1、計量經濟學復習資料1. 時間序列波動的四大因素答：趨勢變動：代表經濟時間序列長期的趨勢特性循環變動：以數年為周期的周期性變動。季節變動：以年或季度為周期的變化。不規則變動：偶然因素引起的隨機變動。在經濟分析中，季節變動和不規則變動掩蓋了經濟發展中的客觀變化，給研究和分析經濟發展趨勢和判斷目前經濟所處的狀態帶來困難。因此，需要在經濟分析之前將經濟時間序列進行季節調整，剔除其中的季節變動要素和不規則要素。2.季節調整的基本思想與步驟一個季度或月度的時間序列往往會受到年內季節變動的影響，這種季節變動是由氣候條件、生產周期、假期和銷售等季節因素造成的。由于這些因素造成的影響通常大得足以遮蓋時間序列短期

2、的基本變動趨勢，混淆經濟發展中其他客觀變化要素，以致難以深入研究和正確解釋經濟規律，若要掌握經濟運行的客觀變化規律，必須進行季節調整。 季節調整就是從一個時間序列中估計和剔除季節影響的過程，目的是更好地揭示季節或月度序列的特征或基本趨勢。季節調整的基本步驟為：檢測異常值：觀察原始數據，繪制原始數據圖或計算序列自相關，觀察序列是否包含季節性、季節模式的變化、波幅的差異和變化、異常值等季節性變動的因素。消除異常值：在對序列及其季節行為進行初步的圖形評估后，使用模型的默認選項進行季節調整。隨后，使用模型計算出經季節調整的趨勢，并加回異常觀測值。利用模型把原始時間序列存在的季節因素剔除掉，季節調整后的

3、時間序列是趨勢-循環和不規則因素的合成。修訂及預測：修訂歷史數據和預測近期趨勢。季節調整的標準方法為移動平均方法，分為簡單移動平均、中心化移動平均和加權移動平均。它是算術平均的一種，它具有如下特性：第一，周期（及其整數倍）與移動平均項數相等的周期性變動基本得到消除;第二，互相獨立的不規則變動得到平滑。3簡述X11季節調整方法X11方法是基于移動平均法的季節調整方法。通過移動平均，可以削弱原序列的上下波動，從而起到對原序列的修勻或平滑的作用。X11季節調整方法包括乘法模型和加法模型。理論上講，如果不管趨勢如何變化，季節因素相對不變，那么加法模型是合適的；如果季節變化隨趨勢變化而變化，乘法模型是合

4、適的。它的特征在于除了能適應各種經濟指標的性質，根據各種季節調整的目的，選擇計算方式外，在不作選擇的情況下，也能根據事先編入的統計基準，按數據的特征自動選擇計算方式。在計算過程中可根據數據中的隨機因素大小，采用不同長度的移動平均，隨機因素越大，移動平均長度越大。X11方法是通過幾次迭代來進行分解的，每一次對組成因子的估算都進一步精化。4.簡述Census X12季節調整方法美國商務部國勢普查局的X12季節調整程序是在X11方法的基礎上發展而來的，包括X11季節調整方法的全部功能，并對X11方法進行了以下3方面的重要改進：擴展了貿易日和節假日影響的調節功能，增加了季節、趨勢循環和不規則要素分解模

5、型的選擇功能；新的季節調整結果穩定性診斷功能；增加X12-ARIMA模型的建模和模型選擇功能。 5.簡述趨勢分析的方法季節調整方法可以對經濟時間序列進行分解，但在季節調整方法中，趨勢和循環要素視為一體不能分開。Hodrick-Prescott（HP）濾波 在宏觀經濟學中，人們非常關心序列組成成分中的長期趨勢，Hodrick-Prescott濾波是被廣泛使用的一種方法。HP濾波的運用比較靈活，它不像階段平均法那樣依賴于經濟周期峰和谷的確定。它把經濟周期看成宏觀經濟波動對某些緩慢變動路徑的偏離，這種路徑在期間內單調地增長，所以稱之為趨勢。HP濾波增大了經濟周期的頻率，使周期波動減弱。 頻譜濾波（B

