑜𝑣(𝑥1 , 𝑥2 ) = 0 ，则只有b1的OLS估计量不一致。

13
• 5.1. 一致性

14
• 5.1. 一致性

15
 • 5.2. 渐进正态和大样本推断
• 在CLM（经典线性模型）假定下，样本分布是正态的，因此
可以导出用以检验的t分布和F分布
– 因为假定误差项的分布是正态的
– 误差项服从正态分布，则对于给定的x， y也服从正态分布
– OLS估计量是误差项的线性函数，所以也是正态的
• 正态性的假定是很容易违背的！
– 一些变量具有明显的偏态，如工资、犯罪、储蓄，而正态分布是对
称的
– 某些变量的分布是截断的
• 正态性假定并不是OLS估计量是BLUE这一结论所必须的，仅
仅出自于统计推断的需要
– 即使y不是来自于正态总体的样本，当样本容量不断增加时，OLS估
计量也会渐近地趋向于正态分布，即OLS估计量具有渐近正态性
16
 • 5.2. 渐进正态和大样本推断

narr86 Freq. Percent Cum.

0 1,970 72.29 72.29

1 559 20.51 92.81
2 121 4.44 97.25
3 42 1.54 98.79
4 12 0.44 99.23
5 13 0.48 99.71
6 4 0.15 99.85
7 1 0.04 99.89
9 1 0.04 99.93
10 1 0.04 99.96
12 1 0.04 100.00

Total 2,725 100.00

17
 • 5.2. 渐进正态和大样本推断
2,000
1,800
1,600
1,400
1,200
1,000
800
600
400
200
0
0 1 2 3 4 5 6 7 9 10 12

18
 • 5.2. 渐进正态和大样本推断

.6
.4
Fraction

.2
0

0 20 40 60 80 100
prate

19
 • 5.2. 渐进正态和大样本推断

.5
.4
.3
Fraction

.2
.1
0

0 20 40 60 80 100
prate

20
 • 5.2. 渐进正态和大样本推断

• 中心极限定理
– 定理四（大数定律和中心极限定理之四：独立同分布的中心极限
定理）
• 设随机变量𝑋1 , … , 𝑋n 相互独立，服从同一分布（具有相同期望与方差），
𝐸(𝑋k ) = 𝜇， 𝐷(𝑋k ) = 𝜎 2 ，则随机变量之和的标准化变量

σnk=1 𝑋k − 𝐸(σnk=1 𝑋k ) σnk=1 𝑋k − 𝑛𝜇 𝑛(𝑋ത − 𝜇)

𝑌n = = =
𝐷(σnk=1 𝑋k ) 𝑛𝜎 𝜎

的分布函数:
lim 𝐹𝑛 𝑥 = lim 𝑃 𝑌n ≤ 𝑥 = ∅(𝑥)
𝑛→∞ 𝑛→∞
 • 5.2. 渐进正态和大样本推断

• 定理5.2 OLS的渐进正态性
– 在假定MLR.1-MLR.5下，
• 𝑛(𝛽෠j − 𝛽j )~𝑁(0, 𝜎 2 ൗ𝑎𝑗2 )，其中𝜎 2 ൗ𝑎𝑗2 是 𝑛(𝛽෠1 − 𝛽1 )的渐进方差，斜率系数

𝑎𝑗2 = plim(n−1 ෍ොrij2 )，其中ොrij2 是xj 对其余变量进行回归得到的残差平方。

• 𝜎ො 2 是𝜎 2 的一个一致估计量

• 对于每个𝑗，都有

(𝛽෠j − 𝛽j )ൗsd(𝛽෠j ))~𝑁(0,1)

并且
𝑎
(𝛽෠j − 𝛽j )ൗse(𝛽෠j ))~𝑁(0,1)
• 5.2. 渐进正态和大样本推断

23
• 5.2. 渐进正态和大样本推断

24
 • 5.2. 渐进正态和大样本推断

• 理解定理5.2，Gauss-Markov假定：
– 线性结构 Linear structure
– 随机抽样 random sampling
– 无严格共线性 No perfect collinearity
– 零值条件期望 Zero conditional mean
– 对于误差项u的唯一限制就是，假定误差的分布具有有限的方差
：同方差性: Var(u|x)=s2
• 误差项u的正态性假定MLR.6被放弃
– 关于𝑢的总体分布和𝛽መj 的抽样分布
• 𝑢的总体分布是客观的，不变的（与抽样多少无关），不能认为随着抽样
增加𝑢会接近正态分布， 𝑢是什么分布就是什么分布
• 不论𝑢是什么分布，合理的标准化后的OLS估计量𝛽෠j 都是近似于正态分布的
， 𝛽෠j 涉及对样本均值的使用，依赖于抽样。
• 对于任何总体分布𝑢而言，潜在的误差均值的分布序列都是趋向正态的，
比如𝑋ത − 𝜇， 𝛽෠j − 𝛽j 。

