計(jì)量經(jīng)濟(jì)學(xué)精彩試題庫

標(biāo)準(zhǔn)文案標(biāo)準(zhǔn)文案大全大全第二章復(fù)習(xí)重點(diǎn)1、最小二乘法對隨機(jī)誤差項(xiàng)做了哪些假定？說明在證明最小二乘估計(jì)量的無偏性和有效性中，哪些假定條件發(fā)揮作用了TOC\o"1-5"\h\z= …O …稱具有同方差性。, （含義是不同觀測值所對應(yīng)的隨機(jī)項(xiàng)相互獨(dú)立。稱為的非自相關(guān)性。是非隨機(jī)的，=與相互獨(dú)立。否則，分不清是誰對的貢獻(xiàn)。為正態(tài)分布， ? 。2）在證明最小二乘估計(jì)量的無偏性中，利用了解釋變量與隨機(jī)誤差項(xiàng)不相關(guān)的假定和隨機(jī)誤差項(xiàng)期望為0的假定，在證明有效性時(shí)用了隨機(jī)項(xiàng)獨(dú)立同方差的假定。人、在一元線性回歸模型Y=P+PX+u中，證明參數(shù)P的估計(jì)量P具備無偏性t0 1tt 1 1、/-、-Y,-、、/-、人乙（X一X）V一V.（X一X）乙（X一X）V人tgtttt十？tttZ（Xt_X）^ Z（Xt_X）2令2（^代"式'得AZ1ZZ1ZZPPZ而Z,ZPx+u）P1Ztktx+ZZt-、，（X一X）XZx^tZ（x一X）（x一X）Z（x-x）2

t=P+EZ（ku）P=+ZkEu（）P、在一元線性回歸模型Y=P+PX+u中，求參數(shù)P的方差t0 1tt 1Z（Z（x一X）vtttZ（xt-X）2EPPpEEPPpEPEEE(x-君X， E(X-X)2E(x-X)(x-X) E(x-X)X T +Vt-=—(X-X)2 E(X-X)2ttB1 pE=Ek2VaruVaEE(k又因?yàn)閗=y(X?nk2=—i_?2一t E(X-X)2 t (E(X-X)2)2tt所以EEk2

t二(E(X-X)2

t (X-X)2)2

t1E(X-X)2

t人ErO2人Ert—,其中O2是的方差。t2 ui4根據(jù)下面的回歸結(jié)果，回答下列問題DependentVariable:YMethod:LeastSquaresDate:02/12/07Time:03:46Sample:19381993Includedobservations:11VariableCoefficientStd.Errort-StatisticProb.C10,766161.3967360.0000X0.0050690.001103 4.2833230.0020R-squared0.670895Meandependentvar16,57273AdjustedR-squared0.634323S.D.dependentvar1.045042S.E.ofregression1.115713Akaikeinfocriterion3.219329Sumsquaredresid11,20333Schwarzcriterion3.292174Loglikelihood-15.70906F-statistic10,34690Durbin-Watsonstat1.320391Prob(F-statistic)0.002040(1)、寫出回歸方程人Y=10.7662+0.0051Xii()、寫出的表達(dá)式，并之驗(yàn)算 還可以由哪些值間接計(jì)算出來RSSTSS-ESSR2= = TSS TSSS.D.2義(11-1)-ESS 1.84502義10-11.2033= = =0.6709S.D.2義(11-1) 1.84502義10()、寫出 的表達(dá)式，并將結(jié)果中空白地方的數(shù)據(jù)補(bǔ)上

八tp八tp-pt=—0 0s人(p°)八p—0s人(p°)=7.70821.3967/Xs.(pj<ta/Xs.(pj<ta(T-2))=1-a人[P1-人[P1-s(ppta(T-2),P1+s(ppta(T-2)]ss2av1o f0.0024p的置信區(qū)間：隼]±U(X(TX￥=0.0051±2.26x0.0012=10007g人p的置信區(qū)間：p±s0 1(B0)at(T—2)人p的置信區(qū)間：p±s0 1(B0)at(T—2)=10.7662±2.26x1.3967=7.609713.9227()統(tǒng)計(jì)量的含義是什么？.o2的估計(jì)S=1.1157，代表回歸模型的殘差標(biāo)準(zhǔn)差.O2的估計(jì)：(U.自給(T-2)定義其中2(展溫范估參數(shù)的個(gè)數(shù)。可以證明E(0)=o2。其中爐表示特估無偏估個(gè)數(shù)。因?yàn)樽C明是殘差,)音衣稱作誤差均方o斷小加偏估計(jì)量。蒯捌歸是殘差，離(散又稱作誤差均方。o可瞰器:估計(jì)的方差歸直線的離散程度。和鬻腳數(shù)方差是y1o.表示和之間真衾纓性關(guān)系的是(1初號郅03xy(xt-yXo=p0+p1

