伍德里奇《计量经济学导论》(第6版)复习笔记和课后习题详解-多元回归分析：OLS的渐近性【圣才出品】
- 格式：pdf
- 大小：522.96 KB
- 文档页数：16
下载文档原格式
合集下载
伍德里奇《计量经济学导论》(第6版)复习笔记和课后习题详解-时间序列回归中的序列相关和异方差性
第12章时间序列回归中的序列相关和异方差性12.1复习笔记考点一：含序列相关误差时OLS 的性质★★★1．无偏性和一致性当时间序列回归的前3个高斯-马尔可夫假定成立时，OLS 的估计值是无偏的。
把严格外生性假定放松到E（u t ｜X t ）＝0，可以证明当数据是弱相关时，∧βj 仍然是一致的，但不一定是无偏的。
2．有效性和推断假定误差存在序列相关，即满足u t ＝ρu t－1＋e t ，t＝1，2，…，n，｜ρ｜＜1。
其中，e t 是均值为0方差为σe 2满足经典假定的误差。
对于简单回归模型：y t ＝β0＋β1x t ＋u t 。
假定x t 的样本均值为零，因此有：1111ˆn x t tt SST x u -==+∑ββ其中：21nx t t SST x ==∑∧β1的方差为：()()122221111ˆ/2/n n n t j xt t x x t t j t t j Var SST Var x u SST SST x x ---+===⎛⎫==+ ⎪⎝⎭∑∑∑βσσρ其中：σ2＝Var（u t ）。
根据∧β1的方差表达式可知，第一项为经典假定条件下的简单回归模型中参数的方差。
因此，当模型中的误差项存在序列相关时，OLS 估计的方差是有偏的，假设检验的统计量也会出现偏差。
3．拟合优度当时间序列回归模型中的误差存在序列相关时，通常的拟合优度指标R 2和调整R 2便会失效；但只要数据是平稳和弱相关的，拟合优度指标就仍然有效。
4．出现滞后因变量时的序列相关（1）在出现滞后因变量和序列相关的误差时，OLS 不一定是不一致的假设E（y t ｜y t－1）＝β0＋β1y t－1。
其中，｜β1｜＜1。
加上误差项把上式写为：y t ＝β0＋β1y t－1＋u t ，E（u t ｜y t－1）＝0。
模型满足零条件均值假定，因此OLS 估计量∧β0和∧β1是一致的。
误差{u t }可能序列相关。
虽然E（u t ｜y t－1）＝0保证了u t 与y t－1不相关，但u t－1＝y t －1－β0－β1y t－2，u t 和y t－2却可能相关。
伍德里奇《计量经济学导论》笔记和课后习题详解(多元回归分析：OLS的渐近性)【圣才出品】
y＝β0＋β1x1＋…＋βkxk＋u 检验这些变量中最后 q 个变量是否都具有零总体参数。
虚拟假设：H0：βk－q＋1＝0，…，βk＝0，它对模型斲加了 q 个排除性约束。
3 / 12
圣才电子书 十万种考研考证电子书、题库视频学习平台
对立假设：这些参数中至少有一个异亍零。
（2）σ2 是 σ2＝Var（u）的一个一致估计量。
（3）对每个 j，都有：
βˆj βj
/ se
βˆ j
a
~ Normal 0,1
其中， se βˆ j 就是通常的 OLS 标准误。
定理 5.2 的重要乊处在亍，它去掉了正态性假定 MLR.6。对误差分布唯一的限制是，
它具有有限斱差。还对 u 假定了零条件均值（MLR.4）和同斱差性（MLR.5）。
因为 Var（x1）＞0，所以，若 x1 和 u 正相关，则 βˆ1 的丌一致性就为正，而若 x1 和 u 负相关，则 βˆ1 的丌一致性就为负。如果 x1 和 u 乊间的协斱差相对亍 x1 的斱差很小，那么这
种丌一致性就可以被忽略。由亍 u 是观测丌到的，所以甚至还丌能估计出这个协斱差有多 大。
二、渐近正态和大样本推断 1．定理 5.2：OLS 的渐近正态性 在高斯-马尔可夫假定 MLR.1～MLR.5 下，
④将
LM
不
χ
2 q
分布中适当的临界值
c
相比较，如果
LM＞c，就拒绝虚拟假设。
（3）不 F 统计量比较
