計量經(jīng)濟學重點內(nèi)容

1、計量經(jīng)濟學sort 排序order 排序drop 去除記錄keep 保留記錄generate 生產(chǎn)新變量replace 給變量賦新值 rename 給變量重命名第一章use 打開數(shù)據(jù)describe 查看數(shù)據(jù)集情況summary 描述統(tǒng)計tabstat +stats 計算描述性統(tǒng)計量（指定）table+contents 類別變量+連續(xù)變量列聯(lián)表table/ tabulate 類別變量頻次表histogram 直方圖第二章 一元回歸線性模型：基本思想 第3章 第四章 一元、多元線性回歸模型：假設(shè)檢驗 隨機擾動項、參數(shù)的方差、標準誤計算統(tǒng)計檢驗1模型的擬合優(yōu)度檢驗：R2判定系數(shù)（可決系數(shù)）調(diào)整的可

2、決系數(shù)：范圍在0和1之間，越接近1，說明模型具有較高的擬合優(yōu)度2方程的顯著性檢驗：F統(tǒng)計量，prob（F）F >F(k-1,n-k)，拒絕原假設(shè)H0，即顯著。F<F(k-1,n-k)，則暫時不拒絕，不顯著。顯著性概率為0，小于給定顯著性水平（0.05），表明模型對總體擬合顯著3變量的顯著性檢驗：T統(tǒng)計量 (服從n-2，n-k)，p值2一般為0，T>2.306為顯著，T<2.306為不顯著（5水平）線性回歸模型的基本假設(shè)：假設(shè)1：模型具有線性性（針對模型）。Y是參數(shù)i的線性組合，不一定要求是變量X的線性組合。假設(shè)2 ：解釋變量X與u不相關(guān)（針對擾動項）。 數(shù)學表達：cov

3、(Xi,ui)=0通常說法：X具有外生性假設(shè)3：給定X，擾動項的期望或均值為零（針對擾動項）。數(shù)學表達：E(mi |Xi)=0，i=1,2, ,n假設(shè)4：同方差假定（針對擾動項）。數(shù)學表達：Var (ui) = sm2 = Var (Yi) i=1,2, ,n.假設(shè)5：無自相關(guān)（針對擾動項）。數(shù)學表達：Cov(mi, mj) = 0= Cov(Yi, Yj) ij 假設(shè)6：回歸模型設(shè)定是正確的（表面是針對模型，實質(zhì)上是針對擾動項）假設(shè)7：擾動項符合正態(tài)分布（針對擾動項）數(shù)學表達：miN(0, sm2 )óYiN(0+1X, sm2 ) 第五章 線性回歸模型拓展（函數(shù)形式，變量測度單位

4、）第六章 虛擬變量回歸有截距，m個類別（取值），僅引入m-1個虛擬變量，無截距可以m個3不同函數(shù)形式的選擇MWD檢驗，散點圖4測量誤差：應(yīng)變量有誤差：OLS估計量是無偏的。OLS估計量的方差也是無偏的。估計量的估計方差比沒有測量誤差時的大。自變量有誤差：OLS估計量是有偏的（趨零偏誤）OLS估計量的方差也是有偏的。第七章 模型設(shè)定誤差1包含無關(guān)變量：后果（F，T檢驗）參數(shù)估計是無偏且一致的估計，但不是有效的估計，檢驗仍然有效，但方差增大，接收錯誤假設(shè)的概率較高。2遺漏重要變量：后果（殘差圖）如果遺漏的變量X2與X1相關(guān)，那么是有偏且不一致的估計；如果X2與X1不相關(guān)，那么是無偏的，但是有偏的同

