計量經(jīng)濟學(xué)判斷題

1、精選優(yōu)質(zhì)文檔-傾情為你奉上1.總離差平方和可分解為回歸平方和與殘差平方和。（ 對 ）2.整個多元回歸模型在統(tǒng)計上是顯著的意味著模型中任何一個單獨的解釋變量均是統(tǒng)計顯著的。（ 錯 ）3.多重共線性只有在多元線性回歸中才可能發(fā)生。（ 對 ）4.通過作解釋變量對時間的散點圖可大致判斷是否存在自相關(guān)。（ 錯 ）5. 在計量回歸中，如果估計量的方差有偏，則可推斷模型應(yīng)該存在異方差（ 錯 ）6. 存在異方差時，可以用廣義差分法來進行補救。（ 錯 ）7. 當(dāng)經(jīng)典假設(shè)不滿足時，普通最小二乘估計一定不是最優(yōu)線性無偏估計量。（ 錯 ）8. 判定系數(shù)檢驗中，回歸平方和占的比重越大，判定系數(shù)也越大。（ 對 ）9. 可

2、以作殘差對某個解釋變量的散點圖來大致判斷是否存在自相關(guān)。（ 錯 ）做殘差的當(dāng)期值與其滯后期的值的散點圖來判斷是否存在自相關(guān)10. 遺漏變量會導(dǎo)致計量估計結(jié)果有偏。（ 錯 ）只影響有效性1.正態(tài)分布是以均值為中心的對稱分布。（ ）2.當(dāng)經(jīng)典假設(shè)滿足時，普通最小二乘估計量具有最優(yōu)線性無偏特征。（ ）5.在對數(shù)線性模型中，解釋變量的系數(shù)表示被解釋變量對解釋變量的彈性。（ ）6.虛擬變量用來表示某些具有若干屬性的變量。（ ）8.存在異方差時，可以用加權(quán)最小二乘法來進行補救。（ ）10戈雷瑟檢驗是用來檢驗異方差的（ ）1、在經(jīng)濟計量分析中，模型參數(shù)一旦被估計出來，就可將估計模型直接運用于實際的計量經(jīng)濟分

3、析。錯，參數(shù)一經(jīng)估計，建立了樣本回歸模型，還需要對模型進行檢驗，包括經(jīng)濟意義檢驗、統(tǒng)計檢驗、計量經(jīng)濟專門檢驗等。2、假定個人服裝支出同收入水平和性別有關(guān)，由于性別是具有兩種屬性（男、女）的定性因素，因此，用虛擬變量回歸方法分析性別對服裝支出的影響時，需要引入兩個虛擬變量。錯，是否引入兩個虛擬變量，應(yīng)取決于模型中是否有截距項。如果有截距項則引入一個虛擬變量；如果模型中無截距項，則可引入兩個虛擬變量。3、雙變量模型中，對樣本回歸函數(shù)整體的顯著性檢驗與斜率系數(shù)的顯著性檢驗是一致的。正確，一元線性回歸僅有一個解釋變量，因此對斜率系數(shù)的T檢驗等價于對方程的整體性檢驗。4、隨機擾動項的方差與隨機擾動項方差

4、的無偏估計沒有區(qū)別。錯，隨機擾動項的方差反映總體的波動情況，對一個特定的總體而言，是一個確定的值。在最小二乘估計中，由于總體方差在大多數(shù)情況下并不知道，所以用樣本數(shù)據(jù)去估計：。其中n為樣本數(shù)，k為待估參數(shù)的個數(shù)。是線性無偏估計，為一個隨機變量。5、經(jīng)典線性回歸模型（CLRM）中的干擾項不服從正態(tài)分布的，OLS估計量將有偏的。錯，即使經(jīng)典線性回歸模型（CLRM）中的干擾項不服從正態(tài)分布的，OLS估計量仍然是無偏的。因為，該表達式成立與否與正態(tài)性無關(guān)。1、在簡單線性回歸中可決系數(shù)與斜率系數(shù)的t檢驗的沒有關(guān)系。錯誤，在簡單線性回歸中，由于解釋變量只有一個，當(dāng)t檢驗顯示解釋變量的影響顯著時，必然會有該