D叫第:+pxp)氏y2xt-x)2o)。.r=p+px+ut0 1tt)B八 八 .■.var(p)=0 .var(p)為最小八.(p—p)=0八 . ..(p—p)為最小.設(shè)樣本回歸模型為Y=p+pX+e，則普通最小二乘法確定的p的公式中，i0 1ii i錯(cuò)誤的是（）。._E(x—x)G-y)?曠E&—x)iwEXY-nXY.錯(cuò)誤的是（）。._E(x—x)G-y)?曠E&—x)iwEXY-nXY.P-ii_

iEX2-nX2inEXY-EXEY?P廠nE工(SX)?nX2-X人nEXY-SX￡Y

.p- i i1 o2x）。．N(0,o2)i．t(n-2)．t(n)D.以表示實(shí)際觀測值，八Y表示回歸估計(jì)值，則普通最小二乘法估計(jì)參數(shù)的準(zhǔn)則是使（）D。.Z(y—Y片0ii.Z(Y—Y)2=0.￡(y—Y)=最小

ii.對回歸模型Y=P+PX+u進(jìn)行檢驗(yàn)時(shí)，通常假定u服從（

i01ii i.￡(y—Y)2=最小ii.設(shè)表示實(shí)際觀測值，八Y表示估計(jì)回歸值，則下列哪項(xiàng)成立（）。.用 估計(jì)經(jīng)典線性模型Y=0+PX.設(shè)表示實(shí)際觀測值，八Y表示估計(jì)回歸值，則下列哪項(xiàng)成立（）。.用 估計(jì)經(jīng)典線性模型Y=0+PX+u，則樣本回歸直線通過點(diǎn)i01ii．（X，Y）.(X,Y).以表示實(shí)際觀測值，八Y表示估計(jì)回歸值，則用得到的樣本回歸直人 人 人線人 人 人線Y=P+PX滿足(i01i）。.E(.E(y—Y片0ii.E(Y—Y)2=0

iiE(y—Y)2=o.Z（Y.Z（Y—Y）2=0ii3判定系數(shù)的取值范圍是（）C。4某一特定的水平上，總體．預(yù)測區(qū)間越寬，精度越低預(yù)測區(qū)間越窄，精度越高分布的離散度越大，即。4某一特定的水平上，總體．預(yù)測區(qū)間越寬，精度越低預(yù)測區(qū)間越窄，精度越高分布的離散度越大，即。越大，則．預(yù)測區(qū)間越寬，預(yù)測誤差越?。A(yù)測區(qū)間越窄，預(yù)測誤差越大第三章復(fù)習(xí)重點(diǎn)1、在多元線性回歸模型中，最小二乘法對隨機(jī)誤差項(xiàng)做了哪些假定？說明在證明最小二乘估計(jì)量的無偏性和有效性中，哪些假定條件發(fā)揮作用了為保證得到最優(yōu)估計(jì)量，回歸模型應(yīng)滿足如下假定條件：O假定（1）：E（u）=0=:_0_假定（2）：誤差項(xiàng)同方差、非自相關(guān)100O200Var(u)=E(UU')=o21=020.0=0000100O2（OLS）法的原理是求殘差平方和最小。代數(shù)上是求極值問題。假定（3）：解釋變量與誤差項(xiàng)相互獨(dú)立。E（X'u）=0人 人 人 人 人 人假定（4）：（解釋變量之間線性無關(guān)'Yrk（X’4）Y次第k+1'X'X假定（5）±辨釋變量是Y+機(jī)的X且當(dāng)T—g時(shí)，T-1X'X—Q因?yàn)槠渲蠶是一個(gè)有限值的非退化矩陣。因?yàn)槭且粋€(gè)標(biāo)量估計(jì)量在偏性中,利用XY誤差S,期望為，0的假定定,漁證明有效性時(shí)用了隨機(jī)項(xiàng)獨(dú)立同方差的假定。2、在多元線性回歸模型中，系數(shù)的最小二乘求解結(jié)果是？XY=X，X因?yàn)?，X:X）P是一個(gè)非退化矩陣"假定（5）），所或以有‘",參數(shù)的求解式是：八P=(X'X)-1X'Y3名詞解釋：調(diào)整的判定系數(shù)鏟與多重判定系數(shù)R3是如何定義的，他們之間有和關(guān)系？多重確定系數(shù)(多重可決系數(shù))Y=X8+u=Y+u,TSS=RSS+ESS/XTSS=RSS+ESS，RSSFTSS=RSS+ESS，TSSYY-Ty2有0<R2<1。R2-1,擬合優(yōu)度越好。調(diào)整的多重確定系數(shù)ESS/(T-k-1)1/T-1、/TSS-RSS、R2=1- =1—( )( )TSS/(T-1)T-k-1TSST-1=1 (1-R2)T—k-1.假設(shè)投資函數(shù)模型怙計(jì)的回歸方程為(括號內(nèi)的效字為?統(tǒng)計(jì)量值)7=5.0+0,4匕+0.61-1，R2=0,8,OW=20.5,n=24,(4.0) (3.2)其中It和匕分別為第t期投資和國民收入°(I)對總體參數(shù)自，自的顯著性進(jìn)行檢驗(yàn)(。=0.。5);(2)若總離差平方和75S=25,試求隨機(jī)誤差項(xiàng)詼方差的估計(jì)量；(3)計(jì)算F統(tǒng)計(jì)量，并對模型總體的顯著性進(jìn)行檢驗(yàn)(。=0.05)口()回歸系數(shù)檢驗(yàn),遠(yuǎn)大于，所以回歸系數(shù)顯著的不等于2)回歸平方和=25*0，.殘8差=平2方0和=，5隨機(jī)誤差項(xiàng)的方差的估計(jì)(3檢驗(yàn)4.在多元線性回歸分析中，為什么用修正的決定系數(shù)衡量估計(jì)模型對樣本觀測值的擬合優(yōu)度？解答：因?yàn)槿藗儼l(fā)現(xiàn)隨著模型中解釋變量的增多，多重決定系數(shù)R2的值往往會(huì)變大，從而增加了模型的解釋功能。這樣就使得人們認(rèn)為要使模型擬合得好，就必須增加解釋變量(分)。但是，在樣本容量一定的情況下，增加解釋變量必定使得待估參數(shù)的個(gè)數(shù)增加，從而損失自由度，而實(shí)際中如果引入的解釋變量并非必要的話可能會(huì)產(chǎn)生很多問題，比如，降低預(yù)測精確度、引起多重共線性等等。為此用修正的決定系數(shù)來估計(jì)模型對樣本觀測值的擬合優(yōu)度(3分)i在由n=30的一組樣本估計(jì)的、包含個(gè)解釋變量的線性回歸模型中，計(jì)算