5、理，參數(shù)估計量的方差估計也是有偏的，再次，參數(shù)顯著性檢驗結(jié)果不可靠。第八，九，十章 異方差、多重共線性、自相關(guān)檢驗異方差多重共線性自相關(guān)含義例如：后果：自相關(guān)降低解U中包含未知xX中包含x，xxU，x異方差在截面數(shù)據(jù)中較常見，在時間序列中較少，多重共線性是樣本現(xiàn)象。是程度問題,不是有無問題時間序列中常見后果1、 參數(shù)OLS估計仍然是線性無偏的2、方差估計是錯誤的3、從而t檢驗效率降低。（無偏非有效）檢驗殘差圖檢驗Park, Glejster,BreuschPagan,WhiteGoldfeldQuandt1、 R方較大而顯著的T值較小2、 輔助回歸3、 方差膨脹因子判斷法圖形法Dw檢驗游程檢驗

6、偏相關(guān)系數(shù)檢驗布羅斯-戈弗雷檢驗修正Wls gls 對數(shù)轉(zhuǎn)換穩(wěn)健回歸、模型變換法變量：去除變量，變量轉(zhuǎn)換樣本：增加樣本廣義差分法判斷題1、簡單線性回歸模型與多元線性回歸模型的基本假定是相同的。錯，在多元線性回歸模型里除了對隨機誤差項提出假定外，還對解釋變量之間提出無多重共線性的假定。2、在模型中引入解釋變量的多個滯后項容易產(chǎn)生多重共線性。對，在分布滯后模型里多引進解釋變量的滯后項，由于變量的經(jīng)濟意義一樣，只是時間不一致，所以很容易引起多重共線性。3、DW 檢驗中的d 值在0 到4 之間，數(shù)值越小說明模型隨機誤差項的自相關(guān)度越小，數(shù)值越大說明模型隨機誤差項的自相關(guān)度越大。錯，DW值在0到4之間，

7、當DW落在最左邊（0<d<dL ）、最右邊( 4dL<d<4 )時，分別為正自相關(guān)、負自相關(guān)；中間(du<d<4-du)為不存在自相關(guān)區(qū)域；其次為兩個不能判定區(qū)域。4、在計量經(jīng)濟模型中，隨機擾動項與殘差項無區(qū)別。錯，它們均為隨機項，但隨機誤差項表示總體模型的誤差，殘差表示樣本模型的誤差；另外，殘差=隨機誤差項+參數(shù)估計誤差。5、在經(jīng)濟計量分析中，模型參數(shù)一旦被估計出來，就可將估計模型直接運用于實際的計量經(jīng)濟分析。錯，參數(shù)一經(jīng)估計，建立了樣本回歸模型，還需要對模型進行檢驗，包括經(jīng)濟意義檢驗、統(tǒng)計檢驗、計量經(jīng)濟專門檢驗等。6、線性回歸模型意味著因變量是自變量的線

8、性函數(shù)。錯，線性回歸模型本質(zhì)上指的是參數(shù)線性，而不是變量線性。同時，模型與函數(shù)不是同一回事。7、多重共線性問題是隨機擾動項違背古典假定引起的。錯，應(yīng)該是解釋變量之間高度相關(guān)引起的。8、通過虛擬變量將屬性因素引入計量經(jīng)濟模型，引入虛擬變量的個數(shù)與樣本容量大小有關(guān)。錯，引入虛擬變量的個數(shù)樣本容量大小無關(guān)，與變量屬性，模型有無截距項有關(guān)。9、雙變量模型中，對樣本回歸函數(shù)整體的顯著性檢驗與斜率系數(shù)的顯著性檢驗是一致的。正確，要求最好能夠?qū)懗鲆辉€性回歸中，F(xiàn)統(tǒng)計量與t統(tǒng)計量的關(guān)系，即F=t2的來歷；或者說明一元線性回歸僅有一個解釋變量，因此對斜率系數(shù)的t檢驗等價于對方程的整體性檢驗。11、在實際中，一