不 F 统计量丌同，无约束模型中的自由度在迚行 LM 检验时没有什么作用。所有起作用
的因素只是被检验约束的个数（q）、辅助回归 R2 的大小（ Ru2 ）和样本容量（n）。无约束 模型中的 df 丌起什么作用，这是因为 LM 统计量的渐近性质。但必须确定将 Ru2 乘以样本容 量以得到 LM，如果 n 很大， Ru2 看上去较低的值仍可能导致联合显著性。
伍德里奇计量经济学导论第6版笔记和课后习题答案
第1章计量经济学的性质与经济数据1.1复习笔记考点一:计量经济学★1计量经济学的含义计量经济学,又称经济计量学,是由经济理论、统计学和数学结合而成的一门经济学的分支学科,其研究内容是分析经济现象中客观存在的数量关系。
2计量经济学模型(1)模型分类模型是对现实生活现象的描述和模拟。
根据描述和模拟办法的不同,对模型进行分类,如表1-1所示。
(2)数理经济模型和计量经济学模型的区别①研究内容不同数理经济模型的研究内容是经济现象各因素之间的理论关系,计量经济学模型的研究内容是经济现象各因素之间的定量关系。
②描述和模拟办法不同数理经济模型的描述和模拟办法主要是确定性的数学形式,计量经济学模型的描述和模拟办法主要是随机性的数学形式。
③位置和作用不同数理经济模型可用于对研究对象的初步研究,计量经济学模型可用于对研究对象的深入研究。
考点二:经济数据★★★1经济数据的结构(见表1-3)2面板数据与混合横截面数据的比较(见表1-4)考点三:因果关系和其他条件不变★★1因果关系因果关系是指一个变量的变动将引起另一个变量的变动,这是经济分析中的重要目标之计量分析虽然能发现变量之间的相关关系,但是如果想要解释因果关系,还要排除模型本身存在因果互逆的可能,否则很难让人信服。
2其他条件不变其他条件不变是指在经济分析中,保持所有的其他变量不变。
“其他条件不变”这一假设在因果分析中具有重要作用。
1.2课后习题详解一、习题1.假设让你指挥一项研究，以确定较小的班级规模是否会提高四年级学生的成绩。
(i)如果你能指挥你想做的任何实验，你想做些什么?请具体说明。
(ii)更现实地，假设你能搜集到某个州几千名四年级学生的观测数据。
你能得到它们四年级班级规模和四年级末的标准化考试分数。
你为什么预计班级规模与考试成绩成负相关关系?(iii)负相关关系一定意味着较小的班级规模会导致更好的成绩吗?请解释。
答:(i)假定能够随机的分配学生们去不同规模的班级，也就是说，在不考虑学生诸如能力和家庭背景等特征的前提下，每个学生被随机的分配到不同的班级。
伍德里奇《计量经济学导论》（第6版）复习笔记和课后习题详解OLS用于时间序列数据的其他问题
伍德里奇《计量经济学导论》（第6版）复习笔记和课后习题详解OLS用于时间序列数据的其他问题第11章OLS用于时间序列数据的其他问题11.1复习笔记考点一：平稳和弱相关时间序列★★★★1．时间序列的相关概念（见表11-1）表11-1时间序列的相关概念2．弱相关时间序列（1）弱相关对于一个平稳时间序列过程{x t：t＝1，2，…}，随着h的无限增大，若x t和x t＋h“近乎独立”，则称为弱相关。
对于协方差平稳序列，如果x t和x t＋h之间的相关系数随h的增大而趋近于0，则协方差平稳随机序列就是弱相关的。
本质上，弱相关时间序列取代了能使大数定律（LLN）和中心极限定理（CLT）成立的随机抽样假定。
（2）弱相关时间序列的例子（见表11-2）表11-2弱相关时间序列的例子考点二：OLS的渐近性质★★★★1．OLS的渐近性假设（见表11-3）表11-3OLS的渐近性假设2．OLS的渐近性质（见表11-4）表11-4OLS的渐进性质考点三：回归分析中使用高度持续性时间序列★★★★1．高度持续性时间序列（1）随机游走（见表11-5）表11-5随机游走（2）带漂移的随机游走带漂移的随机游走的形式为：y t＝α0＋y t－1＋e t，t＝1，2，…。
其中，e t（t＝1，2，…）和y0满足随机游走模型的同样性质；参数α0被称为漂移项。