5、回歸模型的可決系數(shù)大，擬合優(yōu)度高。2、異方差性、自相關(guān)性都是隨機誤差現(xiàn)象，但兩者是有區(qū)別的。正確，異方差的出現(xiàn)總是與模型中某個解釋變量的變化有關(guān)。自相關(guān)性是各回歸模型的隨機誤差項之間具有相關(guān)關(guān)系。3、通過虛擬變量將屬性因素引入計量經(jīng)濟模型，引入虛擬變量的個數(shù)與模型有無截距項無關(guān)。錯誤，模型有截距項時，如果被考察的定性因素有m個相互排斥屬性，則模型中引入m1個虛擬變量，否則會陷入“虛擬變量陷阱”；模型無截距項時，若被考察的定性因素有m個相互排斥屬性，可以引入m個虛擬變量，這時不會出現(xiàn)多重共線性。4、滿足階條件的方程一定可以識別。錯誤，階條件只是一個必要條件，即滿足階條件的的方程也可能是不可識別的

6、。5、庫依克模型、自適應(yīng)預(yù)期模型與局部調(diào)整模型的最終形式是不同的。錯誤，庫依克模型、自適應(yīng)預(yù)期模型與局部調(diào)整模型的最終形式是相同的，其最終形式都是一階自回歸模型。2、多重共線性問題是隨機擾動項違背古典假定引起的。錯誤，應(yīng)該是解釋變量之間高度相關(guān)引起的.3、在模型的回歸分析結(jié)果報告中，有，則表明解釋變量 對的影響是顯著的。錯誤，解釋變量和對的聯(lián)合影響是顯著的4、結(jié)構(gòu)型模型中的每一個方程都稱為結(jié)構(gòu)式方程，結(jié)構(gòu)方程中，解釋變量只可以是前定變量.錯誤，結(jié)構(gòu)方程中，解釋變量可以是前定變量，也可以是內(nèi)生變量。1.在實際中，一元回歸沒什么用，因為因變量的行為不可能僅由一個解釋變量來解釋。錯，在實際中，一元回

7、歸是很多經(jīng)濟現(xiàn)象的近似，能夠較好的反映回歸的核心思想，是很有的。3、在異方差性的情況下，常用的OLS法必定高估了估計量的標準誤。錯，有可能高估也有可能低估。錯，存在虛假回歸可能，因為判定系數(shù)高于DW值。(1) 隨機誤差項ui與殘差項ei是一回事。（錯）(2) 總體回歸函數(shù)給出了對應(yīng)于每一個自變量的因變量的值。（錯）(3) 線性回歸模型意味著因變量是自變量的線性函數(shù)。（錯）(4) 在線性回歸模型中，解釋變量是原因，被解釋變量是結(jié)果。（對）1、 虛擬變量的取值只能取0或1 （對）2、 通過引入虛擬變量，可以對模型的參數(shù)變化進行檢驗 （對）1、簡單線性回歸模型與多元線性回歸模型的基本假定是相同的。錯

8、在多元線性回歸模型里除了對隨機誤差項提出假定外，還對解釋變量之間提出無多重共線性的假定。2、在模型中引入解釋變量的多個滯后項容易產(chǎn)生多重共線性。對在分布滯后模型里多引進解釋變量的滯后項，由于變量的經(jīng)濟意義一樣，只是時間不一致，所以很容易引起多重共線性。3、DW 檢驗中的DW值在 0 到 4 之間，數(shù)值越小說明模型隨機誤差項的自相關(guān)度越小，數(shù)值越大說明模型隨機誤差項的自相關(guān)度越大。錯DW 值在 0 到 4 之間， DW 落在最左邊 0 DW d L ）最右邊( 4 d L DW 4 )時，分別為正自相關(guān)、負自相關(guān);中間( dU DW 4 dU )為不存在自相關(guān)區(qū)域;其次為兩個不能判定區(qū)域。53、

9、通過虛擬變量將屬性因素引入計量經(jīng)濟模型，引入虛擬變量的個數(shù)與樣本容量大小有關(guān)。錯,引入虛擬變量的個數(shù)樣本容量大小無關(guān)，與變量屬性，模型有無截距項有關(guān)。5、如果聯(lián)立方程模型中某個結(jié)構(gòu)方程包含了所有的變量, 則這個方程不可識別。正確沒有唯一的統(tǒng)計形式3、在異方差性的情況下，若采用 Eviews 軟件中常用的 OLS 法，必定高估了估計量的標準誤。錯,有可能高估也有可能低估。4、擬合優(yōu)度檢驗和 F 檢驗是沒有區(qū)別的。錯5、聯(lián)立方程組模型根本不能直接用 OLS 方法估計參數(shù)。錯遞歸方程可以用 OLS 方法估計參數(shù)，而其它的聯(lián)立方程組模型不能直接用 OLS 方法估計參數(shù)。1、在對參數(shù)進行最小二乘估計之前