得多重決定系數(shù)為5得多重決定系數(shù)為5，0則調(diào)0整后的多重決定系數(shù)為(用一組有 個(gè)觀測值的樣本估計(jì)模型廣b0+bixit+b2x21+ut后，在的顯著性水平上對bi的顯著性作t檢驗(yàn)，則bi顯著地不等于零的條件是其統(tǒng)計(jì)量t大于等于(C)t(30)t (28) t(27)F(i,28)A.0.05 0B.025. 0C.025. D0.02.5.性回歸模型y=b+bx+bx+ +bx+u中，檢驗(yàn)t0iit 22t kktt+BiH:b=0(i=0,1,2,...k)時(shí)，所用的統(tǒng)計(jì)量 W由良)服從0t調(diào)整的判定系數(shù)鏟與多重判定系數(shù)R。之間有如下關(guān)系— n—1 n—1A2= R2 R2=1— R2n一k一1 n一k一1n一1 n一1R2=1 (1+R2) R2=1- (1-R2)n一k-1 n一k一15設(shè)k為回歸模型中的參數(shù)個(gè)數(shù)(包括截距項(xiàng))，則總體線性回歸模型進(jìn)行顯著性檢驗(yàn)時(shí)所用的 統(tǒng)計(jì)量可表示為( )。Z(Y—Y)2(n-k) ZY—Y)2(k-1)R2(k-1) (1-R2)(n一k) i i Ze2；(k-1) Ze2-(n—k) (1—R2)(n—k) R2(k—1)i i第四章復(fù)習(xí)重點(diǎn)根據(jù)下面的回歸結(jié)果寫出表達(dá)式。Dependentvariable:L0G(1Oir/-1)Method:LeastSquaresDate:08/26/07Time:17:05Sample:113Includedobservations:13CoefficientStd.Errort-StatisticProb.C-4.3107840.292251 -14750300.0000T07652770.041330 18.516050.0000R-squared0.968913Meandependentvar0.200878AdjustedR-squared0.966087S.D.dependentvar3.027759S.E.ofregression0.557579Akaikeinfocriterion1.010212Sumsquaredresid3.419S33Schwarzcriterion1.097127Loglikelihood-9.766376Hannan-Quinncriter.1.792347F-statistic342.8440Durbin-Watsonstat1.356033Prob(F-statistic)0.000000估計(jì)式是：log(101—1)=-4.3108+0.7653tyt(-14.8) (18.5) R2=0.97101則邏輯函數(shù)的估計(jì)結(jié)果是外=1+e—4.31+0.7651kk、在 中擬合邏輯斯蒂曲線y= = ，實(shí)現(xiàn)步驟為：t1+ef(t)+ut1+ea—bt+ut求出，因?yàn)長imy=k,所以可以根據(jù)的序列分析出其最大上限，即為。ttT9轉(zhuǎn)化為線性回歸的形式，k/yt=1be—+at+ut移項(xiàng)， k/y-1be—=at+utt取自然對數(shù)，此時(shí)可用最小二乘法估計(jì)和a第五章復(fù)習(xí)重點(diǎn)1、什么是異方差?異方差性是指模型違反了古典假定中的同方差假定，它是計(jì)量經(jīng)濟(jì)分析中的一個(gè)專門問題。在線性回歸模型中，如果隨機(jī)誤差項(xiàng)的方差不是常數(shù)，即對不同的解釋變量觀測值彼此不同，則稱隨機(jī)項(xiàng)5具有異方差性，即var（UJ=O；中常數(shù)（,2……，）。產(chǎn)生異方差性的原因及異方差性對模型的 估計(jì)有何影響。產(chǎn)生原因：（1）模型中遺漏了某些解釋變量；（2）模型函數(shù)形式的設(shè)定誤差；（3）樣本數(shù)據(jù)的測量誤差；（4）隨機(jī)因素的影響。產(chǎn)生的影響：如果線性回歸模型的隨機(jī)誤差項(xiàng)存在異方差性，會(huì)對模型參數(shù)估計(jì)、模型檢驗(yàn)及模型應(yīng)用帶來重大影響，主要有：（1）不影響模型參數(shù)最小二乘估計(jì)值的無偏性；（2）參數(shù)的最小二乘估計(jì)量不是一個(gè)有效的估計(jì)量；（3）對模型參數(shù)估計(jì)值的顯著性檢驗(yàn)失效；（4）模型估計(jì)式的代表性降低，預(yù)測精度精度降低。3產(chǎn)檢驗(yàn)異方差性的方法有哪些？檢驗(yàn)方法：（1）圖示檢驗(yàn)法；（2）戈德菲爾德—匡特檢驗(yàn)；（3）懷特檢驗(yàn)；（4）戈里瑟檢驗(yàn)和帕克檢驗(yàn)（殘差回歸檢驗(yàn)法）；4以二元線性回歸模型 PPP為例。敘述懷特檢驗(yàn)的步驟。①首先對上式進(jìn)行 回歸，求殘差u。t②做如下輔助回歸式，u12aaaaa+即用U2對原回歸式中的各解釋變量、解釋變量的平方項(xiàng)、交叉積項(xiàng)進(jìn)行 回歸。注意，t上式中要保留常數(shù)項(xiàng)。求輔助回歸式的可決系數(shù)。③ 檢驗(yàn)的零假設(shè)和備擇假設(shè)是PP P 式中的不存在異方差，PP P 式中的存在異方差④在不存在異方差假設(shè)條件下統(tǒng)計(jì)量?%其中表示樣本容量，是輔助回歸式的 估計(jì)式的可決系數(shù)。自由度表示輔助回歸式中解釋變量項(xiàng)數(shù)（注意，不包括常數(shù)項(xiàng)）。⑤判別規(guī)則是若<%a 接受（具有同方差）若 %a拒絕（具有異方差）