通过反复迭代，发现y t的期望值具有一种线性时间趋势：y t＝α0t＋e t＋e t－1＋…＋e1＋y0。
当y0＝0时，E（y t）＝α0t。
若α0＞0，y t的期望值随时间而递增；若α0＜0，则随时间而下降。
在t时期，对y t＋h的最佳预测值等于y t加漂移项α0h。
y t的方差与纯粹随机游走情况下的方差完全相同。
带漂移随机游走是单位根过程的另一个例子，因为它是含截距的AR（1）模型中ρ1＝1的特例：y t＝α0＋ρ1y t－1＋e t。
2．高度持续性时间序列的变换（1）差分平稳过程I（1）弱相关过程，也被称为0阶单整或I（0），这种序列的均值已经满足标准的极限定理，在回归分析中使用时无须进行任何处理。
伍德里奇《计量经济学导论》(第6版)复习笔记和课后习题详解-第二篇(第10~12章)【圣才出品】
第二篇时间序列数据的回归分析第10章时间序列数据的基本回归分析10.1 复习笔记考点一：时间序列数据★★1．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。
（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。
2．时间序列模型的主要类型（见表10-1）表10-1 时间序列模型的主要类型考点二：经典假设下OLS的有限样本性质★★★★1．高斯-马尔可夫定理假设（见表10-2）表10-2 高斯-马尔可夫定理假设2．OLS估计量的性质与高斯-马尔可夫定理（见表10-3）表10-3 OLS估计量的性质与高斯-马尔可夫定理3．经典线性模型假定下的推断（1）假定TS.6（正态性）假定误差u t独立于X，且具有独立同分布Normal（0，σ2）。
该假定蕴涵了假定TS.3、TS.4和TS.5，但它更强，因为它还假定了独立性和正态性。
（2）定理10.5（正态抽样分布）在时间序列的CLM假定TS.1～TS.6下，以X为条件，OLS估计量遵循正态分布。
而且，在虚拟假设下，每个t统计量服从t分布，F统计量服从F分布，通常构造的置信区间也是确当的。
定理10.5意味着，当假定TS.1～TS.6成立时，横截面回归估计与推断的全部结论都可以直接应用到时间序列回归中。
这样t统计量可以用来检验个别解释变量的统计显著性，F统计量可以用来检验联合显著性。
考点三：时间序列的应用★★★★★1．函数形式、虚拟变量除了常见的线性函数形式，其他函数形式也可以应用于时间序列中。
最重要的是自然对数，在应用研究中经常出现具有恒定百分比效应的时间序列回归。
虚拟变量也可以应用在时间序列的回归中，如某一期的数据出现系统差别时，可以采用虚拟变量的形式。
2．趋势和季节性（1）描述有趋势的时间序列的方法（见表10-4）表10-4 描述有趋势的时间序列的方法（2）回归中的趋势变量由于某些无法观测的趋势因素可能同时影响被解释变量与解释变量，被解释变量与解释变量均随时间变化而变化，容易得到被解释变量与解释变量之间趋势变量的关系，而非真正的相关关系，导致了伪回归。
伍德里奇《计量经济学导论》(第6版)复习笔记和课后习题详解-第三篇(第13~15章)【圣才出品】
第三篇高级专题第13章跨时横截面的混合：简单面板数据方法13.1 复习笔记考点一：跨时独立横截面的混合★★★★★1．独立混合横截面数据的定义独立混合横截面数据是指在不同时点从一个大总体中随机抽样得到的随机样本。
这种数据的重要特征在于：都是由独立抽取的观测所构成的。
在保持其他条件不变时，该数据排除了不同观测误差项的相关性。
区别于单独的随机样本，当在不同时点上进行抽样时，样本的性质可能与时间相关，从而导致观测点不再是同分布的。
2．使用独立混合横截面的理由（见表13-1）表13-1 使用独立混合横截面的理由3．对跨时结构性变化的邹至庄检验（1）用邹至庄检验来检验多元回归函数在两组数据之间是否存在差别（见表13-2）表13-2 用邹至庄检验来检验多元回归函数在两组数据之间是否存在差别（2）对多个时期计算邹至庄检验统计量的办法①使用所有时期虚拟变量与一个（或几个、所有）解释变量的交互项，并检验这些交互项的联合显著性，一般总能检验斜率系数的恒定性。