6、P濾波）方法 譜分析的基本思想是：把時間序列看作是互不相關的周期（頻率）分量的疊加，通過研究和比較各分量的周期變化，以充分揭示時間序列的頻域結構，掌握其主要波動特征。因此，在研究時間序列的周期波動方面，它具有時域方法所無法企及的優勢。6.一元線性回歸模型的基本假定一元線性回歸模型的基本形式為：一元指的是只有一個解釋變量，線性指的是參數和干擾項進入方程的形式是線性的，即被解釋變量僅與唯一的解釋變量相關。回歸分析的主要目的是根據樣本回歸函數的方程來估計總體回歸函數的方程，它的基本假定有：線性回歸模型：回歸模型盡管對變量而言不一定是線性的，但它對于參數而言是線性的。X值是固定的或獨立于隨機擾動項。隨

7、機擾動項的均值為零。隨機擾動項的方差相等。各個隨機擾動項之間無自相關。以上三個假定是對隨機擾動項的假定。觀測次數n必須大于待估計的參數個數。在一個給定的樣本中，X值不可以全部相同。而且X變量的取值沒有異常。 7.最小二乘法的基本思路為了精確地描述Y與X之間的關系，必須使用這兩個變量的每一對觀察值，才不至于以點概面。Y與X之間是否是直線關系？若是，將用一條直線描述它們之間的關系。在Y與X的散點圖上畫出直線的方法很多。任務？找出一條能夠最好地描述Y與X（代表所有點）之間的直線。什么是最好？找出判斷“最好”的原則。最好指的是找一條直線使得這些點到該直線的縱向距離的和（平方和）最小。數學原理：縱向距離

8、是Y的實際值與擬合值之差，差異大擬合不好，差異小擬合好，所以又稱為擬合誤差或殘差。將所有縱向距離平方和相加，即得誤差平方和，“最好”直線就是使誤差平方和最小的直線¾“擬合總誤差達到最小”； 于是可以運用微分學中求極小值的原理，將求最好擬合直線問題轉換為求誤差平方和最小。8.多元線性回歸模型及其基本假定多元是指含有兩個以上解釋變量，線性是指對參數而言線性。如果總體回歸函數描述了一個被解釋變量與多個解釋變量之間的線性關系，由此而設定的回歸模型就稱為多元線性回歸模型。多元線性回歸模型的參數與一元線性回歸模型的參數有重要區別。在多元線性回歸模型中，解釋變量對應的參數是偏回歸系數，表達的是控制

9、其他解釋變量不變的條件下，該解釋變量的單位變動對被解釋變量平均值的“凈影響”。這個獨特性質使多元回歸中不但能夠引入多個解釋變量，而且能夠“分離”出每個解釋變量對被解釋變量的影響。新增假定8（其余同一元假定），解釋變量之間不存在完全共線性，沒有精確的線性關系。9.系數估計量的性質數值性質是指由于運用普通最小二乘法而得以成立的那些性質，而不管數據是怎樣生成的。統計性質是僅在數據生成的方式滿足一定假設條件下才得以成立。最小二乘估計量的數值性質有：樣本均值點在樣本線上殘差之和為零被解釋變量Y的真實值與擬合值有共同的均值殘差與解釋變量不相關殘差與被解釋變量Y的擬合值不相關。最小二乘估計量的統計性質是：無

10、偏性，E()=。線性性，參數估計量是隨機變量Y的線性函數，它決定于樣本數據的線性組。有效性，最小二乘估計量在所有線性無偏估計量中具有最小方差。此性質說明，“無偏性”和“最小方差性”，雖然都是一個“優良”的估計式應具有的重要特性，但對它們每一個孤立地來說，其本身并不重要，只有兩個結合起來使用才有意義。一致性，一致性的充分條件是：參數估計量是無偏的，且隨著樣本容量趨于無窮，其方差趨于0。10.簡述擬合優度檢驗與R方統計量在估計了模型并確定了回歸直線后，還需要了解回歸直線與樣本觀測值擬合得怎么樣，也就是說需要測量觀測值與該回歸直線的離差。如果觀測值離直線越近，擬合優度就越好。因為OLS估計式具有最小

11、方差性和無偏性，只是反映了這樣一個事實，即相對于一切樣本回歸函數來說，由OLS估計式所確定的樣本回歸函數具有某些特性，但它并不能說明單個樣本回歸函數具有較高的擬合程度；雖然最小二乘法已經使所估計的樣本回歸函數具有最小殘差平方和即達到最小，但殘差平方和即的值本身可能會很大；因此，就需要有一個度量擬合優度的相對指標。總離差平方和可以分解為兩部分，一部分是由樣本回歸直線（解釋變量）所解釋的部分,是由于X的變化而引起的Y的變化。一部分是實際觀察值與回歸直線的擬合值之差，稱為殘差，是樣本回歸直線所不能解釋的部分，是由隨機因素，觀測誤差等綜合影響而產生的。對于一組確定的樣本數據，總離差平方和是一個確定的數

