下载文档原格式
古扎拉蒂《计量经济学基础》复习笔记和课后习题详解（多元回归分析：推断问题）【圣才出品】第8章多元回归分析：推断问题8.1 复习笔记考点一：再议正态性假定★当回归模型的参数用于估计和推断两个方面时，还需要假定u i服从正态性假定，即：u i～N（0，σ2）。
在三变量模型中，偏回归系数的OLS估计量与ML估计量一致，是最优线性无偏估计量（BLUE）。
参数估计量也是正态分布的，且（n－3）（σ∧2/σ2）～χ2（n－3）。
参数的t值均服从自由度为n－3的t分布。
t分布可用于构造置信区间并进行假设检验。
χ2分布可用于检验关于真实σ2的假设。
考点二：多元回归中的假设检验的多种形式★1．检验个别偏回归系数的假设。
2．检验估计的多元回归模型的总体显著性，即判别全部偏斜率系数是否同时为零。
3．检验两个或多个系数是否相等。
4．检验偏回归系数是否满足某种约束条件。
5．检验所估计的回归模型在时间上或在不同横截面单元上的稳定性。
6．检验回归模型的函数形式是否正确。
考点三：检验关于个别偏回归系数的假设★★t检验的程序是基于随机误差项u i服从正态分布的假定。
检验方法：给定一个特定的显著性水平α，当t值超过临界值tα/2（df），则拒绝原假设。
或使用p值判断，当p足够小，则拒绝原假设。
参数β∧2的（1－α）置信区间为：（β∧2－tα/2se（β∧2），β∧2＋tα/2se（β∧2））。
由于不能直接观测u i，所以利用代理变量u∧i，即残差。
残差的正态性可进行雅克-贝拉（JB）检验（大样本检验）。
考点四：检验样本回归的总体显著性★★★★★1．总体显著性检验（1）定义总体显著性检验的原假设为：H0：β2＝β3＝0。
也就是检验Y是否与X2和X3存在线性关系。
（2）总体显著性检验与个别显著性检验检验个别显著性时，隐含地假定每一个显著性检验都是根据一个不同的（即独立的）样本进行的。
如果用同一样本数据去进行联合检验，就违反了检验方法所依据的基本假定。
计量经济学古扎拉蒂课后答案【篇一：计量经济学考试习题及答案】双对数模型 lny?ln?0??1lnx??中，参数?1的含义是（）a.y关于x的增长率b.y关于x的发展速度c. y关于x的弹性d. y关于x 的边际变化2、设k为回归模型中的参数个数，n为样本容量。
则对多元线性回归方程进行显著性检验时，所用的f统计量可表示为（）ess（/n?k）r2/(k?1)b. a.2rss（/k?1)（1?r）（/n?k)ess（/k?1）r2（/n-k)d.c. tss（/n?k）（1?r2）（/k?1)3、回归模型中具有异方差性时，仍用ols估计模型，则以下说法正确的是（）a. 参数估计值是无偏非有效的b. 参数估计量仍具有最小方差性c. 常用f 检验失效d. 参数估计量是有偏的4、利用德宾h检验自回归模型扰动项的自相关性时，下列命题正确的是（）a. 德宾h检验只适用一阶自回归模型b. 德宾h检验适用任意阶的自回归模型c. 德宾h 统计量渐进服从t分布d. 德宾h检验可以用于小样本问题5、一元线性回归分析中的回归平方和ess的自由度是（）a. nb. n-1c. n-kd. 16、已知样本回归模型残差的一阶自相关系数接近于1，则dw统计量近似等于( )a. 0b. 1 c. 2 d. 47、更容易产生异方差的数据为 ( )a. 时序数据b. 修匀数据c. 横截面数据d. 年度数据8、设m为货币需求量，y为收入水平，r为利率，流动性偏好函数为?2分别是?1 、?2的估计值，则根据经济理m??0??1y??2r??