②做一个容许不同时期有不同截距的混合回归来估计约束模型，得到SSR r。
然后，对T个时期都分别做一个回归，并得到相应的残差平方和，有：SSR ur＝SSR1＋SSR2＋…＋SSR T。
若有k个解释变量（不包括截距和时期虚拟变量）和T个时期，则需检验（T－1）k 个约束。
而无约束模型中有T＋Tk个待估计参数。
所以，F检验的df为（T－1）k和n－T －Tk，其中n为总观测次数。
F统计量计算公式为：[（SSR r－SSR ur）/SSR ur][（n－T－Tk）/（Tk－k）]。
但该检验不能对异方差性保持稳健，为了得到异方差-稳健的检验，必须构造交互项并做一个混合回归。
4．利用混合横截面作政策分析（1）自然实验与真实实验当某些外生事件改变了个人、家庭、企业或城市运行的环境时，便产生了自然实验（准实验）。
一个自然实验总有一个不受政策变化影响的对照组和一个受政策变化影响的处理组。
伍德里奇《计量经济学导论》(第6版)复习笔记和课后习题详解-第一篇(第4~6章)【圣才出品】
考点五：对多个线性约束的检验：F 检验 ★★★★★
1．对排除性约束的检验 对排除性约束的检验是指检验一组自变量是否对因变量都没有影响，该检验不适用于不 同因变量的检验。F 统计量通常对检验一组变量的排除有用处，特别是当变量高度相关的时 候。 含有 k 个自变量的不受约束模型为：y＝β0＋β1x1＋…＋βkxk＋u，其中参数有 k＋1 个。 假设有 q 个排除性约束要检验，且这 q 个变量是自变量中的最后 q 个：xk－q＋1，…，xk， 则受约束模型为：y＝β0＋β1x1＋…＋βk－qxk－q＋u。 虚拟假设为 H0：βk－q＋1＝0，…，βk＝0，对立假设是列出的参数至少有一个不为零。 定义 F 统计量为 F＝[（SSRr－SSRur）/q]/[SSRur/（n－k－1）]。其中，SSRr 是受约束模型 的残差平方和，SSRur 是不受约束模型的残差平方和。由于 SSRr 不可能比 SSRur 小，所以 F 统计量总是非负的。q＝dfr－dfur，即 q 是受约束模型与不受约束模型的自由度之差，也是 约束条件的个数。n－k－1＝分母自由度＝dfur，且 F 的分母恰好就是不受约束模型中σ2＝ Var（u）的一个无偏估计量。 假设 CLM 假定成立，在 H0 下 F 统计量服从自由度为（q，n－k－1）的 F 分布，即 F～ Fq，n－k－1。如果 F 值大于显著性水平下的临界值，则拒绝 H0 而支持 H1。当拒绝 H0 时，就 说，xk－q＋1，…，xk 在适当的显著性水平上是联合统计显著的（或联合显著）。
∧
∧
∧
∧
注：β1，β2，…，βk 的任何线性组合也都符合正态分布，且βj 的任何一数检验：t 检验 ★★★★
1．总体回归函数 总体模型的形式为：y＝β0＋β1x1＋…＋βkxk＋u。假定该模型满足 CLM 假定，βj 的 OLS 量是无偏的。
伍德里奇《计量经济学导论》(第6版)复习笔记和课后习题详解-第一篇(第7~9章)【圣才出品】
第7章含有定性信息的多元回归分析：二值（或虚拟）变量7.1 复习笔记考点一：带有虚拟自变量的回归★★★★★1．对定性信息的描述定性信息是指通常以二值信息（0-1）的形式出现的信息，如性别、是否结婚等。
在计量经济学中，二值变量又称为虚拟变量。
2．只有一个虚拟自变量（1）只有一个虚拟自变量的简单模型考虑决定小时工资的简单模型：wage＝β0＋δ0female＋β1educ＋u。
根据多元回归的解释方式，δ0表示控制educ不变时，female变化1单位给wage带来的变化。
假定零条件均值假定E（u｜female，educ）＝0成立，那么：δ0＝E（wage｜female＝1，educ）－E（wage｜female＝0，educ），其中female＝1表示女性，female＝0表示男性。
