简答题
一、计量经济学的步骤
答:选择变量与数学关系式——模型设定
确定变量间的数量关系——估计参数
检验所得结论的可靠性——模型检验
作经济分析与经济预测——模型应用
二、模型检验
答:所谓模型检验,就就是要对模型与所估计的参数加以评判,判定在理论上就是否有意义,在统计上就是否有足够的可靠性。对计量经济模型的检验主要应从以下四方面进行:1、经济意义的检验。2、统计推断检验。3、计量经济学检验。
4、模型预测检验。
三、模型应用
答:(1)经济结构分析,就是指用已经估计出参数的模型,对所研究的经济关系进行定量的考查,以说明经济变量之间的数量比例关系。
(2)经济预测,就是指利用估计了参数的计量经济模型,由已知的或预先测定的解释变量,去预测被解释变量在所观测的样本数据以外的数值。
(3)政策评价,就是利用计量经济模型对各种可供选择的政策方案的实施后果进行模拟测算,从而对各种政策方案作出评价。
(4)检验与发展经济理论,就是利用计量经济模型去验证既有经济理论或者提出新的理论。
四、普通OLS方法的思想与它的计算方法
答:计量经济学研究的直接目的就是确定总体回归函数Yi=B1+B2Xi+ui,然而能够得到的知识来自总体的若干样本的观测值,要用样本信息建立的样本回归函数尽可能“接近”地去估计总体回归函数。为此,可以以从不同的角度去确定建立样本回归函数的准则,也就有了估计回归模型参数的多种方法。例如,用生产该样本概率最大的原则去确定样本回归函数,成为极大似然发展;用估计的剩余平方与的最小的原则确定样本回归函数。称为最小二乘法则。
为了使样本回归函数尽可能接近总体回归函数,要使样本回归函数估计的
与实际的的误差尽量小,即要使剩余项
越小越好。可就是作为误差
有正有负,其简单代数与∑
最小的准则,这就就是最小乘准则,即
min ∑=min ∑
-min ∑
五、简单线性回归模型基本假定 答:(1)对模型与变量的假定,如
12i i i
Y X u ββ=++
①假定解释变量x 就是确定性变量,就是非随机的,这就是因为在重复抽样中
就是取一组固定的值、或者
虽然就是随机的,但与随机扰动项
也就是不相关;
②假定模型中的变量没有测量误差。
(2)对随机扰动项 u的假定又称高斯假定、古典假定
假定1:零均值假定,即在给定解释变量的条件下 ,随机扰动项ui的条
件期望或条件为零E()0
i i
u X
假定2:同方差假定,即对于给定的每一的条件下,随机扰动项ui的条件方差都等于某一常数
22
Var()E[E()]i i i i i u X u u X σ=-=
假定3:无自相关假定,即随机扰动项ui 的逐次值互不相关u,或者说对于所有的i 与j(i 不等于j), ui 与uj 的协方差为零
假定4:随机扰动 ui 与解释变量Xi 不相关,可表示为
假定5:对随机扰动项分布的正态性假定,即假定随机扰动项ui 服从期望为零,方差为2
σ的正态分布,表示为
～
六、F 检验
答:⑴对回归模型整体显著性的检验,所检验假设的形式为 H0:β2=β3=…=βk=0
H1: βj(j=2,3,…,k)不全为零
⑵在H0成立的条件下,统计量
F=[ESS/(k-1)]/[RSS/(n-k)]～F(k-1,n-k)
⑶给定显著性水平α,在F 分布表中查出自由度为k-1与n-k 的临界值F α(k-1,n-k),将样本观测值代入式计算F 值,然后将F 值与临界值F α(k-1,n-k)比较。若F> F α(k-1,n-k),则拒绝原假设H0:β2=β3=…=βk=0,说明回归方程显著,即列入模型的各个解释变量联合起来对被解释变量有显著影响;反之。 七、多重共线性产生的后果
