下载文档原格式
第六章1、答：给定显著水平α，依据样本容量n 和解释变量个数k’，查D.W.表得d 统计量的上界du 和下界dL ，当0<d<dL 时，表明存在一阶正自相关，而且正自相关的程度随d 向0的靠近而增强。
当dL<d<du 时，表明为不能确定存在自相关。
当du<d<4-du 时，表明不存在一阶自相关。
当4-du<d<4-dL 时，表明不能确定存在自相关。
当4-dL<d<4时，表明存在一阶负自相关，而且负自相关的程度随d 向4的靠近而增强。
前提条件：DW 检验的前提条件：（1）回归模型中含有截距项；（2）解释变量是非随机的（因此与随机扰动项不相关）（3）随机扰动项是一阶线性自相关。
；（4）回归模型中不把滞后内生变量（前定内生变量）做为解释变量。
（5）没有缺失数据，样本比较大。
DW 检验的局限性：（1）DW 检验有两个不能确定的区域，一旦DW 值落在这两个区域，就无法判断。
这时，只有增大样本容量或选取其他方法（2）DW 统计量的上、下界表要求n ≥15, 这是因为样本如果再小，利用残差就很难对自相关的存在性做出比较正确的诊断(3) DW 检验不适应随机误差项具有高阶序列相关的检验.(4) 只适用于有常数项的回归模型并且解释变量中不能含滞后的被解释变量2、答：（1）当回归模型随机误差项有自相关时，普通最小二乘估计量是有偏误的和非有效的。
判断：错误。
当回归模型随机误差项有自相关时，普通最小二乘估计量是无偏误的和非有效的。
（2）DW 检验假定随机误差项u i 的方差是同方差。
判断：错误。
DW 统计量的构造中并没有要求误差项的方差是同方差 。
（3）用一阶差分法消除自相关是假定自相关系数为-1。
判断：错误。
用一阶差分法消除自相关是假定自相关系数为1，即原原模型存在完全一阶正自相关。
（4）当回归模型随机误差项有自相关时，普通最小二乘估计的预测值的方差和标准误差不再是有效的。
论面板数据模型及其固定效应的模型分析：在20世纪80年代及以前，还只有很少的研究面板数据模型及其应用的文献，而20世纪80年代之后一直到现在，已经有大量的文献使用同时具有横截面和时间序列信息的面板数据来进行经验研究（Hsiao，2007）。
同时，大量的面板数据计量经济学方法和技巧已经被开发了出来，并成为现在中级以上的计量经济学教科书的必备内容，面板数据计量经济学的理论研究也是现在理论计量经济学最热的领域之一。
面板数据同时包含了许多横截面在时间序列上的样本信息，不同于只有一个维度的纯粹横截面数据和时间序列数据，面板数据是同时有横截面和时序二维的。
使用二维的面板数据相对于只使用横截面数据或时序数据，在理论上被认为有一些优点，其中一个重要的优点是面板数据被认为能够控制个体的异质性。
在面板数据中，人们认为不同的横截面很可能具有异质性，这个异质性被认为是无法用已知的回归元观测的，同时异质性被假定为依横截面不同而不同，但在不同时点却是稳定的，因此可以用横截面虚拟变量来控制横截面的异质性，如果异质性是发生在不同时期的，那么则用时期虚拟变量来控制。
而这些工作在只有横截面数据或时序数据时是无法完成的。
代写论文然而，实际上绝大多数时候我们并不关心这个异质性究竟是多少，我们关心的仍然是回归元参数的估计结果。
使用面板数据做过实际研究的人可能会发现，使用的效应①不同，对回归元的估计结果经常有十分巨大的影响，在某个固定效应设定下回归系数为正显著，而另外一个效应则变为负显著，这种事情经常可以碰到，让人十分困惑。
大多数的研究文献都将这种影响解释为控制了固定效应后的结果，因为不可观测的异质性（固定效应）很可能和回归元是相关的，在控制了这个效应后，由于变量之间的相关性，自然会对回归元的估计结果产生影响，因而使用的效应不同，估计的结果一般也就会有显著变化。
然而，这个被广泛接受的理论假说，本质上来讲是有问题的。
