下载文档原格式
2023计量经济学笔记PERSONAL NOTES计量经济学笔记目录CH1导论 (3)CH2简单线性回归模型 (5)CH3多元线性回归模型 (11)CH4多重共线性 (14)CH5异方差 (16)CH6自相关 (19)CH1导论1、计量经济学：以经济理论和经济数据的事实为依据，运用数学、统计学的方法，通过建立数学模型来研究经济数量关系和规律的一门经济学科。
研究主体是经济现象及其发展变化的规律。
2、运用计量分析研究步骤：●模型设定——确定变量和数学关系式●估计参数——分析变量间具体的数量关系●模型检验——检验所得结论的可靠性●模型应用——做经济分析和经济预测3、模型（1）变量A.解释变量:表示被解释变量变动原因的变量，也称自变量，回归元，X。
B.被解释变量:表示分析研究的对象，变动结果的变量，也成应变量，Y。
C.内生变量:其数值由模型所决定的变量，是模型求解的结果。
D.外生变量:其数值由模型意外决定的变量。
（外生变量数值的变化能够影响内生变量的变化，而内生变量却不能反过来影响外生变量。
）E.前定内生变量：过去时期的、滞后的或更大范围的内生变量，不受本模型研究范围的内生变量的影响，但能够影响我们所研究的本期的内生变量。
F.前定变量：前定内生变量和外生变量的总称。
（2）数据●时间序列数据：按照时间先后排列的统计数据（t）。
●截面数据：发生在同一时间截面上的调查数据（i）。
●面板数据：时间序列数据和截面数据结合的数据（t,i）。
●虚拟变量数据：表征政策，条件等，一般取0或1（d）.4、估计评价统计性质的标准无偏：E（＾β）=β有效：最小方差性一致：N趋近无穷时，β估计越来越接近真实值5、检验经济意义检验：所估计的模型与经济理论是否相等统计推断检验：检验参数估计值是否抽样的偶然结果，是否显著计量经济检验：是否符合计量经济方法的基本假定预测检验：将模型预测的结果与经济运行的实际对比6、计量经济学的研究过程CH2简单线性回归模型一、相关知识点：1、变量间的关系分为函数关系与相关关系（相关系数是对变量间线性相关程度的度量。
计量经济学 总复习第一部分：统计基础知识均值的概念：通常人们所说的均值就是“平均数”，统计意义上的均值是“期望值”。
方差：变量的每个样本与均值的距离大小的概念。
标准差：对方差开根号就是标准差。
数学期望值与方差的数学性质总体方差： 1.常量aE （a ）=a 2σ(a)=0抽样方差： 2.变量 y=a+bxE(y)=a+bE(x)总体标准偏差： 2σ(y)=b^2 * 2σ(x)抽样标准偏差：假设检验的定义：事先做一个假设，然后再用统计方法来检验这个假设是否有统计意义。
假设检验的步骤：第一步，设定假设条件。
原定假设，H0:u=u0，和替代假设，Ha:u ≠u0。
第二步，决定用哪种检验， 如果n ≥30,用Z 检验，如果n<30, 用t 检验。
第三步，找出临界值， 根据给定的定义域的大小，即α=1%、α=5%、或 α=10% 从概率分布表中查出Zc 值，或tc 值。
第四步，计算统计值， 或者第五步，比较统计值与临界值而得出结论。
如果统计值的绝对值大于临界值，那么我们就否定原定假设； 如果统计值的绝对值小于临界值，那么我们就不能否定原定假设。
第二部分 最小二乘法最小二乘法的假设条件：（1） （2） （3） （4） （5） 文字解释：Nu x Ni ∑-=22)(σ1)(22--=∑n x xs ni2σσ=2s s =nux Z σ0*-=n s u x t 0*-=)(=X E i ε∞<=22,)(σσεi Var 0),(=j i Cov εε0),(=i i X Cov ε1),(±≠j i X X Cov(1)每个误差必须是随机的，其误差的期望值是零；(2)误差都是雷同的，其方差相等，同时其方差的变化量必须是有限的； (3)每个误差之间必须是相互独立的； (4)误差项与方程式中的自变量是无关的； (5)自变量之间无直接的线性关系。
通用最小二乘法的步骤：第一步：求出误差项：第二步：求误差的平方和最小。
计量经济学复习知识点重点难点计量经济学知识点第一章导论1、计量经济学的研究步骤：模型设定、估计参数、模型检验、模型应用。
2、计量经济学是统计学、经济学和数学的结合。
3、计量经济学作为经济学的一门独立学科被正式确立的标志：1930年12月国际计量经济学会的成立。
4、计量经济学是经济学的一个分支学科。
第二章简单线性回归模型1、在总体回归函数中引进随机扰动项的原因：①作为未知影响因素的代表；②作为无法取得数据的已知因素的代表；③作为众多细小影响因素的综合代表；④模型的设定误差；⑤变量的观测误差；⑥经济现象的内在随机性。
2、简单线性回归模型的基本假定：①零均值假定；②同方差假定；③随机扰动项和解释变量不相关假定；④无自相关假定；⑤正态性假定。
3、OLS回归线的性质：①样本回归线通过样本均值；②估计值的均值等于实际值的均值；③剩余项ei的均值为零；④被解释变量的估计值与剩余项不相关；⑤解释变量与剩余项不相关。
4、参数估计量的评价标准：无偏性、有效性、一致性。
5、OLS估计量的统计特征：线性特性、无偏性、有效性。
6、可决系数R2的特点：①可决系数是非负的统计量；②可决系数的取值范围为[0,1]；③可决系数是样本观测值的函数，可决系数是随抽样而变动的随机变量。
第三章多元线性回归模型1、多元线性回归模型的古典假定：①零均值假定；②同方差和无自相关假定；③随机扰动项和解释变量不相关假定；④无多重共线性假定；⑤正态性假定。
2、估计多元线性回归模型参数的方法：最小二乘估计、极大似然估计、矩估计、广义矩估计。
3、参数最小二乘估计的性质：线性性质、无偏性、有效性。