5.敘述戈德菲爾特—匡特檢驗(yàn)的基本原理：將樣本分為容量相等的兩部分，然后分別對樣本1和樣本2進(jìn)行回歸，并計(jì)算兩個(gè)子樣本的殘差平方和，如果隨機(jī)誤差項(xiàng)是同方差的，則這兩個(gè)子樣本的殘差平方和應(yīng)該大致相等；如果是異方差的，則兩者差別較大，以此來判斷是否存在異方差。（3分）使用條件：（1）樣本容量要盡可能大，一般而言應(yīng)該在參數(shù)個(gè)數(shù)兩倍以上；（）ut服從正態(tài)分布，且除了異方差條件外，其它假定均滿足。（2分）6、介紹戈里瑟檢驗(yàn)的思想檢驗(yàn)IuI是否與解釋變量存在函數(shù)關(guān)系。若有，則說明存在異方差；若無，則說明不存tt在異方差。通常應(yīng)檢驗(yàn)的幾種形式是檢驗(yàn)的特點(diǎn)是：既可檢驗(yàn)遞增型異方差，也可檢驗(yàn)遞減型異方差。一旦發(fā)現(xiàn)異方差，同時(shí)也就發(fā)現(xiàn)了異方差的具體表現(xiàn)形式。計(jì)算量相對較大。當(dāng)原模型含有多個(gè)解釋變量值時(shí)，可以把IuI擬合成多變量回歸形式。t、說明下面的截圖中，所選中的命令的功能CoefficientDiagnosticsResidualDiagnosticsStabilityDiagnosticsLabelCorrelogramResidualDiagnosticsStabilityDiagnosticsLabelCorrelogram-Q-statistics...CorrelogramSquaredResiduals...Histogram-NormalityTestSerialCorrelationLMTest...HeteroskedasticityTests...殘差檢驗(yàn)里的異方差檢驗(yàn)、下面的截圖說明在作什么檢驗(yàn)，右邊的對號選中和不選中的區(qū)別是什么？異方差檢驗(yàn)里的檢驗(yàn)，右邊的對號選中表示包括交叉項(xiàng)，不選中就不包含交叉項(xiàng)。、下面的截圖說明在作什么檢驗(yàn)，右邊的對號選中和不選中的區(qū)別是什么？異方差檢驗(yàn)里的檢驗(yàn)，右邊的對號選中表示包括交叉項(xiàng)，不選中就不包含交叉項(xiàng)。9.異方差的解決方法有哪些？隨機(jī)解釋變工具變量隨機(jī)解釋變隨機(jī)解釋變工具變量隨機(jī)解釋變隨機(jī)解釋變.戈德菲爾特——匡特檢驗(yàn)懷特檢驗(yàn) 戈里瑟檢驗(yàn) 方（1）模型變換法；（2分）（2）加權(quán)最小二乘法；（2分）（3）模型的對數(shù)變換等（1分）0、下面的截圖說明在作什么檢驗(yàn)，檢驗(yàn)結(jié)果如何？HeteroskedasticityTest:WhiteF-statistic5.819690Prob.F(2,2S)0.0077Obs*R-squared9.102504Prob.Chi-Squ日出⑵0.0106ScaledexplainedSS7.435672Prob.Chi-Squ日出⑵0.0237方法用于檢驗(yàn)（ ）異方差性 自相關(guān)性量 多重共線性2.在異方差性情況下，常用的估計(jì)方法是（）一階差分法 廣義差分法法 加權(quán)最小二乘法檢驗(yàn)方法主要用于檢驗(yàn)（ ）異方差性 自相關(guān)性量 多重共線性檢驗(yàn)方法主要用于檢驗(yàn)（ ）異方差性 自相關(guān)性量 多重共線性5.下列哪種方法不是檢驗(yàn)異方差的方法（）（ ）（ ）使用非樣本先驗(yàn)信息差膨脹因子檢驗(yàn)6.當(dāng)存在異方差現(xiàn)象時(shí)，估計(jì)模型參數(shù)的適當(dāng)方法是加權(quán)最小二乘法 工具變量法 廣義差分法第六章復(fù)習(xí)重點(diǎn)1、什么是自相關(guān)？對于模型yi=p0+Blx1i+82x2i+…+Bkxki+. i=L2,…,n隨機(jī)誤差項(xiàng)互相獨(dú)立的基本假設(shè)表現(xiàn)為Cov（也,口.）=0 iwj,i,j=1,2，…,nij如果出現(xiàn) Cov（..,口.）豐0 i手j,i,j=1,2，…,nij即對于不同的樣本點(diǎn)，隨機(jī)誤差項(xiàng)之間不再是完全互相獨(dú)立，而是存在某種相關(guān)性，則認(rèn)為出現(xiàn)了序列相關(guān)性 。2．自相關(guān)性產(chǎn)生的原因有那些？答：（1）經(jīng)濟(jì)變量慣性的作用引起隨機(jī)誤差項(xiàng)自相關(guān)；（2）經(jīng)濟(jì)行為的滯后性引起隨機(jī)誤差項(xiàng)自相關(guān)；（3一些）隨機(jī)因素的干擾或影響引起隨機(jī)誤差項(xiàng)自相關(guān)；（4）模型設(shè)定誤差引起隨機(jī)誤差項(xiàng)自相關(guān)；（5）觀測數(shù)據(jù)處理引起隨機(jī)誤差項(xiàng)自相關(guān)。3．序列相關(guān)性的后果。答：（1）模型參數(shù)估計(jì)值不具有最優(yōu)性；（1分）（2）隨機(jī)誤差項(xiàng)的方差一般會(huì)低估；（分）（3）模型的統(tǒng)計(jì)檢驗(yàn)失效；（1分）（4）區(qū)間估計(jì)和預(yù)測區(qū)間的精度降低。（1分）（全對即加1分）4．簡述序列相關(guān)性的幾種檢驗(yàn)方法。答：（1圖示法；（分）（2檢驗(yàn)；（分）（3檢驗(yàn)法；（分）5介紹檢驗(yàn)法的步驟LM統(tǒng)計(jì)量既可檢驗(yàn)一階自相關(guān)，也可檢驗(yàn)高階自相關(guān)。LM檢驗(yàn)是通過一個(gè)輔助回歸式完成的，具體步驟如下。Yt=B0+B1X1t+B2X2t+…+BkXkt+ut考慮誤差項(xiàng)為〃階自回歸形式ut=P1u--1+…+P“ut-n+vtH0:P1=P2=…=Pn=0用多元回歸式得到的殘差建立輔助回歸式，e=Pe,+…+Pe+Bn+B,X,+B,X、+…+B,X+vt1t-1 nt-n011t22t kktt估計(jì)并計(jì)算確定系數(shù)砂。構(gòu)造LM統(tǒng)計(jì)量，LM=TR2若LM=TR2<%2（n），接受H0；若LM=TR2>%2（n），拒絕H0。

