高鐵梅計(jì)量經(jīng)濟(jì)學(xué)考試重點(diǎn)(共10頁)

1、精選優(yōu)質(zhì)文檔-傾情為你奉上計(jì)量經(jīng)濟(jì)學(xué)復(fù)習(xí)資料1. 時(shí)間序列波動的四大因素答：趨勢變動：代表經(jīng)濟(jì)時(shí)間序列長期的趨勢特性循環(huán)變動：以數(shù)年為周期的周期性變動。季節(jié)變動：以年或季度為周期的變化。不規(guī)則變動：偶然因素引起的隨機(jī)變動。在經(jīng)濟(jì)分析中，季節(jié)變動和不規(guī)則變動掩蓋了經(jīng)濟(jì)發(fā)展中的客觀變化，給研究和分析經(jīng)濟(jì)發(fā)展趨勢和判斷目前經(jīng)濟(jì)所處的狀態(tài)帶來困難。因此，需要在經(jīng)濟(jì)分析之前將經(jīng)濟(jì)時(shí)間序列進(jìn)行季節(jié)調(diào)整，剔除其中的季節(jié)變動要素和不規(guī)則要素。2.季節(jié)調(diào)整的基本思想與步驟一個(gè)季度或月度的時(shí)間序列往往會受到年內(nèi)季節(jié)變動的影響，這種季節(jié)變動是由氣候條件、生產(chǎn)周期、假期和銷售等季節(jié)因素造成的。由于這些因素造成的影響通

2、常大得足以遮蓋時(shí)間序列短期的基本變動趨勢，混淆經(jīng)濟(jì)發(fā)展中其他客觀變化要素，以致難以深入研究和正確解釋經(jīng)濟(jì)規(guī)律，若要掌握經(jīng)濟(jì)運(yùn)行的客觀變化規(guī)律，必須進(jìn)行季節(jié)調(diào)整。 季節(jié)調(diào)整就是從一個(gè)時(shí)間序列中估計(jì)和剔除季節(jié)影響的過程，目的是更好地揭示季節(jié)或月度序列的特征或基本趨勢。季節(jié)調(diào)整的基本步驟為：檢測異常值：觀察原始數(shù)據(jù)，繪制原始數(shù)據(jù)圖或計(jì)算序列自相關(guān)，觀察序列是否包含季節(jié)性、季節(jié)模式的變化、波幅的差異和變化、異常值等季節(jié)性變動的因素。消除異常值：在對序列及其季節(jié)行為進(jìn)行初步的圖形評估后，使用模型的默認(rèn)選項(xiàng)進(jìn)行季節(jié)調(diào)整。隨后，使用模型計(jì)算出經(jīng)季節(jié)調(diào)整的趨勢，并加回異常觀測值。利用模型把原始時(shí)間序列存在的季

3、節(jié)因素剔除掉，季節(jié)調(diào)整后的時(shí)間序列是趨勢-循環(huán)和不規(guī)則因素的合成。修訂及預(yù)測：修訂歷史數(shù)據(jù)和預(yù)測近期趨勢。季節(jié)調(diào)整的標(biāo)準(zhǔn)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(quán)移動平均。它是算術(shù)平均的一種，它具有如下特性：第一，周期（及其整數(shù)倍）與移動平均項(xiàng)數(shù)相等的周期性變動基本得到消除;第二，互相獨(dú)立的不規(guī)則變動得到平滑。3簡述X11季節(jié)調(diào)整方法X11方法是基于移動平均法的季節(jié)調(diào)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(jié)調(diào)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(jié)因素相對不變，那么加法模型是合適的；如果季節(jié)變化隨趨