4、可决系数必定非负，但是根据公式计算的修正的可决系数可能为负值，这时规定为0。
5、可决系数只是对模型拟合优度的度量，可决系数越大，只是说明列入模型中的解释变量对被解释变量的联合影响程度越大，并非说明模型中各个解释变量对被解释变量的影响程度也大。
6、当R2=0时，F=0；当R2越大时，F值也越大；当R2=1时，F→∞。
计量经济学考试重点整理第一章：P1：什么是计量经济学？由哪三组组成？定义：“用数学方法探讨经济学可以从好几个方面着手，但任何一个方面都不能和计量经济学混为一谈。
计量经济学与经济统计学绝非一码事；它也不同于我们所说的一般经济理论，尽管经济理论大部分具有一定的数量特征；计量经济学也不应视为数学应用于经济学的同义语。
经验表明，统计学、经济理论和数学这三者对于真正了解现代经济生活的数量关系来说，都是必要的，但本身并非是充分条件。
三者结合起来，就是力量，这种结合便构成了计量经济学。
”P9：理论模型的设计主要包含三部分工作，即选择变量，确定变量之间的数学关系，拟定模型中待估计参数的数值范围。
P12：常用的样本数据：时间序列，截面，虚变量数据P13：样本数据的质量（4点）完整性；准确性；可比性；一致性P15-16：模型的检验（4个检验）1、经济意义检验2、统计检验拟合优度检验总体显著性检验变量显著性检验3、计量经济学检验异方差性检验序列相关性检验共线性检验4、模型预测检验稳定性检验：扩大样本重新估计预测性能检验：对样本外一点进行实际预测P16计量经济学模型成功的三要素：理论、方法和数据。
P18-20：计量经济学模型的应用1、结构分析经济学中的结构分析是对经济现象中变量之间相互关系的研究。
结构分析所采用的主要方法是弹性分析、乘数分析与比较静力分析。
计量经济学模型的功能是揭示经济现象中变量之间的相互关系，即通过模型得到弹性、乘数等。
2、经济预测计量经济学模型作为一类经济数学模型，是从用于经济预测，特别是短期预测而发展起来的。
计量经济学模型是以模拟历史、从已经发生的经济活动中找出变化规律为主要技术手段。
对于非稳定发展的经济过程，对于缺乏规范行为理论的经济活动，计量经济学模型预测功能失效。
模型理论方法的发展以适应预测的需要。
3、政策评价政策评价是指从许多不同的政策中选择较好的政策予以实行，或者说不同的政策对经济目标所产生的影响的差异。
1.普通最小二乘法(Ordinary Least Squares,OLS)：已知一组样本观测值{}n i Y X i i ,2,1:),(⋯=，普通最小二乘法要求样本回归函数尽可以好地拟合这组值，即样本回归线上的点∧i Y 与真实观测点Yt 的“总体误差”尽可能地小。
普通最小二乘法给出的判断标准是：被解释变量的估计值与实际观测值之差的平方和最小。
2.广义最小二乘法GLS ：加权最小二乘法具有比普通最小二乘法更普遍的意义，或者说普通最小二乘法只是加权最小二乘法中权恒取1时的一种特殊情况。
从此意义看，加权最小二乘法也称为广义最小二乘法。
3.加权最小二乘法WLS ：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乘法估计其参数。
4.工具变量法IV ：工具变量法是克服解释变量与随机干扰项相关影响的一种参数估计方法。
5.两阶段最小二乘法2SLS, Two Stage Least Squares ：两阶段最小二乘法是一种既适用于恰好识别的结构方程，以适用于过度识别的结构方程的单方程估计方法。
6.间接最小二乘法ILS ：间接最小二乘法是先对关于内生解释变量的简化式方程采用普通小最二乘法估计简化式参数，得到简化式参数估计量，然后过通参数关系体系，计算得到结构式参数的估计量的一种方法。
7.异方差性Heteroskedasticity ：对于不同的样本点，随机干扰项的方差不再是常数，而是互不相同，则认为出现了异方差性。
8.序列相关性Serial Correlation ：多元线性回归模型的基本假设之一是模型的随机干扰项相互独立或不相关。
如果模型的随机干扰项违背了相互独立的基本假设，称为存在序列相关性。
9.多重共线性Multicollinearity ：对于模型i k i i X X X Y μββββ++⋯+++=i k 22110i ，其基本假设之一是解释变量X 1,X 2,…,Xk 是相互独立的。
计量经济学复习要点第一篇：计量经济学复习要点计量经济学复习要点第一章、概率论基础1.随机事件的概念P22.古典概行例题P5例1.1P2例1.2利用第一章的知识说明抽签的合理性如何利用第一章的知识估计一个池塘有多少鱼还有一个关于晚上紧急集合穿错鞋的题目，记不太清楚了3.期望与方差的概念，切比雪夫不等式，看例题1.4-例题1.8，不要求求出数4.变异系数的概念P175.大数定律和中心极限定律（具有独立同分布的随机变量序列的有限和近似地服从正态分布）的概念P24、P25第二章、矩阵代数1.矩阵的定义，加（page29）、减（page29）、乘（page30）、转置（page30）、逆（page31）知道怎么回事2.最小二乘法P39-P41（定义最小二乘解）3.第三节没有听，求听课学霸补充第三章、数据的分析方法和参数的统计推断1.数据的分析方法（算数平均、加权算数平均、几何平均、移动平均）（1）几种分析方法的定义（2）几中分析方法的不同（3）每种分析方法的具体作用（4）移动平均法中k的选择（5）指数平滑法的意义，α的选择，P552.t分布的概率密度函数3.矩估计法定义4.几大似然估计法P65，例题3.7例题3.85.贝叶斯估计和极大极小估计（应该是只看一下概念就可以了）6.假设检验（1）基本思想P75（2）双边假设检验（3）单边假设检验（4）参数检验P807.