计量经济学简答题及谜底
欧阳光明（2021.03.07）
1、比较普通最小二乘法、加权最小二乘法和广义最小二乘法的异同。
答：普通最小二乘法的思想是使样本回归函数尽可能好的拟合样本数据，反应在图上就是是样本点偏离样本回归线的距离总体上最小，即残差平方和最小。只有在满足了线性回归模型的古典假设时候，采取OLS才干包管参数估计结果的可靠性。
在不满足基本假设时，如呈现异方差，就不克不及采取OLS。加权最小二乘法是对原模型加权，对较小残差平方和付与较年夜的权重，对较年夜付与较小的权重，消除异方差，然后在采取OLS估计其参数。
在呈现序列相关时，可以采取广义最小二乘法，这是最具有普遍意义的最小二乘法。
最小二乘法是加权最小二乘法的特例，普通最小二乘法和加权最小二乘法是广义最小二乘法的特列。
6、虚拟变量有哪几种基本的引入方法? 它们各适用于什么情况?
答: 在模型中引入虚拟变量的主要方法有加法方法与乘法方法，前者主要适用于定性因素对截距项产生影响的情况，后者主要适用于定性因素对斜率项产生影响的情况。除另外，还可以加法与乘法组合的方法引入虚拟变量，这时可测度定性因素对截距项与斜率项同时产生影响的情况。
7、联立方程计量经济学模型中结构式方程的结构参数为什么不克不及直接应用OLS估计？
答：主要的原因有三：第一，结构方程解释变量中的内生解释变量是随机解释变量,不克不及直接用OLS来估计；第二，在估计联立方程系统中某一个随机方程参数时，需要考虑没有包含在该方程中的变量的数据信息，而双方程的OLS估计做不到这一点；第三，联立方程计量经济学模型系统中每个随机方程之间往往存在某种相关性，表示于不合方程随机干扰项之间，如果采取双方程办法估计某一个方程，是不成能考虑这种相关性的，造成信息的损失。
2、计量经济模型有哪些应用。
答：①结构阐发，即是利用模型对经济变量之间的相互关系做出研究，阐发当其他条件不变
时，模型中的解释变量产生一定的变动对被解释变量的影响水平。②经济预测，即是利用建立起来的计量经济模型对被解释变量的未来值做出预测估计或推算。③政策评价，对不合的政策计划可能产生的后果进行评价比较，从中做出选择的过程。④检验和成长经济理论，计量经济模型可用来检验经济理论的正确性，并揭示经济活动所遵循的经济规律。
6、简述建立与应用计量经济模型的主要步调。
答：一般分为5个步调：①根据经济理论建立计量经济模型；②样本数据的收集；③估计参数；④模型的检验；⑤计量经济模型的应用。
7、对计量经济模型的检验应从几个方面入手。
答：①经济意义检验；②统计准则检验；③计量经济学准则检验；④模型预测检验。
1、在计量经济模型中，为什么会存在随机误差项？
答：①模型中被忽略失落的影响因素造成的误差；②模型关系认定禁绝确造成的误差；③变量的丈量误差；④随机因素。这些因素都被归并在随机误差项中考虑。因此，随机误差项是计量经济模型中不成缺少的一部分。
2、古典线性回归模型的基本假定是什么？
答：①零均值假定。即在给定xt的条件下，随机误差项的数学期望（均值）为0，即。②同方差假定。误差项的方差与t无关，为一个常数。③无自相关假定。即不合的误差项相互自力。④解释变量与随机误差项不相关假定。⑤正态性假定，即假定误差项从命均值为0，方差为的正态散布。
3、总体回归模型与样本回归模型的区别与联系。
答：主要区别：①描述的对象不合。总体回归模型描述总体中变量y与x的相互关系，而样本回归模型描述所观测的样本中变量y与x的相互关系。②建立模型的不合。总体回归模型是依据总体全部观测资料建立的，样本回归模型是依据样本观测资料建立的。③模型性质不合。总体回归模型不是随机模型，样本回归模型是随机模型，它随着样本的修改而修改。
主要联系：样本回归模型是总体回归模型的一个估计式，之所以建立样本回归模型，目的是用来估计总体回归模型。
4、试述回归阐发与相关阐发的联系和区别。
答：两者的联系：①相关阐发是回归阐发的前提和基础；②回归阐发是相关阐发的深入和继续；③相关阐发与回归阐发的有关指标之间存在计算上的内在联系。
两者的区别：①回归阐发强调因果关系，相关阐发不关心因果关系，所研究的两个变量是对等的。②对两个变量x与y而言，相关阐发中：；但在回归阐发中，和却是两个完全不合的回归方程。③回归阐发对资料的要求是：被解释变量y是随机变量，解释变量x是非随机变量。相关阐发对资料的要求是两个变量都随机变量。