4、勢變化而變化，乘法模型是合適的。它的特征在于除了能適應(yīng)各種經(jīng)濟(jì)指標(biāo)的性質(zhì)，根據(jù)各種季節(jié)調(diào)整的目的，選擇計(jì)算方式外，在不作選擇的情況下，也能根據(jù)事先編入的統(tǒng)計(jì)基準(zhǔn)，按數(shù)據(jù)的特征自動選擇計(jì)算方式。在計(jì)算過程中可根據(jù)數(shù)據(jù)中的隨機(jī)因素大小，采用不同長度的移動平均，隨機(jī)因素越大，移動平均長度越大。X11方法是通過幾次迭代來進(jìn)行分解的，每一次對組成因子的估算都進(jìn)一步精化。4.簡述Census X12季節(jié)調(diào)整方法美國商務(wù)部國勢普查局的X12季節(jié)調(diào)整程序是在X11方法的基礎(chǔ)上發(fā)展而來的，包括X11季節(jié)調(diào)整方法的全部功能，并對X11方法進(jìn)行了以下3方面的重要改進(jìn)：擴(kuò)展了貿(mào)易日和節(jié)假日影響的調(diào)節(jié)功能，增加了季節(jié)、

5、趨勢循環(huán)和不規(guī)則要素分解模型的選擇功能；新的季節(jié)調(diào)整結(jié)果穩(wěn)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(jié)調(diào)整方法可以對經(jīng)濟(jì)時(shí)間序列進(jìn)行分解，但在季節(jié)調(diào)整方法中，趨勢和循環(huán)要素視為一體不能分開。Hodrick-Prescott（HP）濾波 在宏觀經(jīng)濟(jì)學(xué)中，人們非常關(guān)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(yùn)用比較靈活，它不像階段平均法那樣依賴于經(jīng)濟(jì)周期峰和谷的確定。它把經(jīng)濟(jì)周期看成宏觀經(jīng)濟(jì)波動對某些緩慢變動路徑的偏離，這種路徑在期間內(nèi)單調(diào)地增長，所以稱之為趨勢。HP濾波增大了經(jīng)濟(jì)周期的頻率，使周

6、期波動減弱。 頻譜濾波（BP濾波）方法 譜分析的基本思想是：把時(shí)間序列看作是互不相關(guān)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(shí)間序列的頻域結(jié)構(gòu)，掌握其主要波動特征。因此，在研究時(shí)間序列的周期波動方面，它具有時(shí)域方法所無法企及的優(yōu)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(gè)解釋變量，線性指的是參數(shù)和干擾項(xiàng)進(jìn)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(guān)。回歸分析的主要目的是根據(jù)樣本回歸函數(shù)的方程來估計(jì)總體回歸函數(shù)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(shù)而言是線性的。X值是固

7、定的或獨(dú)立于隨機(jī)擾動項(xiàng)。隨機(jī)擾動項(xiàng)的均值為零。隨機(jī)擾動項(xiàng)的方差相等。各個(gè)隨機(jī)擾動項(xiàng)之間無自相關(guān)。以上三個(gè)假定是對隨機(jī)擾動項(xiàng)的假定。觀測次數(shù)n必須大于待估計(jì)的參數(shù)個(gè)數(shù)。在一個(gè)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(guān)系，必須使用這兩個(gè)變量的每一對觀察值，才不至于以點(diǎn)概面。Y與X之間是否是直線關(guān)系？若是，將用一條直線描述它們之間的關(guān)系。在Y與X的散點(diǎn)圖上畫出直線的方法很多。任務(wù)？找出一條能夠最好地描述Y與X（代表所有點(diǎn)）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(diǎn)到該直線的縱向距離的和（平方和

8、）最小。數(shù)學(xué)原理：縱向距離是Y的實(shí)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(dá)到最小”； 于是可以運(yùn)用微分學(xué)中求極小值的原理，將求最好擬合直線問題轉(zhuǎn)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(gè)以上解釋變量，線性是指對參數(shù)而言線性。如果總體回歸函數(shù)描述了一個(gè)被解釋變量與多個(gè)解釋變量之間的線性關(guān)系，由此而設(shè)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(shù)與一元線性回歸模型的參數(shù)有重要區(qū)別。在多元線性回歸模型中，解釋變量對應(yīng)的參數(shù)

