在前面一章里，我们介绍了最小二乘法。通过表5 - 2给出的样本的数据，运用最小二乘法，
求得下面的需求函数：
= 4 9 . 6 6 7－2.157 6Xi ( 5 - 1 8 )
这是统计推断的估计阶段，我们现在把注意力转向统计推断的另一个阶级—假设检验。抽样
在此，提出一个重要问题：式( 5 - 1 8)给出的估计回归直线的“优度”如何？也就是说，怎样判别
它确实是真实的总体回归函数的一个好的估计量呢？如何仅仅根据表5 - 2给出的一个样本，来确
定估计的回归函数(即样本回归函数)确实是真实总体回归函数的一个好的近似呢？抽样
我们无法清楚地回答这个问题，除非对总体回归函数知道的更多一些。式( 5 - 2)表明，Yi依
赖于Xi与ui。现在假设Xi值是给定的或是已知的—回顾在第5章中，我们的分析是条件回归分
析，是以给定Xs为条件。简言之，我们把X看作是非随机的。随机误差项u当然是随机的(为什
么？)。由于Y的生成是在随机误差项( u)上加上一个非随机项( X)，因而Y也就变成了随机变量。抽样
所有这些意味着：只有假定随机误差项是如何生成的，才能判定样本回归函数对真实回归函数
拟合的好坏。到目前为止，在求普通最小二乘估计量的过程中，没有涉及ui是如何生成的，因
为O L S估计量的生成与随机误差项的假定无关。但是，在对样本回归函数进行假设检验时，如
果不知道误差项的生成过程，假设检验将无法进行，随后将会看到，只有对ui的生成做一些特
殊的假定，才能完成假设检验。这正是将要讨论的古典线性回归模型(Classical Linear
Regression Model, CLRM)。我们将沿用第5章中介绍的双变量回归模型来解释其基本思想。在
第7章中，我们还将把这一思想推广到多元回归模型之中抽样