计量经济学简答.doc

1. 模型的检验包括哪几个方面？具体含义是什么？模型的检验主要包括：经济意义检验、统计检验、计量经济学检验、模型的预测检验。在经济意义检验中，需要检验模型是否符合经济意义，检验求得的参数估计值的符号、大小、参数之间的关系是否与根据人们的经验和经济理论所拟订的期望值相符合；在统计检验中，需要检验模型参数估计值的可靠性，即检验模型的统计学性质，有拟合优度检验、变量显著检验、方程显著性检验等；在计量经济学检验中，需要检验模型的计量经济学性质，包括随机扰动项的序列相关检验、异方差性检验、解释变量的多重共线性检验等；模型的预测检验，主要检验模型参数估计量的稳定性以及对样本容量变化时的灵敏度，以确定所建立的模型是否可以用于样本观测值以外的范围。2. 计量经济学研究的基本步骤是什么？包括四个步骤：理论模型的设定、模型参数的估计、模型的检验、模型的应用。3. 总体回归函数和样本回归函数之间有哪些区别与联系？样本回归函数是总体回归函数的一个近似。总体回归函数具有理论上的意义，但其具体的参数不可能真正知道，只能通过样本估计。样本回归函数就是总体回归函数的参数用其估计值替代之后的形式，即为的估计值。4. 为什么用可决系数评价拟合优度，而不是用残差平方和作为评价标准？可决系数R2=ESS/TSS=1-RSS/TSS，含义为由解释变量引起的被解释变量的变化占被解释变量总变化的比重，用来判定回归直线拟合的优劣，该值越大说明拟合的越好；而残差平方和与样本容量关系密切，当样本容量比较小时，残差平方和的值也比较小，尤其是不同样本得到的残差平方和是不能做比较的。此外，作为检验统计量的一般应是相对量而不能用绝对量，因而不能使用残差平方和判断模型的拟合优度。5. 根据最小二乘原理，所估计的模型已经使得拟合误差达到最小，为什么还要讨论模型的拟合优度问题？普通最小二乘法所保证的最好拟合是同一个问题内部的比较，即使用给出的样本数据满足残差的平方和最小；拟合优度检验结果所表示的优劣可以对不同的问题进行比较，即可以辨别不同的样本回归结果谁好谁坏。6. 为什么说最小二乘估计量是最优线性无偏估计量？对于多元线性回归最小二乘估计的正规方程组，能解出唯一的参数估计量的条件是什么？在满足经典假设的条件下，参数的最小二乘估计量具有线性性、无偏性以及最小性方差，所以被称为最优线性无偏估计量（BLUE）对于多元线性回归最小二乘估计的正规方程组，能解出唯一的参数估计量的条件是（）-1存在，或者说各解释变量间不完全线性相关。7. 为什么在多元回归模型中，需要对可决系数R 做出修正？对修正的原因：是模型中解释变量个数的非减函数，也就是说，随着模型中解释变量个数的增加，的值会变大，这样为了得到拟合优度较高的模型，似乎加入更多解释变量是合理选择。但是，在建立计量经济模型时，一些影响被解释变量的次要因素没有必要以显性形式作为解释变量出现在模型中，因为，随着解释变量个数增加，待估计的参数也会增多，由此造成样本自由度的减少，模型参数估计准确性下降。因此，在多元回归模型背景下，仅仅依据进行模型比较和选择就会产生问题，在增加新的解释变量时，必须对由其带来的模型自由度下降这一“负面影响”而做出惩罚，因此需要对做出相应的修正。8. 简述工具变量法的基本思路以及选择工具变量应遵循的原则。基本思路：工具变量法就是当随机解释变量与随机误差项相关时，寻找一个与随机解释变量高度相关，但与随机误差项不想管的变量，用该变量替代模型中的随机解释变量，进行模型的参数估计。选择原则：工具变量Z与所替代的随机解释变量X高度相关，即；工具变量与随机干扰项不相关，即；工具变量与模型中其他解释变量不相关，以避免出现多重共线性。9. 简述多重共线性的危害多重共线性的危害有几个方面：（1）在完全多重共线性下参数估计量不存在；（2）在近似多重共线性，参数OLS估计量非有效，OLS估计的方差随着多重共线程度的提高而增加；（3）参数估计的经济学意义不合理；（4）变量的显著性检验失去意义；（5）模型的预测功能失效。10. 列举多重共线性的检验方法简单相关系数检验法、直观判断法、综合统计检验法、决定系数检验法、行列式检验法、方差膨胀因子法、逐步回归法等。11. 