9、是偏回歸系數(shù)，表達(dá)的是控制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(gè)獨(dú)特性質(zhì)使多元回歸中不但能夠引入多個(gè)解釋變量，而且能夠“分離”出每個(gè)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(guān)系。9.系數(shù)估計(jì)量的性質(zhì)數(shù)值性質(zhì)是指由于運(yùn)用普通最小二乘法而得以成立的那些性質(zhì)，而不管數(shù)據(jù)是怎樣生成的。統(tǒng)計(jì)性質(zhì)是僅在數(shù)據(jù)生成的方式滿足一定假設(shè)條件下才得以成立。最小二乘估計(jì)量的數(shù)值性質(zhì)有：樣本均值點(diǎn)在樣本線上殘差之和為零被解釋變量Y的真實(shí)值與擬合值有共同的均值殘差與解釋變量不相關(guān)殘差與被解釋變量Y的擬合值不相關(guān)。最小

10、二乘估計(jì)量的統(tǒng)計(jì)性質(zhì)是：無偏性，E()=。線性性，參數(shù)估計(jì)量是隨機(jī)變量Y的線性函數(shù)，它決定于樣本數(shù)據(jù)的線性組。有效性，最小二乘估計(jì)量在所有線性無偏估計(jì)量中具有最小方差。此性質(zhì)說明，“無偏性”和“最小方差性”，雖然都是一個(gè)“優(yōu)良”的估計(jì)式應(yīng)具有的重要特性，但對它們每一個(gè)孤立地來說，其本身并不重要，只有兩個(gè)結(jié)合起來使用才有意義。一致性，一致性的充分條件是：參數(shù)估計(jì)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(yōu)度檢驗(yàn)與R方統(tǒng)計(jì)量在估計(jì)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(yōu)度就越好

11、。因?yàn)镺LS估計(jì)式具有最小方差性和無偏性，只是反映了這樣一個(gè)事實(shí)，即相對于一切樣本回歸函數(shù)來說，由OLS估計(jì)式所確定的樣本回歸函數(shù)具有某些特性，但它并不能說明單個(gè)樣本回歸函數(shù)具有較高的擬合程度；雖然最小二乘法已經(jīng)使所估計(jì)的樣本回歸函數(shù)具有最小殘差平方和即達(dá)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(gè)度量擬合優(yōu)度的相對指標(biāo)?？傠x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(shí)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(jī)因素，觀測誤差等綜合影響而產(chǎn)生的。對于一組確定的樣本數(shù)據(jù)，

12、總離差平方和是一個(gè)確定的數(shù)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(yōu)度的指標(biāo)，稱為判定系數(shù)，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(shù)據(jù)的擬合優(yōu)度越高。判定系數(shù)注意事項(xiàng)：1.判定系數(shù)只是說明列入模型的所有解釋變量對被解釋變量的聯(lián)合的影響程度，不說明模型中每個(gè)解釋變量的影響程度（在多元中）?；貧w的主要目的如果是經(jīng)濟(jì)結(jié)構(gòu)分析，不能只追求高的判定系數(shù)，而是要得到總體回歸系數(shù)可信的估計(jì)量，可決系數(shù)高并不表示每個(gè)回歸系數(shù)都可信任。如果建模的目