5、在满足古典假定条件下，一元线性回归模型的普通最小二乘估计量有哪些统计性质？
答：①线性，是指参数估计量和辨别为观测值和随机误差项的线性函数或线性组合。②无偏性，指参数估计量和的均值（期望值）辨别即是总体参数和。③有效性（最小方差性或最优性），指在所有的线性无偏估计量中，最小二乘估计量和的方差最小。
6、简述BLUE的含义。
答：在古典假定条件下，OLS估计量和是参数几多对和的最佳线性无偏估计量，即BLUE，这一结论就是著名的高斯－马尔可夫定理。
7、对多元线性回归模型，为什么在进行了总体显著性F检验之后，还要对每个回归系数进行是否为0的t检验？
答：多元线性回归模型的总体显著性F检验是检验模型中全部解释变量对被解释变量的共同影响是否显著。通过了此F检验，就可以说模型中的全部解释变量对被解释变量的共同影响是显著的，但却不克不及就此判定模型中的每一个解释变量对被解释变量的影响都是显著的。因此还需要就每个解释变量对被解释变量的影响是否显著进行检验，即进行t检验。
2.在多元线性回归阐发中，为什么用修正的决定系数衡量估计模型对样本观测值的拟合优度？
解答：因为人们发明随着模型中解释变量的增多，多重决定系数的值往往会变年夜，从而增加了模型的解释功能。这样就使得人们认为要使模型拟合得好，就必须增加解释变量。可是，在样本容量一定的情况下，增加解释变量肯定使得待估参数的个数增加，从而损失自由度，而实际中如果引入的解释变量并不是需要的话可能会产生很多问题，比方，降低预测精确度、引起多重共线性等等。为此用修正的决定系数来估计模型对样本观测值的拟合优度。
3.修正的决定系数及其作用。
解答：，其作用有：（1）用自由度调整后，可以消除拟合优度评价中解释变量几多对决定系数计算的影响；（2）对包含解释变量个数不合的模型，可以用调整后的决定系数直接比较它们的拟合优度的高低，但不克不及用原来未调整的决定系数来比较。
4.罕见的非线性回归模型有几种情况？
解答：罕见的非线性回归模型主要有:
(1)对数模型
(2)半对数模型或
(3)倒数模型
(4)多项式模型
2.产生异方差性的原因及异方差性对模型的OLS估计有何影响。
（1）模型中遗漏了某些解释变量；（2）模型函数形式的设定误差；（3）样本数据的丈量误差；（4）随机因素的影响。
产生的影响：如果线性回归模型的随机误差项存在异方差性，会对模型参数估计、模型检验及模型应用带来重年夜影响，主要有：（1）不影响模型参数最小二乘估计值的无偏性；（2）参数的最小二乘估计量不是一个有效的估计量；（3）对模型参数估计值的显著性检验失效；（4）模型估计式的代表性降低，预测精度精度降低。
3.检验异方差性的办法有哪些？
（1）图示检验法；（2）戈德菲尔德—匡特检验；（3）怀特检验；（4）戈里瑟检验和帕克检验（残差回归检验法）；（5）ARCH检验（自回归条件异方差检验）
4.异方差性的解决办法有哪些？
（1）模型变换法；（2）加权最小二乘法；（3）模型的对数变换等
5.什么是加权最小二乘法？它的基本思想是什么？
最小二乘法的基来源根基理是使残差平方和为最小，在异方差情况下，总体回归直线对不合的的摆荡幅度相差很年夜。随机误差项方差越小，样本点对总体回归直线的偏离水平越低，残差的可信度越高（或者说样本点的代表性越强）；而较年夜的样本点可能会偏离总体回归直线很远，的可信度较低（或者说样本点的代表性较弱）。因此，在考虑异方差模型的拟合总误差时，对不合的应该区别看待。具体做法：对较小的给于充分的重视，即给于较年夜的权数；对较年夜的给于充分的重视，即给于较小的权数。更好的使反应对残差平方和的影响水平，从而改良参数估计的统计性质。
6.样天职段法（即戈德菲尔特——匡特检验）检验异方差性的基来源根基理及其使用条件。
将样天职为容量相等的两部分，然后辨别对样本1和样本2进行回归，并计算两个子样本的残差平方和，如果随机误差项是同方差的，则这两个子样本的残差平方和应该年夜致相等；如果是异方差的，则两者不同较年夜，以此来判断是否存在异方差。使用条件：（1）样本容量要尽可能年夜，一般而言应该在参数个数两倍以上；（2）从命正态散布，且除异方差条件外，其它假定均满足。