計量經(jīng)濟學(xué)簡答題整理

1、-作者xxxx-日期xxxx計量經(jīng)濟學(xué)簡答題整理【精品文檔】簡答題一、計量經(jīng)濟學(xué)的步驟答：選擇變量和數(shù)學(xué)關(guān)系式 模型設(shè)定確定變量間的數(shù)量關(guān)系 估計參數(shù)檢驗所得結(jié)論的可靠性 模型檢驗作經(jīng)濟分析和經(jīng)濟預(yù)測 模型應(yīng)用二、模型檢驗答：所謂模型檢驗，就是要對模型和所估計的參數(shù)加以評判，判定在理論上是否有意義，在統(tǒng)計上是否有足夠的可靠性。對計量經(jīng)濟模型的檢驗主要應(yīng)從以下四方面進行：1、經(jīng)濟意義的檢驗。2、統(tǒng)計推斷檢驗。3、計量經(jīng)濟學(xué)檢驗。4、模型預(yù)測檢驗。三、模型應(yīng)用答：（1）經(jīng)濟結(jié)構(gòu)分析，是指用已經(jīng)估計出參數(shù)的模型，對所研究的經(jīng)濟關(guān)系進行定量的考查，以說明經(jīng)濟變量之間的數(shù)量比例關(guān)系。（2）經(jīng)濟預(yù)測，是指

2、利用估計了參數(shù)的計量經(jīng)濟模型，由已知的或預(yù)先測定的解釋變量，去預(yù)測被解釋變量在所觀測的樣本數(shù)據(jù)以外的數(shù)值。（3）政策評價，是利用計量經(jīng)濟模型對各種可供選擇的政策方案的實施后果進行模擬測算，從而對各種政策方案作出評價。（4）檢驗與發(fā)展經(jīng)濟理論，是利用計量經(jīng)濟模型去驗證既有經(jīng)濟理論或者提出新的理論。四、普通OLS方法的思想和它的計算方法答：計量經(jīng)濟學(xué)研究的直接目的是確定總體回歸函數(shù)Yi=B1+B2Xi+ui,然而能夠得到的知識來自總體的若干樣本的觀測值，要用樣本信息建立的樣本回歸函數(shù)盡可能“接近”地去估計總體回歸函數(shù)。為此，可以以從不同的角度去確定建立樣本回歸函數(shù)的準則，也就有了估計回歸模型參數(shù)的

3、多種方法。例如，用生產(chǎn)該樣本概率最大的原則去確定樣本回歸函數(shù)，成為極大似然發(fā)展；用估計的剩余平方和的最小的原則確定樣本回歸函數(shù)。稱為最小二乘法則。為了使樣本回歸函數(shù)盡可能接近總體回歸函數(shù)，要使樣本回歸函數(shù)估計的與實際的的誤差盡量小，即要使剩余項越小越好?？墒亲鳛檎`差有正有負，其簡單代數(shù)和最小的準則，這就是最小乘準則，即min=min-min五、簡單線性回歸模型基本假定答：（1）對模型和變量的假定,如假定解釋變量x 是確定性變量,是非隨機的,這是因為在重復(fù)抽樣中是取一組固定的值.或者雖然是隨機的,但與隨機擾動項也是不相關(guān)；假定模型中的變量沒有測量誤差。（2）對隨機擾動項 u的假定又稱高斯假定、古

4、典假定假定1：零均值假定,即在給定解釋變量的條件下 ，隨機擾動項ui的條件期望或條件為零假定2：同方差假定,即對于給定的每一的條件下，隨機擾動項ui的條件方差都等于某一常數(shù) 假定3：無自相關(guān)假定,即隨機擾動項ui的逐次值互不相關(guān)u,或者說對于所有的i和j(i不等于j), ui和uj的協(xié)方差為零 假定4：隨機擾動 ui與解釋變量Xi不相關(guān),可表示為 假定5：對隨機擾動項分布的正態(tài)性假定，即假定隨機擾動項ui服從期望為零，方差為的正態(tài)分布，表示為 六、F檢驗答：對回歸模型整體顯著性的檢驗，所檢驗假設(shè)的形式為 H0：2=3=k=0 H1: j(j=2,3,k)不全為零在H0成立的條件下，統(tǒng)計量 F=

5、ESS/(k-1)/RSS/(n-k)F(k-1,n-k)給定顯著性水平，在F分布表中查出自由度為k-1和n-k的臨界值F（k-1,n-k）,將樣本觀測值代入式計算F值，然后將F值與臨界值F（k-1,n-k）比較。若F> F（k-1,n-k），則拒絕原假設(shè)H0：2=3=k=0，說明回歸方程顯著，即列入模型的各個解釋變量聯(lián)合起來對被解釋變量有顯著影響；反之。七、多重共線性產(chǎn)生的后果答：1、完全多重共線性產(chǎn)生的后果（1）參數(shù)的估計值不確定當解釋變量完全線性相關(guān)時 OLS 估計式不確定從偏回歸系數(shù)意義看：在X2和X3 完全共線性時，無法保持X3不變，去單獨考慮X2 對 Y 的影響（X2 和 X

