计量经济学简答题整理Word下载.doc

1、四、普通OLS方法的思想和它的计算方法计量经济学研究的直接目的是确定总体回归函数Yi=B1+B2Xi+ui,然而能够得到的知识来自总体的若干样本的观测值，要用样本信息建立的样本回归函数尽可能“接近”地去估计总体回归函数。为此，可以以从不同的角度去确定建立样本回归函数的准则，也就有了估计回归模型参数的多种方法。例如，用生产该样本概率最大的原则去确定样本回归函数，成为极大似然发展；用估计的剩余平方和的最小的原则确定样本回归函数。称为最小二乘法则。为了使样本回归函数尽可能接近总体回归函数，要使样本回归函数估计的与实际的的误差尽量小，即要使剩余项越小越好。可是作为误差有正有负，其简单代数和最小的准则，

2、这就是最小乘准则，即min=min-min五、简单线性回归模型基本假定（1）对模型和变量的假定,如假定解释变量x 是确定性变量,是非随机的,这是因为在重复抽样中是取一组固定的值.或者虽然是随机的,但与随机扰动项也是不相关；假定模型中的变量没有测量误差。（2）对随机扰动项 u的假定又称高斯假定、古典假定假定1：零均值假定,即在给定解释变量的条件下 ，随机扰动项ui的条件期望或条件为零假定2：同方差假定,即对于给定的每一的条件下，随机扰动项ui的条件方差都等于某一常数 假定3：无自相关假定,即随机扰动项ui的逐次值互不相关u,或者说对于所有的i和j（i不等于j）, ui和uj的协方差为零 假定4：

3、随机扰动 ui与解释变量Xi不相关,可表示为 假定5：对随机扰动项分布的正态性假定，即假定随机扰动项ui服从期望为零，方差为的正态分布，表示为 六、F检验对回归模型整体显著性的检验，所检验假设的形式为 H0：2=3=k=0 H1: j（j=2,3,k）不全为零在H0成立的条件下，统计量 F=ESS/（k-1）/RSS/（n-k）F（k-1,n-k）给定显著性水平，在F分布表中查出自由度为k-1和n-k的临界值F（k-1,n-k）,将样本观测值代入式计算F值，然后将F值与临界值F（k-1,n-k）比较。若F F（k-1,n-k），则拒绝原假设H0：2=3=k=0，说明回归方程显著，即列入模型的各

4、个解释变量联合起来对被解释变量有显著影响；反之。七、多重共线性产生的后果1、完全多重共线性产生的后果（1）参数的估计值不确定当解释变量完全线性相关时 OLS 估计式不确定从偏回归系数意义看：在X2和X3 完全共线性时，无法保持X3不变，去单独考虑X2 对 Y 的影响（X2 和 X3 的影响不可区分）从OLS估计式看：可以证明此时（2）参数估计值的方差无限大OLS估计式的方差成为无穷大：2、不完全多重共线性产生的后果 如果模型中存在不完全的多重共线性，可以得到参数的估计值，但是对计量经济分析可能会产生一系列的影响。（1）参数估计值的方差增大（2）对参数区间估计时，置信区间趋于变大（3）假设检验容

5、易作出错误的判断（4）可能造成可决系数较高，但对各个参数单独的t检验却可能不显著，甚至可能使估计的回归系数符号相反，得出完全错误的结论。八、多重共线性的检验1、简单相关系数检验法，即是利用解释变量之间的线性相关程度去判断是否存在严重多重共线性的一种简便方法。判断规则：一般而言，如果每两个解释变量的简单相关系数（零阶相关系数）比较高，例如大于0.8，则可认为存在着较严重的多重共线性。但要注意：较高的简单相关系数只是多重共线性存在的充分条件，而不是必要条件。 2、方差扩大（膨胀）因子法经验规则：方差膨胀因子越大，表明解释变量之间的多重共性越严重。反过来，方差膨胀因子越接近于1，多重共线性越弱。经验

6、表明，方差膨胀因子10时，说明解释变量与其余解释变量之间有严重的多重共线性，且这种多重共线性可能会过度地影响最小二乘估计。3、直观判断法 当增加或剔除一个解释变量，或者改变一个观测值时，回归参数的估计值发生较大变化，回归方程可能存在严重的多重共线性。从定性分析认为，一些重要的解释变量的回归系数的标准误差较大，在回归方程中没有通过显著性检验时，可初步判断可能存在严重的多重共线性。有些解释变量的回归系数所带正负号与定性分析结果违背时，很可能存在多重共线性。解释变量的相关矩阵中，自变量之间的相关系数较大时，可能会存在多重共线性问题。4、逐步回归法逐步回归的基本思想：将变量逐个的引入模型，每引入一个解

7、释变量后，都要进行检验，并对已经选入的解释变量逐个进行t 检验，当原来引入的解释变量由于后面解释变量的引入而变得不再显著时，则将其剔除。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。在逐步回归中，高度相关的解释变量，在引入时会被剔除。因而也是一种检测多重共线性的有效方法。九、异方差的后果 对参数估计式统计特性的影响参数估计的无偏性仍然成立参数估计的无偏性仅依赖于基本假定中的零均值假定（即 ）。所以异方差的存在对无偏性的成立没有影响。参数估计的方差不再是最小的同方差假定是OLS估计方差最小的前提条件，所以随机误差项是异方差时，将不能再保证最小二乘估计的方差最小。对模型假设检验的影响由于异

