计量课后习题.doc

计量课后习题
2。2什么是总体回归函数和样本回归函数？它们之间的区别是什么?
定义:总体回归函数:将总体被解释变量Y的条件均值表示为解释变量X的某种函数，这个函数称为总体回归函数.
样本回归函数：把被解释变量Y的样本观测值的条件均值表示为解释变量X的某种函数,这个函数称为样本回归函数。
区别：总体回归函数：函数的参数虽未知，但是是确定的常数；
是不可直接观测的
样本回归函数：随抽样波动而变化，可以有很多条；
只是未知总体回归线的近似表现；
函数的参数可估计，但是是随着抽样波动而变化的随机变量；
是只要估计出样本回归函数的参数就可以计算的数值
2.3什么是随机扰动项和剩余项（残差）？它们之间的区别是什么?
定义：随机扰动项：总体回归函数E(Y︱Xi）表述的是被解释变量Y随着解释变量X的变化而呈现的平均变动。但是对于确定的Xi，其对应的Yi值并不一定唯一，即Yi不一定全部等于E（Y︱Xi）,而是落于Y=Xi这条直线上。这个时候Yi与E（Y︱Xi）之间会产生一定的偏差，我们把这个偏差称为随机扰动项
剩余项（残差）:由于总体的Y的均值E(Y︱Xi）未知，通常我们关心的是估计量与实际量Yi之间的差异，记=Yi—,则称为残差，残差又称作为对总体中随机扰动项的估计
区别：随机扰动项:是观察值Yi围绕它的期望值E的离差，是一个不可观测的随机变量;
是残差项，代表了其他影响Yi的随机因素的集合。
是相对整体而言的，是整体模型的随机扰动项；
是相对样本而言的，是样本的残差项.

3。2什么是偏回归系数？它与简单线性回归的回归系数有什么不同？
偏回归系数：在多元线性回归模型中，回归系数（j=1,2,…，k）表示的是当控制其他解释变量不变条件下，第j个解释变量的单位变动对被解释变量平均值的影响，这样的回归系数称为偏回归系数.
区别：1.偏回归系数是多元线性回归
2.偏回归系数由一个增加到了多个
3.考察其中某个解释变量对Y的影响，必须使其他解释变量保持不变。
3。3多元线性回归中的古典假定与简单线性回归时有什么不同？
多元线性回归与简单线性回归的模型和随机扰动项均要满足：
1。零均值假定
2.同方差和无自相关性假定
3。随机扰动项与解释变量不相关假定
4.正态性假定
但多元线性回归同时还要满足无多重共线性假定,是说各解释变量之间不存在线性关系。
4.1多重共线性的实质是什么?为什么会出现多重共线性？
多重共线性的实质：就是解释变量之间存在高度的线性相关性。
产生多重共线性的原因（背景）：
1. 经济变量之间具有共同变化趋势
2. 模型中包含滞后变量
3. 利用截面数据建立模型也可能出现多重共线性
4. 样本数据自身的原因
4.3多重共线性的典型表现是什么？判断是否存在多重共线性的方法有哪些？
多重共线性的典型表现：
1。运用普通最小二乘法得到的回归参数估计值很不稳定，回归系数的方差随着多重共线性强度的增加而加速增长,对参数难以做出精确的估计
2。当解释变量之间高度相关时，回归方程中的解释变量就会相互削弱各自对Y的编辑影响，使本身的回归系数的数值下降而其标准误差扩大，于是就会出现回归方程整体显著，但各个解释变量都不显著的现象
3。回归系数反号
多重共线性的判定方法:1.简单相关系数检验法
2.方差扩大（膨胀）因子法
3.直观判断法
4.逐步回归检测法
5。4产生异方差的原因是什么？
产生异方差的原因：1.模型设定误差
2。样本数据测量误差的变化
3.截面数据中总体各单位的差异
4。随机因素的影响

6.1如何使用DW统计量来进行自相关检验?该检验方法的前提条件和局限性有哪些？
（1）DW检验的主要步骤：
①提出假设，即不存在(一阶)自相关性;，即存在(一阶）自相关性。

②构造检验统计量：DW=.

③检验自相关性.
(2）应用条件:①解释变量X为非随机的；
②随机项满足一阶自回归形式，即，为误差项,且满足古典假定；
③线性回归模型中不含滞后的被解释变量；
④只适用于有常数项的回归模型；⑤数据序列无缺失项
（3)局限性： ①方法的应用有前提条件；
②统计量的上、下界表一般要求n≥15；
③不适应随机误差项具有高阶序列相关的检验；
④有两个不能确定的区域。