简述异方差对OLS估计量的性质、置信区间、显著性t检验和F检验有何影响。OLS估计量仍是线性无偏的，但不再具有最小方差，即不再有效；大样本情况下，具有一致性，但不具有渐近有效性。由于相应的置信区间和t检验、F检验都与估计量的方差相关，因此会造成建立的置信区间以及t检验与F检验都不再是可靠的。12. 什么是加权最小二乘法,它的基本思想是什么?加权最小二乘法是对原模型加权,使之变成一个新的不存在异方差性的模型,然后采用OLS法估计其参数。加权的基本思想是：在采用OLS方法时，对较小的残差平方赋予较大的权重，对较大的残差平方赋予较小的权重，以对残差提供的信息的重要程度作一番修正，提高参数估计的精确程度。13. 在存在一阶自相关的情形下，估计自相关参数有哪些不同的方法？说明基本思路。在存一阶自相关的情况下，估计自相关系数有下述几种方法：（1）利用D.W.统计量（大样本情况下）求的估计值；（2）柯-奥迭代法；（3）杜宾两步法。不论哪种方法，其基本思路都是采用OLS方法估计原模型，得到随机干扰项的“近似估计值”，然后利用该“近似估计值”求得随机干扰项相关系数的估计量。14. 怎样认识用一阶自回归表示序列自相关?简述DW检验的应用条件。一阶自相关指的是随机干扰项的当前值只与自身前一期值之间存在相关性。而DW方法仅适用于解释变量为非随机变量，随机干扰项的产生机制是一阶自相关，回归含有截距项，回归模型不把滞后被解释变量当做解释变量之一，没有缺失数据的情况。15. 什么是广义差分法？它的基本思想是什么？广义差分法就是滞后的观测值被排除了的广义最小二乘法。基本思想：16. 引入的虚拟变量的两种基本方式是什么？它们各适用于什么情况？加法方式和乘法方式是引入的虚拟变量的最主要的两种方式，前者主要适用于定性因素对截距项产生影响的情况，后者主要适用于定性因素对斜率项产生影响的情况。除此之外，还可以加法和乘法组合的方式引入虚拟变量，这时可测度定性因素对截距和斜率项同时产生影响的情况。17. Koyck变换的意义是什么？Koyck变换将无限分布滞后模型变换成只有Xt和Yt-1的一阶自回归模型，模型结构极大简化，最大限度保留了自由度，解决的滞后长度难以确定的问题，Xt和Yt-1的线性相关程度将低于X各期值之间的线性相关程度，降低了多重共线性。21.Koyck变换模型、自适应预期模型和局部调整模型有何异同？模型估计会遇到什么困难？怎样解决？三种模型的最终形式都是一阶自回归模型。区别：一是导出模型的经济背景和思想不同，二是由于模型形成机制不同导致模型的随机扰动项的结构不同。模型存在随机解释变量问题，并且由于模型的随机扰动项的结构不同，给模型估计带来了问题，局部调整模型存在异期相关问题，用OLS法就可得到一致性估计，Koyck变换模型和自适应预期模型同期相关问题，需要用工具变量法得到一致性估计。18. 已知线性回归模型：存在异方差性，随机误差项的方差为，问参数估计时，如何克服该异方差性的影响？在模型的左右两边同时乘以，使模型化为19. 简述异方差性LM检验的步骤。（1）先用OLS估计该模型，得到OLS回归残差平方序列。（2）再用OLS估计如下方程： 记下该回归得到的拟合优度.（3）计算LM统计量相应的P值。如果P值足够小，即小于给定的显著性水平的话,那么我们就拒绝同方差的零假设。（4）如果LM检验的P值很小，那就应该采取一些纠正的措施，一个可能的措施就是用异方差稳健统计量。20. 简述异方差性G-Q检验的步骤。（1） 将n组样本观察值按某一被认为可能引起异方差的解释变量的观察值大小排序。（2） 将序列中间的c个观察值除去，并将剩下的观察值划分为较小与较大的相同的两个子样本，每个子样本容量均为（n-c）/2，这样做主要是为了突出小方差样本和大方差样本之间的差异。（3） 对每个子样本分别进行OLS回归，并计算各自的残差平方和，分别用,表示较小的与较大的残差平方和（自由度均为（n-c）/2-k-1）。（4） 在同方差性假定下，构造如下满足F分布的统计量 （5） (5) 给定显著性水平a，确定性临界值F(v1,v2)。若F F(v1,v2),则拒绝同方差性假设，表明原模型随机干扰项存在异方差。当然，还可以根据两个残差平方和对应的子样的顺序判断是递增型异方差还是递减型异方差。