計量經濟學名詞解釋和簡答-資料下載頁

　　

【正文】 60。u2,un間無自相關４－dU≤DW＜４－dL不能判定是否有自相關４－dL≤DW≤４誤差項u1,u2,un間存在負相關答：DW檢驗的決策區間其中，n為樣本容量，di為對應于Xi和ei的等級的差數。通過t檢驗判斷是否存在異方差在多元的情況下，需對每一個解釋變量做等級相關系數檢驗。只有當每個解釋變量檢驗都不存在異方差時模型中才不存在異方差。否則，模型中存在異方差。答：在進行回歸分析時，我們總假定其隨機誤差項是不相關的，即Cov(ui,uj)=0,i185。j，上式表示不同時點的誤差項之間不相關。如果一個回歸模型不滿足上式，即Cov(ui,uj)185。0，則我們稱隨機誤差項之間存在著序列相關現象，也稱為自相關。具體相關例子見教材。？答：⑴遺漏了重要的解釋變量。⑵經濟變量的滯后性。⑶回歸函數形式的設定錯誤也可能引起序列相關。⑷實際問題研究中出現的蛛網現象(CobwebPhenomenon)。⑸對原始數據加工整理。？答：⑴參數的估計量不再具有最小方差線性無偏性。⑵均方誤差MSE可能嚴重低估誤差項的方差。⑶常用的Ｆ檢驗和t檢驗失效。?⑷當存在序列相關時，b仍然是b的無偏估計量。但是回歸參數的置信區間和利用回歸模型進行預測的結果會存在較大的誤差。DW檢驗的步驟及局限性。答：DW檢驗的步驟見教材。DW檢驗缺點和局限性：⑴DW檢驗有兩個不能確定的區域。⑵DW統計量的上、下界表要求n≥15；⑶檢驗不適應隨機誤差項具有高階序列相關的檢驗；⑷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。DW檢驗的判斷區間。答：判定系數R2的一個重要性質是：在回歸模型中增加一個解釋變量后，它不會減少，而且通常會增大。即R2是回歸模型中解釋變量個數的非減函數。所以，使用R2來判斷具有相同被解釋變量Y和不同個數解釋變量X的回歸模型的優劣時就很不適當。此時，R2不能用于比較兩個回歸方程的擬合優度。為了消除解釋變量個數對判定系數R2的影響，需使用調整后的判定系數：R=1229。e/(nk)，所謂調整，就是指R的計算式中的229。(YY)/(n1)2i2i22229。e2i和229。(YiY)2都用它們的自由度（n－k）和（n－1）去除。，影響偏回歸系數βj的最小二乘估計量?bj方差的因系答：b?j的方差取決于如下三個因素：s ,SSTj和Rj（１）Var (b?j)與s 成正比；s 越大，b?j的方差Var (b?j)越大。回歸模型的干擾項（３）Var (b?j)與解釋變量之間的線性關聯程度Rj正相關；Rj越大，b?j的方差有哪些？2 22 2u是對回歸結果的干擾，干擾(s2)越大，使得估計任何一個解釋變量對Y的局部影響就越困難。? ?（２）Var(bj)與Xj的總樣本變異SSTj成反比；總樣本變異SSTj越大，bj的方差?Var(bj)越小。2 2?Var(bj)越大。答：（1）設定假設原假設H0:b2=b3=L=bk=0備擇假設H1:bj不全為0，j＝2,3,…,k（2）計算F統計量　　　　　F=ESS/(k1)RSS/(nk)（3）在給定顯著性水a的條件下，查F分布表得臨界值Fa(k1,nk)（4）判斷如果FFa(k1,nk)，則拒絕H0，接受備擇假設H1。如果F163。Fa(k1,nk)，則不拒絕H046．對于多元線性回歸模型，為什么在進行了總體顯著性F檢驗之后，還要對每個偏回歸系數進行是否為0的t檢驗。答：多元回歸模型的總體顯著性就是對原假設H0:b2=b3=L=bk=0進行檢驗。檢驗的目的就是判斷被解釋變量Y是否與X2,X3,…,Xk在整體上有線性關系。