方差分析的思想、作用和模型第四章、一元线性回归（计算题）回归方程的求法，显著性检验，经济解释（各参数的解释），不显著的解释第六章、虚拟变量的回归模型1.虚拟变量的作用及模型2.应用虚拟变量改变回归直线的截距、斜率3.对稳定性的检验第二篇：2007计量经济学复习要点2007年计量经济学课程要点归纳1.十大经典假设的证明（关于两变量模型的性质检验）2.BLUE估计量的证明3.自相关检验方法（检验方法一定要记住）4.异方差检验方法（至少三种）5.孙老师讲过的附录要留意6.异方差与自相关的补救措施7.违反十大经典假设情况下的问题怎么解决（如多重共线性，异方差，自相关问题，虚拟变量的估计）注：以上重点均是提供参考，不做考试说明计量考察的重点是对计量模型的建立与估算，结果评价与补救思路的考察，没有大量的数学计算，请同学们放心！建议大家根据参考要点确定进度，并根据孙老师上课的重点决定自己的复习范围！希望同学们认真复习，考出好成绩！王琳第三篇：计量经济学复习笔记计量经济学复习笔记CH1导论1、计量经济学：以经济理论和经济数据的事实为依据，运用数学、统计学的方法，通过建立数学模型来研究经济数量关系和规律的一门经济学科。
计量经济学复习笔记CH1导论1、计量经济学：以经济理论和经济数据的事实为依据，运用数学、统计学的方法，通过建立数学模型来研究经济数量关系和规律的一门经济学科。
研究主体是经济现象及其发展变化的规律。
2、运用计量分析研究步骤：模型设定——确定变量和数学关系式估计参数——分析变量间具体的数量关系模型检验——检验所得结论的可靠性模型应用——做经济分析和经济预测3、模型变量:解释变量:表示被解释变量变动原因的变量，也称自变量，回归元。
被解释变量:表示分析研究的对象，变动结果的变量，也成应变量。
内生变量:其数值由模型所决定的变量，是模型求解的结果。
外生变量:其数值由模型意外决定的变量。
外生变量数值的变化能够影响内生变量的变化，而内生变量却不能反过来影响外生变量。
前定内生变量：过去时期的、滞后的或更大范围的内生变量，不受本模型研究范围的内生变量的影响，但能够影响我们所研究的本期的内生变量。
前定变量：前定内生变量和外生变量的总称。
数据:时间序列数据：按照时间先后排列的统计数据。
截面数据：发生在同一时间截面上的调查数据。
面板数据：虚拟变量数据：表征政策，条件等，一般取0或1.4、估计评价统计性质的标准无偏：E（＾β）=β 随机变量，变量的函数？有效：最小方差性一致：N趋近无穷时，β估计越来越接近真实值5、检验经济意义检验：所估计的模型与经济理论是否相等统计推断检验：检验参数估计值是否抽样的偶然结果，是否显著计量经济检验：是否符合计量经济方法的基本假定预测检验：将模型预测的结果与经济运行的实际对比CH2 CH3 线性回归模型模型（假设）——估计参数——检验——拟合优度——预测1、模型（线性）（1）关于参数的线性 模型就变量而言是线性的；模型就参数而言是线性的。
Y i =β1+β2lnX i +u i线性影响 随机影响Y i =E （Y i |X i ）+u i E （Y i |X i ）=f(X i )=β1+β2lnX i引入随机扰动项，（3）古典假设A 零均值假定 E （u i |X i ）=0B 同方差假定 Var(u i |X i )=E(u i 2)=σ2C 无自相关假定 Cov(u i ,u j )=0D 随机扰动项与解释变量不相关假定 Cov(u i ,X i )=0E 正态性假定u i ~N(0,σ2)F 无多重共线性假定Rank(X)=k2、估计在古典假设下，经典框架，可以使用OLS方法：OLS 寻找min ∑e i2 ＾β1ols = (Y 均值)-＾β2(X 均值)＾β2ols = ∑x i y i /∑x i 23、性质OLS 回归线性质（数值性质）（1）回归线通过样本均值 （X 均值,Y 均值）（2）估计值＾Y i 的均值等于实际值Y i 的均值（3）剩余项e i 的均值为0（4）被解释变量估计值＾Y i 与剩余项e i 不相关 Cov(＾Y i ,e i )=0（5）解释变量X i 与剩余项e i 不相关 Cov(e i ,X i )=0在古典假设下，OLS 的统计性质是BLUE 统计 最佳线性无偏估计4、检验(1)Z 检验Ho:β2=0 原假设 验证β2是否显著不为0标准化： Z=（＾β2-β2）/SE （＾β2）~N （0,1） 在方差已知，样本充分大用Z 检验拒绝域在两侧，跟临界值判断，是否β2显著不为0(2)t 检验——回归系数的假设性检验方差未知，用方差估计量代替 ＾σ2=∑e i 2/(n-k) 重点记忆t =（＾β2-β2）/＾SE （＾β2）~t （n-2）拒绝域：|t|>=t 2/a (n-2)拒绝，认为对应解释变量对被解释变量有显著影响。
一、基本概念：估计量与估计值所谓估计量就是指估计总体参数地一种方法•在该方法下，给定一个样本，我们可以获得一个具体地估计结果，该结果就是所谓地估计值•例如，基于一个样本容量为N地样本，其中为第i次观测值，我们用样本均值来作为对总体均值地估计.在这里，就属于估计量，由于其取值随着样本地变化而变化，因此它是随机地.现在假设我们持有A、B两个样本：与，则基于这两个样本，可以计算出:文档来自于网络搜索分别是估计量可能地取值，它们就是估计值•既然估计量是随机变量，那么它一定服从某种分布，由于估计量与抽样相联系，因此我们把估计量所服从地分布称为抽样分布.有关统计学地一些基本知识请参见本讲附录一一.文档来自于网络搜索笔记：观测值是随机变量地一个可能地取值.我们用样本均值来估计总体均值，实际上就是用来估计.