Bakit ang ordinaryong mga parisukat na paraan ay ginagamit sa isang linear na pagbabalik?

Bakit ang ordinaryong mga parisukat na paraan ay ginagamit sa isang linear na pagbabalik?
Anonim

Sagot:

Kung ang mga pagpapalagay ng Gauss-Marko ay humahawak pagkatapos OLS ay nagbibigay ng pinakamababang standard error ng anumang linear estimator upang pinakamahusay na linear unbiased estimator

Paliwanag:

Dahil sa mga pagpapalagay na ito

  1. Parameter co-efficents ay linear, ito lamang ay nangangahulugan na # beta_0 at beta_1 # ay linear ngunit ang # x # variable ay hindi kailangang maging linear maaari itong maging # x ^ 2 #

  2. Ang data ay kinuha mula sa isang random na sample

  3. Walang perpektong multi-collinearity kaya dalawang mga variable ay hindi ganap na sang-ayon.

  4. #E (u #/#x_j) = 0 # Ang ibig sabihin ng kondisyonal na palagay ay zero, ibig sabihin ang # x_j # Ang mga variable ay nagbibigay ng walang impormasyon tungkol sa ibig sabihin ng mga hindi nababantayan na mga variable.

  5. Ang mga pagkakaiba ay pantay para sa anumang antas ng # x # i.e. #var (u) = sigma ^ 2 #

Pagkatapos OLS ay ang pinakamahusay na linear estimator sa populasyon ng mga linear estimators o (Best Linear Unbiased Estimator) BLUE.

Kung mayroon kang karagdagang palagay na ito:

  1. Ang mga pagkakaiba ay karaniwang ipinamamahagi

Pagkatapos ay ang tagapanood ng OLS ang magiging pinakamahusay na tagatantiya anuman kung ito ay isang linear o hindi-linear na estimator.

Ang ibig sabihin nito ay ang ibig sabihin ay kung ang mga pagpapalagay 1-5 ay nagtatago pagkatapos OLS ay nagbibigay ng pinakamababang standard error ng anumang linear estimator at kung 1-6 hold pagkatapos ito ay nagbibigay ng pinakamababang standard error ng anumang estimator.