25
 • 5.2. 渐进正态和大样本推断

– 关于𝛽መ𝑗 − 𝛽𝑗 的推断是除以标准差sd还是标准误se，问题不大，
𝛽መ𝑗 均服从渐进正态分布。当然除以标准误在同方差假定下更精
确，根据t分布的定义以及正态分布的自由度，随着自由度的
增大，t分布也会逐渐趋近于标准正态分布，有：
𝑎
𝛽መ𝑗 − 𝛽𝑗 ൗ𝑠𝑒 𝛽መ𝑗 ~𝑡𝑛−𝑘−1
– 在大样本中， 𝑢不一定需要正态性假定，但必须要求满足同方
差，即所有样本是独立同分布的、来自同一总体；扰动项具
有有限方差。
– 如果样本不够大，𝑢的非正态时不是太好，t分布自然也不好。
– 多大算大样本？𝑛 > 30?还取决于𝑛 − 𝑘 − 1。
– 如果不满足𝑢的同方差性，无论样本多大，上述统计量构造及
推断都是无效的。（小样本无法推断，大样本又不满足中心
极限定理假定）

26
 • 5.2. 渐进正态和大样本推断

• 𝛽መ𝑗 的估计方差：
𝜎ො 2 𝜎ො 2 𝜎ො 2
𝑉𝑎𝑟(𝛽෠𝑗 ) = = =
𝑆𝑆𝑇𝑗 (1 − 𝑅𝑗 2 ) 𝑆𝑆𝑅𝑗 𝑛 ⋅ (1 𝑆𝑆𝑅 ቁ
𝑛 𝑗
2
𝑛→∞ 1 𝜎2 1 𝜎 2 𝑐𝑗
= 2 2 = 2
= = 𝐴var(𝛽෠𝑗 ) = 𝐴var(𝛽෠𝑗 − 𝛽𝑗 )
𝑛 𝜎𝑗 𝑟𝑗Ƹ 𝑛 𝑎𝑗 𝑛
𝑐𝑗 2 𝜎2
෠
𝐴var( 𝑛(𝛽𝑗 − 𝛽𝑗 )) = 𝑛 ⋅ 2
= 𝑐𝑗 = 2
𝑛 𝑎𝑗
𝜎ො 2
𝑠𝑒(𝛽෠𝑗 ) = 𝑠𝑑(
መ 𝛽෠𝑗 ) = ෠
𝑉𝑎𝑟( 𝛽෠𝑗 ൯ =
𝑆𝑆𝑇𝑗 (1 − 𝑅𝑗 2 ൯

𝜎ො 2 𝑛→∞ 1 𝜎2 𝑐𝑗 2 𝑐𝑗
= = = =
𝑆𝑆𝑅𝑗 𝑛 𝑎𝑗 2 𝑛 𝑛

– 当u 不是正态分布时，标准误有时指的是渐近标准误。
– 预期标准误的收缩速度为样本容量的平方根的倒数。
– 在大样本容量下，F统计量具有近似的F分布，排除性约束检验与
前文相同。
 • 5.2. 渐进正态和大样本推断
• 拉格朗日乘数统计量
– 在大样本情形下或渐近正态性假定，我们可以利用t统计量
和F统计量进行统计推断。拉格朗日乘数检验，可用于检验
对参数所施加的额外约束。由于LM统计量利用了辅助回归，
有时被称为 nR2 统计量
• 假设标准模型为：𝑦 = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2+. . . +𝛽𝑘 𝑥𝑘 + 𝑢
𝐻0: 𝛽𝑘−𝑞+1 , … , 𝛽𝑘 = 0
• 回归受约束模型为：𝑦 = 𝛽෨0 + 𝛽෨1 𝑥1 +. . . +𝛽෨𝑘−𝑞 𝑥𝑘−𝑞 + 𝑢，得到残差
෤ 𝑢，
෤
并进行𝑢与所有变量𝑥
෤ 1 , 𝑥2 , . . . , 𝑥𝑘 回归，得到：
𝐿𝑀 = 𝑛𝑅𝑢2
𝑎
• 𝑅𝑢2 为上述辅助回归的可决系数。𝐿𝑀~𝜒𝑞2 ，根据卡方分布临界值或p值
进行统计推断。
• 在大样本情形下，LM检验与F检验的结果通常是非常类似的。
– LM统计量决定于三个因素：
• 辅助回归，是将受约束模型回归所得残差𝑢对所有自变量回归。
෤
• 主回归(受约束模型回归)和辅助回归(𝑢对所有自变量𝑥
෤ 1 , 𝑥2 , . . . , 𝑥𝑘 回归)
必须使用相同的样本观测值。
• 在大样本下， LM检验和F检验的结果比较相近。对于单个约束的检验
，F检验和t检验是等价的；但是LM检验和F检验，则并不等价。