12、值，因此，在總離差平方和中，如果回歸平方和所占比例越大，殘差平方和所占比例越小，表明回歸直線擬合得越好。 用回歸平方和（ESS）占總平方和（TSS）的比重作為衡量模型對樣本擬合優度的指標，稱為判定系數，用符號R2（平方）表示，0R21，R2的值越接近1，則表明模型對樣本數據的擬合優度越高。判定系數注意事項：1.判定系數只是說明列入模型的所有解釋變量對被解釋變量的聯合的影響程度，不說明模型中每個解釋變量的影響程度（在多元中）。回歸的主要目的如果是經濟結構分析，不能只追求高的判定系數，而是要得到總體回歸系數可信的估計量，可決系數高并不表示每個回歸系數都可信任。如果建模的目的只是為了預測因變量值，不

13、是為了正確估計回歸系數，一般可考慮有較高的判定系數。11回歸系數假設檢驗的基本思想所估計的回歸系數和方差都是通過樣本估計的，都是隨抽樣而變動的隨機變量，它們是否可靠？是否抽樣的偶然結果呢？還需要加以檢驗。所謂假設檢驗，就是對于未知參數，先假設一個確定值，然后根據隨機選取的樣本數據，采用適當的方法，檢驗參數的假設值與真實值是否一致，從而決定接受或拒絕假設值。 在所估計樣本回歸系數概率分布性質已確定的基礎上，在對總體回歸系數某種原假設成立的條件下，利用適當的有明確概率分布的統計量和給定的顯著性水平，構造一個小概率事件，判斷原假設結果合理與否。因為一個小概率事件在一次觀察中可以認為基本不發生，如果該

14、事件發生，就認為原假設不真，從而拒絕原假設接受備擇假設。計量經濟學中，主要是針對變量的參數真值是否為零來進行顯著性檢驗的。假設檢驗的目的是對簡單線性回歸，判斷解釋變量X是否是被解釋變量Y的顯著影響因素。參數的顯著性檢驗步驟：對總體參數提出假設.構造統計量在H0成立的條件下，由樣本觀測值計算tj 統計量的值。在給定顯著性水平的條件下，查t分布表，得臨界值。判斷：若 則拒絕 這是因為接受H0的概率保證程度很大，也就是說,接受H1犯錯誤的概率很小；說明所對應的解釋變量對被解釋變量Y有顯著的線性影響。若 則不能拒絕這種情況，只有接受H0，犯錯誤的概率才會小；說明對應的解釋變量對被解釋變量Y線性作用不顯

15、著。 假設檢驗的 p 值：p 值是基于既定的樣本數據所計算的統計量，是拒絕原假設的最低顯著性水平。將給定的顯著性水平a與p值比較：若a/2>p值，則在顯著性水平a下拒絕原假設，即認為x對 y有顯著影響.若a/2p值，則在顯著性水平a下接受原假設，即認為 x對 y有沒有顯著影響.P值越小，越能拒絕原假設。12簡述DW檢驗當經典線性回歸模型的假定“進入總體回歸模型的隨機誤差項是隨機的或不相關的”不成立時，就有自相關問題。自相關一詞可定義為“按時間（如在時間序列數據中）或空間（如在橫截面數據中）排序的觀測序列各成員之間的相關。即如果存在如下相關性，就有了自相關在自相關情況下和在異方差情況下一樣

16、，平常的OLS 估計量雖然仍是線性、無偏和漸近（即在大樣本中）正態分布的，但不再是所有線性無偏估計量中方差最小的一個。D-W檢驗是一種檢驗序列自相關的方法，因其原理簡單、檢驗方便，目前已經成為最常用的自相關檢驗方法之一。在使用時要注意該方法的假定條件：回歸含有截距項。若沒有要重新作帶有截距項的回歸，以求得RSS。解釋變量X是非隨機的，或者在重復抽樣中被固定。干擾項是按一階自回歸模式生成的，不能用于高階自回歸模式檢驗。假定隨機誤差項服從正態分布。回歸模型不把滯后因變量當作解釋變量之一。沒有數據缺失。DW的取值范圍為：0DW，D.W檢驗的步驟:建立假設用普通最小二乘法求出線性回歸模型的參數估計值計

