1、計量經濟學重點(簡答題)1、 什么是計量經濟學？計量經濟學，又稱經濟計量學，它是以一定的經濟理論和實際統計資料為依據，運用數學、統計學和計算機技術，通過建立計量經濟學模型，定量分析經濟變量之間的隨機因果關系。理解定義注意以下幾個問題：1) 理論基礎：經濟學、數學、統計學2) 計量經濟學是對實際經濟現象的數量分析。3) 計量經濟學研究的是經濟變量之間的隨機關系而非確定性關系。4) 計量經濟學是一門經濟學科，而非應用數學。2、 計量經濟學的研究的步驟是什么？1) 理論模型的設計A. 理論或假說的陳述；B. 理論的數學模型的設定；C. 理論的計量經濟模型的設定。D. 把模型中不重要的變量放進隨機誤差

2、項中；E. . 擬定待估參數的理論期望值。2) 獲取數據數據來源：網絡、統計年鑒、報紙、雜志數據類別：時間序列數據、截面數據、混合數據、虛變量數據。數據要求：完整性、準確性、可比性、一致性i. 完整性：模型中包含的所有變量都必須得到相同容量的樣本觀察值。ii. 準確性：統計數據或調查數據本身是準確的。iii. 可比性：數據口徑問題。iv. 一致性：指母體與樣本的一致性。3) 模型的參數估計：普通最小二乘法。4) 模型的檢驗：經濟學檢驗；統計學檢驗；計量經濟學檢驗；模型的預測檢驗。5) 模型的應用：結構分析；經濟預測；政策評價；經濟理論的檢驗 與發展。3、 簡述統計數據的類別？時間序列數據、截面

3、數據、混合數據、虛變量數據。1） 時間序列數據：按時間先后排列收集的數據。采納時間序列數據的注意事項：A. 所選擇的樣本區間的經濟行為一致性問題。B. 樣本數據在不同樣本點之間的可比性問題。C. 樣本數據過于集中的問題。不能反映經濟變量間的結構關系，應增大觀察區間。D. 模型的隨機誤差項序列相關問題。2） 截面數據：又稱橫向數據，是一批發生在同一時間截面上的調查數據。研究某時點上的變化情況。采納截面數據的注意事項：A. 樣本與母體的一致性問題。B. 隨機誤差項的異方差問題。3） 混合數據：也稱面板數據，既有時間序列數據，又有截面數據。4） 虛變量數據：又稱二進制數據，只能取0 和 1 兩個值，

4、表示的是某個對象的質量特征。4、 模型的檢驗包括哪幾個方面？具體含義是什么？1） 經濟學檢驗：參數的符合和大致取值。2） 統計學檢驗：擬合優度檢驗；模型的顯著性檢驗；參數的顯著性檢驗。3） 計量經濟學檢驗：序列相關性；異方差檢驗；多重共線性檢驗。4）模型的預測檢驗：a,擴大樣本容量或變換卞本重新估價模型；b,利用模型對樣本期以外的某一期進行預測。5、 回歸分析和相關分析的聯系和區別是什么？回歸分析是處理變量與變量之間關系的一種數學方法，是研究一個變量關于另一個（些）變量的依賴關系的計算理論和方法。其目的在于通過后者的已知或設定值，去估計或預測前者的（總體）均值。前一個變量被稱為被解釋變量，后一

5、個（些）變量稱為解釋變量。回歸分析與相關分析的聯系：都是對變量間非確定相關關系的研究，均能通過一定的方法對變量之間的線性依賴程度進行測定。回歸分析與相關分析的區別：1) 相關分析研究的是兩個隨機變量之間的相關形式及相關程度，是通過相關系數來測定的，不考慮變量之間是否存在因果關系；而回歸分析是以因果分析為基礎的，變量之間的地位是不對稱的，有解釋變量與被解釋變量之分，被解釋變量是隨機變量，而解釋變量在一般情況下假定是確定性變量。2) 相關分析所采用的相關系數，是一種純粹的數學計算，相關分析關注的是變量之間的相互關聯的程度，而回歸分析在應用之間就對變量之間是否存在依賴關系進行了因果分析，在此基礎上進

