参数估计的最小二乘方法

　　，在垂直方向上的偏差距离平方和最小（如图6-2所示）■★◆■■◆。这里的垂直方向的偏差就是残差，即观测值

　　（即残差）越小越好，综合地考虑n个离差值，定义离差平方和（残差平方和）为:

　　回归直线能代表两个变量之间的关系★■，那如何来找到最佳的一条直线呢？回归直线由它的截距项和斜率所确定，那么寻找这条回归直线的过程就是估计回归模型中回归系数

　　（即残差）越小越好，综合地考虑n个离差值，定义离差平方和（残差平方和）为■★■★:

　　回归直线能代表两个变量之间的关系，那如何来找到最佳的一条直线呢■■◆◆◆？回归直线由它的截距项和斜率所确定，那么寻找这条回归直线的过程就是估计回归模型中回归系数的过程■◆。如果我们每个人都拿一把尺子去比对散点图作一条通过这些点的中心的直线，每个人会做一条稍微不同的直线◆■■，显然离所有的点距离最近的直线是最好的直线。最常用的统计准则是普通最小二乘法（ordinary least square◆■，简称OLS）■★★■■★，其思想就是寻找一条直线■◆◆◆★★，使得所有观测点（，在垂直方向上的偏差距离平方和最小（如图6-2所示）。这里的垂直方向的偏差就是残差，即观测值

　　的过程。如果我们每个人都拿一把尺子去比对散点图作一条通过这些点的中心的直线★■，每个人会做一条稍微不同的直线，显然离所有的点距离最近的直线是最好的直线。最常用的统计准则是普通最小二乘法（ordinary least square，简称OLS），其思想就是寻找一条直线◆★■，使得所有观测点（