ols方法有哪些

1. 计量经济学中的普通最小二乘法（OLS）的4个基本假设条件是什么

计量经济学中的普通最小二乘法（OLS）的4个基本假设条件分别为：

1、解释变量是确定变量，不是随机变量。

2、随机误差项具有零均值、同方差何不序列相关性。

3、随机误差项与解释变量之间不相关。

4、随机误差项服从零均值、同方差、零协方差的正态分布。

通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。

最小二乘法还可用于曲线拟合。其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。

(1)ols方法有哪些扩展阅读：

在我们研究两个变量（x,y）之间的相互关系时，通常可以得到一系列成对的数据（x1，y1，x2，y2... xm，ym）；将这些数据描绘在x -y直角坐标系中，若发现这些点在一条直线附近，可以令这条直线方程。

在回归过程中，回归的关联式不可能全部通过每个回归数据点（x1，y1，x2，y2...xm，ym），为了判断关联式的好坏，可借助相关系数“R”，统计量“F”，剩余标准偏差“S”进行判断；“R”越趋近于 1 越好；“F”的绝对值越大越好；“S”越趋近于 0 越好。

R = [∑XiYi - m （∑Xi / m）（∑Yi / m)]/ SQR{[∑Xi2 - m （∑Xi / m)2][∑Yi2 - m （∑Yi / m)2]}

m为样本容量，即实验次数；Xi、Yi分别为任意一组实验数据X、Y的数值。

2. 统计学ols方法的原理

普通最小二乘法（OLS）方法的原理是：

利用最小二乘法可以简便地求得未知的数据，并使得所选择的回归模型应该使所有观察值的残差平方和达到最小。具体验证如下：

样本回归模型：

(2)ols方法有哪些扩展阅读

最小二乘法来源于19世纪意大利天文学家朱赛普·皮亚齐的一次发现，后由勒让德或高斯发明。

1801年，意大利天文学家朱赛普·皮亚齐发现了第一颗小行星谷神星。经过40天的跟踪观测后，由于谷神星运行至太阳背后，使得皮亚齐失去了谷神星的位置。随后全世界的科学家利用皮亚齐的观测数据开始寻找谷神星，但是根据大多数人计算的结果来寻找谷神星都没有结果。

时年24岁的高斯也计算了谷神星的轨道。奥地利天文学家海因里希·奥尔伯斯根据高斯计算出来的轨道重新发现了谷神星。

高斯使用的最小二乘法的方法发表于1809年他的着作《天体运动论》中。

法国科学家勒让德于1806年独立发明“最小二乘法”，但因不为世人所知而默默无闻。

勒让德曾与高斯为谁最早创立最小二乘法原理发生争执。

1829年，高斯提供了最小二乘法的优化效果强于其他方法的证明，因此被称为高斯-马尔可夫定理。

3. 多重共线性解决方法是什么

1、排除引起共线性的变量：

找出引起多重共线性的解释变量，将它排除出去，以逐步回归法得到最广泛的应用。

2、差分法：

时间序列数据、线性模型：将原模型变换为差分模型。

3、减小参数估计量的方差：

岭回归法（Ridge Regression）。

4、简单相关系数检验法。

(3)ols方法有哪些扩展阅读：

相关影响

（1）完全共线性下参数估计量不存在

（2）近似共线性下OLS估计量非有效

（3）参数估计量经济含义不合理

（4）变量的显着性检验失去意义，可能将重要的解释变量排除在模型之外

（5）模型的预测功能失效。变大的方差容易使区间预测的“区间”变大，使预测失去意义。

需要注意：即使出现较高程度的多重共线性，OLS估计量仍具有线性性等良好的统计性质。但是OLS法在统计推断上无法给出真正有用的信息。