17、算DW的值給定a，由n和k的大小查DW分布表，得臨界值dL和dU將DW的值dL和dU進行比較，可得如下檢驗結果：若0<D.W.<dL則存在正自相關；dL<D.W.<dU不能確定；dU <D.W.<4dU無自相關；4dU <D.W.<4 dL 不能確定；4dL <D.W.<4存在負自相關。 DW檢驗的特點：有兩個不能確定的區域，一旦DW值落在這兩個區域就無法判斷。隨著樣本容量的擴大，無決定區域將會逐漸變小。DW統計量的上、下界表要求n15，這是因為樣本如果再小，DW檢驗上下界表的數據不完整，利用殘差很難對自相關的存在性做出比較正確的診斷

18、。如果隨機擾動項不服從獨立正態分布，那么，慣常使用的DW檢驗可能就不可靠。DW檢驗不適應隨機誤差項具有高階自相關的檢驗。只適用于有常數項的回歸模型并且解釋變量中不能含滯后的被解釋變量 。如果一個回歸模型包含了回歸子的滯后值，這種情形下的d值常為2左右，從而表明這種模型不存在一階自相關。因此，在這種模型中有一個礙于發現序列相關的內在偏誤。這并不意味著自回歸模型就沒有自相關問題。13.簡述變量測量尺度比率尺度：對于一個變量X，取其兩個值X1和X2比率X1/X2和距離X2-X1都是有意義的量，且這些值在這種尺度下存在著一種自然順序（上升或下降）。大多數經濟變量都屬于這一類。區間尺度：一個區間尺度變量

19、滿足比率尺度變量的后兩個性質，但不滿足第一個性質。這意味著兩個時期之內的距離是有意義的，但兩個時期的比率就沒有什么意義。序列尺度：對于這類變量，只滿足比率尺度的第三個性質，自然順序存在，但不同類別之間的差別不能量化。比如無差異曲線，雖然每條更高的無差異曲線標志著更高的效用水平，但不能量化一條無差異曲線比另一條無差異曲線到底高多少。名義尺度：對于這類變量不具備比率尺度變量的任何一個特征，諸如性別（男、女）和婚姻狀況（已婚、未婚、離婚、分居）之類的變量只表示了不同的類別。14.簡述殘差及殘差檢驗的方法正態性檢驗：檢驗變量是否服從正態分布，簡稱JB檢驗，如果JB統計量大于分布的臨界值，或對應的概率值

20、較小，則拒絕該變量服從正態分布的假設。序列相關檢驗：序列相關檢驗用來檢驗隨機擾動項是否存在自相關。常用方法有DW檢驗、Q統計量檢驗、LM檢驗。ARCH檢驗：ARCH檢驗對于模型是否存在自回歸條件異方差性進行檢驗。White檢驗：不需要關于異方差的任何先驗信息，只需要在大樣本的情況下，將OLS估計后所得的殘差平方對原始解釋變量、其平方項和交叉乘積項構成一個輔助回歸，利用輔助回歸建立相應的檢驗統計量來判斷異方差性。目的在于檢驗那些使通常的OLS標準誤和檢驗統計量無效的異方差形式。15.預測的定義與分類預測的定義：預測是指利用所得的模型和解釋變量的信息，對被解釋變量的可能的取值或取值范圍進行定量估計

21、。一元線性回歸模型的預測是指利用所估計的樣本回歸模型已包含的過去和現在的樣本數據和信息，對未來時期中被解釋變量的可能值作出定量估計。預測的分類： 內插預測和外推預測（根據待測被解釋變量相應時期的解釋變量是否已知）。在解釋變量值屬于已知的樣本區間的情況下預測相應的被解釋變量值，這種預測稱為內插預測，也可以看成是對被解釋變量在同一時間不同空間狀態的靜態預測；通常用內插預測來檢驗樣本回歸方程的預測能力。當解釋變量在樣本區間以外但可以用其他方法先估計預測期的解釋變量的情況下預測某個被解釋變量值，這樣的預測稱為外推預測。這種預測可以看成是對被解釋變量未來時期的動態預測，建立計量經濟模型的目的就是解釋經濟

22、現象并預測經濟變量的未來走勢，以合理安排經濟資源，因此在實際預測里，常常作的是外推預測。均值預測與個值預測（按照預測對象劃分）。均值預測：對應于選定的X，預測Y的條件均值，即預測總體回歸線本身的點。個值預測：對應于選定的X，預測對應于X的Y的個別值 。點預測與區間預測（按照預測方法劃分）。點預測：對應于選定的X，預測Y的條件均值與個別值 。區間預測：對應于選定的X，對Y的條件均值與個別值的置信區間作出區間預測。16.異方差性與Glejser檢驗、White檢驗。經典線性回歸模型的基本假定4要求出現在總體回歸函數中的隨機擾動項是同方差性的，同方差性即相同的散布，對于一元回歸模型中的同方差指不管變