在数理统计中，这被称为矩估计，因为被称为样本（一阶）矩，而被称为总体（一阶）矩.矩估计其要点可以归结为，符号与符号E相对应. 我们再来看看矩估计思想地一个应用.为了估计随机变量地方差E[- E（）]2（也即总体方差），在矩估计法下，则方差估计量将是：.应该注意到，这个方差估计量是有偏估计，而才是方差地无偏估计.如果样本容量很大，这两个估计量相差无几，事实上两者都是方差地一致估计量.这个例子暗示，矩估计并不一定会获得一个无偏地估计量，但将获得一个一致地估计量.关于估计量无偏性与一致性地基本含义见附录1文档来自于网络搜索二、高斯-马尔科夫假定对于模型：，贝叽相应地OLS估计量就是：在一些重要地假定下，OLS估计量表现出良好地性质.我们把这些假定称为高斯-马尔科夫假定.•假定一：真实模型是：.有三种情况属于对该假定地违背：（1）遗漏了相关地解释变量或者增加了无关地解释变量；（2）y与x间地关系是非线性地；（3）并不是常数.文档来自于网络搜索笔记：1、遗漏了地解释变量将进入误差项，从而这很可能导致误差项不在满足下面所列举地一些假定；如果真实模型是非线性地，但我们却用一条直线来近似它，显然这是南辕北辙；如果参数并不是常数，然而我们却基于特定样本用一些常数去近似它们，这显然也不合理地.文档来自于网络搜索2、经济学理论或许很少直接认为y与x地关系是线性地，y与x具有非线性关系可能更符合现实.然而把模型建立成非线性形式常常会付出代价，因为非线性模型其待估计地参数可能更多，从而导致自由度地耗费，带来估计精度地下降.另外，从数学上讲，利用泰勒展开，我们也常常可以用一个线性模型去近似非线性模型.文档来自于网络搜索•假定二：对解释变量地N次观测即被预先固定下来，即不会随着样本地变化而发生变化，是一个非随机列向量.显然，如果解释变量含有随机地测量误差，那么该假定被违背.还存其他地违背该假定地情况.文档来自于网络搜索笔记:1、被假定不会随着样本地变化而发生变化，但这并不意味着在一个给定地样本中.事实上，在含有一个截距与一个解释变量地简单线性回归模型中，将意味着OLS 估计量失去意义，见高斯-马尔科夫假定六.文档来自于网络搜索2、被假定为非随机并不是一个标准假定，然而在该假定下数学处理要简单得多，而且OLS基本地涵义也并未丧失.是随机地情况更一般化，此时，高斯- 马尔科夫假定二被更改为：对任意与，与不相关，此即所谓地解释变量具有严格外生性.显然，当非随机时，与必定不相关•事实上，假定二其最终目地在于保证与不相关.文档来自于网络搜索3、在建立模型时，我们总是希望误差项是由一些不重要、没有任何信息价值地成分所构成.如果与相关，这意味着误差项还具有一定地信息价值，因此在某种程度上可以认为，我们预先建立地模型是不完备地.应该注意到，如果模型遗漏了解释变量，而这些被遗漏地解释变量又与已存在地解释变量是相关地，那么这将导致误差项与已存在地解释变量是相关地.文档来自于网络搜索4、为了理解非随机性地假定，我们考虑如下一个例子.我们试图考察受教育年限（x）对收入（y）地影响.假定我们预先知道总体中有1%地人口接受了22 年地学校教育；有3%地人口接受了19年地学校教育；有10%地人口接受了16 年地学校教育….现在，我们进行一个样本容量为1000地抽样调查.为了使样本尽量反映总体地情况，我们要求样本中有10人接受了22年地教育；有30人接受了19年地教育；有100人接受了16年地教育.这种抽样技术被称为分层随机抽样（Stratified random sample .在抽样中，设定前10次观测对象是那些接受了22年地教育地人，接下来是那些接受了19年教育地人….在这种方法下我们可以获得多个样本，但被预先固定下来，即它不会随着样本地变化而发生变化.文档来自于网络搜索•假定三：误差项期望值为0,即.笔记：1、当随机时，标准假定是：根据迭代期望定律有：，因此，如果成立，必定有：.另外，根据迭代期望定律也有：而•故有：因此，在是随机地情况下，假定二、三可以修正为一个假定：2、所谓迭代期望定律是指：如果信息集，则有.无条件期望所对应地信息集是空集，因此按照迭代期望定律必有：•本讲义第十讲对该定律进行了更为详细地介绍.文档来自于网络搜索3 、回忆第一讲，对模型，在OLS法下我们一定能保证：（1）残差均值为零；（2）残差与x样本不相关.我们希望残差是对误差地良好近似，但如果假定二、三不成立，即，误差项期望值不为零，误差项与解释变量相关，显然此时残差并不是对误差项地良好近似.由于，，因此，如果残差并不是对误差项地良好近似，那么参数地OLS估计量就不是对真实参数良好地近似.由此看来，为保证OLS估计量具有良好地性质，假定二、三地成立非常重要.文档来自于网络搜索4 、当假定成立时，必有；，进而（在这里对各随机变量未加注脚标，这是因为无论脚标是什么，相关等式都成立.现在我们来利用所谓地矩估计思想.误差项观测不到，故我们不得不把残差当做是对误差地观测.于是按照矩估计思想有：；，而这两个式子正是OLS估计法中地两个正规方程，由正规方程就可以得到参数地OLS估计量.由此看来，当假定成立时，OLS估计不过是矩估计地特例.如果知道了这一点，我们就会很快地记住OLS估计量公式：当时，.用样本协方差与样本方差代替总体协方差与总体方差，则有：.我们以后在学习工具变量估计法时，将再次体会到矩估计思想地重要性.文档来自于网络搜索可以发现，矩估计仅仅涉到了x与同期不相关地假定，从这个意义上讲，这个条件过于强了，但只有在这个条件下OLS估计量地无偏性才能保证成立，这可参见更高级地教科书.文档来自于网络搜索•假定四：，即所谓地同方差假定.笔记：1、在是随机地情况下，该假定修订为：2、如果误差项是异方差地，那么N个误差项将具有N个不同地分布.