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版笔记和课后答案
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：计量经济学及其应用★
1计量经济学
计量经济学是在一定的经济理论基础之上，采用数学与统计学的工具，通过建立计量经济模型对经济变量之间的关系进行定量分析的学科。

进行计量分析的步骤主要有：①利用经济数据对模型中的未知参数进行估计；②对模型进行检验；③通过检验后，可以利用计量模型来进行相关预测。

2经济分析的步骤
经济分析是指利用所搜集的相关数据检验某个理论是否成立或估计某种关系的方法。

经济分析主要包括以下几步，分别是阐述问题、构建经济模型、经济模型转化为计量模型、搜集相关数据、参数估计和假设检验。

考点二：经济数据★★★
1经济数据的结构（见表1-1）
表1-1 经济数据的结构
2面板数据与混合横截面数据的比较（见表1-2）
表1-2 面板数据与混合横截面数据的比较
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一。

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。

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。

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。

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。

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。

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】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。