6介紹檢驗(yàn)的原理它是利用殘差構(gòu)成的統(tǒng)計(jì)量推斷誤差項(xiàng)是否存在自相關(guān)。使用檢驗(yàn)，應(yīng)首先滿足如下三個(gè)條件。C）誤差項(xiàng)的自相關(guān)為一階自回歸形式。C）因變量的滯后值不能在回歸模型中作解釋變量。（）樣本容量應(yīng)充分大（〉）檢驗(yàn)步驟如下。給出假設(shè)P 不存在自相關(guān)pw 存在一階自相關(guān)用殘差值計(jì)算統(tǒng)計(jì)量￡((el￡((elet-1)2t—2 ￡e2tt—1￡Tee

tt-1q T￡e2t-1t—22乙e 2-2乙eet-1 tt-1—22 t—2 T2(e2t-1t—2根據(jù)樣本容量和被估參數(shù)個(gè)數(shù)，在給定的顯著性水平下，給出了檢驗(yàn)用的上、下兩個(gè)臨若取值在（

若取值在（

若取值在（

若取值在（界值和。判別規(guī)則如下:若取值在（

若取值在（

若取值在（

若取值在（）之間，拒絕原假設(shè)認(rèn)為存在一階正自相關(guān)。）之間，拒絕原假設(shè)認(rèn)為存在一階負(fù)自相關(guān)。-之間，接受原假設(shè) 認(rèn)為非自相關(guān)。）或（4 ）之間，這種檢驗(yàn)沒有結(jié)論，即不能判是否存在一階自相關(guān)。判別規(guī)則可用圖1.表2示。不確不確拒絕定區(qū)接受定區(qū)拒絕7、已知Yt=Po+&X11+y2t+…+PkXkt+ut，ut=Pu--1+小匕滿足假定條件)如何％+PX義義差分2,+???+PkXk,+U,，u-=pu--i+v,(v,滿足假定條件)Yt=P0+P1X1t+P2X2t+…+PkXkt+put-1+vt求(--1)期關(guān)系式，并在兩側(cè)同乘PpYt-1=pP0+pP1X1t-1+pP2X2t-1+…+pPkXkt-1+put-1上兩式相減：Yt-PY,-1=p0(1-p)+pi(X--pX1t-1)+???+P1sXkt-PXkt-1)+v,作廣義差分變換：Yt*= Yt -P Yt-1， Xjt*=Xjt - PXjt-1, j=1,2,…k， P0* =P0(1-P)則模型如下z*=Po*+（Vi,*+y2/+.??+pk乂卜t*+vt （t=2,3,…Tvt滿足通常假定條件，上式可以用OLS法估計(jì)。.當(dāng)=時(shí)，說明（ ）。A不存在序列相關(guān) .不能判斷是否存在一階自相關(guān)C存在完全的正的一階自相關(guān) D存在完全的負(fù)的一階自相關(guān).根據(jù)個(gè)觀測值估計(jì)的結(jié)果，一元線性回歸模型的=。在樣本容量解釋變量，顯著性水平為時(shí)，查得 則可以決斷（ ）。A不存在一階自相關(guān) .存在正的一階自相關(guān) .存在負(fù)的一階自D無法確定3．當(dāng)模型存在序列相關(guān)現(xiàn)象時(shí)，適宜的參數(shù)估計(jì)方法是（）。A加權(quán)最小二乘法.間接最小二乘法 C廣義差分法D工具變量法TOC\o"1-5"\h\z人 人之間的線性相關(guān)關(guān)系（于模型y=P+Px+e,以p表示與t01tt t之間的線性相關(guān)關(guān)系（則下列明顯錯(cuò)誤的是（）。p=, = ?p=p=0，D==2 ．p=1，、下面的截圖是什么檢驗(yàn)的結(jié)果？檢驗(yàn)結(jié)果如何？Breusch-GodfreySerialCorrelationLMTest:F-statistic7.343402Prob.F(2,19)0.0043Obs*R-squared10,03141Prob.Chi-Squ日出⑵0.0066是殘差自相關(guān)檢驗(yàn)，若 <X接受（非自相關(guān)）若 X拒絕（自相關(guān)）又從表可以看出自由度為，且p（X2>TR2）=0.0237,所以TR2>%2（2） 0.05（2）從而拒絕，認(rèn)為存在自相關(guān)。、下面的截圖中所選中的命令的作用是什么？