若原假設H0:b2=b3=L=bk=0被拒絕，即通過了F檢驗，則表明Y與X2,X3,…,Xk在整體上有線性關系。但這并不表明每一個X都對Y有顯著的線性影響，還需要通過t檢驗判斷每一個回歸系數的顯著性。？答：對數線性模型的優點為（1）對數線性模型中斜率系數度量了一個變量（Y）對另一個變量（X）的彈性。（2）斜率系數與變量X，Y的測量單位無關，其結果值與X，Y的測量單位無關。（3）當Y0時，使用對數形式LnY比使用水平值Y作為被解釋變量的模型更接近經典線性模型。大于零的變量，其條件分布常常是有異方差性或偏態性；取對數后，雖然不能消除這兩方面的問題，但可大大弱化這兩方面的問題。（4）取對數后會縮小變量的取值范圍。使得估計值對被解釋變量或解釋變量的異常值不會很敏感。？簡要說明其后果。答：多元回歸模型的設定偏誤主要包括以下三種：（1）回歸模型中包含了無關解釋變量；（2）回歸模型中遺漏了重要解釋變量；（3）回歸模型中的函數形式設定偏誤。后果為：（1）回歸模型中包含了無關解釋變量：回歸系數的最小二乘估計量的方差非最小。（2）回歸模型中遺漏了重要解釋變量：如果遺漏的變量與包含的變量相關，則回歸系數的最小二乘估計量是有偏誤的，且非一致。（3）回歸模型中的函數形式設定偏誤：不能得到有效估計和正確的經濟解釋。，估計參數產生的后果有哪些？答：（1）多重共線性不改變參數估計量的無偏性；（2）多重共線性使參數的OLS估計量的方差很大，即估計值的精度很低；（3）嚴重多重共線時，參數的假設檢驗容易做出錯誤的判斷。答：相關分析主要測度兩個變量之間的線性關聯度，相關系數就是用來測度兩個變量之間的線性關聯程度的。而在回歸分析中，我們的主要目的在于根據其它變量的給定值來估計或預測某一變量的平均值。例如，我們想知道能否從一個學生的數學成績去預測他的統計學平均成績。在回歸分析中，被解釋變量Y被當作是隨機變量，而解釋變量X則被看作非隨機變量。而在相關分析中，我們把兩個變量都看作是隨機變量。u的意義。隨機誤差項u是代表所有對Y有影響但未能包括在回歸模型中的那些變量的替代變量。因為受理論和實踐條件的限制而必須省略一些變量，其理由如下：（1）理論的欠缺。雖然有決定Y的行為的理論，但常常是不能完全確定的，理論常常有一定的含糊性。（2）數據的欠缺。即使能確定某些變量對Y有顯著影響，但由于不能得到這些變量的數據信息而不能引入該變量。（3）核心變量與非核心變量。例如，在引例的居民消費模型中，除了收入X1外，家庭的人口數X戶主宗教信仰X戶主受教育水平X4也影響家庭消費支出。但很可能XXX4合起來的影響也是很微弱的，是一種非系統的或隨機的影響。從效果與成本角度來看，引入它們是不合算的。所以，人們把它們的聯合效用當作一個隨機變量來看待。（4）人類行為的內在隨機性。即使我們成功地把所有有關的變量都引進到模型中來，在個別的Y中仍不免有一些“內在”的隨機性，無論我們花了多少力氣都解釋不了的。隨機誤差項ui能很好地反映這種隨機性。（5）節省原則，我們想保持一個盡可能簡單的回歸模型。如果我們能用兩個或三個變量就基本上解釋了Y的行為，就沒有必要引進更多的變量。讓ui代表所有其它變量是一種很好的選擇。答：對于總體線性回歸模型，其經典假定如下。假定1：誤差項ui的均值為零。假定2：同方差性或ui的方差相等。對所有給定的Xi，ui的方差都是相同的。假定3：各個誤差項之間無自相關，ui和uj（i≠j）之間的相關為零。假定4：ui和Xi的協方差為零或E（uiXi）=0該假定表示誤差項u和解釋變量X是不相關的。假定5：正確地設定了回歸模型，即在經驗分析中所用的模型沒有設定偏誤。假定6：對于多元線性回歸模型，沒有完全的多重共線性。就是說解釋變量之間沒有完全的線性關系。