计量经济学思考题.docx
《计量经济学思考题.docx》由会员分享,可在线阅读,更多相关《计量经济学思考题.docx(17页珍藏版)》请在冰豆网上搜索。
计量经济学思考题
1、经济计量学的研究步骤有哪些?
一、模型设定:
依据一定的经济理论或经验,先验地用一个或一组数学方程式表示被研究系统内经济变量之间的关系。
1、研究有关经济理论;2、确定变量以及函数形式;3、统计数据的收集与整理
二、参数估计:
参数估计的方法主要有一般最小平方法(OLS)及其拓展形式(GLS、WLS、2StageLS等)、最大似然估计法、数值计算法等。
三、模型检验
1、经济意义准则;2、统计检验准则;3、计量经济检验准则
四、模型应用
1、检验经济理论;2、结构分析(乘数分析、弹性分析);3、政策评价4、预测
2、简述经济计量模型的检验准则有哪三方面?
(1)经济意义准则;
(2)统计检验准则;(3)计量经济检验准则
3、经济计量模型中的随机干扰项来自哪些方面?
1、变量的省略。
由于人们认识的局限不能穷尽所有的影响因素或由于受时间、费用、数据质量等制约而没有引入模型之中的对被解释变量有一定影响的自变量。
2、统计误差。
数据搜集中由于计量、计算、记录等导致的登记误差;或由样本信息推断总体信息时产生的代表性误差。
3、模型的设定误差。
如在模型构造时,非线性关系用线性模型描述了;复杂关系用简单模型描述了;此非线性关系用彼非线性模型描述了等等。
4、随机误差。
被解释变量还受一些不可控制的众多的、细小的偶然因素的影响。
若相互依赖的变量间没有因果关系,则称其有相关关系。
4、多元线性回归模型随机干扰项的假定有哪些?
(1)随机误差项的条件期望值为零。
(2)随机误差项的条件方差相同。
(3)随机误差项之间无序列相关。
(4)自变量与随机误差项独立无关。
(5)随机误差项服从正态分布。
(6)各解释变量之间不存在显著的线性相关关系。
5、简述选择解释变量的逐步回归法?
逐步回归的基本思想是“有进有出”。
具体做法是将变量一个一个引入,引入变量的条件是t统计量经检验是显著的。
即每引入一个自变量后,对已经被选入的变量要进行逐个检验,当原引入的变量由于后面变量的引入而变得不再显著时,要将其剔除。
引入一个变量或从回归方程中剔除一个变量,为逐步回归的一步,每一步都要进行t检验,以确保每次引入新的变量之前回归方程中只包含显著的变量。
6、对于非线性模型如何进行参数估计?
一、解释变量可以直接替换的非线性回归模型
1、多项式函数模型
(1)多项式函数形式
令 原模型可化为线性形式,即可利用多元线性回归分析的方法处理了。
(2)利用Eviews应用软件进行回归分析
在主窗口的命令栏内,直接键入ls y c x x^2 x^3,回车即可得到输出结果
(3)利用SPSS应用软件进行回归分析
在SPSS中,依次点击Analyze/Regression/CurveEstimation,打开对话窗口。
在Models选项组中,共有11种曲线可供选择:
Linear(直线)、Quadratic(二次曲线)、Compound(复合曲线)、Growth(增长曲线)、Logarithmic(对数曲线)、Cubic(三次曲线)、S(S曲线)、Exponential(指数曲线)、Inverse(倒数曲线)、Power(Power曲线)、Logistic(逻辑斯蒂曲线)。
2、双曲线(倒数)模型
令 原模型可化为线性形式,即可利用一元线性回归分析的方法处理。
3、双对数函数模型
4、半对数函数模型
(1)对于对数—线性模型
它表示x变动一个单位,y将变动 %。
即y的相对变动百分比等于 乘以x的绝对变化量。
(2)对于线性—对数模型
它表示x变动1%,y将变动 个单位的绝对量。
即y的绝对变化量等于 乘以x的相对变化量。
5、逻辑斯蒂(Logistic)曲线
令 则有:
二、解释变量需间接替换的非线性回归模型
1、指数曲线
两边取对数得:
令 则有
7、简述异方差性的检验方法?
(一)图示法
(1)用x-y的散点图进行判断
看是否存在明显的散点扩大、缩小或复杂型趋势(即不在一个固定的带型域中)
(2)利用x- 的散点图
看是否形成一斜率为零的直线
(二)戈德菲尔德-匡特检验
(三)戈里瑟检验
(四)Spearman等级(秩)相关检验
(五)怀特(White)检验
8、如何才能说为的格兰杰意义上的原因?
9、如果将空调季度销售额记为y,空调单价记为x;D1=1代表春季;D2=1代表夏季,D3=1代表秋季;D4=1代表冬季。
我们试图建立以下模型:
这时会产生什么问题?
会带来什么后果?
如何解决?