，又设?1、论，一般来说(a )a. ?1应为正值，?2应为负值b. ?1应为正值，?2应为正值c. ?1应为负值，?2应为负值d. ?1应为负值，?2应为正值9、以下选项中，正确地表达了序列相关的是（）a.co(v?i,?j)?0,i?jb.co(v?i,?j)?0,i?j ??????????vxi,?j)?0,i?j c.cov(xi,xj)?0,i?jd.co(10、在一元线性回归模型中，样本回归方程可表示为（）a. yt??0??1??tb.yt?e(yt/x)??ic. yt??0??1xtd. e(yt/xt)??0??1xt11、对于有限分布滞后模型 ???yt????0xt??1xt?1??2xt?2????kxt?k??t在一定条件下，参数?i 可近似用一个关于i的阿尔蒙多项式表示（i?0,1,2,?,m)，其中多项式的阶数m必须满足（） ?a．mk b．m=kc．mkd．m?k12、设?t为随机误差项，则一阶线性自相关是指（）a．cov(?t,?s)?0(t?s) b. ?t???t?1??tc. ?t??1?t?1??2?t?2??td. ?t??2?t?1??t13、把反映某一总体特征的同一指标的数据，按一定的时间顺序和时间间隔排列起来，这样的数据称为（）a. 横截面数据b. 时间序列数据c. 修匀数据d. 原始数据14、多元线性回归分析中，调整后的可决系数r与可决系数r2之间的关系（）22n?122a．?1?(1?r) b. ?r n?k22n?k2 c. ?0 d. ?1?(1?r) n?115、goldfeld-quandt检验法可用于检验( )a.异方差性b.多重共线性c.序列相关d.设定误差16、用于检验序列相关的dw统计量的取值范围是( )a．0?dw?1b．?1?dw?1c．?2?dw?2 d．0?dw?417、如果回归模型中解释变量之间存在完全的多重共线性，则最小二乘估计量的值为（）a.不确定，方差无限大b.确定，方差无限大c.不确定，方差最小d.确定，方差最小18、应用dw检验方法时应满足该方法的假定条件，下列不是其假定条件的为（）a.解释变量为非随机的b.被解释变量为非随机的c.线性回归模型中不能含有滞后内生变量d.随机误差项服从一阶自回归二、多项选择题1、古典线性回归模型的普通最小二乘估计量的特性有（）a. 无偏性b. 线性性c. 最小方差性d. 不一致性e. 有偏性2、如果模型中存在自相关现象，则会引起如下后果（）a.参数估计值有偏b.参数估计值的方差不能正确确定c.变量的显著性检验失效d.预测精度降低e.参数估计值仍是无偏的????x的特点（） ???3、利用普通最小二乘法求得的样本回归直线yt12ta. 必然通过点（,）b. 可能通过点（,）?的平均值与y?的平均值相等 c. 残差et的均值为常数 d. ytte. 残差et与解释变量xt之间有一定的相关性4、广义最小二乘法的特殊情况是（）a．对模型进行对数变换 b.加权最小二乘法c.数据的结合d.广义差分法e.增加样本容量5、计量经济模型的检验一般包括内容有（）a、经济意义的检验b、统计推断的检验c、计量经济学的检验d、预测检验e、对比检验三、判断题（判断下列命题正误，并说明理由）1、在实际中，一元回归几乎没什么用，因为因变量的行为不可能仅由一个解释变量来解释。
第9章虚拟变量回归模型9.1 复习笔记考点一：ANOVA模型★★★1．虚拟变量含义虚拟变量是指仅有0和1两个取值的变量，是一种定性变量。
一般而言，虚拟变量等于0表示变量不具有某种性质，等于1表示具有某种性质。
虚拟变量也可以放到回归模型中。
这种模型被称为方差分析（ANOVA）模型。
2．虚拟变量模型（1）虚拟变量的表达式Y i＝β1＋β2D2i＋β3D3i＋u i应看到，除了不是定量回归元而是定性或虚拟回归元（若观测值属于某特定组则取值为1，若它不属于那一组则取值0）之外，方程与前面考虑的任何一个多元回归模型都是一样的。