28
 • 5.3. OLS的渐进有效性

• 有限样本下，在Gauss-Markov 假定下, OLS估计量是BLUE

(best linear unbiased estimators).
• 已经知道:
– 在大样本下，在假定MLR.1-4下，OLS估计量具一致性。
– 在大样本下，在Gauss-Markov假定下，OLS估计量的渐近正态性和
渐进方差。
• OLS的渐近方差的相对大小：
– 在Gauss-Markov假定下，在某种类型的估计量中， OLS估计量是否
具有最小的渐近方差？
– 如果具有最小的渐近方差，则称OLS估计量是渐近有效
(asymptotically efficient)的估计量。

29
 • 5.3. OLS的渐进有效性

• 对于一个简单回归模型： y = 𝛽0 + 𝛽1 𝑥1 + u
𝑧1 = 𝑔(𝑥1 )
• 在Gauss-Markov假定下：𝐸(𝑢|𝑥1 ) = 0, 有：
– 𝐸(𝑢) = 0, 𝐶𝑜𝑣(𝑢, 𝑥1 ) = 0;
σ(𝑦𝑖 − 𝛽0 − 𝛽1 𝑥𝑖1 ) = 0
σ𝑥𝑖1 (𝑦𝑖 − 𝛽0 − 𝛽1 𝑥𝑖1 ) = 0

σ 𝑥𝑖1 − 𝑥1ҧ 𝑦𝑖 σ 𝑥𝑖1 − 𝑥1ҧ 𝑢𝑖

𝛽መ1 = = 𝛽1 +
σ 𝑥𝑖1 − 𝑥1ҧ 2 σ 𝑥𝑖1 − 𝑥1ҧ 2
𝐶𝑜𝑣(𝑥1 , 𝑢)
መ
𝑝lim(𝛽1 ) = 𝛽1 +
𝑉𝑎𝑟(𝑥1 )
𝜎2 𝜎2 𝑛→∞ 𝜎2
𝑉𝑎𝑟(𝛽መ1 ) = = = = 𝐴var(𝛽መ1 ) = 𝐴var(𝛽መ1 − 𝛽1 )
1
𝑆𝑆𝑇𝑥 𝑛 ⋅ 𝑆𝑆𝑇 𝑛 ⋅ 𝑉𝑎𝑟(𝑥1 )
𝑛 𝑥1

𝜎2
𝐴var[ 𝑛(𝛽መ1 − 𝛽1 )] =
𝑉𝑎𝑟(𝑥1 )

30
 • 5.3. OLS的渐进有效性
– 𝐸(𝑢) = 0, 𝐶𝑜𝑣[𝑢, 𝑧1] = 𝐶𝑜𝑣[𝑢, 𝑔(𝑥1 )] = 0
σ 𝑦𝑖 − 𝛽0 − 𝛽1 𝑥𝑖1 = 0
෍ 𝑔 𝑥𝑖1 𝑦𝑖 − 𝛽0 − 𝛽1 𝑥𝑖1 = 0