6、行的回歸分析，達到了深入分析變量間依存關系、掌握其運動規律的目的。6、 經典假設條件的內容是什么？(應用最小二乘法應滿足的古典假定？)1)解釋變量x1,x2,xk是確定性變量，不是隨機變量；而且解釋變量 之間互不相關。2) 隨機誤差項具有0 均值和同方差。3) 隨機誤差項在不同樣本點之間是獨立的，不存在序列相關。4) 隨機誤差項與解釋變量之間不相關。5) 隨機誤差項服從0 均值，同方差的正態分布。7、 總體回歸函數和樣本回歸函數之間有哪些區別與聯系？總體回歸函數是將總體被解釋變量的條件期望表示為解釋變量的某種函數。樣本回歸函數是將被解釋變量Y的樣本觀測值的擬和值表示為解釋變量的某種函數。二者區

7、別：A. 描述的對象不同；B. 模型建立的依據不同。二者聯系：樣本回歸模型是總體回歸模型的一個估計式，之所以建立樣本回歸模型，目的是用來估計總體回歸模型。8、 什么是隨機誤差項？隨機誤差項包括哪些因素？設定隨機誤差項的原因有哪些？隨機誤差項是模型設定中省略下來而又集體地影響著被解釋變量Y的全部變量的替代物。隨機誤差項包括以下因素：A. 在解釋變量中被忽略的因素的影響。B. 變量觀測值的觀察誤差的影響。C. 模型關系的設定誤差的影響。D. 其它隨機因素的影響。設定隨機誤差項的原因：理論的含糊性；數據的欠缺；節省的原則。9、 最小二乘估計量有哪些特性？高斯-馬爾科夫定理的內容是什么？判斷一個估計量

8、是否為優良估計量需要考察的統計性質：A. 線性，考察估計量是否是另一個隨機變量的線性函數；B. 無偏性，考察估計量的期望是否等于其真值；C. 有效性，考察估計量在所有的無偏估計量中是否有最小方差。上述三個統計特性稱為估計量的小樣本性質。具有這類性質的估計量是最佳的線性無偏估計量。在模型假定條件成立的情況下，根據普通最小二乘估計法得到的估計量具有 BLUE的性質，這就是高斯-馬爾科夫定理定 理。上述三個性質針對的是小樣本，針對大樣本還有三個漸近性質：A. 漸近無偏性：表示當樣本容量趨于無窮大時，估計量的均值趨于總體均值。B. 一致性：表示當樣本容量趨于無窮時，估計量依概率收斂于總體的真值。C.

9、漸近有效性：樣本容量趨于無窮時，估計量在所有的一致估計中，具有最小的漸近方差。十、 為什么用可決系數 R2評價擬合優度，而不是用殘差平方和作為評價標準？可決系數和相關系數有什么區別與聯系？樣本可決系數R2 反映了回歸平方和占總離差平方和的比重，表示由解釋變量引起被解釋變量的變化占被解釋變量總的變化的比重，因而可用來判定回歸直線擬合程度的優劣，該值大表示回歸直線對樣本店的擬合程度好。殘差平方和反映隨機誤差項包含因素對被解釋變量變化影響的絕對程度，它與樣本容量有關，樣本容量大時，殘差平方和一般也大，樣本容量小時，殘差平方和也小，因此樣本容量不同時得到的殘差平方和不能用于比較。此外，檢驗統計量一般應

10、是相對量而不能是絕對量，因而不宜使用殘差平方和判斷模型的擬合優度。可決系數和相關系數的聯系和區別：A. 相關系數是建立在相關分析基礎上的，研究的是隨機變量之間的關系；可決系數則是建立在回歸分析基礎上，研究的是非隨機變量X對隨機變量Y的解釋程度。B. 在取值上，可決系數是樣本相關系數的平方。C.樣本相關系數是由隨機的 X和Y抽樣計算得到，因而相關關系是 否顯著，還需進行檢驗。十一、說明顯著性檢驗的過程。1) 提出原假設和備擇假設。2) 選擇并計算在原假設成立情況下的統計量。3)給定顯著水平a,查臨界值表進行判斷。十二、影響預測精度的主要因素是什么？樣本容量；模擬的擬合優度。十三、什么是正規方程組