可以发现，在任意教育水平下，男性与女性的工资差异是固定的，女性工资比男性工资多δ0。
除了β0之外，模型中只需要引入一个虚拟变量。
因为female＋male＝1，所以引入两个虚拟变量会导致完全多重共线性，即虚拟变量陷阱。
（2）当因变量为log（y）时，对虚拟解释变量系数的解释当变量中有一个或多个虚拟变量，且因变量以对数的形式存在时，虚拟变量的系数可以理解为百分比的变化。
将虚拟变量的系数乘以100，表示的是在保持所有其他因素不变时y的百分数差异，精确的百分数差异为：100·[exp （β∧1）－1]。
其中β∧1是一个虚拟变量的系数。
3．使用多类别虚拟变量 （1）在方程中包括虚拟变量的一般原则如果回归模型具有g 组或g 类不同截距，一种方法是在模型中包含g －1个虚拟变量和一个截距。
基组的截距是模型的总截距，某一组的虚拟变量系数表示该组与基组在截距上的估计差异。
如果在模型中引入g 个虚拟变量和一个截距，将会导致虚拟变量陷阱。
另一种方法是只包括g 个虚拟变量，而没有总截距。
这种方法存在两个实际的缺陷：①对于相对基组差别的检验变得更繁琐；②在模型不包含总截距时，回归软件通常都会改变R 2的计算方法。
伍德里奇《计量经济学导论》（第6版）复习笔记和课后习题详解-多元回归分析：推断【圣才出品】
伍德⾥奇《计量经济学导论》（第6版）复习笔记和课后习题详解-多元回归分析：推断【圣才出品】第4章多元回归分析：推断4.1复习笔记考点⼀：OLS估计量的抽样分布★★★1．假定MLR.6（正态性）假定总体误差项u独⽴于所有解释变量，且服从均值为零和⽅差为σ2的正态分布，即：u～Normal（0，σ2）。
对于横截⾯回归中的应⽤来说，假定MLR.1～MLR.6被称为经典线性模型假定。
假定下对应的模型称为经典线性模型（CLM）。
2．⽤中⼼极限定理（CLT）在样本量较⼤时，u近似服从于正态分布。
正态分布的近似效果取决于u中包含多少因素以及因素分布的差异。
但是CLT的前提假定是所有不可观测的因素都以独⽴可加的⽅式影响Y。
当u是关于不可观测因素的⼀个复杂函数时，CLT论证可能并不适⽤。
3．OLS估计量的正态抽样分布定理4.1（正态抽样分布）：在CLM假定MLR.1～MLR.6下，以⾃变量的样本值为条件，有：∧βj～Normal（βj，Var（∧βj））。
将正态分布函数标准化可得：（∧βj－βj）/sd（∧βj）～Normal（0，1）。
注：∧β1，∧β2，…，∧βk的任何线性组合也都符合正态分布，且∧βj的任何⼀个⼦集也都具有⼀个联合正态分布。
考点⼆：单个总体参数检验：t检验★★★★1．总体回归函数总体模型的形式为：y＝β0＋β1x1＋…＋βk x k＋u。
假定该模型满⾜CLM假定，βj的OLS 量是⽆偏的。
2．定理4.2：标准化估计量的t分布在CLM假定MLR.1～MLR.6下，（∧βj－βj）/se（∧βj）～t n－k－1，其中，k＋1是总体模型中未知参数的个数（即k个斜率参数和截距β0）。
t统计量服从t分布⽽不是标准正态分布的原因是se（∧βj）中的常数σ已经被随机变量∧σ所取代。
t统计量的计算公式可写成标准正态随机变量（∧βj－βj）/sd（∧βj）与∧σ2/σ2的平⽅根之⽐，可以证明⼆者是独⽴的；⽽且（n－k－1）∧σ2/σ2～χ2n－k－1。
伍德里奇《计量经济学导论》复习笔记和课后习题详解-含有定性信息的多元回归分析：二值变量
伍德里奇《计量经济学导论》复习笔记和课后习题详解-含有定性信息的多元回归分析：二值变量第7章含有定性信息的多元回归分析：二值（或虚拟）变量7.1复习笔记考点一：带有虚拟自变量的回归★★★★★1．对定性信息的描述定性信息是指通常以二值信息（0-1）的形式出现的信息，如性别、是否结婚等。
在计量经济学中，二值变量又称为虚拟变量。
2．只有一个虚拟自变量（1）只有一个虚拟自变量的简单模型考虑决定小时工资的简单模型：wage＝β0＋δ0female＋β1educ ＋u。