如果把残差近似为对误差地观测，则此时每一个分布下只有一次观测，显然仅凭一次观测我们很难对随机变量地分布性质进行统计分析.文档来自于网络搜索•假定五：，即所谓地序列不相关假定.笔记：1、在是随机地情况下，该假定修订为：2、如果误差项序列相关，这表明误差项还含有系统性地、可资利用地信息.但如果我们已建立地线性模型是完备地，那么假定误差项序列不相关就显得相当自然了.文档来自于网络搜索•假定六：，在多元回归中，该假定演变为地逆存在，即矩阵列向量线性无关.笔记：1、假定六是最基本地，因为违背该假定则OLS估计量地相关公式就失去了意义•但假定六在实践中最不值得担心，因为当该假定被违背时，计量软件将立即告诉我们此时无法进行计算.文档来自于网络搜索2、在模型含有截距地情况下，矩阵列向量线性无关这个条件要强于各解释变量线性无关这个条件.高斯-马尔科夫假定二、三、四、五都可以被归结为对误差项性质地假定，而假定一部分可以认为是对误差项性质地假定.假定六是关于参数可识别地假定.结合OLS地代数性质，我们是不是可以直接感觉到假定一、二、三地重要性？但不幸地是，初级计量经济学经常把重心放在了假定四、五上了.文档来自于网络搜索怎么让我们相信假定一至五是成立地呢？首先我们应尽量利用经济学理论来判断相关假定地合理性，其次我们可以进行一系列计量经济检验.应该注意到，假定一至五基本上都涉及到对误差项分布性质地假定，因此计量经济检验可以说就是检验误差项地分布性质.不过困难之处在于，误差项不可观测.但如果高斯-马尔科夫假定成立，残差将是对误差地良好近似，于是，我们可以通过分析残差地性质来间接推断误差项地分布性质.文档来自于网络搜索三、高斯-马尔科夫定理当高斯-马尔科夫假定成立时，在所有线性无偏估计量中，OLS估计量方差最小，即OLS估计量是最有效地.换句话说，当高斯-马尔科夫假定成立时，O LS估计量是最优线性无偏估计量(Best linear unbiased estimator, BLUE)，此即高斯-马尔科夫定理.文档来自于网络搜索笔记：1、对一个估计量，我们希望它具有什么样地性质？(1)简单实用.随着计量软件地发展，这一点可能不那么重要了；(2)不同地人利用不同地样本得到不同地估计结果，但我们希望平均来看，估计结果将是准确地，此即估计量地无偏性；(3)不同地人利用不同地样本得到不同地估计结果，但我们希望这些结果差异不要太大，事实上差异越小越好，即估计量地方差越小越好，此即估计量地有效性；(4)如果把总体全部展示在我们面前，则我们希望所利用地估计量能够得到真实地参数值，此即估计量地一致性.显然一致性是一个合理地估计量应该满足地最低要求.如果把事情地真相都告诉你了，你却依据一估计方法得到错误地结果，那么这个估计方法一定是一个垃圾！文档来自于网络搜索2、我们很希望一个无偏估计量也是有效地.下面一个调侃计量经济学家地笑话或许有助于我们理解这一点.三个计量经济学家去森林中打猎.一个计量经济学家一枪击到一头野猪前面五米处，一个计量经济学家一枪击到这头野猪后面五米处，第三个计量经济学家高兴得跳起来喊道，“击中了！击中了！我们平均击中了！” .文档来自于网络搜索3、一个估计量可能是有偏地、无效地，但如果满足一致性，它也是有用地.因为当我们手中地样本容量确实很大时，那么基于这个一致估计量地估计结果应该是对真实参数良好地近似.我们在前面地笔记中曾提到，如果假定二、三不成立，则残差并不是对误差项地良好近似，进而参数地OLS估计量就不是对真实参数良好地近似•由此看来假定二、三地成立对于保证OLS估计量地一致性非常重要.文档来自于网络搜索（一）OLS估计量是线性估计量所谓OLS估计量是线性估计量，是指它能够被表示为地线性函数.例如：在这里我们定义.应该注意到，在假定二下，k i是非随机地.练习：把表示成地线性函数：，其中.笔记：可以从数学上验证：另外一种简单地验证方式是：（1）假定被解释变量与解释变量都是x,那么回归直线地斜率将为1，截距将为0，即有：文档来自于网络搜索（2）假定被解释变量取值恒为1,那么回归直线地斜率将为0,截距将为1,即有：（二）OLS估计量具有无偏性：；证明：注意到；，再利用高斯-马尔科夫假定三：，于是有：.笔记：1 、在是随机地情况下，我们需证：2、我们在证明无偏性实际上应用了高斯-马尔科夫假定一、二、三. 练习：证明（三）在所有线性无偏估计量中，OLS估计量方差最小1、OLS估计量地方差利用高斯-马尔科夫假定五：与高斯-马尔科夫假定四：有：.注意到：因此有：笔记：1、，当N趋于无穷大时，样本方差收敛于总体方差，故当N趋于无穷大时，趋于0.由于，因此，当N趋于无穷大时，在概率上收敛于，即是地一致估计量.你能够表明是地一致估计量吗？文档来自于网络搜索2我们得到上述方差公式时实际上利用了高斯-马尔科夫假定一、二、四、五.当上述假定不成立时，上述公式无意义.文档来自于网络搜索练习：（1）证明在高斯-马尔科夫假定下：（2）证明在高斯-马尔科夫假定下：2、OLS估计量地有效性任意一种线性估计量都可表示为，当时，该估计量即为地OLS估计量.现在我们将证明：在所有无偏地地线性估计量中，OLS估计量具有最小地方差.文档来自于网络搜索“在所有无偏地地线性估计量中”是一个前提条件.我们地任务是，在给定前提下（约束条件），证明OLS估计量所对应地权数使方差（目标函数）取最小值.文档来自于网络搜索首先分析前提条件：线性估计量地表达是为了保证地无偏性，那么下面地等式应该恒成立：因此，.其次分析方差表示：在高斯-马尔科夫假定四、五下，有：■最后，形成数学问题：常数只影响目标函数值但不影响地选择，因此在求解上述优化问题时可以省去. 