11、？并說明多元線性回歸最小二乘估計的正規方程組，能解出唯一的參數估計的條件是什么？正規方程組是根據最小二乘原理得到的關于參數估計值的線性代數方程組。從最小二乘原理和最大似然原理出發，欲得到參數估計量，不管其質量如何，樣本容量必須不少于模型中解釋變量的數目（包括常數項），即 n n k + 1 。十四、在多元線性回歸分析中，為什么用調整的可決系數衡量估計模型對樣本觀測值的擬合優度？未調整可決系數R2 的一個總要特征是：隨著樣本解釋變量個數的增加，R2的值越來越高，（即R2是解釋變量個數的增函數）。也就是說，在樣本容量不變的情況，在模型中增加新的解釋變量不會改變總離差平方和（ TSS） ，但可能增加

12、回歸平方和（ESS） ，減少殘差平方和（RSS） ，從而可能改變模型的解釋功能。因此在多元線性回歸模型之間比較擬合優度時，R2不是一個合適的指標，需加以調整。而修正的可決系數：其值不會隨著解釋變量個數k 的增加而增加，因此在用于估計多元回 歸模型方面要優于未調整的可決系數。十五、在多元線性回歸分析中，可決系數R2 與總體線性關系顯著性檢驗統計量F 之間有何關系？t 檢驗與 F 檢驗有何不同？是否可以替代？在一元線性回歸分析中二者是否有等價作用？在多元線性回歸分析中，可決系數R2 與總體線性關系顯著性檢驗統計量 F 關系如下：可決系數是用于檢驗回歸方程的擬合優度的，F 檢驗是用于檢驗回歸方程總體

13、顯著性的。兩檢驗是從不同原理出發的兩類檢驗，前者是從已經得到的模型出發，檢驗它對樣本觀測值的擬合程度，后者是從樣本觀測值出發檢驗模型總體線性關系的顯著性。但兩者是關聯的，這一點也可以從上面兩者的關系式看出，回歸方程對樣本擬和程度高，模型總體線性關系的顯著性就強。在多元線性回歸模型分析中，t 檢驗常被用于檢驗回歸方程各個參數的顯著性，是單一檢驗；而F 檢驗則被用作檢驗整個回歸關系的顯著性，是對回歸參數的聯合檢驗。在多元線性回歸中，若F 檢驗拒絕原假設，意味著解釋變量與被解釋變量之間的線性關系是顯著的，但具體是哪個解釋變量與被解釋變量之間關系顯著則需要通過t 檢驗來進一步驗證，但若F檢驗接受原假設

14、，則意味著所有的t 檢驗均不顯著。兩者是不可互相替代的。在一元線性回歸模型中，由于解釋變量只有一個，因此F 檢驗的聯合假設等同于t 檢驗的單一假設，兩檢驗作用是等價的。十六、什么是異方差？異方差產生的原因是什么？如何檢驗和處理？1) 線性回歸模型為Yt = b0 + b1X1t + b2X2t + bkXkt +ut經典回歸中所謂同方差是指不同隨機誤差項Ut(t =1,2,n)的方差相同，即 Var(Ut) = 戴爾塔方(怎么打？)如果隨機誤差項的方差不是常數，則稱隨機項Ut具有異方差性。Var(Ut)=戴爾塔方豐常數2) 異方差性產生的原因：A. 模型中遺漏了某些逐漸增大的因素的影響。B.