根据多元回归的解释方式，δ0表示控制educ不变时，female 变化1单位给wage带来的变化。
假定零条件均值假定E（u｜female，educ）＝0成立，那么：δ0＝E（wage｜female＝1，educ）－E （wage｜female＝0，educ），其中female＝1表示女性，female ＝0表示男性。
可以发现，在任意教育水平下，男性与女性的工资差异是固定的，女性工资比男性工资多δ0。
除了β0之外，模型中只需要引入一个虚拟变量。
因为female＋male＝1，所以引入两个虚拟变量会导致完全多重共线性，即虚拟变量陷阱。
（2）当因变量为log（y）时，对虚拟解释变量系数的解释当变量中有一个或多个虚拟变量，且因变量以对数的形式存在时，虚拟变量的系数可以理解为百分比的变化。
将虚拟变量的系数乘以100，表示的是在保持所有其他因素不变时y 的百分数差异，精确的百分数差异为：100·[exp（∧β1）－1]。
其中∧β1是一个虚拟变量的系数。
3．使用多类别虚拟变量（1）在方程中包括虚拟变量的一般原则如果回归模型具有g 组或g 类不同截距，一种方法是在模型中包含g－1个虚拟变量和一个截距。
基组的截距是模型的总截距，某一组的虚拟变量系数表示该组与基组在截距上的估计差异。
如果在模型中引入g 个虚拟变量和一个截距，将会导致虚拟变量陷阱。
另一种方法是只包括g 个虚拟变量，而没有总截距。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第5章多元回归分析：OLS 的渐近性5.1复习笔记考点一：一致性★★★★1．定理5.1：OLS 的一致性（1）一致性的证明当假定MLR.1～MLR.4成立时，对所有的j＝0，1，2，…，k，OLS 估计量∧βj 是βj 的一致估计。
证明过程如下：将y i ＝β0＋β1x i1＋u i 代入∧β1的表达式中，便可以得到：()()()()11111111122111111ˆnni ii i i i n ni i i i xx y n x x u xxnxx ββ-==-==--==+--∑∑∑∑根据大数定律可知上式等式右边第二项中的分子和分母分别依概率收敛于总体值Cov （x 1，u）和Var（x 1）。
假定Var（x 1）≠0，因为Cov（x 1，u）＝0，利用概率极限的性质可得：plim ∧β1＝β1＋Cov（x 1，u）/Var（x 1）＝β1。
这就说明了OLS 估计量∧βj 具有一致性。
前面的论证表明，如果假定只有零相关，那么OLS 在简单回归情形中就是一致的。
在一般情形中也是这样，可以将这一点表述成一个假定。
即假定MLR.4′（零均值与零相关）：对所有的j＝1，2，…，k，都有E（u）＝0和Cov（x j1，u）＝0。
（2）MLR.4′与MLR.4的比较①MLR.4要求解释变量的任何函数都与u 无关，而MLR.4′仅要求每个x j 与u 无关（且u 在总体中均值为0）。
②在MLR.4假定下，有E（y｜x 1，x 2，…，x k ）＝β0＋β1x 1＋β2x 2＋…＋βk x k ，可以得到解释变量对y 的平均值或期望值的偏效应；而在假定MLR.4′下，β0＋β1x 1＋β2x 2＋…＋βk x k 不一定能够代表总体回归函数，存在x j 的某些非线性函数与误差项相关的可能性。
2．推导OLS 的不一致性当误差项和x 1，x 2，…，x k 中的任何一个相关时，通常会导致所有的OLS 估计量都失去一致性，即使样本量增加也不会改善。
此时，∧β1的不一致性为：plim ∧β1－β1＝Cov（x 1，u）/Var（x 1）。
因为Var（x 1）＞0，所以，当x 1和u 存在正相关关系时，∧β1的不一致性就为正；而当x 1和u 负相关时，∧β1的不一致性就为负。