值與一階自相關(guān)系數(shù)的關(guān)系是什么？DW=2（1-0）TOC\o"1-5"\h\zi如果模型 存在序列相關(guān)，則（ ）。t01ttO 豐豐豐檢驗(yàn)的零假設(shè)是（p為隨機(jī)誤差項(xiàng)的一階相關(guān)系數(shù)）（ ）。A= A= 'PM3下列哪個(gè)序列相關(guān)可用 檢驗(yàn)（相關(guān)的隨機(jī)變量）（）。A'u=Pu+v'Bu=Put t－1t t t－1D'u=Pv+P2v…+4 的取值范圍是（ ）。A1W BWW'DW=1C 'PD=1為具有零均值，常數(shù)方差且不存在序列tP -， =Pt－2t ttC'-W2DWW2'D0WDWW4第七章復(fù)習(xí)重點(diǎn)3．5什么是多重共線性？產(chǎn)生多重共線性的原因是什么？答：多重共線性是指解釋變量之間存在完全或近似的線性關(guān)系。產(chǎn)生多重共線性主要有下述原因：（1）樣本數(shù)據(jù)的采集是被動(dòng)的，只能在一個(gè)有限的范圍內(nèi)得到觀察值，無法進(jìn)行重復(fù)試驗(yàn)。（2分）（2）經(jīng)濟(jì)變量的共同趨勢（1分）（3）滯后變量的引入（1分）（4）模型的解釋變量選擇不當(dāng)（1分）36．什么是完全多重共線性？什么是不完全多重共線性？答：完全多重共線性是指對于線性回歸模型Y=PX+PX+……+PX+u11 22 kk“cX+cX+…+cX=0,j=1,2,…,n若11j22j kkj其中c,c，…,c是不全為0的常數(shù)12k則稱這些解釋變量的樣本觀測值之間存在完全多重共線性。（2分）不完全多重共線性是指對于多元線性回歸模型Y=PX+PX+……+PX+u11 22 kk若cX+cX+...+cX+v=0,j=1,2,…,n若11j22j kkj其中c,c，…,c是不全為0的常數(shù)，v為隨機(jī)誤差項(xiàng)12k則稱這些解釋變量的樣本觀測之間存在不完全多重共線性。（3分）7完全多重共線性對 估計(jì)量的影響有哪些？答：（1）無法估計(jì)模型的參數(shù)，即不能獨(dú)立分辨各個(gè)解釋變量對因變量的影響。（3分）（2）參數(shù)估計(jì)量的方差無窮大（或無法估計(jì)）（2分）8不完全多重共線性對 估計(jì)量的影響有哪些？答：（1）可以估計(jì)參數(shù)，但參數(shù)估計(jì)不穩(wěn)定。（2分）（2）參數(shù)估計(jì)值對樣本數(shù)據(jù)的略有變化或樣本容量的稍有增減變化敏感。（1分） （3）各解釋變量對被解釋變量的影響難精確鑒別。（分）（）檢驗(yàn)不容易拒絕原假設(shè)。（分）39．從哪些癥狀中可以判斷可能存在多重共線性？答：（1模型總體性檢驗(yàn)值和值都很高，但各回歸系數(shù)估計(jì)量的方差很大，值很低，系數(shù)不能通過顯著性檢驗(yàn)。（2分）（2）回歸系數(shù)值難以置信或符號錯(cuò)誤。（1分）（3）參數(shù)估計(jì)值對刪除或增加少量觀測值，以及刪除一個(gè)不顯著的解釋變量非常敏感。（2分）.當(dāng)模型存在嚴(yán)重的多重共線性時(shí)， 估計(jì)量將不具備（ ）A線性 .無偏性 .有效性 .一致性第八章復(fù)習(xí)重點(diǎn)1．在建立計(jì)量經(jīng)濟(jì)學(xué)模型時(shí)，什么時(shí)候，為什么要引入虛擬變量？答案：在現(xiàn)實(shí)生活中，影響經(jīng)濟(jì)問題的因素除具有數(shù)量特征的變量外，還有一類變量，這類變量所反映的并不是數(shù)量而是現(xiàn)象的某些屬性或特征，即它們反映的是現(xiàn)象的質(zhì)的特征。這些因素還很可能是重要的影響因素，這時(shí)就需要在模型中引入這類變量。（4分）引入的方式就是以虛擬變量的形式引入。（1分）2．模型中引入虛擬變量的作用是什么？答案：（1）可以描述和測量定性因素的影響；（2分）（2）能夠正確反映經(jīng)濟(jì)變量之間的關(guān)系，提高模型的精度；（2分）（3）便于處理異常數(shù)據(jù)。（1分）3．虛擬變量引入的原則是什么？答案：（）如果一個(gè)定性因素有方面的特征，則在模型中引入個(gè)虛擬變量；（分）（）如果模型中有個(gè)定性因素，而每個(gè)定性因素只有兩方面的屬性或特征，則在模型中引入個(gè)虛擬變量；如果定性因素有兩個(gè)及以上個(gè)屬性，則參照“一個(gè)因素多個(gè)屬性”的設(shè)置虛擬變量。（2分）（3）虛擬變量取值應(yīng)從分析問題的目的出發(fā)予以界定；（1分）（4）虛擬變量在單一方程中可以作為解釋變量也可以作為被解釋變量。（1分）4．虛擬變量引入的方式及每種方式的作用是什么？答案：（1）加法方式：其作用是改變了模型的截距水平；（2分）（2）乘法方式：其作用在于兩個(gè)模型間的比較、因素間的交互影響分析和提高模型的描述精度；（2分）（3）一般方式：即影響模型的截距有影響模型的斜率。（1分）二、已知某市羊毛衫的銷售量199年5第一季度到200年0第四季度的數(shù)據(jù)。假定回歸模型為：BBB式中：羊毛衫的銷售量居民收入1羊毛衫價(jià)格2如果該模型是用季度資料估計(jì)，試向模型中加入適當(dāng)?shù)淖兞糠从臣竟?jié)因素的影響。（僅考慮截距變動(dòng)。答：可以往模型里加入反映季節(jié)因素的虛擬變量D由于共有四個(gè)季節(jié)，所以可以將此虛擬變量分為三個(gè)類別。設(shè)基礎(chǔ)類別是夏季，于是虛擬變量可以如下引入：即jl（春） JK秋） [1（冬）10（夏、秋、冬） 10（春、夏、冬） 10（春、夏、秋）此時(shí)建立的模型為BBB第十一章復(fù)習(xí)重點(diǎn)1．模型設(shè)定誤差的類型有那些？答案：(1)模型中添加了無關(guān)的解釋變量；(2)模型中遺漏了重要的解釋變量；(3)模型使用了不恰當(dāng)?shù)男问健?)以元線性回歸模型0p2 …。(無約束模型)為例，檢驗(yàn)個(gè)線性約束條件是否成立的統(tǒng)計(jì)量定義為()F)(SSEr-SSEu)/m ()F)(SSEr-SSE』(m-1)SSEu/(T—k—1)。 SSEu/(T—k-1) 。(SSE-SSE)/m /、口(SSEp-SSE)/m()F=-——r 衛(wèi)—。 ()F= r- U——。SSE/(T-k) SST/(T-k-1)、下面有兩個(gè)回歸結(jié)果，根據(jù)這兩個(gè)回歸結(jié)果回答下面的問題：DependentVariable:DE日TMethod:LeastSquaresDate:01/20/07Time:23:46Sample:19802001Includedobservations:22DependentVariable:DEBTMethod:LeastSquaresDate:01/20/07Time:23:37Sample:19802001Includedobservations:22Variable CoefficientStd.Errort-StatisticProb.上DEFREPAY4.3140080.345202H9954U30.87976021,66725 0.1991030.154470 2.234756U.U31613 31.486990.049508 17.770220.84440.0384IILIOLIO0.0000VariableCoefficientStd.Error t-StatisticProb.GDP-388.39804.494313124.1492 -3.1284790.261595 17.180410.00531:1.0000R-squared0.998955Meandependentvar1216.395R-squared0.936541Meandependentvar1216.395,AdjustedR-squared0.998781S.D.dependentvar1485.993,AdjustedR-squared0.933369S.D.dependentvar1485.993S.E.ofregression51,88705Akaikeinfocriterion10,89898S.E.ofregression383.5804Akaikeinfocriterion14.82348Surnsquaredresid48460.78Schwarzcriterion11,09735Sumsquaredresid2942679.Schwarzcriterion14.92267Loglikelihood-115.8888F-statistic5735.346Loglikelihood-161.0583F-statistic295.1665Durbin-Watsonstat2.116834Prot：i(F-statistic)0.000000Durbin-Watsonstat0.248664Prob(F-statistic)0.000000、檢驗(yàn)是如何從上圖中得到的？檢驗(yàn)結(jié)果如何RedundantVariables:DEFREPAYF-statistic537.5060Prob.F(2.1S)0.0000Loglikelihoodratio90,33906Prob.Chi-Square(2)0.0000(1)在輸出結(jié)果窗口中點(diǎn)擊View,選CorfHcieiitTests,WaldCoefficientReftriMw.功能(WMd參數(shù)約束檢驗(yàn))，在隨后彈出的對話框中填入「⑸=儀4)=小可得如下結(jié)果。其中F=507&(2)在非約束模型輸出結(jié)果窗口中點(diǎn)擊View,選CoefficientTests,RedundantVariables-LikelihoodRatio功能(模型中是否存在多余的不重要解釋變量)，在隨后彈出的對話框中填入DEF，電E4V?？傻糜?jì)算結(jié)果F=537.5。

