12c2c于、0c22c22c4第二章线性回归模型回顾与拓展（12-15学时）第四节三大检验（）一、极大似然估计法（ML）（一）极大似然原理假设对于给定样本仗,X｝其联合概率分布存在，f（Y,X;g）。将该联合概率密度函数视为未知参数g的函数，则f（Y,X;g）称为似然函数（LikelihoodFunction）。极大似然原理就是寻找未知参数g的估计g，使得似然函数达到最大,或者说寻找使得样本｛Y,X｝出现的概率最大g。（二）条件似然函数VS无条件似然函数f（Y,X;g）二f（Y\X询）f（X;甲）若0与P没有关系，则最大化无条件似然函数f（Y,X;g）等价于分别最大化条件似然函数f（Y|X;0）和边际似然函数f（XS），从而0的最大似然估计就是最大化条件似然函数f6|X;0）。（三）线性回归模型最大似然估计Y=XP+u，uTN（0,G21）L(Y,X;卩,c2)=(2兀c2)-；exp{-(Y—X£)(Y—X)}对数似然函数：心LnL一上Ln2-52-(Y-X卩X卩)22a；1入「=-——(-2XY+2XX卩)=0a|32C2ain1八八h=-〒+〒(Y-XBy(Y-XB)=02MLO2ML=(XX)-1XY1<=—een（三）得分（Score）和信息矩阵（InformationMatrix）丽二f（0;Y,X）称为得分;dlaodlao1dlaT2dlaTk海瑟矩阵（得分向量；（d0d0‘信息矩阵：三、带约束条件的最小二乘估计（拉格朗日估计）在计量经济分析中，通常是通过样本信息对未知参数进行估计。但有些时候可能会遇到非样本信息——对未知参数的约束限制（如生产函数中的规模报酬不变等）。在这种情况下，我们就可以采用拉格朗日估计法。对于线性模型（），若其参数卩具有某种线性等式约束:HB=0（）其中H是mxk矩阵（m