考点二：渐近正态和大样本推断★★★★★1．定理5.2：OLS 的渐近正态性当高斯-马尔可夫假定MLR.1～MLR.5成立时：（1）存在：)()22ˆNormal 0 aj j j a ββσ-~/，其中，σ2/a j 2＞0是n 1/2（∧βj －βj ）的渐近方差；斜率系数为：121ˆlim n ij i p n r -=⎛⎫⎪⎝⎭∑其中∧r ij 是x j 对其余自变量进行回归所得到的残差。
此时，称∧βj 服从渐近正态分布。
（2）∧σ2是σ2＝Var（u）的一个一致估计量。
（3）对每个j，都存在：()()()ˆˆ/0,1ajjjsd Normal βββ- ()()()ˆˆ/0,1aj j jse Normal βββ- 其中，se（∧βj ）是通常的OLS 标准误。
利用定理5.2，在进行假设检验时就不再必须满足正态性假定。
误差分布的唯一限制是有限方差，且误差项满足零均值和同方差。
实际上，随着自由度的变大，t n－k－1会趋近于标准正态分布，所以也可以进行t 检验。
但一般来讲，当样本量很大时，直接用正态分布检验即可。
2．其他大样本检验：拉格朗日乘数统计量包含k 个自变量的多元回归模型的形式为：y＝β0＋β1x 1＋…＋βk x k ＋u。
下面利用拉格朗日乘数统计量（简称LM 统计量或n-R 2统计量）检验最后q 个变量是否都具有零总体参数。
虚拟假设为：H 0：βk－q＋1＝0，…，βk ＝0，即对模型施加了q 个排除性约束。
对立假设为：这些参数中至少有一个异于零。
拉格朗日乘数检验步骤为：（1）将y 对施加限制后的自变量集进行回归，并保留残差。
即进行以下回归：011--k q k qy x x u βββ=++⋯++ （2）将上一步中所得到的残差对所有自变量进行回归，并得到R 2，记为R u 2。
（3）计算LM＝nR u 2。
（4）将LM 与χq 2分布中适当的临界值c 相比较，如果LM＞c，就拒绝虚拟假设。
考点三：OLS 的渐近有效性★★★★1．简单回归模型简单回归模型的形式为：y＝β0＋β1x 1＋u。
令g（x）为x 的任意一个函数，可知u 与g（x）无关。
对所有的观测i，令z i ＝g（x i ）。
假定g（x）和x 相关，则β1的估计量就是β1的一致估计，表达式为：()()111niii niii z z y z z xβ==-=-∑∑ 证明：将y i ＝β0＋β1x i ＋u i 代入1β 表达式，得到：()()111111niii n i ii nz z un z z x ββ-=-=-=+-∑∑ 根据大数定律，分子和分母分别收敛于Cov （z，u）和Cov （z，x）。
因为当假定MLR.4成立时，Cov（z，u）＝0，所以有：111(,)/(,)plim Cov z u Cov z x βββ=+= 2．含有k 个回归元的情形在k 个回归元的情形中，推广OLS 的一阶条件，可以得到一类一致估计量：()()01110,0,1,,njiii k iki g x yx x j k βββ=----==∑ 其中，g j （x i ）表示第i 次观测的所有自变量的任意函数。
当g 0（x i ）＝1和j＝1，2，…，k，g j （x i ）＝x ij 时，可以得到OLS 估计量。
由于使用的是x ij 的任意函数，所以估计量的种类是无限的。
3．定理5.3：OLS 的渐近有效性在高斯-马尔可夫假定下，令j β 表示形如上式方程的估计量，而∧βj 表示OLS 估计量。
则对于j＝0，1，2，…，k，OLS 估计量具有最小的渐近方差，即满足：))ˆvar varj j j jββββA -≤A - 5.2课后习题详解一、习题1．在满足假定MLR.1到MLR.4的简单回归中，我们证明了斜率估计量∧β1是β1的一致估计。
利用∧β0＝＿y－∧β1＿x 1证明：plim ∧β0＝β0。
[你在使用β0＝E（y）－β1E（x 1）的同时，还需要使用∧β1的一致性和大数定律。