所有的虚拟变量都用字母D表示。
（2）使用虚拟变量的注意事项①若定性变量有m个类别，则只需引入m－1个虚拟变量，否则就会陷入虚拟变量陷阱，即完全共线性或完全多重共线性（若变量之间存在不止一个精确的关系）情形。
对每个定性变量而言，所引入的虚拟变量的个数必须比该变量的类别数少一个。
②不指定其虚拟变量的那一组被称为基组、基准组、控制组、比较组、参照组或省略组。
所有其他的组都与基准组进行比较。
③截距值（β1）代表了基准组的均值。
④附属于方程中虚拟变量的系数被称为级差截距系数，它反映取值为1的地区的截距值与基准组的截距系数之间的差别。
⑤如果定性变量不止一类，那么，基准组的选择完全取决于研究者。
⑥对于虚拟变量陷阱，如果在这种模型中不使用截距项，那么引入与变量的类别相同数量的虚拟变量就能够回避虚拟变量陷阱的问题。
因此，如果从方程中去掉截距项，并考虑如下模型Y i＝β1D1i＋β2D2i＋β3D3i＋u i由于此时没有完全共线性，所以就不会陷入虚拟变量陷阱。
但要确定做这个回归时，一定要使用回归软件包中的无截距选项。
⑦在一个含有截距的方程中，能更容易地处理是否有某个组与基准组有所不同以及有多大的不同，所以在方程中包括截距更方便。
为了检查分组是否得当，也可通过将虚拟变量的系数相对0做t检验（或者更一般地，对适当的虚拟变量系数集做一个F检验），就可以检验分类是否适当。
第15章定性响应回归模型15.1 复习笔记考点一：定性响应模型的性质★★定性响应模型是指模型中的回归子是一个二值或二分变量的模型，通常被称为概率模型。
回归子也可以是多分响应变量或多类型响应变量。
将二值响应变量建立成概率模型的方法包括线性概率模型（LPM）、logit模型、probit模型和tobit模型。
考点二：线性概率模型（LPM）★★★★1．LPM的定义以下述回归模型为例说明：Y i＝β1＋β2X i＋u i。
其中X表示家庭收入；Y＝1，则表示该家庭拥有住房；Y＝0，则该家庭不拥有住房。
该模型被称为线性概率模型，因为Y i在给定X i下的条件期望E（Y i|X i）可解释为在给定X i下事件（家庭拥有住房）发生的条件概率，即Pr（Y i＝1|X i）。
2．LPM的特征令P i表示“Y i＝1”（即事件发生）的概率，而1－P i表示“Y i＝0”（即事件不发生）的概率，则变量Y i服从贝努利概率分布。
根据期望的定义，有：E（Y i）＝0（1－P i）＋1P i＝P i。
此外有：E（Y i|X i）＝β1＋β2X i ＝P i，即模型的条件期望事实上可以解释为Y i的条件概率。
该模型的约束条件为：0≤E（Y i|X i）≤1。
3．LPM的问题（1）干扰项u i的非正态性若把方程写成：u i＝Y i－β1－β2X i，u i的概率分布见表15-1。
表15-1 u i的概率分布可见u i服从贝努利分布而不是正态分布。
虽然干扰项不满足正态性假定，但OLS的点估计值仍具有无偏性。
此外在大样本下，OLS估计量一般都趋于正态分布，因此LPM的统计推断仍可用正态性假定下的OLS程序。
（2）干扰项的异方差性即使LPM中的干扰项满足零均值和无序列相关性假定，但也不能说它具有同方差性。
对于贝努利分布，理论上的均值和方差分别为P和P（1－P），可见方差是均值的函数，而均值的取值依赖于X的值，因此LPM中的干扰项具有异方差性。
第10章时间序列数据的基本回归分析10.1复习笔记一、时间序列数据的性质时间序列数据与横截面数据的区别：（1）时间序列数据集是按照时间顺序排列。
（2）时间序列数据与横截面数据被视为随机结果的原因不同。
①横截面数据应该被视为随机结果，因为从总体中抽取不同的样本，通常会得到自变量和因变量的不同取值。