9、元回歸幾乎沒什么用，因為因變量的行為不可能僅由一個解釋變量來解釋。錯，在實際中，在一定條件下一元回歸是很多經(jīng)濟現(xiàn)象的近似，能夠較好地反映回歸分析的基本思想，在某些情況下還是有用的。13、虛擬變量只能作為解釋變量。錯，虛擬變量還能作被解釋變量。14、設(shè)估計模型為。表明模型有很好的擬合優(yōu)度，則模型不存在偽（虛假）回歸。錯，可能存在偽（虛假）回歸，因為可決系數(shù)較高，而 DW 值過低。15、隨機擾動項的方差與隨機擾動項方差的無偏估計沒有區(qū)別。錯，隨機擾動項的方差反映總體的波動情況，對一個特定的總體而言，是一個確定的值。16、經(jīng)典線性回歸模型（CLRM）中的干擾項不服從正態(tài)分布的，OLS 估計量將有偏的

10、。錯，即使經(jīng)典線性回歸模型（CLRM）中的干擾項不服從正態(tài)分布的，OLS 估計量仍然是無偏的。17、虛擬變量的取值原則上只能取0 或1。對，虛擬變量的取值是人為設(shè)定的，主要表征某種屬性或特征或其它的存在與否，0 或1 正好描述了這種特性。當然，依據(jù)研究問題的特殊性，有時也可以取其它值。18、擬合優(yōu)度檢驗和F 檢驗是沒有區(qū)別的。錯（1）F檢驗中使用的統(tǒng)計量有精確的分布，而擬合優(yōu)度檢驗沒有；（2）對是否通過檢驗，可決系數(shù)（修正可決系數(shù)）只能給出一個模糊的推測；而F 檢驗可以在給定顯著水平下，給出統(tǒng)計上的嚴格結(jié)論。20、雙變量模型中，對樣本回歸函數(shù)整體的顯著性檢驗與斜率系數(shù)的顯著性檢驗是一致的；正確

11、，最好能夠?qū)懗鲆辉€性回歸模型；F統(tǒng)計量與T統(tǒng)計量的關(guān)系，即的F=t2的來歷；或者說明一元線性回歸僅有一個解釋變量，因此對斜率系數(shù)的t檢驗等價于對方程的整體性檢驗。22、在模型12233tttYXX =+的回歸分析結(jié)果報告中，則表明解釋變量。對yt的影響是顯著的。錯，解釋變量X2t和X3t對Y t的聯(lián)合影響是顯著的。23、結(jié)構(gòu)型模型中的每一個方程都稱為結(jié)構(gòu)式方程，結(jié)構(gòu)方程中，解釋變量只可以是前定變量。錯誤，結(jié)構(gòu)方程中，解釋變量可以是前定變量，也可以是內(nèi)生變量。24、通過虛擬變量將屬性因素引入計量經(jīng)濟模型，引入虛擬變量的個數(shù)與模型有無截距項無關(guān)。錯誤，模型有截距項時，如果被考察的定性因素有m個相

12、互排斥屬性，則模型中引入m1個虛擬變量，否則會陷入“虛擬變量陷阱”，模型無截距項時，若被考察的定性因素有m個相互排斥屬性，可以引入m個虛擬變量，這時不會出現(xiàn)多重共線性。25、在對參數(shù)進行最小二乘估計之前，沒有必要對模型提出古典假定。錯誤，在古典假定條件下，OLS估計得到的參數(shù)估計量是該參數(shù)的最佳線性無偏估計（具有線性、無偏性、有效性）?？傊?，提出古典假定是為了使所作出的估計量具有較好的統(tǒng)計性質(zhì)和方便地進行統(tǒng)計推斷。26、當異方差出現(xiàn)時，常用的t和F檢驗失效正確，由于異方差類，似于t比值的統(tǒng)計量所遵從的分布未知；即使遵從t分布，由于方差不在具有最小性。這時往往會夸大t檢驗，使得t檢驗失效；由于F

