绪论

统计学基础

基本概念略过，挑一些之前没听过的和忘了的记。

$Cov(X,Y)=E(XY)-E(X)E(Y)$

协方差表明了两个随机变量对结果的趋势变动是否相同

抽样分布是样本统计量的分布，抽样分布不等于样本分布

线性回归模型经典假设

1. 回归模型是正确设定的
2. 解释变量在所抽取的样本中具有变异性，且$\sum(X_i-\overline X)/n\rightarrow Q, n\rightarrow \infty$
3. $E(\mu_i|X)=0,E(\mu_i)=0,Cov(X_i,\mu_i)=0$

TSS=ESS+RSS

$R^2=\frac{ESS}{TSS}=1-\frac{RSS}{TSS}$

样本交叉矩：$\frac{\sum x_i x_i^T}{n}$

赤池信息准则：$AIC=ln\frac{e’e}{n}+\frac{2(k+1)}{n}$（主要使用它）

施瓦茨准则：$SC=ln\frac{e’e}{n}+\frac{k}{n}lnn$（在大型时间序列数据中使用）

这两准则均要求仅当所增加的解释变量能够减少AIC值或AC值时才在原模型中增加该解释变量。

t检验检验统计量是否等于某个常数

F检验检验两个统计量的大小

Stata

1. SSE(和方差、误差平方和)：The sum of squares due to error
2. MSE(均方差、方差)：Mean squared error
3. RMSE(均方根、标准差)：Root mean squared error

多重共线性

1. 概念：
2. 背景：
3. 后果：
4. 检验：
5. 修正：