因此，通过不同的随机样本计算出来的OLS估计值通常也有所不同，这就是OLS统计量是随机变量的原因。
②经济时间序列满足作为随机变量是因为其结果无法事先预知，因此可以被视为随机变量。
一个标有时间脚标的随机变量序列被称为一个随机过程或时间序列过程。
搜集到一个时间序列数据集时，便得到该随机过程的一个可能结果或实现。
因为不能让时间倒转重新开始这个过程，所以只能看到一个实现。
如果特定历史条件有所不同，通常会得到这个随机过程的另一种不同的实现，这正是时间序列数据被看成随机变量之结果的原因。
（3）一个时间序列过程的所有可能的实现集，便相当于横截面分析中的总体。
时间序列数据集的样本容量就是所观察变量的时期数。
二、时间序列回归模型的例子1．静态模型假使有两个变量的时间序列数据，并对y t和z t标注相同的时期。
把y和z联系起来的一个静态模型（staticmodel）为：10 1 2 t t t y z u t nββ=++=⋯，，，，“静态模型”的名称来源于正在模型化y 和z 同期关系的事实。
若认为z 在时间t 的一个变化对y 有影响，即1t t y z β∆=∆，那么可以将y 和z 设定为一个静态模型。
一个静态模型的例子是静态菲利普斯曲线。
在一个静态回归模型中也可以有几个解释变量。
2．有限分布滞后模型（1）有限分布滞后模型有限分布滞后模型（finitedistributedlagmodel，FDL）是指一个或多个变量对y 的影响有一定时滞的模型。
考察如下模型：001122t t t t ty z z z u αδδδ--=++++它是一个二阶FDL。
第2章双变量回归分析：一些基本思想2.1 复习笔记考点一：总体回归函数相关概念★★★★1．条件期望函数（CEF）条件期望值E（Y|X i）是关于X i的一个函数，其中X i是X的某个给定值，用符号表示：E（Y|X i）＝f（X i）。
该式也被称为条件期望函数（CEF）或总体回归函数（PRF），或简称为总体回归（PR），表明在给定X i下Y的分布的（总体）均值与X i有函数关系。
2．线性总体回归函数假定总体回归函数E（Y|X i）是系数的线性函数，表达为：E（Y|X i）＝β1＋β2X i。
其中β1和β2为未知但却固定的参数，称为回归系数；β1和β2也分别称为截距和斜率系数。
方程本身则称为线性总体回归函数，或简称线性总体回归。
3．“线性”的含义（1）对变量为线性Y的条件期望值是X i的线性函数。
从几何意义上说，这时回归曲线是一条直线。
（2）对参数为线性Y的条件期望E（Y|X i）是参数β的一个线性函数，X和Y都可以以任何形式存在（二次项、对数等）。
本书中所有的“线性回归”总是指对参数β为线性的一种回归（即参数只以它的一次方出现）。
4．PRF的随机设定（1）随机误差项个别的Y i围绕它的期望值的离差为：u i＝Y i－E（Y|X i），其中离差u i是一个不可观测的可正可负的随机变量，称为随机干扰项或随机误差项。
解释方程Y i＝E（Y|X i）＋u i，给定X i水平，Y i可表示为两个成分之和：E（Y|X i）被称为系统性或确定性成分；u i为随机或非系统性成分。
（2）随机误差项的条件均值方程Y i＝E（Y|X i）＋u i的两边取期望，得到：E（Y i|X i）＝E[E（Y|X i）|X i]＋E（u i|X i）＝E（Y|X i）＋E（u i|X i）因为E（Y i|X i）＝E（Y|X i），则E（u i|X i）＝0。
5．随机干扰项的意义不将随机误差项清晰地引进模型中的原因：（1）理论的含糊性；（2）数据的欠缺；（3）核心变量与周边变量；（4）人类行为的内在随机性；（5）糟糕的替代变量；（6）节省原则；（7）错误的函数形式。