答:1、完全多重共线性产生的后果 (1)参数的估计值不确定
当解释变量完全线性相关时 ——OLS 估计式不确定
从偏回归系数意义瞧:在X2与X3 完全共线性时,无法保持X3不变,去单独考虑X2 对 Y 的影响(X2 与 X3 的影响不可区分)
从OLS 估计式瞧:可以证明此时20
ˆ0
β=
(2)参数估计值的方差无限大
OLS 估计式的方差成为无穷大:2ˆ
V ar ()β=∞
2、不完全多重共线性产生的后果
如果模型中存在不完全的多重共线性,可以得到参数的估计值,但就是对计量经济分析可能会产生一系列的影响。 (1)参数估计值的方差增大
(2)对参数区间估计时,置信区间趋于变大 (3)假设检验容易作出错误的判断
(4)可能造成可决系数较高,但对各个参数单独的t 检验却可能不显著,甚至可能使估计的回归系数符号相反,得出完全错误的结论。
八、多重共线性的检验
答:1、简单相关系数检验法,即就是利用解释变量之间的线性相关程度去判断就是否存在严重多重共线性的一种简便方法。判断规则:一般而言,如果每两个解释变量的简单相关系数(零阶相关系数)比较高,例如大于0、8,则可认为存在着较严重的多重共线性。但要注意:较高的简单相关系数只就是多重共线性存在的充分条件,而不就是必要条件。。
2、方差扩大(膨胀)因子法
经验规则:方差膨胀因子越大,表明解释变量之间的多重共性越严重。反过来,方差膨胀因子越接近于1,多重共线性越弱。经验表明,方差膨胀因子≥10时,说明解释变量与其余解释变量之间有严重的多重共线性,且这种多重共线性可能会过度地影响最小二乘估计。
3、直观判断法
⑴当增加或剔除一个解释变量,或者改变一个观测值时,回归参数的估计值发生较大变化,回归方程可能存在严重的多重共线性。
⑵从定性分析认为,一些重要的解释变量的回归系数的标准误差较大,在回归方程中没有通过显著性检验时,可初步判断可能存在严重的多重共线性。
⑶有些解释变量的回归系数所带正负号与定性分析结果违背时,很可能存在多重共线性。
⑸解释变量的相关矩阵中,自变量之间的相关系数较大时,可能会存在多重共线性问题。
4、逐步回归法
逐步回归的基本思想:将变量逐个的引入模型,每引入一个解释变量后,都要进行Ｆ检验,并对已经选入的解释变量逐个进行t 检验,当原来引入的解释变量由于后面解释变量的引入而变得不再显著时,则将其剔除。以确保每次引入新的变量之前回归方程中只包含显著的变量。在逐步回归中,高度相关的解释变量,在引入时会被剔除。因而也就是一种检测多重共线性的有效方法。
九、异方差的后果
答:⑴对参数估计式统计特性的影响
①参数估计的无偏性仍然成立
参数估计的无偏性仅依赖于基本假定中的零均值假定(即E()0
i
u
)。所以异方差的存在对无偏性的成立没有影响。
②参数估计的方差不再就是最小的
同方差假定就是OLS估计方差最小的前提条件,所以随机误差项就是异方差时,将不能再保证最小二乘估计的方差最小。
⑵对模型假设检验的影响
由于异方差的影响,使得无法正确估计参数的标准误差,导致参数估计的 t 统计量的值不能正确确定,所以,如果仍用t 统计量进行参数的显著性检验将失去意义。
⑶对预测的影响
尽管参数的OLS估计量仍然无偏,并且基于此的预测也就是无偏的,但就是由于参数估计量不就是有效的,从而对Y的预测也将不就是有效的。
十、异方差性的检验
答:常用检验方法:⑴图示检验法①相关图形分析②残差图形分析⑵格的菲尔德-夸特检验⑶White检验⑷ARCH检验⑸Glejser检验