10、，沒有必要對模型提出古典假定。錯誤在古典假定條件下，OLS 估計得到的參數(shù)估計量是該參數(shù)的最佳線性無偏估計（具有線性、無偏性、有效性）?？傊?，提出古典假定是為了使所作出的估計量具有較好的統(tǒng)計性質(zhì)和方便地進行統(tǒng)計推斷。2、當(dāng)異方差出現(xiàn)時，常用的 t 和 F 檢驗失效；正確 由于異方差類似于 t 比值的統(tǒng)計量所遵從的分布未知；即使遵從 t-分布，由于方差不在具有最小性。這時往往會夸大 t-檢驗，使得 t 檢驗失效；由于 F-分布為兩個獨立的 2 變量之比，故依然存在類似于 t-分布中的問題。3、解釋變量與隨機誤差項相關(guān)，是產(chǎn)生多重共線性的主要原因。錯誤產(chǎn)生多重共線性的主要原因是：經(jīng)濟本變量大多存在

11、共同變化趨勢；模型中大量采用滯后變量；認識上的局限使得選擇變量不當(dāng)5、由間接最小二乘法與兩階段最小二乘法得到的估計量都是無偏估計。錯誤間接最小二乘法適用于恰好識別方程的估計，其估計量為無偏估計；而兩階段最小二乘法不僅適用于恰好識別方程，也適用于過度識別方程。兩階段最小二乘法得到的估計量為有偏、一致估計。5、秩條件是充要條件，因此，單獨利用秩條件就可以完成聯(lián)立方程識別狀態(tài)的確定。 錯誤。雖然秩條件是充要條件，但其前提是，只有在通過了階條件的條件下。在對聯(lián)立方程進行識別時，還應(yīng)該結(jié)合階條件判斷是過度識別，還是恰好識別。1、半對數(shù)模型 Y = 0 + 1 ln X + 中，參數(shù) 1 的含義是 X 的

12、絕對量變化，引起 Y 的絕對量變化。錯誤半對數(shù)模型的參數(shù) 1 的含義是當(dāng) X 的相對變化時，絕對量發(fā)生變化，引起因變量 Y 的平均值絕對量的變動。2、對已經(jīng)估計出參數(shù)的模型不需要進行檢驗。錯誤有必要進行檢驗。我們所建立的模型，所用的方法，所用的統(tǒng)計數(shù)據(jù)，還可能違反計量經(jīng)濟的基本假定，這是也會導(dǎo)致錯誤的結(jié)論。4、在有 M 個方程的完備聯(lián)立方程組中，當(dāng)識別的階條件為 H N i（H 為聯(lián)立方程組中內(nèi)生變量和前定變量的總數(shù)， i 為第 i 個方程中內(nèi)生變量和前定變量的總數(shù)）N時，則表示第 i 個方程不可識別。錯誤 。表示第 i 個方程過度識別 。1在研究經(jīng)濟變量之間的非確定性關(guān)系時，回歸分析是唯一可

13、用的分析方法。（X ）2最小二乘法進行參數(shù)估計的基本原理是使殘差平方和最小。（ Y）3無論回歸模型中包括多少個解釋變量，總離差平方和的自由度總為（n-1）。（Y ）4當(dāng)我們說估計的回歸系數(shù)在統(tǒng)計上是顯著的，意思是說它顯著地異于0。（ Y ）5總離差平方和（TSS）可分解為殘差平方和（ESS）與回歸平方和（RSS）之和，其中殘差平方和（ESS）表示總離差平方和中可由樣本回歸直線解釋的部分。（X ）6多元線性回歸模型的F檢驗和t檢驗是一致的。（X ）7當(dāng)存在嚴重的多重共線性時，普通最小二乘估計往往會低估參數(shù)估計量的方差。（ X）8如果隨機誤差項的方差隨解釋變量變化而變化，則線性回歸模型存在隨機誤差