13、的只是為了預(yù)測因變量值，不是為了正確估計(jì)回歸系數(shù)，一般可考慮有較高的判定系數(shù)。11回歸系數(shù)假設(shè)檢驗(yàn)的基本思想所估計(jì)的回歸系數(shù)和方差都是通過樣本估計(jì)的，都是隨抽樣而變動的隨機(jī)變量，它們是否可靠？是否抽樣的偶然結(jié)果呢？還需要加以檢驗(yàn)。所謂假設(shè)檢驗(yàn)，就是對于未知參數(shù)，先假設(shè)一個(gè)確定值，然后根據(jù)隨機(jī)選取的樣本數(shù)據(jù)，采用適當(dāng)?shù)姆椒?，檢驗(yàn)參數(shù)的假設(shè)值與真實(shí)值是否一致，從而決定接受或拒絕假設(shè)值。 在所估計(jì)樣本回歸系數(shù)概率分布性質(zhì)已確定的基礎(chǔ)上，在對總體回歸系數(shù)某種原假設(shè)成立的條件下，利用適當(dāng)?shù)挠忻鞔_概率分布的統(tǒng)計(jì)量和給定的顯著性水平，構(gòu)造一個(gè)小概率事件，判斷原假設(shè)結(jié)果合理與否。因?yàn)橐粋€(gè)小概率事件在一次觀察中

14、可以認(rèn)為基本不發(fā)生，如果該事件發(fā)生，就認(rèn)為原假設(shè)不真，從而拒絕原假設(shè)接受備擇假設(shè)。計(jì)量經(jīng)濟(jì)學(xué)中，主要是針對變量的參數(shù)真值是否為零來進(jìn)行顯著性檢驗(yàn)的。假設(shè)檢驗(yàn)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(shù)的顯著性檢驗(yàn)步驟：對總體參數(shù)提出假設(shè).構(gòu)造統(tǒng)計(jì)量在H0成立的條件下，由樣本觀測值計(jì)算tj 統(tǒng)計(jì)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?yàn)榻邮蹾0的概率保證程度很大，也就是說,接受H1犯錯誤的概率很?。徽f明所對應(yīng)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(yīng)的解釋變量

15、對被解釋變量Y線性作用不顯著。 假設(shè)檢驗(yàn)的 p 值：p 值是基于既定的樣本數(shù)據(jù)所計(jì)算的統(tǒng)計(jì)量，是拒絕原假設(shè)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(shè)，即認(rèn)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(shè)，即認(rèn)為 x對 y有沒有顯著影響.P值越小，越能拒絕原假設(shè)。12簡述DW檢驗(yàn)當(dāng)經(jīng)典線性回歸模型的假定“進(jìn)入總體回歸模型的隨機(jī)誤差項(xiàng)是隨機(jī)的或不相關(guān)的”不成立時(shí)，就有自相關(guān)問題。自相關(guān)一詞可定義為“按時(shí)間（如在時(shí)間序列數(shù)據(jù)中）或空間（如在橫截面數(shù)據(jù)中）排序的觀測序列各成員之間的相關(guān)。即如果存在如下相關(guān)性，就有了自相關(guān)在自相關(guān)

16、情況下和在異方差情況下一樣，平常的OLS 估計(jì)量雖然仍是線性、無偏和漸近（即在大樣本中）正態(tài)分布的，但不再是所有線性無偏估計(jì)量中方差最小的一個(gè)。D-W檢驗(yàn)是一種檢驗(yàn)序列自相關(guān)的方法，因其原理簡單、檢驗(yàn)方便，目前已經(jīng)成為最常用的自相關(guān)檢驗(yàn)方法之一。在使用時(shí)要注意該方法的假定條件：回歸含有截距項(xiàng)。若沒有要重新作帶有截距項(xiàng)的回歸，以求得RSS。解釋變量X是非隨機(jī)的，或者在重復(fù)抽樣中被固定。干擾項(xiàng)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(yàn)。假定隨機(jī)誤差項(xiàng)服從正態(tài)分布?；貧w模型不把滯后因變量當(dāng)作解釋變量之一。沒有數(shù)據(jù)缺失。DW的取值范圍為：0DW，D.W檢驗(yàn)的步驟:建立假設(shè)用普通最小二乘法求出