8、方差的影响，使得无法正确估计参数的标准误差，导致参数估计的 t 统计量的值不能正确确定，所以，如果仍用 t 统计量进行参数的显著性检验将失去意义。对预测的影响尽管参数的OLS估计量仍然无偏，并且基于此的预测也是无偏的，但是由于参数估计量不是有效的，从而对Y的预测也将不是有效的。十、异方差性的检验常用检验方法:图示检验法相关图形分析残差图形分析格的菲尔德-夸特检验White检验ARCH检验Glejser检验十一、WLS方法如果模型被检验证明存在异方差性，则需要发展新的方法估计模型，最常用的方法是加权最小二乘法。加权最小二乘法是对原模型加权，使之变成一个新的不存在异方差性的模型，然后采用普通最小二

9、乘法估计其参数。在利用Eviews计量经济学软件时，加权最小二乘法具体步骤是：选择普通最小二乘法估计原模型，得到随机误差项的近似估计量；建立的数据序列；选择加权最小二乘法，以序列作为权，进行估计得到参数估计量。实际上是以乘原模型的两边，得到一个新模型，采用普通最小二乘法估计新模型。 十二、自相关的后果1、最小二乘估计量仍然是线性的和无偏的。2、最小二乘估计量不是有效的，即OLS估计量的方差不是最小的，估计量不是最优线性无偏估计量（BLUE）。3、OLS估计量的方差是有偏的。用来计算方差和OLS估计量标准误的公式会严重的低估真实的方差和标准误，从而导致t值变大，使得某个系数表面上显著不为零，但事

10、实却相反。4、t检验和F检验不是可信的。5、计算得到的误差方差2RSS/d.f.（残差平方和/自由度）是真实2的有偏估计量，并且很可能低估了真实的2。6、计算的R2也不能真实的反映实际R2。7、计算的预测方差和标准误差通常是无效的十三、自相关的检验1、图示法、作回归；、计算参差、作et的散点图：A、作（et-1，et）如果大部分落在第I、第象限，则ut存在正自相关。如果大部分落在第II、第IV象限，则ut存在负自相关。B、按时间顺序绘制 （t，et）若et 随时间变化不断变换符号，说明随机扰动存在负自相关；若连续几个为正，后边几个为负，则随机扰动存在正自相关。2、杜宾瓦特森（Durbin-Wa

11、tson）检验基本假定：（1）回归式中有截距项（2）解释变量是非随机的（3）干扰项的模式为一阶自回归模式：（4）回归模型中，滞后因变量被当作解释变量。（5）没有缺损数据。DW检验步骤：（1）做OLS回归，得残差。（2）计算统计量DW（3）对给定的样本数量和解释变量数目，在给定显著水平下，找出临界值的下界和上界dL、dU 。（4）根据下表的决策规则决定是否接受原假设。 DW检验的缺点和局限性 DW检验有两个不能确定的区域，一旦DW值落在这两个区域，就无法判断。这时，只有增大样本容量或选取其他方法 DW统计量的上、下界表要求n=15，这是因为样本如果再小，利用残差就很难对自相关的存在性做出比较正确

12、的诊断 DW检验不适应随机误差项具有高阶序列相关的检验只适用于有常数项的回归模型并且解释变量中不能含滞后的被解释变量十四，线性回归模型经典假设1. 为什么要作基本假定？ 模型中有随机扰动，估计的参数是随机变量，只有对随机扰动的分布作出假定，才能确定所估计参数的分布性质，也才可能进行假设检验和区间估计 只有具备一定的假定条件，所作出的估计才具有较好的统计性质。2、基本假定的内容1）对模型和变量的假定如假定解释变量x 是非随机的，或者虽然是随机的，但与扰动项 u是不相关的假定解释变量x 在重复抽样中为固定值假定变量和模型无设定误差（2）对随机扰动项 u的假定又称高斯假定、古典假定零均值假定 在给定

13、 X 的条件下 ， ui 的条件期望为零同方差假定 在给定 X 的条件下，ui 的条件方差为某个常数的平方无自相关假定 随机扰动项ui的逐次值互不相关 随机扰动 ui与解释变量X不相关对随机扰动项分布的正态性假定 即假定 ui 服从均值为零、方差为的正态分布 十五、计量经济学模型的异方差一、异方差性的实质异方差性的含义二、产生异方差的原因（二）模型的设定误差 模型的设定主要包括变量的选择和模型数学形式的确定。模型中略去了重要解释变量常常导致异方差，实际就是模型设定问题。除此而外，模型的函数形式不正确，如把变量间本来为非线性的关系设定为线性，也可能导致异方差。（三）数据的测量误差 样本数据的观测误差有可能随研究范围的扩大 而增加，或随时间的推移逐步积累，也可能随着观测技术的提高而逐步减小。（四）截面数据中总体各单位的差异 通常认为，截面数据较时间序列数据更容易产生异方差。这是因为同一时点不同对象的差异，一般说来会大于同一对象不同时间的差异。不过，在时间序列数据发生