14、項的自相關(guān)。（ X ）9在存在異方差的情況下，會對回歸模型的正確建立和統(tǒng)計推斷帶來嚴重后果。（Y ）10檢驗只能檢驗一階自相關(guān)。（Y ）1殘差（剩余）項的均值=0。（ Y ）2所謂OLS估計量的無偏性，是指參數(shù)估計量的數(shù)學(xué)期望等于各自的真值。（ Y ）3樣本可決系數(shù)高的回歸方程一定比樣本可決系數(shù)低的回歸方程更能說明解釋變量對被解釋變量的解釋能力。（ X ）4多元線性回歸模型中解釋變量個數(shù)為，則對回歸參數(shù)進行顯著性檢驗的統(tǒng)計量的自由度一定是。（ Y ）5對應(yīng)于自變量的每一個觀察值，利用樣本回歸函數(shù)可以求出因變量的真實值。（ X ）6若回歸模型存在異方差問題，可以使用加權(quán)最小二乘法進行修正。（ Y

15、 ）7根據(jù)最小二乘估計，我們可以得到總體回歸方程。（X ）8當(dāng)用于檢驗回歸方程顯著性的統(tǒng)計量與檢驗單個系數(shù)顯著性的統(tǒng)計量結(jié)果矛盾時，可以認為出現(xiàn)了嚴重的多重共線性（ Y ）9線性回歸模型中的“線性”主要是指回歸模型中的參數(shù)是線性的，而變量則不一定是線性的。（ Y ）10一般情況下，用線性回歸模型進行預(yù)測時，單個值預(yù)測與均值預(yù)測相等，且置信區(qū)間也相同。（X ）（X ）1、在研究經(jīng)濟變量之間的非確定性關(guān)系時，回歸分析是惟一可用的分析方法。（ X ）2、對應(yīng)于自變量的每一個觀察值，利用樣本回歸函數(shù)可以求出因變量的真實值。（ Y ）3、OLS回歸方法的基本準則是使殘差平方和最小。（ X ）4、在存在異

16、方差的情況下，OLS法總是高估了估計量的標準差。（ Y）5、無論回歸模型中包括多少個解釋變量，總離差平方和的自由度總為（n-1）。 （ Y ）6、線性回歸分析中的“線性”主要是指回歸模型中的參數(shù)是線性的，而變量則不一定是線性的。（Y ）7、當(dāng)我們說估計的回歸系數(shù)在統(tǒng)計上是顯著的，意思是說它顯著異于0。（ X ）8、總離差平方和（TSS）可分解為殘差平方（ESS）和與回歸平方和（RSS），其中殘差平方（ESS）表示總離差平方和可由樣本回歸直線解釋的部分。（ X ）9、所謂OLS估計量的無偏性，是指回歸參數(shù)的估計值與真實值相等。（X ）10、當(dāng)模型中解釋變量均為確定性變量時，則可以用DW統(tǒng)計量來檢

17、驗?zāi)Ｐ偷碾S機誤差項所有形式的自相關(guān)性。（X ）1、一般情況下，在用線性回歸模型進行預(yù)測時，個值預(yù)測與均值預(yù)測結(jié)果相等，且它們的置信區(qū)間也相同。 （Y ）2、對于模型Yi=0+1X1i+2X2i+kXki+i，i=1,2, ,n；如果X2=X5 +X6， 則模型必然存在解釋變量的多重共線性問題。（ X ）3、OLS回歸方法的基本準則是使殘差項之和最小。（ Y ）4、在隨機誤差項存在正自相關(guān)的情況下，OLS法總是低估了估計量的標準差。（Y ）5、無論回歸模型中包括多少個解釋變量，總離差平方和的自由度總為（n-1）。 （ Y ）6、一元線性回歸模型的F檢驗和t檢驗是一致的。（ X ）7、如果隨機誤差

18、項的方差隨解釋變量變化而變化，則線性回歸模型存在隨機誤差項的序列相關(guān)。（ Y ）8、在近似多重共線性下，只要模型滿足OLS的基本假定，則回歸系數(shù)的最小二乘估計量仍然是一BLUE估計量。（ X）9、所謂參數(shù)估計量的線性性，是指參數(shù)估計量是解釋變量的線性組合。（ Y ）10、擬合優(yōu)度的測量指標是可決系數(shù)R2或調(diào)整過的可決系數(shù)，R2越大，說明回歸方程對樣本的擬合程度越高。（Y）1、最小二乘法進行參數(shù)估計的基本原理是使殘差平方和最小。（X）2、一般情況下，用線性回歸模型進行預(yù)測時，個值預(yù)測與均值預(yù)測相等，且置信區(qū)間也相同。（X）3、如果隨機誤差項的方差隨解釋變量變化而變化，則線性回歸模型存在隨機誤差項的序列相關(guān)。（Y）4、