10、某汽车制造厂销售部经理认为,汽车的销售量与广告费用之间存在着密切的关系。
为此,该经理收集了12个汽车销售分公司的有关数据。
用Excel对数据进行回归分析的部分结果如下:
(一)方差分析表
df
SS
MS
F
SignificanceF
回归
___
______
1602709
______
2.17E-09
残差
___
______
______
总计
11
1642867
(二)参数估计表
Coefficients
标准误差
tStat
P-value
Intercept
363.6891
62.45529
5.823191
0.000168
XVariable1
2.028873
0.101558
19.97749
2.17E-09
要求(计算结果精确至0.1):
(1)在方差分析表中的下划线上填上适当的数据;
(2)计算销售量与广告费用之间的相关系数,并据此分析两者的关系形态与强度;
(3)写出销售量对广告费用的一元线性回归方程,并检验在5%的显著性水平下,回归系数和回归方程的线性关系是否显著。
11、以下是某个案例的Eviews分析结果(局部)。
DependentVariable:
Y Method:
LeastSquares
Sample(adjusted):
1 10
Includedobservations:
10afteradjustingendpoints
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
4.826789
9.217366
0.523663
0.6193
X1
0.178381
0.308178
(1)
0.5838
X2
0.688030
(2)
3.277910
0.0169
X3
(3)
0.156400
-1.423556
0.2044
R-squared
0.852805
Meandependentvar
41.90000
AdjustedR-squared
(4)
S.D.dependentvar
34.28783
S.E.ofregression
16.11137
Akaikeinfocriterion
8.686101
Sumsquaredresid
1557.457
Schwarzcriterion
8.807135
Loglikelihood
-39.43051
F-statistic
11.58741
Durbin-Watsonstat
3.579994
Prob(F-statistic)
0.006579
①填上
(1)、
(2)、(3)、(4)位置所缺数据;
②以标准记法写出回归方程;
③你对分析结果满意吗?
为什么?
12、根据下列SPSS软件运行结果,确定最佳模型,并说明理由;以标准记法写出回归方程。
13、一家家用电器产品销售公司在30个地区设有销售分公司。
为研究产品彩电销售量(台)与该公司的销售价格(百元)、各地区的年人均收入(百元)、广告费用(百元)之间的关系,搜集到30各地区的有关数据。
设彩电销售量为y,销售价格为x1,年人均收入为x2,广告费用为x3,利用Excel得到下面的回归结果。
相关系数矩阵
y
X1
X2
X3
y
1
X1
-0.46922
1
X2
0.74095
0.07837
1
X3
0.87595
-0.46880
0.60454
1
方差分析
Df
SS
MS
F
SignificanceF
回归分析
4008924.7
8.88341E-13
残差
总计
13458586.7
-
-
―
参数估计表
Coefficients
标准误差
tStat
P-value
Intercept
7589.1025
2445.0213
3.1039
0.00457
XVariable1
-117.8861
31.8974
-3.6958
0.00103
XVariable2
80.6107
14.7676
5.4586
0.00001
XVariable3
0.5012
0.1259
3.9814
0.00049
(1)将方差分析表中的所缺数值补齐;
(2)如果只选一个自变量来预测销售量,三个自变量中哪一个会被优先选择?
请说明理由;
(3)写出销量与销售价格、年人均收入、广告费用的多元线性回归方程,并解释各回归系数的意义;
(4)若显著水平=0.05,回归方程的线性关系是否显著?
(5)若显著水平=0.05,各回归系数是否显著?
(6)销售量y的变差中被回归方程所解释的百分比是多少?
14、简述选择解释变量的逐步回归法?
15、用X1(万元)代表啤酒厂商的广告费,用X2(千元/吨)代表啤酒单价,用X3(千元/吨)代表白酒单价,用y代表啤酒销售量(吨)。
建立模型如下:
Y=120 + 30X1 -20lnX2 + 5X3
T= (3.21) (2.98) (-3.01) (1.87)
F=141.223
(1)先验地,你认为各个系数的符号如何?
你的预期与结果一致吗?
(2)解释各个回归系数的意义?
(3)检验各个回归系数的统计显著性。
(临界值=2.10)
(4)如何检验假设:
所有的回归系数同时为零?
(临界值=4.33)
16、用x代表广告费,用y代表销售量,解释以下模型中的经济意义。
17、根据下列Eviews应用软件的运行结果比较分析选择哪个模型较好?
并说明理由;以标准形式写出确定的回归方程。
模型一
DependentVariable:
Y Method:
LeastSquares
Sample:
112 Includedobservations:
12
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
46.13828
7.356990
6.271352
0.0001
1/X
1335.604
171.2199
7.800522
0.0000
AdjustedR-squared
0.844738
Akaikeinfocriterion
8.283763
Sumsquaredresid
1993.125
Schwarzcriterion
8.364580
Loglikelihood
-47.70258
F-statistic
60.84814
Durbin-Watsonstat
2.154969
Prob(F-statistic)
0.000015
模型二
DependentVariable:
Y Method:
LeastSquares
Sample:
112 Includedobservations:
12
Convergenceachievedafter6iterations
Y=C
(1)*C
(2)^X
Coefficient
Std.Error
t-Statistic
Prob.
