伍德里奇在第三章第三節中介紹了關于多元線性回歸（Multiple Linear Regression Model）的四個假設（MLR1-4），OLS的無偏性定理（Unbiasedness of OLS），無關變量（Irrelevant Variables）和變量缺失的問題（Omitted Variable）
關于多元線性回歸的假設一共有五個，他們被統稱為高斯-馬爾科夫假設（Gauss-Markov Assumption)，前四個假設分別是：MLR 1 參數線性（Linear in Parameters） 參數線性是一個對模型約束性非常差的假設，它僅要求模型所包含的參數為線性，因此只要模型滿足

即可，其中,y和x均可替換為變量的任何函數形式，比如指數、對數、冪、平方等，即我們可以理解為

MLR 2 隨機抽樣（Random Sampling）隨機抽樣的假設是對我們數據收集的基本要求，它要求進行OLS回歸的樣本數據必須為獨立同分布（independently identically distribution,i.i.d.），也就是說每一組數據的取值必須獨立于其它數據組

如上式中樣本組X1,X2,...,Xn的取值均互不影響，相互獨立（關于獨立同分布的問題我看到后面第五章詳細講到了，如果這里理解的不對，請各位大佬撥冗指正）。
在3-2中我們注意到，ols選取特定的，殘差u的均值為零，每個自變量與殘差樣本的相關系數(correlation)為零的樣本來估計模型的截距和斜率。MLR 3 無完全共線性（No Perfect Collinearity）無完全共線的假設要求自變量之間不能有完全的線性關系，注意，該假設僅要求各自變量之間不能有完全的線性相關關系，但允許各自變量間是相關（correlated）的。
常見的線性相關有：
1、變量x與cx（c為常數）的；
2、變量log（x）與log（x^n）的；
3、變量具有x1+x2=x3關系的；
另外，當變量過少時也可能會導致MLR3不成立，這種情況可以理解為將多個樣本組代入方程，構造有n個方程式的k+1（y,x1,x2,...,xk）元一次方程組并求解

時必須滿足方程式的個數n大于未知數個數k+1，即

如果我們以解方程組的思想去理解MLR3 ，則可以解釋為如果兩個方程式不獨立時無法求解所有未知數，也就是線性代數中的不滿秩。
（MLR2是否也可以這樣理解呢？是否可以概括為：MLR2規定的是方程式與方程式之間的關系，MLR3規定的是未知數與未知數之間的關系）MLR 4 零條件均值(Zero Conditional Mean）零條件均值意味著u與解釋變量x之間沒有任何關系，即u中不再包涵解釋變量x相關的任何內容。缺失或包含過多變量和變量格式的錯誤都會引起MLR4的不成立。

零條件均值假設將會是今后衡量基于樣本的模型是否能夠準確的描述整體情況的重要假設，對于這個假設的完善，伍德里奇將會在第9、15、16章進行詳細的講解。稍后在第三章第三節第三部分我們將會看到關于缺失變量及包含無關變量的討論。

總結

以上是生活随笔為你收集整理的伍德里奇计量经济学导论pdf_伍德里奇 计量经济学导论 第三章第三节-1 MLR1-MLR4...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。