アットウィキロゴ

最小二乗推定量の仮説検定

最小二乗推定量について

y_{i}={\beta}_{0}+{\beta}_{1}x_{i}+{\epsilon}_{i}

{\epsilon}_{i} \sim  N(0,{\sigma}^2)かつ Cov({\epsilon}_{i},{\epsilon}_{j})=0 (i \neq j)

を最小二乗法で解きます。 正規方程式を解いて、以下の最小二乗推定量が得られました。

\hat{{\beta}_{1}}=\frac{s_{xy}}{s_{xx}}

\hat{{\beta}_{0}}=\bar{y}-\hat{{\beta}_{1}}\bar{x}

なお、s_{xx},s_{xy}は偏差平方和、偏差積和であり以下のように計算される。

s_{xx}=\sum_{i=1}^n (x_{i}-\bar{x})^2

s_{xy}=\sum_{i=1}^n (x_{i}-\bar{x})(y_{i}-\bar{y})

仮説検定をしたい!

ところで、\hat{{\beta}_{0}},\hat{{\beta}_{1}}が0か、そうでないかの仮説検定をしたい。そのために、\hat{{\beta}_{0}},\hat{{\beta}_{1}}の平均、分散を計算する必要があるのです。 とりあえず計算を頑張る。

\hat{{\beta}_{1}}の平均、分散の計算

s_{xx}は定数。s_{xy}は、正規分布に従う確率変数y_{i}の1次式だから、 つまり\hat{{\beta}_{1}}は正規分布に従う。

s_{xy}の平均と分散は

E[s_{xy}]=E[\sum_{i=1}^n (x_{i}-\bar{x})(y_{i}-\bar{y})] \\

          =\sum_{i=1}^n (x_{i}-\bar{x})E[(y_{i}-\bar{y})] \\
          =\sum_{i=1}^n (x_{i}-\bar{x})[{\beta}_{0}+{\beta}_{1}x_{i}-({\beta}_{0}+{\beta}_{1}\bar{x})] \\
          ={\beta}_{1} \sum_{i=1}^n (x_{i}-\bar{x})^2

V[s_{xy}]=V[\sum_{i=1}^n (x_{i}-\bar{x})(y_{i}-\bar{y})] \\

          =V[\sum_{i=1}^n (x_{i}-\bar{x})y_{i}] \\
          =\sum_{i=1}^n (x_{i}-\bar{x})^2 V[y_{i}] \\
          ={\sigma^2}s_{xx}

それでは、本題の

E[\hat{{\beta}_{1}}]=E[\frac{s_{xy}}{s_{xx}}]=\frac{1}{s_{xx}}E[s_{xy}]={\beta}_{1} \\

V[\hat{{\beta}_{1}}]=V[\frac{s_{xy}}{s_{xx}}]=\frac{1}{{s_{xx}}^2}V[s_{xy}]=\frac{{\sigma}^2}{s_{xx}} \\

\hat{{\beta}_{0}}の平均、分散の計算

\bar{y}\hat{{\beta}_{1}}も正規分布に従うので\hat{{\beta}_{0}}も正規分布に従う。

\hat{{\beta}_{0}}の平均、分散は

E[\hat{{\beta}_{0}}]=E[\bar{y}-\hat{{\beta}_{1}}\bar{x}]=({\beta}_{0}+{\beta}_{1}\bar{x})-{\beta}_{1}\bar{x}={\beta}_{0}

V[\hat{{\beta}_{0}}]=V[\bar{y}-\hat{{\beta}_{1}}\bar{x}]=V[\bar{y}]+{\bar{x}}^2 V[\hat{{\beta}_{1}}]-2\bar{x}Cov[\bar{y},\hat{{\beta}_{1}}]

さて、Cov[\bar{y},\hat{{\beta}_{1}}]

Cov[\bar{y},\hat{{\beta}_{1}}]=Cov[\frac{1}{n} \sum_{i=1}^n y_{i},\frac{s_{xy}}{s_{xx}}]\\

=\frac{1}{ns_{xx}} Cov[\sum_{i=1}^n y_{i},\sum_{i=1}^n (x_{i}-\bar{x})y_{i}]  \\

=\frac{1}{ns_{xx}} \sum_{i=1}^n (x_{i}-\bar{x})V[y_{i}]\\

=\frac{{\sigma}^2}{ns_{xx}} \sum_{i=1}^n (x_{i}-\bar{x})\\

=0

よって、

V[\hat{{\beta}_{0}}]=(\frac{1}{n}+\frac{{\bar{x}}^2}{s_{xx}}){\sigma}^2

名前:
コメント:
  • 「回帰直線」については、もっと勉強しないとならないことがあるので、これからも時間をみつけてまとめていかなくちゃ。 -- yohshimo (2007-08-26 12:44:26)
最終更新:2007年08月26日 12:44