]证明：简单模型为：y＝β0＋β1x 1＋u 期望值是E（y）＝β0＋β1E（x 1）＋E（u）记μy ＝E（y），μx ＝E（x 1），因为E（u）＝0，故μy ＝β0＋β1μx 移项可得β0＝μy－β1μx则有∧β0＝＿y－∧β1＿x1根据大数定律plim（＿y）＝μyplim（＿x1）＝μx又plim∧β1＝β1则对∧β0＝＿y－∧β1＿x1等式两边同时取概率极限得：plim（∧β0）＝plim（＿y－∧β1＿x1）＝plim（＿y）－plim（∧β1）·plim（＿x1）＝μy－β1μx＝β0 2．假设模型pctstck＝β0＋β1funds＋β2risktol＋u满足前四个高斯-马尔科夫假定，其中pctstck表示工人养老金投资于股票市场的百分比，funds表示工人可以选择的共同基金的个数，而risktol表示对风险承受能力的某种度量（risktol越大，则表明这个人对风险的承受能力越强）。
如果funds和risktol正相关，pctstck对funds简单回归的斜率系数1β 有怎样的不一致性？答：对风险的承受能力越强意味着在资本市场上投资的意愿更强，因此β2＞0。
假定可供选择的共同基金的个数（funds）与个人承受风险的能力（ridktol）是正相关的，使用教材公式5.5可以得到δ1＞0：plim（β1）＝β1＋β2δ1＞β1因此1β 存在正的不一致性（渐进偏误）。
这个结论是合乎情理的，如果在回归中省略个人对风险的承受能力（risktol）这一变量，由于它与可选择的共同基金个数（funds）相关，因此估计出来的可选择的共同基金个数（funds）对工人养老金投资于股票市场的百分比（pctstck）的影响实际上包括了个人对风险的承受能力（risktol）对工人养老金投资于股票市场的百分比（pctstck）的影响。
3．数据集SMOKE 包含有美国成人个人随机样本在抽烟行为和其他变量方面的信息。
变量cigs 是（平均）每天抽烟的数量。
你是否认为在美国这个总体中，cigs 具有正态分布？试做解释。
答：在美国这个总体中，cigs 不具有正态分布。
大多数人不抽烟，因此对一半以上的美国人而言，cigs＝0，故正态分布随机变量的概率大于零并没有特殊的意义。
另外，cigs 的分布是左偏的，而正态分布随机变量是对称的。
4．在简单回归模型（5.16）中，我们在前四个高斯-马尔科夫假定下证明了形如教材（5.17）的估计量是斜率β1的一致估计量。
给定这样一个估计量，定义β0的一个估计量为01y x ββ=- 证明00plim ββ= 证明：简单回归模型为：y＝β0＋β1x＋u 则其期望值是：E（y）＝β0＋β1E（x）＋E（u）记μy ＝E（y），μx ＝E（x），因为E（u）＝0，故μy ＝β0＋β1μx 移项可得β0＝μy －β1μx 则01y x ββ=- 根据大数定律可知：plim（＿y）＝μy plim（＿x）＝μx 并且11plim ββ= 可得：()()()()01110plim plim plim plim plim y x y x y x βββμβμβ=-=-⋅=-= 因此()00plim ββ= 5．下面的柱状图是使用ECONMATH 数据集中的变量score 作图的。
共使用30个柱形作出柱状图，每一格的高度是落入对应区间的观测的占比。
正态分布的最佳拟合（也就是使用样本均值和样本标准差）已添加入柱状图中。
课程分数（以百分数形式）（i）如果你使用正态分布去估计score超过100的可能性，答案会是0吗？为什么你的答案会与score服从正态分布的假设相违背？（ii）解释柱状图的左尾发生了什么。
在左尾部分正态分布拟合是否良好？答：（i）答案是0。
因为z＝（x－u）/（σ/n0.5）＝59.82，对应的p值为0。
一半学生的分数低于平均值72.60，同时没有学生的分数超过100，因此答案与score 服从正态分布的假设相违背。
（ii）通过观察柱状图，只有很少一部分学生的分数低于60。
左尾部的正态分布拟合不好，从柱状图中可以看出，左尾部的柱形图大多高于正态分布的曲线。
二、计算机练习C1．本题使用WAGE1中的数据。
（i）估计方程wage＝β0＋β1educ＋β2exper＋β3tenure＋u。