可行的广义最小二乘法 广义最小二乘法 区别

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.

最小二乘法是解决相关关系中求回归直线方程的重要方法，主要是求偏差平方的最小值，从而得回归直线方程的系数的方法.用最小二乘法求的回归直线方程可能没有任何意义，所以要先判断具有相关性的两个变量是否是线性相关的，是线性相关的，求出的回归直线方程才有意义.这里的“可行”即这个意思.
可以用散点图和相关系数判断两个变量是否具有线性相关关系.

不要再强迫数学去给某些无聊透顶的金融问题做苦力了。你应该先去弄明白你花费最宝贵的时间去研究这些问题的答案是否真的对你有足够长远的意义。想通了再提高悬赏答案吧