17、線性回歸模型的參數(shù)估計(jì)值計(jì)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(jìn)行比較，可得如下檢驗(yàn)結(jié)果：若0<D.W.<dL則存在正自相關(guān)；dL<D.W.<dU不能確定；dU <D.W.<4dU無自相關(guān)；4dU <D.W.<4 dL 不能確定；4dL <D.W.<4存在負(fù)自相關(guān)。 DW檢驗(yàn)的特點(diǎn)：有兩個(gè)不能確定的區(qū)域，一旦DW值落在這兩個(gè)區(qū)域就無法判斷。隨著樣本容量的擴(kuò)大，無決定區(qū)域?qū)饾u變小。DW統(tǒng)計(jì)量的上、下界表要求n15，這是因?yàn)闃颖救绻傩?，DW檢驗(yàn)上下界表的數(shù)據(jù)不完整，利用殘差很難對自相關(guān)

18、的存在性做出比較正確的診斷。如果隨機(jī)擾動項(xiàng)不服從獨(dú)立正態(tài)分布，那么，慣常使用的DW檢驗(yàn)可能就不可靠。DW檢驗(yàn)不適應(yīng)隨機(jī)誤差項(xiàng)具有高階自相關(guān)的檢驗(yàn)。只適用于有常數(shù)項(xiàng)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(gè)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(guān)。因此，在這種模型中有一個(gè)礙于發(fā)現(xiàn)序列相關(guān)的內(nèi)在偏誤。這并不意味著自回歸模型就沒有自相關(guān)問題。13.簡述變量測量尺度比率尺度：對于一個(gè)變量X，取其兩個(gè)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(shù)經(jīng)濟(jì)變量都屬于這一類。

19、區(qū)間尺度：一個(gè)區(qū)間尺度變量滿足比率尺度變量的后兩個(gè)性質(zhì)，但不滿足第一個(gè)性質(zhì)。這意味著兩個(gè)時(shí)期之內(nèi)的距離是有意義的，但兩個(gè)時(shí)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(gè)性質(zhì)，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(biāo)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(gè)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(yàn)的方法正態(tài)性檢驗(yàn)：檢驗(yàn)變量是否服從正態(tài)分布，簡稱JB檢驗(yàn)，如果JB統(tǒng)計(jì)量大于分

20、布的臨界值，或?qū)?yīng)的概率值較小，則拒絕該變量服從正態(tài)分布的假設(shè)。序列相關(guān)檢驗(yàn)：序列相關(guān)檢驗(yàn)用來檢驗(yàn)隨機(jī)擾動項(xiàng)是否存在自相關(guān)。常用方法有DW檢驗(yàn)、Q統(tǒng)計(jì)量檢驗(yàn)、LM檢驗(yàn)。ARCH檢驗(yàn)：ARCH檢驗(yàn)對于模型是否存在自回歸條件異方差性進(jìn)行檢驗(yàn)。White檢驗(yàn)：不需要關(guān)于異方差的任何先驗(yàn)信息，只需要在大樣本的情況下，將OLS估計(jì)后所得的殘差平方對原始解釋變量、其平方項(xiàng)和交叉乘積項(xiàng)構(gòu)成一個(gè)輔助回歸，利用輔助回歸建立相應(yīng)的檢驗(yàn)統(tǒng)計(jì)量來判斷異方差性。目的在于檢驗(yàn)?zāi)切┦雇ǔ５腛LS標(biāo)準(zhǔn)誤和檢驗(yàn)統(tǒng)計(jì)量無效的異方差形式。15.預(yù)測的定義與分類預(yù)測的定義：預(yù)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

21、取值或取值范圍進(jìn)行定量估計(jì)。一元線性回歸模型的預(yù)測是指利用所估計(jì)的樣本回歸模型已包含的過去和現(xiàn)在的樣本數(shù)據(jù)和信息，對未來時(shí)期中被解釋變量的可能值作出定量估計(jì)。預(yù)測的分類： 內(nèi)插預(yù)測和外推預(yù)測（根據(jù)待測被解釋變量相應(yīng)時(shí)期的解釋變量是否已知）。在解釋變量值屬于已知的樣本區(qū)間的情況下預(yù)測相應(yīng)的被解釋變量值，這種預(yù)測稱為內(nèi)插預(yù)測，也可以看成是對被解釋變量在同一時(shí)間不同空間狀態(tài)的靜態(tài)預(yù)測；通常用內(nèi)插預(yù)測來檢驗(yàn)樣本回歸方程的預(yù)測能力。當(dāng)解釋變量在樣本區(qū)間以外但可以用其他方法先估計(jì)預(yù)測期的解釋變量的情況下預(yù)測某個(gè)被解釋變量值，這樣的預(yù)測稱為外推預(yù)測。這種預(yù)測可以看成是對被解釋變量未來時(shí)期的動態(tài)預(yù)測，建立計(jì)量

