1、一元线性回归模型的总体回归模型构造性数据集的特征、对应散点图和总体回归直线的图例，理解可以样本推断总体的理念
一元线性回归模型就是中学的y = kx + b

2、高斯经典假定的六条假定及其含义（Yi：被解释变量（因变量）、Xi：解释变量（自变量）、βi：回归系数、ui：残差项）
回归模型对参数而言是线性的：解释变量是一次的（截距的解释变量就是X的零次方），解释变量的系数也是一次的。
解释变量X是外生变量：解释变量和残差项不相关，就是不能做出解释变量和残差的回归方程。
模型设定正确：没欠拟合和过拟合现象。
零均值：E(ui | Xi) = 0
同方差：Var(ui | Xi) = E[ui - E(ui |Xi)]² = E(ui²) = σ²
无自相关性：Cov(ui | uj) = 0，后一期残差与前一期残差没有相关性。

3、OLS估计量的计算思路
最小二乘法就是通过使残差平方和最小，即解释变量减去估计量的平方最小，拟合出一条直线
(详细的理论部分各种计量经济学教材写的都很好，可以看书上的，才不是我不想打字了.^◡^.)


4、估计量的统计性质：线性性、无偏性、有效性；一致性（相合性）、渐进无偏性、渐进有效性
估计量的有限性
线性性：估计量是随机样本数据的线性函数
无偏性：估计量的期望=总体的真实值
有效性:  估计量βi在所有线性无偏估计量中具有最小方差
大样本性质（渐进性质）
渐进无偏性：样本足够大时，估计量的期望=总体的真实值
一致性：样本足够大时，估计量依概率收敛于总体的真实值
渐近有效性：样本足够大时，估计量βi在所有一致估计量中具有最小的渐进方差

5、高斯-马尔科夫定理：线性回归模型，满足经典假定，其OLS估计量是BLUE的
高斯基本假定+回归模型的解释变量之间不存在完全的多重共线性就是BLUE，多重共线性会导致解释变量的相关性强

6、理解TSS=ESS+RSS；拟合优度R2的定义
总平方和TSS:被解释变量的方差
回归平方和ESS:样本回归直线的拟合值与实际观测值的平均值之差的平方
残差平方和RSS:实际观测值与样本回归直线的拟合值之差的平方
判定系数R² = ESS/TSS = 1 - RSS/TSS，反应拟合效果的，越接近1，模型拟合效果越好（请注意不要以最大的R²作为模型选择的唯一标准）

7、从误差项U的正态分布，推出因变量Y服从正态分布，推出参数估计量服从正态分布的过程
略

8、统计三大分布：t分布、F分布、卡方分布的构造原理；单参数正态总体的均值检验、方差检验，双正态总体的均值相等检验和方差齐性检验，弄清楚检验统计量的构造原理和检验思想
详情看书，这里只说一下用R语言的lm函数进行OLS回归估计怎么看它的t检验、F检验结果
一般看p值，它们的p值是在5%显著性水平下，只要p值＜0.05，显著性就强（卡方检验也是怎么看的，当然，查表也很好）。t检验用于检验变量的显著性，F检验用于模型整体的显著性检验。

下面举个例子，这是一个OLS估计出来的模型

比如上述线性回归模型，在Coefficients:那里，第一列数据依次表示截距、各解释变量系数，第二列是标准误（区别与标准差，标准差的平方就是方差），第三列是t值。t检验的p值在5%显著性水平下，均小于0.05，解释变量显著性才强，图中的都不显著，这个模型就没什么用；它的R² = 0.7，模型整体解释效果较强；F检验的p值在5%显著性水平下，小于0.05，模型整体显著性强。

9、一元线性回归模型的单参数t检验的基本思想及其构造推导原理
t值 = 估计值/标准差

10、蒙特卡洛模拟的基本思想原理
这是用来更好的理解OLS估计量统计性质的，通过比较OLS估计量与其他线性无偏估计量，我们可以看到OLS估计量服从正态分布，且OLS估计量的方差最小。