13、分布為兩個獨立的2變量之比，故依然存在類似于t分布中的問題27、解釋變量與隨機誤差項相關(guān)，是產(chǎn)生多重共線性的主要原因。錯誤，產(chǎn)生多重共線性的主要原因是：經(jīng)濟本變量大多存在共同變化趨勢；模型中大量采用滯后變量；認識上的局限使得選擇變量不當；。29、由間接最小二乘法與兩階段最小二乘法得到的估計量都是無偏估計。錯誤,間接最小二乘法適用于恰好識別方程的估計，其估計量為無偏估計；而兩階段最小二乘法不僅適用于恰好識別方程，也適用于過度識別方程。兩階段最小二乘法得到的估計量為有偏、一致估計。32、在經(jīng)濟計量分析中，模型參數(shù)一旦被估計出來，就可將估計模型直接運用于實際的計量經(jīng)濟分析。錯。參數(shù)一經(jīng)估計，建立了樣

14、本回歸模型，還需要對模型進行檢驗，包括經(jīng)濟意義檢驗、統(tǒng)計檢驗、計量經(jīng)濟專門檢驗等。33、假定個人服裝支出同收入水平和性別有關(guān)，由于性別是具有兩種屬性（男、女）的定性因素，因此，用虛擬變量回歸方法分析性別對服裝支出的影響時，需要引入兩個虛擬變量。錯,是否引入兩個虛擬變量，應(yīng)取決于模型中是否有截距項。如果有截距項則引入一個虛擬變量；如果模型中無截距項，則可引入兩個虛擬變量。34、隨機擾動項的方差與隨機擾動項方差的無偏估計沒有區(qū)別。錯,隨機擾動項的方差反映總體的波動情況，對一個特定的總體而言，是一個確定的值。35、在簡單線性回歸中可決系數(shù)2R與斜率系數(shù)的t檢驗的沒有關(guān)系。錯誤,可決系數(shù)是對模型擬合優(yōu)

15、度的綜合度量，其值越大，說明在Y的總變差中由模型作出了解釋的部分占的比重越大，模型的擬合優(yōu)度越高，模型總體線性關(guān)系的顯著性越強。反之亦然。斜率系數(shù)的t檢驗是對回歸方程中的解釋變量的顯著性的檢驗。在簡單線性回歸中，由于解釋變量只有一個，當t檢驗顯示解釋變量的影響顯著時，必然會有該回歸模型的可決系數(shù)大，擬合優(yōu)度高。36、異方差性、自相關(guān)性都是隨機誤差現(xiàn)象，但兩者是有區(qū)別的。正確。異方差的出現(xiàn)總是與模型中某個解釋變量的變化有關(guān)。自相關(guān)性是各回歸模型的隨機誤差項之間具有相關(guān)關(guān)系。37、通過虛擬變量將屬性因素引入計量經(jīng)濟模型，引入虛擬變量的個數(shù)與模型有無截距項無關(guān)。錯誤,模型有截距項時，如果被考察的定性

16、因素有m個相互排斥屬性，則模型中引入m1個虛擬變量，否則會陷入“虛擬變量陷阱”；模型無截距項時，若被考察的定性因素有m個相互排斥屬性，可以引入m個虛擬變量，這時不會出現(xiàn)多重共線性。40、半對數(shù)模型Y = 0 + 1 ln X + 中，參數(shù)1 的含義是X 的絕對量變化，引起Y 的絕對量變化。錯誤,半對數(shù)模型的參數(shù)1的含義是當X 的相對變化時，絕對量發(fā)生變化，引起因變量Y 的平均值絕對量的變動。41、對已經(jīng)估計出參數(shù)的模型不需要進行檢驗。錯誤，有必要進行檢驗。首先，因為我們在設(shè)定模型時，對所研究的經(jīng)濟現(xiàn)象的規(guī)律性可能認識并不充分，所依據(jù)的得經(jīng)濟理論對研究對象也許還不能做出正確的解釋和說明。或者雖然經(jīng)濟理論是正確的，但可能我們對問題的認識只是從某些局部出發(fā)，或者只是考察了某些特殊的樣本，以局部去說明全局的變化規(guī)律，必然會導致偏差。其次，我們用以及參數(shù)的統(tǒng)計數(shù)據(jù)或其他信息可能并不十分可靠，或者較多采用了經(jīng)濟突變時期