15、模型函數形式的誤定誤差。C. 隨機因素的影響。3) 檢驗異方差性的方法：圖解法、帕克檢驗、格萊澤檢驗、斯皮爾曼的等級相關檢驗、哥德費爾德-匡特檢驗。4) 修正異方差性的主要方法：加權最小二乘法，通過賦予不同觀測 點以不同的權數，從而提高估計精度，即重視小誤差的作用，輕 視大誤差的作用。十七、模型存在異方差時，會對回歸參數的估計與的檢驗產生什么影響？1) 最小二乘估計不再是有效估計。2) 無法確定估計系數的標準誤差。3) T檢驗的可靠性降低。4) 增大模型的預測誤差。當模型存在異方差時，根據普通最小二乘法估計出的參數估計量仍具有線性特性和無偏性，但不再具有有效性；用于參數顯著性的檢驗統計量，要涉

16、及到參數估計量的標準差，因而參數檢驗也失去意義。十八、序列相關違背了哪些基本假定？其來源有哪些？檢驗方法有哪些，都適用于何種形式的序列相關檢驗？模型的序列相關違背的基本假定是 Cov(ui,uj) = 0 (i豐j)。序列相關的來源有：A. 經濟變量固有的慣性；B. 模型設定的偏誤；C. 模型中遺漏了重要的帶有自相關的解釋變量；D. 數據的“編造”。序列相關的檢驗有：A. 圖示法B. D-W檢驗，適用于檢驗一階自回歸形式的序列相關；C. 回歸檢驗法，適用于各種類型的序列相關檢驗；D. 拉格朗日乘子檢驗( LM) ， 適用于高階序列相關及模型中存在滯后解釋變量的情形。十九、簡述序列相關帶來的后果

17、。1) 最小二乘估計不再是有效估計。參數估計量仍是無偏的。參數估計值不再具有最小方差性。2) 隨機誤差項的方差一般會低估。3) 檢驗的可靠性降低。4) 降低模型的預測精度。二十、簡述 DW 檢驗的步驟和應用條件。DW檢驗的步驟：A.做OLS回歸并獲取殘差。B. 計算d。C. 對給定樣本大小和給定解釋變量個數找出臨界dl 和 du 值。D. 按決策規則行事。DW檢驗應用條件：A. 模型中含有截距項。B.解釋變量X是非隨機的。C. 隨機誤差項ut 為一階自相關。D. 誤差項被假定為正態分布。E. 線性回歸模型中不應含有滯后內生變量作為解釋變量。F. 統計書籍比較完整，無缺失項。什么是多重共線性？產

18、生多重共線性的原因是什么？多重共線性造成的影響是什么？檢驗多重共線性的方法是什么？有哪些解決方法？1) 對于多元回歸線性模型，如果某兩個或多個解釋變量之間出現了相關性，則稱多重共線性。2) 產生多重共線性的原因：A. 經濟變量的內在聯系，這是產生多重共線性的根本原因。B. 經濟變量變化趨勢的共同性。C. 在模型中引入滯后變量也容易產生多重共線性。3) 多重共線性造成的影響：A. 增大最小二乘估計量得方差B. 難以區分每個解釋變量的單獨影響C. 檢驗的可靠度降低D. 完全共線性下參數估計量不存在4) 多重共線性的檢驗方法：A. 相關系數檢驗法B. 輔助回歸模型檢驗C. 方差膨脹因子檢驗D. 特征

19、值檢驗5) 多重共線性的解決方法：A. 保留總要的解釋變量，去掉次要的或可替代的解釋變量。B. 間接剔除重要的解釋變量。利用先驗信息改變參數的約束形式；變換模型的形式。C. 綜合使用時序數據和截面數據。D.逐步回歸法（Frisch綜合分析法）E. 主成分回歸。二十二、隨機解釋變量的來源有哪些？隨機解釋變量有幾種情形？分情形說明隨機解釋變量對最小二乘估計的影響與后果？隨機解釋變量的來源有：A. 經濟變量的不可控，使得解釋變量觀測值具有隨機性；B. 由于隨機干擾項中包括了模型略去的解釋變量，而略去的解釋變量與模型中的解釋變量往往是相關的；C. 模型中含有被解釋變量的滯后項，而被解釋變量本身就是隨機的。隨機解釋變量有三種情形，不同情形下最小二乘估計的影響和后果也不