22、經(jīng)濟(jì)模型的目的就是解釋經(jīng)濟(jì)現(xiàn)象并預(yù)測經(jīng)濟(jì)變量的未來走勢，以合理安排經(jīng)濟(jì)資源，因此在實(shí)際預(yù)測里，常常作的是外推預(yù)測。均值預(yù)測與個(gè)值預(yù)測（按照預(yù)測對象劃分）。均值預(yù)測：對應(yīng)于選定的X，預(yù)測Y的條件均值，即預(yù)測總體回歸線本身的點(diǎn)。個(gè)值預(yù)測：對應(yīng)于選定的X，預(yù)測對應(yīng)于X的Y的個(gè)別值 。點(diǎn)預(yù)測與區(qū)間預(yù)測（按照預(yù)測方法劃分）。點(diǎn)預(yù)測：對應(yīng)于選定的X，預(yù)測Y的條件均值與個(gè)別值 。區(qū)間預(yù)測：對應(yīng)于選定的X，對Y的條件均值與個(gè)別值的置信區(qū)間作出區(qū)間預(yù)測。16.異方差性與Glejser檢驗(yàn)、White檢驗(yàn)。經(jīng)典線性回歸模型的基本假定4要求出現(xiàn)在總體回歸函數(shù)中的隨機(jī)擾動項(xiàng)是同方差性的，同方差性即相同的散布，對于一元

23、回歸模型中的同方差指不管變量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(diǎn)，隨機(jī)誤差項(xiàng)的方差不再是常數(shù)，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(rèn)為出現(xiàn)了異方差性。異方差性問題在橫截面數(shù)據(jù)中比在時(shí)間序列數(shù)據(jù)中更為常見。在橫截面數(shù)據(jù)中，人們通常在一個(gè)給定的時(shí)點(diǎn)上對總體中的一些成員進(jìn)行觀測，這些成員可能大小不一。異方差并不破壞OLS估計(jì)量的無偏性，但是這些估計(jì)量不再是最小方差或有效的。當(dāng)異方差性出現(xiàn)時(shí)，OLS估計(jì)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(jù)的t檢驗(yàn)和F檢驗(yàn)可能產(chǎn)生嚴(yán)重的誤導(dǎo)，以致

24、得出錯誤的結(jié)論。Glejser檢驗(yàn)的基本思想：由OLS法得到殘差，取得絕對值，然后將|ei|對某個(gè)解釋變量回歸，根據(jù)回歸模型的顯著性和擬合優(yōu)度來判斷是否存在異方差。檢驗(yàn)的特點(diǎn)：不僅能對異方差的存在進(jìn)行判斷，而且還能對異方差隨某個(gè)解釋變量變化的函數(shù)形式進(jìn)行診斷。該檢驗(yàn)要求變量的觀測值為大樣本。White檢驗(yàn)基本思想：不需要關(guān)于異方差的任何先驗(yàn)信息，只需要在大樣本的情況下，將OLS估計(jì)后所得的殘差平方對原始解釋變量、其平方項(xiàng)和交叉乘積項(xiàng)構(gòu)成一個(gè)輔助回歸，利用輔助回歸建立相應(yīng)的檢驗(yàn)統(tǒng)計(jì)量來判斷異方差性。目的在于檢驗(yàn)?zāi)切┦雇ǔ５腛LS標(biāo)準(zhǔn)誤和檢驗(yàn)統(tǒng)計(jì)量無效的異方差形式。檢驗(yàn)的特點(diǎn)：不需要關(guān)于異方差的任