C
(1)
195.1784
11.46600
17.02237
0.0000
C
(2)
0.979132
0.001888
518.5842
0.0000
AdjustedR-squared
0.922179
Akaikeinfocriterion
7.593063
Sumsquaredresid
999.0044
Schwarzcriterion
7.673881
Loglikelihood
-43.55838
Durbin-Watsonstat
2.818195
18、根据下列Eviews运行结果,分别对2009年四个季度作出预测。
输出结果1
Sample:
2004:
12008:
4 Includedobservations:
20
Method:
Holt-WintersMultiplicativeSeasonal
OriginalSeries:
Y ForecastSeries:
YSM
Parameters:
Alpha
0.4600
Beta
0.0000
Gamma
0.0000
SumofSquaredResiduals
2164.646
RootMeanSquaredError
10.40348
EndofPeriodLevels:
Mean
353.0604
Trend
11.67188
Seasonals:
2008:
1
0.975157
2008:
2
1.031936
2008:
3
1.182440
2008:
4
0.810467
输出结果2
Sample:
2004:
12008:
4 Includedobservations:
20
Method:
Holt-WintersAdditiveSeasonal
OriginalSeries:
Y ForecastSeries:
YSM
Parameters:
Alpha
0.3400
Beta
0.0000
Gamma
0.0000
SumofSquaredResiduals
3533.643
RootMeanSquaredError
13.29218
EndofPeriodLevels:
Mean
349.8953
Trend
11.67188
Seasonals:
2008:
1
-6.292187
2008:
2
8.435938
2008:
3
43.76406
2008:
4
-45.90781
19、基于Eviews软件,说明如何对下列模型进行参数估计
(1);
(2); (3)
20、下面是某案例Eviews的分析结果(局部),根据输出结果完成下列要求(写出判断或检验的依据)(α=0.05,=1.19,=1.55)
(1)以标准记法写出回归方程, 并解释回归系数的含义;
(2)对所求得的线性方程作显著性检验。
(3)对模型进行异方差检验,说明模型是否存在异方差;
(4)对模型进行自相关检验,说明模型是否存在序列自相关;
(5)计算方差扩大因子,说明模型是否存在多重共线性。
DependentVariable:
Y Method:
LeastSquares
Sample:
2008M012009M12 Includedobservations:
24
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
-486.6758
96.84835
-5.025133
0.0001
LOG(X1)
-5.369058
111.7945
-0.048026
0.9621
LOG(X2)
204.4170
80.43056
2.541534
0.0190
R-squared
0.869978
Meandependentvar
3.116667
AdjustedR-squared
0.857594
S.D.dependentvar
2.116533
S.E.ofregression
0.798709
Akaikeinfocriterion
2.504828
Sumsquaredresid
13.39665
Schwarzcriterion
2.652084
Loglikelihood
-27.05793
F-statistic
70.25528
Durbin-Watsonstat
0.449745
Prob(F-statistic)
0.000000
WhiteHeteroskedasticityTest:
F-statistic
1.649512
Probability
0.216083
Obs*R-squared
3.258427
Probability
0.196084
TestEquation:
DependentVariable:
RESID^2Method:
LeastSquares
Sample:
2008M012008M12Includedobservations:
24
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
100.9379
63.21018
1.596861
0.1252
LOG(X1)
-132.2739
72.96509
-1.812838
0.0842
LOG(X2)
94.27548
52.49475
1.795903
0.0869
R-squared
0.135768
Meandependentvar
0.558194
AdjustedR-squared
0.053460
S.D.dependentvar
0.535814
S.E.ofregression
0.521295
Akaikeinfocriterion
1.651466
Sumsquaredresid
5.706708
Schwarzcriterion
1.798722
Loglikelihood
-16.81759
F-statistic
1.649512
Durbin-Watsonstat
1.879222
Prob(F-statistic)
0.216083
DependentVariable:
LOG(X1) Method:
LeastSquares
Sample:
2008M012009M12 Includedobservations:
24
Prob.
Variable
Coefficient
Std.Error
t-Statistic
C
0.782000
0.079477
9.839362
0.0000
LOG(X2)
0.703338
0.032280
21.78851
0.0000
R-squared
0.955711
Meandependentvar
2.513666
AdjustedR-squared
0.953698
S.D.dependentvar
0.007079
S.E.ofregression
0.001523
Akaikeinfocriterion
-10.05635
Sumsquaredresid
5.10E-05
Schwarzcriterion
-9.958181
Loglikelihood
Durbin-Watsonstat
122.6762
F-statistic
474.7392
0.569325
Prob(F-statistic)
0.000000