σ 𝑧𝑖1 − 𝑧1ҧ 𝑦𝑖 σ 𝑧𝑖1 − 𝑧1ҧ 𝑢𝑖

𝛽෨1 = = 𝛽1 +
σ 𝑧𝑖1 − 𝑧1ҧ 𝑥𝑖1 − 𝑥1ҧ σ 𝑧𝑖1 − 𝑧1ҧ 𝑥𝑖1 − 𝑥1ҧ
𝐶𝑜𝑣(𝑧1 , 𝑢)
𝑝lim(𝛽෨1 ) = 𝛽1 +
𝐶𝑜𝑣(𝑧1 , 𝑥1 )
෌ 𝑧𝑖1 − 𝑧1ҧ 2
𝑉𝑎𝑟(𝛽෨1 ) = 𝜎2
ቂ෌ 𝑧𝑖1 − 𝑧1ҧ 𝑥𝑖1 − 𝑥1ҧ ]2
1 2
𝑛⋅ ⋅ 𝑧 − 𝑧1ҧ
= 𝑛 ෌ 𝑖1 𝜎2
1
[𝑛 ⋅
⋅ 𝑧 − 𝑧1ҧ 𝑥𝑖1 − 𝑥1ҧ ]2
𝑛 ෌ 𝑖1
𝑛→∞ 1 𝑉𝑎𝑟(𝑧1 )
= ⋅ 2
𝜎 2 = 𝐴var(𝛽෨1 ) = 𝐴var(𝛽෨1 − 𝛽1 )
𝑛 𝐶𝑜𝑣 𝑧1 , 𝑥1
𝑉𝑎𝑟(𝑧1 )
𝐴var[ 𝑛(𝛽෨1 − 𝛽1 )] = 2
𝜎2
𝐶𝑜𝑣(𝑧1 , 𝑥1 )
 • 5.3. OLS的渐进有效性

– 若𝐶𝑜𝑣(𝑧1 , 𝑥1 ) ≠ 0, 𝐶𝑜𝑣(𝑧1 , 𝑢) = 0，则𝛽෨1 存在且一致。

– 𝛽෨1 又称为工具变量估计量(an instrumental variables estimator)。
– 当𝑧1 = 𝑔(𝑥1 ) = 𝑥1 时， 𝛽෨1 与OLS估计量𝛽መ1 相同。
• 比较渐近方差：
1
– OLS估计渐进方差𝐴var[ 𝑛(𝛽መ1 − 𝛽1 )] = 𝜎 2
𝑉𝑎𝑟(𝑥1 )
𝑉𝑎𝑟(𝑧1 )
– 工具变量估计渐进方差𝐴var[ 𝑛(𝛽෨1 − 𝛽1 )] = 2 𝜎2
𝐶𝑜𝑣(𝑧1 ,𝑥1 )

– Cauchy−Schwartz inequality： 𝐶𝑜𝑣 𝑧1 , 𝑥1 ≤ Var 𝑧1 Var 𝑥1

[𝐶𝑜𝑣 𝑧1 , 𝑥1 ]2 ≤ Var 𝑧1 Var 𝑥1
1 Var 𝑧1
≤
Var 𝑥1 [𝐶𝑜𝑣 𝑧1 , 𝑥1 ]2
𝐴var[ 𝑛(𝛽መ1 − 𝛽1 )] ≤ 𝐴var[ 𝑛(𝛽෨1 − 𝛽1 )൧
对于简单回归模型而言，OLS估计量是渐近有效的。
 • 5.3. OLS的渐进有效性

• 一般情形
– 对于多元回归模型: 𝑦𝑖 − 𝛽෨0 − 𝛽෨1 𝑥𝑖1 − ⋯ − 𝛽෨𝑘 𝑥𝑖𝑘 +𝑢,取𝑧𝑗 =
𝑔𝑗 (𝑥𝑗 ),𝑗 = 0,1, … , 𝑘。 𝑔𝑗 (𝑥𝑗 )可以取不同的函数形式。
– 在Gauss-Markov假定下， 由𝐸(𝑢|𝑥𝑗 , 𝑗 = 1, 𝑘) = 0 有𝐶𝑜𝑣(𝑢, 𝑥𝑗 ) = 0
，且 𝐶𝑜𝑣[𝑢, 𝑔𝑗 (𝑥𝑗 )] = 0, 𝑗 = 0,1, … , 𝑘。
– 求解下面一阶条件：
𝑛
෍ 𝑔𝑗 (𝑥𝑗 )(𝑦𝑖 − 𝛽෨0 − 𝛽෨1 𝑥𝑖1 − ⋯ − 𝛽෨𝑘 𝑥𝑖𝑘 ) = 0
𝑖=1
– 得到一组一致估计量。
– 特殊地： 𝑔0 (𝑥i ) = 1 ， 𝑔j (𝑥i ) = 𝑥𝑖j ， 𝑗 = 0,1, … , 𝑘 ，所得为OLS估
计量。
 • 5.3. OLS的渐进有效性

• 定理5.3 OLS的渐近有效性
– 满足高斯—马尔科夫假定前提下，相比其他估计量，OLS估计量具
有最小的渐近方差。
𝐴var[ 𝑛(𝛽መ1 − 𝛽1 )] ≤ 𝐴var[ 𝑛(𝛽෨1 − 𝛽1 )൧
 作业
• 书 p149
• 1、2、4、