25、何先驗(yàn)認(rèn)識，只要求變量的取值為大樣本。不僅能夠檢驗(yàn)異方差的存在性，同時(shí)在多變量的情況下，還能判斷出是哪一個(gè)變量引起的異方差。17.簡述廣義矩估計(jì)的基本思想。特點(diǎn)：廣義矩估計(jì)方法可以克服隨機(jī)解釋變量問題，可以充分利用多個(gè)工具變量的信息，進(jìn)而克服過度識別問題，同時(shí)不需要對模型隨機(jī)擾動項(xiàng)分布進(jìn)行事先設(shè)定。GMM包容了許多常用的估計(jì)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(jī)抽樣中，樣本統(tǒng)計(jì)量將依概率收斂于某個(gè)常數(shù)，這個(gè)常數(shù)又是分布中未知參數(shù)的一個(gè)函數(shù)。即在不知道分布的情況下，利用樣本矩構(gòu)造方程（包含總體的未知參數(shù)），利用這些方程求得總體的未知參數(shù)

26、。當(dāng)計(jì)量經(jīng)濟(jì)學(xué)模型設(shè)定正確時(shí)，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(gè)含L(L>k)個(gè)變量的L×1向量Zi，使得Zi與擾動項(xiàng)無關(guān)。18簡述經(jīng)濟(jì)學(xué)中的滯后變量在經(jīng)濟(jì)分析中人們發(fā)現(xiàn)，一些經(jīng)濟(jì)變量，它們的數(shù)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(xiàn)在計(jì)量經(jīng)濟(jì)模型中，解釋變量中經(jīng)常包含某些滯后變量。在經(jīng)濟(jì)學(xué)中，變量Y對另一些變量X的依賴很少是瞬時(shí)的，常見的情形是，Y對X的響應(yīng)有一個(gè)時(shí)間上的延遲，這種時(shí)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(shí)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(dāng)期X：1階

27、自回歸；q階自回歸。19簡述逐步最小二乘回歸方法。建立回歸模型的時(shí)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(yīng)的滯后變量）在經(jīng)濟(jì)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(tǒng)計(jì)準(zhǔn)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(yīng)的最小 p 值作為變量入選標(biāo)準(zhǔn)，即根據(jù)變量的顯著性進(jìn)行篩選。前向法根據(jù)最小 p 值進(jìn)行逐步加入，首先設(shè)定變量的入選 p 值標(biāo)準(zhǔn)（比如0.05），即將入選變量的顯著性水平設(shè)為5%；其次選擇所有變量中 p 值最小并且小于所設(shè)定入選 p 值標(biāo)準(zhǔn)的變量加入模型，接著在剩余變

28、量中一直篩選下去；當(dāng)剩余的每個(gè)變量加入模型后其 p 值都大于設(shè)定的 p 值時(shí)，或者增加回歸變量的數(shù)量達(dá)到了建模者事先設(shè)定的數(shù)值時(shí)，逐步回歸運(yùn)算結(jié)束。 后向法根據(jù)最大p 值進(jìn)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(shè)定的數(shù)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(yīng)的 p 值都小于設(shè)定值，或者增加回歸變量的個(gè)數(shù)達(dá)到設(shè)定數(shù)值時(shí)結(jié)束篩選。逐步篩選法：是以單方向篩選法為基礎(chǔ)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

29、且小于所設(shè)定入選 p 值標(biāo)準(zhǔn)的變量加入模型，但不同的是，每次增加變量后還要執(zhí)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(shè)定值的情況，如果存在，則剔除這個(gè)變量。每次按照單方向前向法增加一個(gè)變量的時(shí)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(jié)束規(guī)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(shè)定數(shù)值的變量，然后執(zhí)行單方向前向法程序，即檢查是否應(yīng)該在剔除掉的變量選出能夠加入進(jìn)模型的變量。每次按照單方向后向法剔除一個(gè)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，