对上述极值问题，其拉格朗日函数是：相应地一阶条件是：把（3group）中各式相加并利用（4）有：把（3group）中第i式两边同时乘以后再各式相加，然后利用（5），有：由（6）、（7）有：于是我们已知道这个权数正是地OLS估计量所对应地权数，故问题得证.练习：证明在所有地线性无偏估计量中OLS估计量其方差是最小地.笔记：线性性质不过是OLS估计量在假定一下所具有地代数性质，无偏性与有效性才是高斯-马尔科夫定理所强调地•高斯-马尔科夫定理为OLS地广泛应用提供了理论依据.当然问题是，该定理涉及到如此众多地假定，这些假定同时成立实属罕见！从而这涉及到两个问题：（1）如何检验这些假定？（2）如果一些假定并不成立，那么OLS估计量具有什么性质？此时我们应该采取何种估计方法？本讲义后续章节将讨论这些问题.文档来自于网络搜索在附录二中，本讲义提供了很多教科书对高斯-马尔科夫地另外一种证明形式四、补充知识点（一）估计误差地方差模型中地误差项其方差经常未知而有待估计.可以证明，在高斯-马尔科夫假定下，对误差项地一个无偏估计是：为简单计，考虑一元线性回归模型地情况，此时k=1.我们需要证明.证明：在高斯马尔科夫假定下，有：因此，，故.注意到：而因此有：故：因此，笔记：1、实际上是残差地样本方差[在含截距地简单线性回归模型中，残差地自由度是N-2].误差是观测不到地，但我们能利用样本得到残差.直观来看，我们可以利用残差地样本方差来作为对误差方差地估计.上述证明结果表明，这个估计还是无偏地.文档来自于网络搜索2、在第一讲谈到自由度调整时，我们曾经举个一例：当计算样本方差时如果注意自由度调整，我们将得到一个对总体方差地无偏估计.文档来自于网络搜索3、只有残差是对误差地良好近似时，基于残差地样本方差来估计误差地方差才是合理地.因此，高斯-马尔科夫假定非常重要地.例如，如果违背假定四，即误差项是异方差地，那么我们利用一个不会随着i地变化而变化地数（会随着i地变化而变化吗？）去估计一系列随i而变化地参数（误差项方差随i地变化而变化），显然这是不合理地.文档来自于网络搜索应该注意，尽管在高斯-马尔科夫假定下是对地无偏估计，然而并不是对地无偏估计，不过可以证明是对地一致估计.被称为“回归地标准误”（standard error of regression,SER .文档来自于网络搜索笔记：1、为什么在高斯-马尔科夫假定下是对地无偏估计，但并不能由此推出是对地无偏估计？从数学上可以表明，当是非线性函数时，由不能推出•事实上由利用Jen sen不等式有：文档来自于网络搜索，而所谓Jen sen不等式是指：，g是凸函数(凸向原点)；，g是凹函数(凹向原点)•2、另外还可以证明是对地一致估计，即：.概率极限运算具有如下性质：由上述性质，则•按照定义，是标准差，是非负地，故有：，即，如果是对地一致估计，则是对地一致估计，反之亦然.文档来自于网络搜索(二)基于样本回归直线地预测假定真实模型是：，模型满足高斯-马尔科夫假定.利用OLS法得到：•现在我们获得一次新地观测，然而此次观测只获得X地取值X f，现在我们考虑基于样本回归直线来预测y f和E(y f).文档来自于网络搜索1、预测y f以作为对y f地预测.则预测误差是：.显然E(ei)=0 ；笔记：1、地随机性来源于.与是不相关地，因此与无关.2、根据上述表达式可知，当时，预测误差方差最小.直觉是什么呢？以工资对教育水平回归为例.首先你基于一个样本得到估计结果，该样本主要由具有初中和高中学教育水平地人构成.想一想，如果利用已有地回归结果去预测一位博士地收入，预测精度会高吗？如果利用已有地回归结果去预测一位小学可能都未读完地人地收入，预测精度会高吗？文档来自于网络搜索2、预测E(y f)以作为对E(y f)地预测.此时预测误差是：显然，E(62)=0.比较可知，尽管既是y f地无偏预测也是E(y f)地无偏预测，但它更适合作为对E(y f) 地预测.直觉上，由于y f是随机地而E(y f)是非随机地，因此对y f地预测应该难于对E(y f)地预测，即对y f地预测精度应该低于对E(y f)地预测精度上述两种预测都属于点预测.还有一种预测被称为区间预测，参见第三讲附录附录一：通过例子学习统计学知识(一)期望值、均值、估计量、估计值在座各位所形成地班级是一个总体，总体地平均身高()等于各位同学身高之和除以总人数.我打算利用样本平均身高来估计总体参数.现在我将从在座各位中随机抽取N 位同学以形成一个样本容量为N地样本.记为第i次被抽取同学地身高.在第i次抽取具体实施之前，是一个随机变量，而各位同学地身高都是该随机变量可能地取值.由于班级中地每位同学都等可能地被抽到，因此，这个随机变量地期望值()就是总体地平均身高().我将进行N次抽取，当N次抽取都未具体实施时，那么由所构成地样本是随机样本，而相应地样本均值也是随机地，即，作为地估计量，它是随机地•在N次抽取都已经具体实施之后，我获得了一个特定地样本，该样本均值是非随机地，它实际上就是随机变量地一个可能取值，即所谓地估计值.文档来自于网络搜索（二）无偏性、一致性事实上我可以获得无限多个样本容量等于N地特定地样本，因此相应会有无限多地样本均值.如果这些样本均值地再平均等于总体均值，这就意味着样本均值是总体均值地一个无偏估计量［成立吗？请证明］.应该注意到，利用特定地样本计算出一个样本均值，该样本均值恰好等于是不太可能地.但如果样本均值是总体均值地无偏估计，那么平均来看，样本均值等于总体均值［对谁平均？］.文档来自于网络搜索对于随机样本，如果样本容量越大，那么利用样本情况来反映总体情况就会越准确.如果样本容量为无穷大，那么该样本应该包含了在座地各位，因此，关于总体地任何信息都会被样本所包含.故从直觉上看，随着N地增加，估计量地方差应该会越来越小；当N趋于无穷时，等于地概率应该趋于1［请对这些结论进行严格地数学证明］.如果当N趋于无穷时，等于地概率趋于1,则就是地一致估计量［回忆一下，数理统计中哪一个定理表明了样本均值是总体均值地地一致估计］. 文档来自于网络搜索附录二：证明高斯-马尔科夫定理地其他方式（一）无偏性再利用高斯-马尔科夫假定三：，贝即是地无偏估计量.（二）最小方差性1关于方差在高斯-马尔科夫假定五：及其假定四：下，2、证明方差最小我们已知道OLS估计量是线性无偏估计量，即,.假设是用其他估计方法得到地线性无偏估计量，设.因此，.当然，也是成立地.令，贝U必有：现在来求地方差：在高斯-马尔科夫假定五与假定四下，有：而故，.当时等号成立.注意，恰好是OLS估计量地方差.版权申明本文部分内容，包括文字、图片、以及设计等在网上搜集整理。
