应用回归分析证明题及答案
一. 证明残差满足的约束条件:ei0,xiei0。
i1
i1
n
n
证明:由偏导方程即得该结论:
n
Qˆˆx)02(yi01iˆ00
i1
Q2n(yˆˆx)x0
i01iiˆ111
i1
证毕.
二. 证明平方和分解式:SSTSSRSSE。 证明:
ˆiyˆi)2SST(yi)(yiy
2
i1n
i1n
nn
ˆi)2(yiyˆi)22(yiyˆi)(yˆi)(y
i1
i1
i1
n
nn
nˆˆx)0ˆiei2ei(上式第三项2eiy01i
i1i1i1
nn
ˆˆ2exe)0i1ii0
i1i1
ˆi)(yiyˆi)2即SST(y
2
i1
i1
nn
SSRSSE
证毕.
三. 证明三种检验的关系:
ˆ2LSSR/1(1
) =12xx= t2 ;(2) F=
ˆSSE/(n2)证明:由于
r
L2
ei
2ˆr2SST, SSR ˆ2
n2
SSTSSR
n2
所以
t ;ˆ2LSSR/1
F 12xx.
ˆSSE/(n2)
证毕.
1(xi)22
。 四.证明:Var(ei)12
n(xi)
证明:由于
ˆˆx)ˆiyi(eiyiy01i
ˆ(x)y
i
1
i
1n(xi)yi(x)
yiyii
ni1Lxx
于是
1n(xi)yi(x)
Var(ei)Varyiyii
nLi1xx
(xi)yi1n
Varyi2VaryiVar(xi)
nLi1xx
(xi)yi1n
2Covyi,yi2Covyi,(xi)
Lxxni1
1n(xi)yi(x)2Covyi,i
nLxxi1
(xi)2212(xi)22122
22
nLxxnLxx
1(xi)22
1Lxxn
证毕.
ˆ,ˆ)2。 五.证明:在一元回归中,Cov(01
Lxx
证明:
1n(xi)yi(xi)yiˆˆCov(0,1)Covy,inLLxxxxi1
nn1(xi)(xi)Covy,yiiLxxi1Lxx
i1nnn1(xi)(xi)Covy,yiiLxxi1Lxx
i1n
1(x)(xi)2
i
LxxLxxi1n
2
Lxx
n
证毕.
ˆ2六.证明:
1
SSE 是误差项方差2的无偏估计。
np1
1(xi)22
证明:由于 D(ei)12n(x)i
2
而 E(ei)D(ie)
E(ie)
2
Di( e)
所以
n
11
ˆ)EE(SSE E(ei2)
np1np1i1
nn
11D(ei)(1hii)2 np1i1np1i1
1(np1)22np1
2
证毕.
ˆ)β;D(βˆ)2(XX)1。 七.证明:E(β证明:
ˆ)E(XX)1Xy(XX)1XEyE(β
(XX)1XEXβε(XX)XXβ
β
1
ˆ)Covβˆ,βˆCov(XX)1Xy,(XX)1XyD(β
(XX)1XCovy,yX(XX)1(XX)1X2IX(XX)12(XX)1
证毕.
八.证明:在多元线性回归中,假设εN(0,2In),则随机向量yN(Xβ,2In)。九.证明:当yN(Xβ,2In)时,则:
ˆN(β,2(XX)1);(1)β(2)SSE/2(np1)。 证明:
ˆ(XX)1Xy,X是固定的设计矩阵,因此,βˆ是y的线性变换。 (1)因为β
ˆ服从正态分布,且 又当εN(0,2In)时,有随机向量yN(Xβ,2In),所以β
ˆ)β,D(βˆ)2(XX)1,即有βˆN(β,2(XX)1)。 E(β(2):由于
ˆ)(y-yˆ)SSEee(y-y
(I-H)y(I-H)y
y(I-H)yyNy
(Xβε)N(Xβε)
NX0
εNε
借助于定理:设XN(0,In) ,A为nn 对称阵,秩为r,则当A满足:A2A ,二次型XA2X2r,只需证明:rk(N)np1即可。 因为N是幂等阵,所以有rk(N)tr(N),故
rk(N)trInX(XX)1X
ntrX(XX)1Xntr(XX)XXnp1
1
证毕.
ˆ与残差向量e不相关,即十.证明:在多元线性回归中,最小二乘估计βˆ,e)0。 Cov(β证明:
ˆ,e)Cov(XX)1Xy,(IH)yCov(β
(XX)1XCovy,y(IH)(XX)1X2I(IH)(XX)1X2I(IX(XX)1X)0
证毕.
ˆ),其中ˆ十一.证明:DW2(1
ee
n
tt1。
证明:由于
DW
(ee
t
t2
n
t1
)
2
e
t2
n
ee
2tt2
t2
nn
2t1
2etet1
t22t
n
2t
e
t2
n
ˆ如果认为ee,则有
2
t
2t1
t2
t2
nn
ee
t2n
n
tt1
,所以
e
t2
2t
n
eett1
ˆ). 2(1DW21t2n
et2t2
证毕.