23、量X取什么值，以給定Xi為條件的Yi的條件方差都保持不變。如果對于不同的樣本點，隨機誤差項的方差不再是常數，而互不相同，或被解釋變量Y所有觀測值的分散程度隨解釋變量X的變化而變化。則認為出現了異方差性。異方差性問題在橫截面數據中比在時間序列數據中更為常見。在橫截面數據中，人們通常在一個給定的時點上對總體中的一些成員進行觀測，這些成員可能大小不一。異方差并不破壞OLS估計量的無偏性，但是這些估計量不再是最小方差或有效的。當異方差性出現時，OLS估計量的方差不能由常用的OLS公式給出。如果我們一味地使用OLS公式，則以這些公式為依據的t檢驗和F檢驗可能產生嚴重的誤導，以致得出錯誤的結論。Glejs

24、er檢驗的基本思想：由OLS法得到殘差，取得絕對值，然后將|ei|對某個解釋變量回歸，根據回歸模型的顯著性和擬合優度來判斷是否存在異方差。檢驗的特點：不僅能對異方差的存在進行判斷，而且還能對異方差隨某個解釋變量變化的函數形式進行診斷。該檢驗要求變量的觀測值為大樣本。White檢驗基本思想：不需要關于異方差的任何先驗信息，只需要在大樣本的情況下，將OLS估計后所得的殘差平方對原始解釋變量、其平方項和交叉乘積項構成一個輔助回歸，利用輔助回歸建立相應的檢驗統計量來判斷異方差性。目的在于檢驗那些使通常的OLS標準誤和檢驗統計量無效的異方差形式。檢驗的特點：不需要關于異方差的任何先驗認識，只要求變量的取

25、值為大樣本。不僅能夠檢驗異方差的存在性，同時在多變量的情況下，還能判斷出是哪一個變量引起的異方差。17.簡述廣義矩估計的基本思想。特點：廣義矩估計方法可以克服隨機解釋變量問題，可以充分利用多個工具變量的信息，進而克服過度識別問題，同時不需要對模型隨機擾動項分布進行事先設定。GMM包容了許多常用的估計方法，普通最小二乘法、工具變量法、極大似然法，甚至二階段最小二乘法都是它的特例。 基本思想：在隨機抽樣中，樣本統計量將依概率收斂于某個常數，這個常數又是分布中未知參數的一個函數。即在不知道分布的情況下，利用樣本矩構造方程（包含總體的未知參數），利用這些方程求得總體的未知參數。當計量經濟學模型設定正確

26、時，存在一些為零的條件矩，假定由這些為零的矩條件可以找到一個含L(L>k)個變量的L×1向量Zi，使得Zi與擾動項無關。18簡述經濟學中的滯后變量在經濟分析中人們發現，一些經濟變量，它們的數值是由自身的滯后量或者其他變量的滯后量所決定的，表現在計量經濟模型中，解釋變量中經常包含某些滯后變量。在經濟學中，變量Y對另一些變量X的依賴很少是瞬時的，常見的情形是，Y對X的響應有一個時間上的延遲，這種時間上的延遲叫做滯后(lag)。分類：分布滯后模型：僅有X分布在不同時期的滯后變量：有限分布滯后模型；無限分布滯后模型；自回歸模型：僅有Y自身滯后變量和當期X：1階自回歸；q階自回歸。19簡

27、述逐步最小二乘回歸方法。建立回歸模型的時候，可能會面臨很多解釋變量的取舍問題，這些解釋變量（包括相應的滯后變量）在經濟意義上可能都對因變量有影響而難以取舍，這種情形下，可以通過逐步回歸分析方法利用各種統計準則篩選解釋變量。 單方向篩選法：這種方法包含前向法和后向法兩種，兩種方法都是利用最大 t 值或者相對應的最小 p 值作為變量入選標準，即根據變量的顯著性進行篩選。前向法根據最小 p 值進行逐步加入，首先設定變量的入選 p 值標準（比如0.05），即將入選變量的顯著性水平設為5%；其次選擇所有變量中 p 值最小并且小于所設定入選 p 值標準的變量加入模型，接著在剩余變量中一直篩選下去；當剩余的