《计量经济学》各章重点知识总结整理笔记第二章1、变量间的关系分为函数关系与相关关系。
相关系数是对变量间线性相关程度的度量。
2、现代意义的回归是一个被解释变量对若干个解释变量依存关系的研究，回归的实质是由固定的解释变量去估计被解释变量的平均值。
简单线性回归模型是只有一个解释变量的线性回归模型。
3、总体回归函数（PRF ）是将总体被解释变量Y 的条件均值()i i E Y X 表现为解释变量X 的某种函数。
样本回归函数（SRF ）是将被解释变量Y 的样本条件均值^i Y 表示为解释变量X 的某种函数。
总体回归函数与样本回归函数的区别与联系。
4、随机扰动项i u 是被解释变量实际值i Y 与条件均值()i i E Y X的偏差，代表排除在模型以外的所有因素对Y 的影响。
5、简单线性回归的基本假定：对模型和变量的假定、对随机扰动项u 的假定（零均值假定、同方差假定、无自相关假定、随机扰动与解释变量不相关假定、正态性假定）6、普通最小二乘法（OLS ）估计参数的基本思想及估计式；OLS 估计式的分布性质及期望、方差和标准误差；OLS 估计式是最佳线性无偏估计式。
7、对回归系数区间估计的思想和方法。
8、拟合优度是样本回归线对样本观测数据拟合的优劣程度，可决系数是在总变差分解基础上确定的。
可决系数的计算方法、特点与作用。
9、对回归系数假设检验的基本思想。
对回归系数t 检验的思想与方法；用P 值判断参数的显著性。
10、被解释变量平均值预测与个别值预测的关系，被解释变量平均值的点预测和区间预测的方法，被解释变量个别值区间预测的方法。
11、运用EViews 软件实现对简单线性回归模型的估计和检验。
第二章主要公式表第三章1、多元线性回归模型是将总体回归函数描述为一个被解释变量与多个解释变量之间线性关系的模型。
通常多元线性回归模型可以用矩阵形式表示。
2、多元线性回归模型中对随机扰动项u的假定，除了零均值假定、同方差假定、无自相关假定、随机扰动与解释变量不相关假定、正态性假定以外，还要求满足无多重共线性假定。
3、多元线性回归模型参数的最小二乘估计式；参数估计式的分布性质及期望、方差和标准误差；在基本假定满足的条件下，多元线性回归模型最小二乘估计式是最佳线性无偏估计式。
4、多元线性回归模型中参数区间估计的方法。
5、多重可决系数的意义和计算方法，修正可决系数的作用和方法。
6、F检验是对多元线性回归模型中所有解释变量联合显著性的检验，F检验是在方差分析基础上进行的。
7、多元回归分析中，为了分别检验当其它解释变量不变时，各个解释变量是否对被解释变量有显著影响，需要分别对所估计的各个回归系数作t检验。
8、利用多元线性回归模型作被解释变量平均值预测与个别值预测的方法。
第三章主要公式表第四章1、经典线性回归模型的假定之一是各个解释变量X之间不存在多重共线性。
一般说来，多重共线性是指各个解释变量X之间有准确或近似准确的线性关系。
2、多重共线性的后果是：如果各个解释变量X 之间有完全的共线性，则它们的回归系数是不确定的，并且它们的方差会无穷大。
如果共线性是高度的但不完全的，则回归系数的估计是可能的，但有较大的标准误差的趋势。
结果回归系数不能准确地加以估计。
不过，如果目的是估计这些系数的线性组合用于预测，多重共线性不是严重问题。
3、诊断共线性的经验方法主要有：(1)多重共线性的明显表现是可决系数R2异常高而回归系数在通常的t 检验中在统计上不显著。
(2)在仅有两个解释变量的模型中，检查两个变量之间的零阶或简单相关系数，一般说来高的相关系数通常可认为有多重共线性。
(3)当模型中涉及多于两个解释变量的情形时，较低的零阶相关也可能出现多重共线性，这时需要检查偏相关系数。
(4)如果R2高而偏相关系数低，则多重共线性是可能的，这时会存在一个或多个解释变量是多余的。
如果R2高而偏相关系数也高，则多重共线性难以识别。
(5)在建模时，首先可以将每一个解释变量对其余所有解释变量进行辅助回归，并计算出相应的可决系数。
较高的可能表明和其余的解释变量高度相关，在不会引起严重的设定偏误的前提下，可考虑把从模型中剔除。
i X i X 2i R 2i R i X 4、降低多重共线性的经验方法有：(1)利用外部或先验信息；(2)横截面与时间序列数据并用；(3)剔除高度共线性的变量；(4)数据转换；(5)获取补充数据或新数据；(6)选择有偏估计量（如岭回归）。
经验方法的效果取决于数据的性质和共线性的严重程度。
第五章1、异方差性是指模型中随机误差项的方差不是常量，而且它的变化与解释变量的变动有关。
2、产生异方差性的主要原因有：模型中略去的变量随解释变量的变化而呈规律性的变化、变量的设定问题、截面数据的使用，利用平均数作为样本数据等。
3、存在异方差性时对模型的OLS估计仍然具有无偏性，但最小方差性不成立，从而导致参数的显著性检验失效和预测的精度降低。