十二. 试证明:在二元线性回归模型yi01xi12xi2i 中,当x1和x2 相互独立时,对回归系数1 和2的OLS估计值,等于yi分别对
x1和x2做简单线性回归时回归系数的OLS估计值。
应用回归分析证明题及答案
一. 证明残差满足的约束条件:ei0,xiei0。
i1
i1
n
n
证明:由偏导方程即得该结论:
n
Qˆˆx)02(yi01iˆ00
i1
Q2n(yˆˆx)x0
i01iiˆ111
i1
证毕.
二. 证明平方和分解式:SSTSSRSSE。 证明:
ˆiyˆi)2SST(yi)(yiy
2
i1n
i1n
nn
ˆi)2(yiyˆi)22(yiyˆi)(yˆi)(y
i1
i1
i1
n
nn
nˆˆx)0ˆiei2ei(上式第三项2eiy01i
i1i1i1
nn
ˆˆ2exe)0i1ii0
i1i1
ˆi)(yiyˆi)2即SST(y
2
i1
i1
nn
SSRSSE
证毕.
三. 证明三种检验的关系:
ˆ2LSSR/1(1
) =12xx= t2 ;(2) F=
ˆSSE/(n2)证明:由于
r
L2
ei
2ˆr2SST, SSR ˆ2
n2
SSTSSR
n2
所以
t ;ˆ2LSSR/1
F 12xx.
ˆSSE/(n2)
证毕.
1(xi)22
。 四.证明:Var(ei)12
n(xi)
证明:由于
ˆˆx)ˆiyi(eiyiy01i
ˆ(x)y
i
1
i
1n(xi)yi(x)
yiyii
ni1Lxx
于是
1n(xi)yi(x)
Var(ei)Varyiyii
nLi1xx
(xi)yi1n
Varyi2VaryiVar(xi)
nLi1xx
(xi)yi1n
2Covyi,yi2Covyi,(xi)
Lxxni1
1n(xi)yi(x)2Covyi,i
nLxxi1
(xi)2212(xi)22122
22
nLxxnLxx
1(xi)22
1Lxxn
证毕.
ˆ,ˆ)2。 五.证明:在一元回归中,Cov(01
Lxx
证明:
1n(xi)yi(xi)yiˆˆCov(0,1)Covy,inLLxxxxi1
nn1(xi)(xi)Covy,yiiLxxi1Lxx
i1nnn1(xi)(xi)Covy,yiiLxxi1Lxx
i1n
1(x)(xi)2
i
LxxLxxi1n
2
Lxx
n
证毕.
ˆ2六.证明:
1
SSE 是误差项方差2的无偏估计。
np1
1(xi)22
证明:由于 D(ei)12n(x)i
2
而 E(ei)D(ie)
E(ie)
2
Di( e)
所以
n
11
ˆ)EE(SSE E(ei2)
np1np1i1
nn
11D(ei)(1hii)2 np1i1np1i1
1(np1)22np1
2
证毕.
ˆ)β;D(βˆ)2(XX)1。 七.证明:E(β证明:
ˆ)E(XX)1Xy(XX)1XEyE(β
(XX)1XEXβε(XX)XXβ
β
1
ˆ)Covβˆ,βˆCov(XX)1Xy,(XX)1XyD(β
(XX)1XCovy,yX(XX)1(XX)1X2IX(XX)12(XX)1
证毕.
八.证明:在多元线性回归中,假设εN(0,2In),则随机向量yN(Xβ,2In)。九.证明:当yN(Xβ,2In)时,则:
ˆN(β,2(XX)1);(1)β(2)SSE/2(np1)。 证明:
ˆ(XX)1Xy,X是固定的设计矩阵,因此,βˆ是y的线性变换。 (1)因为β
ˆ服从正态分布,且 又当εN(0,2In)时,有随机向量yN(Xβ,2In),所以β
ˆ)β,D(βˆ)2(XX)1,即有βˆN(β,2(XX)1)。 E(β(2):由于
ˆ)(y-yˆ)SSEee(y-y
(I-H)y(I-H)y
y(I-H)yyNy
(Xβε)N(Xβε)
NX0
εNε
借助于定理:设XN(0,In) ,A为nn 对称阵,秩为r,则当A满足:A2A ,二次型XA2X2r,只需证明:rk(N)np1即可。 因为N是幂等阵,所以有rk(N)tr(N),故
rk(N)trInX(XX)1X
ntrX(XX)1Xntr(XX)XXnp1
1
证毕.
ˆ与残差向量e不相关,即十.证明:在多元线性回归中,最小二乘估计βˆ,e)0。 Cov(β证明:
ˆ,e)Cov(XX)1Xy,(IH)yCov(β
(XX)1XCovy,y(IH)(XX)1X2I(IH)(XX)1X2I(IX(XX)1X)0
证毕.
ˆ),其中ˆ十一.证明:DW2(1
ee
n
tt1。
证明:由于
DW
(ee
t
t2
n
t1
)
2
e
t2
n
ee
2tt2
t2
nn
2t1
2etet1
t22t
n
2t
e
t2
n
ˆ如果认为ee,则有
2
t
2t1
t2
t2
nn
ee
t2n
n
tt1
,所以
e
t2
2t
n
eett1
ˆ). 2(1DW21t2n
et2t2
证毕.
十二. 试证明:在二元线性回归模型yi01xi12xi2i 中,当x1和x2 相互独立时,对回归系数1 和2的OLS估计值,等于yi分别对
x1和x2做简单线性回归时回归系数的OLS估计值。