OmittedVariables:DEFREPAYF-statistic 537,5060Prob.F(2,18) 0,0000Loglikelihoodratio 90.33906Prob.Chi-Square⑵ 0.0000(3)在約束模型輸出結(jié)果窗口中點(diǎn)擊View,選CoefficientTests,OmittedVariables-LikelihoodRatio功能(模型中是否丟了重要的解釋變量)，在隨后彈出的對話框中填入擬加入的解釋變量DEF，理24幾可得結(jié)果F=537.5偏度(skewness)§=工4戶-7)3若玉服從對稱分布，則偏度為零；若分布是右偏倚的，則偏度s>。；若分布是左偏倚的,則偏度S<0.峰度(kurtosis,峰度(kurtosis,峭度)K=，正態(tài)分布的Z=1H0：服從正態(tài)分布，H1：不服從正態(tài)分布JB(Jarque-Bera)統(tǒng)計(jì)量定義如下，JB==n[S2+1(K-3)2]?為2(2)64對于直接得到的觀測時(shí)間序列，取n=0。對于殘差序列，取n等于原回歸模型中解釋變量個(gè)數(shù)。S表示偏度。K表示峰度。若JB<x2a(2)，該分布為正態(tài)分布，若JB>x2a(2)，該分布不是正態(tài)分布。