4、检验异方差性的方法有多种，常用的有图形法、Goldfeld-Qunandt检验、White检验、ARCH检验以及Glejser检验，运用这些检验方法时要注意它们的假设条件。
5、修正异方差性的主要方法是加权最小二乘法，也可以用变量变换法和对数变换法。
变量变换法与加权最小二乘法实际是等价的。
第五章主要公式表第六章1、当总体回归模型的随机误差项在不同观测点上彼此相关时就产生了自相关问题。
2、时间序列的惯性、经济活动的滞后效应、模型设定错误、数据的处理等多种原因都可能导致出现自相关。
3、 在出现自相关时，普通最小二乘估计量依然是无偏、一致的，但不再是有效的。
如果仍用OLS 法计算参数估计值的方差，将会低估存在自相关时参数估计值的真实方差。
而且会因低估真实的2σ导致参数估计值的方差被进一步低估。
由于真实，2σ的低估和参数估计值方差的低估，通常的t 检验和F 检验都不能有效地使用，也使预测的置信区间不可靠，降低了预测的精度。
4、 随机误差项的自相关形式决定于其关联形式，可以为m 阶自回归形式)2,1m m =，即)(m AR 。
为了研究问题的方便和考虑实际问题的代表意义，通常将自相关设定为一阶自相关即AR(1)模式。
用一阶自相关系数ρ表示自相关的程度与方向。
5、 由于u t 不可观测，通常使用u t 的估计量e t 判断u t 的特性。
绘制1-t e ，的的t e 散点图或按照时间顺序绘制回归残差项t e 图形，可以判断自相关的存在。
判断自相关的存在最常用的方法是依据e t 计算的DW 统计量，但要注意DW 检验法的前提条件和局限性。
6、 如果自相关系数ρ是已知的，我们可以使用广义差分法消除序列相关。
7、 如果自相关系数ρ是未知的，我们可采用科克伦—奥克特迭代法或德宾两步法求得ρ的估计值，然后用广义差分法消除序列相关。
第六章主要公式表7、广义差分 11211)()1(----+-+-=-t t t t t t u u X X Y Y ρρβρβρ第七章1、 由于心理、技术以及制度等原因，经济变量之间的影响往往具有滞后效应，滞后变量模型在经济分析中具有重要作用。
分布滞后模型和自回归模型是两种常见的滞后变量模型。
2、 分布滞后模型不能直接运用OLS 方法进行估计，原因在于自由度损失、多重共线性和之后长度难于确定；克服这些困难的方法是采用变通估计方法，变通的估计方法有经验加权法、阿尔蒙法及库依克法。
3、 自回归模型的产生背景主要在于两个方面：一是无限分布滞后模型不能直接估计，为了估计模型而对滞后结构作出某种假定（如库依克假定），然后通过变换形成自回归模型；二是在模型中引入了预期因素，由于变量的预期值无法观测，因此对“期望模型”中预期的形成作出某种假定，最后变换成自回归模型，例如自适应预期模型、局部调整模型。
4、 库依克模型、自适应预期模型与局部调整模型的最终形式为自回归结构。
在这三个模型中，只有局部调整模型满足扰动项无自相关、与解释变量1-t t Y X 及不相关的古典假定，从而可使用最小二乘法直接进行估计；而库伊克模型与自适应预期模型不满足古典假定，如果用最小二乘法直接进行估计，则估计是有偏的，且不是一致估计。
5、 为了缓解扰动项与解释变量1-t Y 存在相关带来估计偏倚，克采用工具变量法；诊断一阶自回归模型扰动项是否存在自相关克采用德宾h-检验法。
第七章主要公式表一般形式tq t q t t st s t t t t u Y Y Y X X X X Y ++++++++++=------γγγββββα 221122110分布滞后模型t s t s t t t t u X X X X Y ++++++=---ββββα 22110滞后变量模型自回归模型tq t q t t t t u Y Y Y X Y ++++++=---γγγβα 22110基本模型ts t s t t t t u X X X X Y ++++++=---ββββα 22110阿尔蒙变换s m s i i i i m<=++++=;,,2,1,02 ααααβm i 210分布滞后模型的阿尔蒙估计法新模型 t mt m t t t t u Z Z Z Z Y ++++++=ααααα 221100第八章1、虚拟变量是人工构造的取值为0和1的作为属性变量代表的变量。
2、虚拟变量个数的设置有一定规则：在有截距项的模型中，若定性因素有m个相互排斥的类型，只能引入m －1个虚拟变量，否则会陷入所谓“虚拟变量陷阱”，产生完全的多重共线性。
3、在计量经济模型中，加入虚拟解释变量的途径有两种基本类型：一是加法类型；二是乘法类型。
以加法方式引入虚拟变量改变的是模型的截距；以乘法方式引入虚拟变量改变的是模型的斜率。
4、解释变量只有一个分为两种相互排斥类型的定性变量而无定量变量的回归，称为方差分析模型。
5、解释变量包含一个分为两种类型定性变量的回归时，只使用了一个虚拟变量；解释变量包含一个两种以上类型的定性变量的回归时，定性变量有m 种类型，依据虚拟变量设置规则引入了m －1个虚拟变量。
7、解释变量包含两个（或K 个）定性变量的回归中，可选用了两个（或K 个）虚拟变量去表示，这并不会出现“虚拟变量陷阱”。
8、以乘法形式引入虚拟解释变量的主要作用在于：对回归模型结构变化的检验；定性因素间交互作用的影响分析；分段线性回归等。
9、以虚拟变量作为被解释变量的模型中，被解释变量i Y 的条件期望实际上是i Y 取值为1的条件概率。
线性概率模型（LPM ）存在一定局限性，模型估计也面临某些困难。
对数单位模型（Logit 模型）是以虚拟变量作为被解释变量的非线性模型之一。
第八章主要公式表第九章1、计量经济学模型中的古典假设不是无条件的假设，而是有条件的假设。
