加权最小二乘法与广义最小二乘法?

加权最小二乘法与广义最小二乘法？

使用最小二乘法需要一些前提，数据大多数时候是满足这些条件的。但有时候这些条件是不能满足的，这时需要对原始数据作适当变换，让他符合最小二乘法的使用条件，然后继续使用最小二乘法。 从整体上看，在处理数据前作的处理相当于在数据上加权，这个时候就把整个处理过程(包括数据事前的变换以及后来运用最小二乘法)看作加了权的最小二乘法。从这个意义上讲，加权最小二乘法就是最小二乘法。 y=a+b1*x1+b2*x2+e 中的误差项不满足高斯—马尔可夫条件， 即cov(e)=M,M为一个未知协方差阵，那么就要用到两次估计，即要估计出M，再估计系数a,b1,b2。这里常用的是两阶段GLS（两阶段广义最小二乘法），也称为feasible GLS（可行广义最小二乘法）。 这是一个很常见的问题，R中有包吗？我搜了下好像没有找到，可能是没有找仔细。S-PLUS中有吗？ WIKI百科里有feasible GLS的步骤，其实也就是一个迭代的WLS而已。没有对协方差进行估计，还是把应变量不同观测的相关性看作是0.

为什么加权最小二乘法是广义最小二乘法的特例?

最小二乘法是加权最小二乘法的特例。使用最小二乘法需要一些前提，数据大多数时候是满足这些条件的。但有时候这些条件是不能满足的，这时需要对原始数据作适当变换，让他符合最小二乘法的使用条件，然后继续使用最小二乘法。

从整体上看，在处理数据前作的处理相当于在数据上加权，这个时候就把整个处理过程（包括数据事前的变换以及后来运用最小二乘法）看作加了权的最小二乘法。从这个意义上讲，加权最小二乘法就是最小二乘法。

下面分享相关内容的知识扩展：

加权最小二乘法 里面有个unweighted 问为什么那里的系数和一开始用样本直接不加权ols算来的不同？

感谢啊~！~
加权最小二乘法 里面有个unweighted 问为什么那里的系数和一开始用样本直接不加权ols算来的不同？
麻烦请说得细致些~~~~我这有一点答案，但是我觉得很不好，请帮我补充完整哈~！~
答：因为那个unweighted里面算的那个是用前面加权算不来以后的估计式都乘以x后再做回归，和直接用样本做ols是不同的
根据你发的这个回答，我的理解是：加权原本是用权数平方根同乘到原模型两边后的新模型（理论参看庞浩教材），现在对新模型进行估计后，得到对应的回归估计式和weighted statistics，EViews求unweighted statistics的值是在新模型的回归估计式的基础上，两边同除权数的平方根（即加权的逆向运算）去求的，因为计算过程中有误差，故算出来的值与原回归的值有差异。
不知道是不是这样，个人看法。供探讨

计量经济学 加权最小二乘法WLS 参数估计

Yi=B1+B2Xi+Ui
存在异方差，当误差方差与Xi成比例时，两边同除以Xi的平方根，之后要怎么按照OLS法估计参数B1和B2???

不是用Eviews等软件操作，怎么手工计算参数？？
新的回归方程是

（Yi/sqrt Xi)=B1/(sqrt xi)+B2( sqrt xi)+ei，此时 ei不再具有异方差性。
对上式采用O.L.S，求得B1/(sqrt xi) 和 B2
这里的问题在于新的回归方程估计出来的截距项A=B1/(sqrt xi)也是一个常数，在正真估计yi的时候，只需要Yi=A sqrt xi +B2 xi 即可。

器如何实现，迭代重加权最小二乘法，迭代器模式c++?

他提供一种 *** 访问一个容器对象中的各个元素，而不暴漏该对象内部细节 注：迭代器是为容器服务的。

迭代器模式提供了遍历容器的方便性，容器只管理增减元素就好，需要遍历时交给迭代器就好。