我们认为，估计的效应不同，对应的自变量估计系数的含义也不同，而导致估计结果有显著变化的可能重要原因是由于面板数据是二维的数据，而在这两个不同维度上，以及将两个维度的信息放到一起时，样本信息所显现出来的自变量和因变量之间的相关关系可能是不同的。
报告中的模型拟合度与实证结果解释一、模型拟合度的概念与评价指标模型拟合度是指统计模型对观测数据的拟合程度，也被称为拟合优度或拟合效应。
在报告中，模型拟合度的好坏将直接影响对实证结果的解释和推断。
评价模型拟合度的指标有多种，常见的有残差分析、决定系数、F统计量等。
1.1 残差分析残差是指观测值与模型预测值之间的差异，通过残差分析可以检验模型是否能够较好地拟合观测数据。
在报告中可以通过绘制残差图、正态概率图等，来检验残差是否满足一些基本假设，如正态分布、独立性等。
若残差满足上述假设，则可以认为模型对观测数据具有较好的拟合度。
1.2 决定系数决定系数（R-squared）是表示因变量变异程度被模型所解释的比例，可以理解为模型解释能力的度量。
决定系数的取值范围在0到1之间，越接近1表示模型对观测数据的拟合度越好。
在报告中，可以通过给出决定系数的数值来评估模型的拟合效果，进而解释实证结果的可靠性。
1.3 F统计量F统计量是用于检验模型整体显著性的指标，其基本思想是比较模型的回归平方和与残差平方和之间的差异。
在报告中，通常会给出F统计量的数值和对应的显著性水平，以评价模型的整体拟合程度。
二、模型拟合度与实证结果解释的关系好的模型拟合度直接影响着实证结果的解释和推断。
在实证研究中，当模型拟合度较好时，表示模型能够相对准确地解释观测数据，从而增加了对实证结果的信心和解释的可靠性。
反之，若模型拟合度较差，那么解释结果时应该更加谨慎，避免过度解读。
2.1 模型拟合度较好的情况当模型拟合度较好时，实证结果的解释可以更加自信和准确。
因为模型包含的变量和因变量之间的关系能够较好地被模型所捕捉，所以解释结果时可以较为自信地认为因变量的变化能够由模型中的自变量解释。
此时，可以对实证结果进行更深入的讨论和相关理论的解释，有助于从中获得更多的洞察和启示。
2.2 模型拟合度较差的情况当模型拟合度较差时，实证结果的解释需要更加谨慎。
工具变量法一.为什么需要使用工具变量法？当模型存在内生解释变量问题，一般为以下三种情形：（1）遗漏变量：如果遗漏的变量与其他解释变量不相关，一般不会造成问题。
否则，就会造成解释变量与残差项相关，从而引起内生性问题。
（2）解释变量与被解释变量相互影响（3）度量误差 （measurement error ）：由于在关键变量的度量上存在误差，使其与真实值之间存在偏差，这种偏差可能会成为回归误差的一部分，从而导致内生性问题。
Ex ：i 01122Y i i k ik i X X X ββββμ=+++⋅⋅⋅++ 其中：X 2为内生解释变量 当22Cov(X ,)=E[X ]0i i i i μμ≠时，内生解释变量与随机干扰项同期相关。
此时会导致回归参数估计量是有偏的且不一致，需要用工具变量法进行回归。
二.如何使用工具变量？ （一）判断是否需要用工具变量当存在内生性变量时，则需使用工具变量，所以需要对内生性变量进行检验。
在实践中，往往是通过经济学理论先说明是否存在内生性变量，最后再通过检验证明确实存在内生变量。
（1）豪斯曼检验（Hausman ）原假设H 0：所有解释变量均为外生变量将内生解释变量关于工具变量与外生变量进行OLS 回归估计 记录残差序列（^^IV OLS ββ−），加入原模型后进行OLS 估计 结果：若差值依概率收敛于0，接受原假设；反之，拒绝。
（2）杜宾-吴-豪斯曼检验（DWH ）注：存在异方差的情况下传统豪斯曼检验不适用。
回归模型：'1122y x x ββε=++ z=（x 1，z 2） 第一阶段回归：''21x x z v γδ=++ 检验扰动项v 与ε相关性模型：=v+ερξ 其中：ρ为ε对v 回归系数，ε与v 不相关则ρ=0. 对 ^'''1122y=x x v e ββρ+++ 回归 对原假设H 0：ρ=0. 进行t 检验。