28、每個變量加入模型后其 p 值都大于設定的 p 值時，或者增加回歸變量的數量達到了建模者事先設定的數值時，逐步回歸運算結束。 后向法根據最大p 值進行逐步剔除，后向法與前向法類似，只不過這種方法一開始就將全部的備選變量加入模型，然后選擇 p 值最大的變量，如果此變量的 p 值大于事先設定的數值，則將其剔除掉，然后再在剩余的變量中依次選擇剔除變量，直到模型中剩余的解釋變量所對應的 p 值都小于設定值，或者增加回歸變量的個數達到設定數值時結束篩選。逐步篩選法：是以單方向篩選法為基礎的，也包含前向法和后向法兩種方法。逐步前向篩選法最先是和單方向前向法完全相同，將 p 值最小并且小于所設定入選 p 值標

29、準的變量加入模型，但不同的是，每次增加變量后還要執行單方向后向法的程序，即檢查模型中包含的解釋變量中是否存在最大的 p 值超過設定值的情況，如果存在，則剔除這個變量。每次按照單方向前向法增加一個變量的時候，都要按照單方向后向法檢查是否要剔除一些不顯著的變量。篩選結束規則與上述兩種方法相同。逐步篩選的后向法正好與前向法相反。這種方法首先將全部的備選變量加入模型，然后剔除掉p值最大并大于事先設定數值的變量，然后執行單方向前向法程序，即檢查是否應該在剔除掉的變量選出能夠加入進模型的變量。每次按照單方向后向法剔除一個不顯著的變量，都要按照單方向前向法檢查是否可以加入一些變量，直到模型中的變量p值都小于

30、設定值，或者增加回歸變量的個數達到設定數值時結束篩選。互換變量法：這種方法基于模型整體效果，即通過判斷擬合優度 R2作為篩選變量的標準。首先選擇能夠使得方程的 R2 增加最大的變量入選，然后選擇下一個能使回歸方程 R2 增加最大的變量。接下來，將第一個選中的變量逐一與未選中的變量互換，一旦出現 R2 超過現在的數值的情況，就將新的變量換入方程中，再將另一個變量與其他未選中的變量互換。這個過程一直進行下去，直到 R2 無法改善的時候，再考慮加入第三個變量。加入了第三個變量后，仍然要執行類似的變量互換過程，一旦出現 R2 超過既有數值的情況，就換入新的變量。當入選變量的個數達到事先設定的數值時，結

31、束篩選。也可選擇使得方程的R2 增加較小的變量入選，這種選擇標準將由大量的變量組合運算而導致篩選過程較長。組合法：組合方法與互換變量法作用類似，即將給定的所有變量進行組合分別進行回歸，使得 R2 最大的變量組合即為最終的回歸方程。這種方法適合于建模者事先設定了最終希望包含的變量個數的情形。 20.簡述序列相關及其產生的后果如果擾動項不滿足古典回歸假設，回歸方程的估計結果會發生怎樣的變化呢？理論與實踐均證明，擾動項關于任何一條古典回歸假設的違背，都將導致回歸方程的估計結果不再具有上述的良好性質。因此，必須建立相關的理論，解決擾動項不滿足古典回歸假設所帶來的模型估計問題。對于不同的樣本點，隨機擾動

32、項之間不再是完全相互獨立的，而是存在某種相關性，則認為出現了序列相關性。如果回歸方程的擾動項存在序列相關，那么應用最小二乘法得到的參數估計量的方差將被高估或者低估。因此，檢驗參數顯著性水平的t統計量將不再可信。可以將序列相關可能引起的后果歸納為：在線性估計中OLS估計量不再是有效的；使用OLS公式計算出的標準差不正確，相應的顯著性水平的檢驗不再可信；如果在方程右邊有滯后因變量，OLS估計是有偏的且不一致。21.簡述聯立方程系統的識別（秩、階）聯立方程系統是由多個方程組成，由于各個方程包含的變量之間可能存在互為因果的關系，某個方程的自變量可能就是另一個方程中得因變量，所以需要對系統中的各個方程之間的關系進行嚴格的定義，否則聯立方程系統中的系數就可能無法估計。因此，在進行聯立方程系統估計之前，需要判斷它是否可以估計，這就是聯立方程系統的識別。聯立方程結構式識別的條件分為秩條件與階條件，秩條件用以判斷方程是否可以識別，階條件用以判斷結構方程的恰好識別或過度識別。方程識別的秩條件是：在一個含有k個內生變