第十二章復(fù)習(xí)重點(diǎn)1、是白噪聲過程？對于隨機(jī)過程 e如果 c=<((gGW則稱 為白噪聲過程。2、序列模型分為哪四類？自回歸過程，移動(dòng)平均過程，自回歸移動(dòng)平均過程，單整的自回歸移動(dòng)平均過程。3 過程的一般形式是什么？其平穩(wěn)的條件是什么？TOC\o"1-5"\h\z。 。 … 。t 1t-1 2t-2 pt-p t。 。 …。 ①(對于自回歸過程 )如果其特征方程①( 0 0 …。 - - -z) = 0 (2.6)的所有根的絕對值都大于1則 是一個(gè)平穩(wěn)的隨機(jī)過程4一階自回歸 平穩(wěn)嗎？將其化為無限接移動(dòng)平均過程，再計(jì)算其期望和方差。xt=0.x6-t1+ut |0.6，|所以<平穩(wěn)1(1 -L0).6xt=ut_1_ ….1-0.6L上式變換為一個(gè)無限階的移動(dòng)平均過程。5過程的一般形式是什么？其可逆的條件是什么？ee…e

- -ee…e?(移動(dòng)平均過程具有可逆性的條件是特征方程。?(ee…e的全部根的絕對值必須大于1。、一階移動(dòng)平均過程可逆的條件是什么？ e1、什么是自相關(guān)函數(shù)。什么是偏自相關(guān)函數(shù)？自相關(guān)系數(shù)定義p,Cov(xf：xt-k^=- 因?yàn)閷τ谝粋€(gè)平穩(wěn)過程有^Var(Xj)%Var(x^卜)所以pcov(X,X-k)工-以滯后期為變量的自相關(guān)系數(shù)列P稱為自相關(guān)函數(shù)。、求R）模型由原式得的自相關(guān)函數(shù)序列

。特征方程為，特征方程的兩個(gè)根)2(.25L)-都在單位圓之外，所以是平穩(wěn)的隨機(jī)過程。兩邊同時(shí)取期望N-,得日相隔期的兩個(gè)隨機(jī)變量 與的協(xié)方差即滯后期的自協(xié)方差為>0）同乘平穩(wěn)的N2階自回歸過程的兩側(cè)，對上式兩側(cè)分別求期望得y上式中對于k>，0有與不相關(guān)。。因0為當(dāng)>0時(shí)，發(fā)生在 之前，所以自相關(guān)系數(shù)定義Cov(xt,xtk)《Var(xt)《Var(xtk)用y分別除式y(tǒng)y1又p所以pP3=以此類推。1PP-3P3所以p-0P.0-0P.y的兩側(cè)得=1.pk3-1-0pP,得P、識別模型的結(jié)構(gòu)。AuiocorreationPartiaCorreation、下圖是我國人口差分序列的自相關(guān)和偏自相關(guān)圖和一個(gè)回歸結(jié)果，其中乂ConelogiamofD(Y)Date:06/13/13Time:06:09Sample:19492001Includedobservations:52DependentVariable:D(Y)Method:LeastSquaresDependentVariable:D(Y)Method:LeastSquaresDate:01/29/07Time:11:33Sample(adjusted):19512000Includedobservations:50afteradjustmentsConvergenceachievedafter3iterationsConelogramofRESIDDate:06/13/13Time:06:10Sample:19492001Includedobsen/ations:50VariableCoefficientStd.Errort-StatisticProb.VariableCoefficientStd.Errort-StatisticProb.C0.1423620.0164678.6757360.0000AR(1)0.6171160.1139535.4155260.0000R-squared0.379267Meandependentvar0.143094AdjustedR-squared0.366335S.D.dependentvar0.056004S.E.ofregression0.044531Akaikeinfocriterion-3.343023Sumsquaredresid0.095399Schwarzcriterion-3.267348Loglikelihood85,59571F-statistic29,32792Durbin-Watsonstat1.757605Prob(F-statistic)0.000002□II110.1180.11E：0.74240.389I匚1匚2-0.182-0.