30、直到模型中的變量p值都小于設(shè)定值，或者增加回歸變量的個(gè)數(shù)達(dá)到設(shè)定數(shù)值時(shí)結(jié)束篩選?；Q變量法：這種方法基于模型整體效果，即通過判斷擬合優(yōu)度 R2作為篩選變量的標(biāo)準(zhǔn)。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(gè)能使回歸方程 R2 增加最大的變量。接下來，將第一個(gè)選中的變量逐一與未選中的變量互換，一旦出現(xiàn) R2 超過現(xiàn)在的數(shù)值的情況，就將新的變量換入方程中，再將另一個(gè)變量與其他未選中的變量互換。這個(gè)過程一直進(jìn)行下去，直到 R2 無法改善的時(shí)候，再考慮加入第三個(gè)變量。加入了第三個(gè)變量后，仍然要執(zhí)行類似的變量互換過程，一旦出現(xiàn) R2 超過既有數(shù)值的情況，就換入新的變量。當(dāng)入選變量的個(gè)

31、數(shù)達(dá)到事先設(shè)定的數(shù)值時(shí)，結(jié)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(biāo)準(zhǔn)將由大量的變量組合運(yùn)算而導(dǎo)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(jìn)行組合分別進(jìn)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(shè)定了最終希望包含的變量個(gè)數(shù)的情形。 20.簡述序列相關(guān)及其產(chǎn)生的后果如果擾動項(xiàng)不滿足古典回歸假設(shè)，回歸方程的估計(jì)結(jié)果會發(fā)生怎樣的變化呢？理論與實(shí)踐均證明，擾動項(xiàng)關(guān)于任何一條古典回歸假設(shè)的違背，都將導(dǎo)致回歸方程的估計(jì)結(jié)果不再具有上述的良好性質(zhì)。因此，必須建立相關(guān)的理論，解決擾動項(xiàng)不滿足古典回歸假設(shè)所帶來的模型估計(jì)問題。

32、對于不同的樣本點(diǎn)，隨機(jī)擾動項(xiàng)之間不再是完全相互獨(dú)立的，而是存在某種相關(guān)性，則認(rèn)為出現(xiàn)了序列相關(guān)性。如果回歸方程的擾動項(xiàng)存在序列相關(guān)，那么應(yīng)用最小二乘法得到的參數(shù)估計(jì)量的方差將被高估或者低估。因此，檢驗(yàn)參數(shù)顯著性水平的t統(tǒng)計(jì)量將不再可信。可以將序列相關(guān)可能引起的后果歸納為：在線性估計(jì)中OLS估計(jì)量不再是有效的；使用OLS公式計(jì)算出的標(biāo)準(zhǔn)差不正確，相應(yīng)的顯著性水平的檢驗(yàn)不再可信；如果在方程右邊有滯后因變量，OLS估計(jì)是有偏的且不一致。21.簡述聯(lián)立方程系統(tǒng)的識別（秩、階）聯(lián)立方程系統(tǒng)是由多個(gè)方程組成，由于各個(gè)方程包含的變量之間可能存在互為因果的關(guān)系，某個(gè)方程的自變量可能就是另一個(gè)方程中得因變量，所以需要對系統(tǒng)中的各個(gè)方程之間的關(guān)系進(jìn)行嚴(yán)格的定義，否則聯(lián)立方程系統(tǒng)中的系數(shù)就可能無法估計(jì)。因此，在進(jìn)行聯(lián)立方程系統(tǒng)估計(jì)之前，需要判斷它是否可以估計(jì)，這就是聯(lián)立方程系統(tǒng)的識別。聯(lián)立方程結(jié)構(gòu)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(jié)構(gòu)方程的恰好識別或過度識別。方程識別的秩條件是：在一個(gè)含有k個(gè)內(nèi)生變量的k個(gè)方程