6、3 的影響不可區(qū)分）從OLS估計式看：可以證明此時（2）參數(shù)估計值的方差無限大OLS估計式的方差成為無窮大：2、不完全多重共線性產(chǎn)生的后果 如果模型中存在不完全的多重共線性，可以得到參數(shù)的估計值，但是對計量經(jīng)濟分析可能會產(chǎn)生一系列的影響。（1）參數(shù)估計值的方差增大（2）對參數(shù)區(qū)間估計時，置信區(qū)間趨于變大（3）假設(shè)檢驗容易作出錯誤的判斷（4）可能造成可決系數(shù)較高，但對各個參數(shù)單獨的t檢驗卻可能不顯著，甚至可能使估計的回歸系數(shù)符號相反，得出完全錯誤的結(jié)論。八、多重共線性的檢驗答：1、簡單相關(guān)系數(shù)檢驗法，即是利用解釋變量之間的線性相關(guān)程度去判斷是否存在嚴重多重共線性的一種簡便方法。判斷規(guī)則：一般而言

7、，如果每兩個解釋變量的簡單相關(guān)系數(shù)(零階相關(guān)系數(shù))比較高，例如大于0.8，則可認為存在著較嚴重的多重共線性。但要注意：較高的簡單相關(guān)系數(shù)只是多重共線性存在的充分條件，而不是必要條件。 2、方差擴大（膨脹）因子法經(jīng)驗規(guī)則：方差膨脹因子越大，表明解釋變量之間的多重共性越嚴重。反過來，方差膨脹因子越接近于1，多重共線性越弱。經(jīng)驗表明，方差膨脹因子10時，說明解釋變量與其余解釋變量之間有嚴重的多重共線性，且這種多重共線性可能會過度地影響最小二乘估計。3、直觀判斷法 當增加或剔除一個解釋變量，或者改變一個觀測值時，回歸參數(shù)的估計值發(fā)生較大變化，回歸方程可能存在嚴重的多重共線性。從定性分析認為，一些重要的

8、解釋變量的回歸系數(shù)的標準誤差較大，在回歸方程中沒有通過顯著性檢驗時，可初步判斷可能存在嚴重的多重共線性。有些解釋變量的回歸系數(shù)所帶正負號與定性分析結(jié)果違背時，很可能存在多重共線性。解釋變量的相關(guān)矩陣中，自變量之間的相關(guān)系數(shù)較大時，可能會存在多重共線性問題。4、逐步回歸法逐步回歸的基本思想：將變量逐個的引入模型，每引入一個解釋變量后，都要進行檢驗，并對已經(jīng)選入的解釋變量逐個進行t 檢驗，當原來引入的解釋變量由于后面解釋變量的引入而變得不再顯著時，則將其剔除。以確保每次引入新的變量之前回歸方程中只包含顯著的變量。在逐步回歸中，高度相關(guān)的解釋變量，在引入時會被剔除。因而也是一種檢測多重共線性的有效方

9、法。九、異方差的后果答： 對參數(shù)估計式統(tǒng)計特性的影響參數(shù)估計的無偏性仍然成立參數(shù)估計的無偏性僅依賴于基本假定中的零均值假定（即 ）。所以異方差的存在對無偏性的成立沒有影響。參數(shù)估計的方差不再是最小的同方差假定是OLS估計方差最小的前提條件，所以隨機誤差項是異方差時，將不能再保證最小二乘估計的方差最小。對模型假設(shè)檢驗的影響由于異方差的影響，使得無法正確估計參數(shù)的標準誤差，導(dǎo)致參數(shù)估計的 t 統(tǒng)計量的值不能正確確定，所以，如果仍用 t 統(tǒng)計量進行參數(shù)的顯著性檢驗將失去意義。對預(yù)測的影響盡管參數(shù)的OLS估計量仍然無偏，并且基于此的預(yù)測也是無偏的，但是由于參數(shù)估計量不是有效的，從而對Y的預(yù)測也將不是有

10、效的。十、異方差性的檢驗答：常用檢驗方法:圖示檢驗法相關(guān)圖形分析殘差圖形分析格的菲爾德-夸特檢驗White檢驗ARCH檢驗Glejser檢驗十一、WLS方法答：如果模型被檢驗證明存在異方差性，則需要發(fā)展新的方法估計模型，最常用的方法是加權(quán)最小二乘法。加權(quán)最小二乘法是對原模型加權(quán)，使之變成一個新的不存在異方差性的模型，然后采用普通最小二乘法估計其參數(shù)。在利用Eviews計量經(jīng)濟學(xué)軟件時，加權(quán)最小二乘法具體步驟是：選擇普通最小二乘法估計原模型，得到隨機誤差項的近似估計量；建立的數(shù)據(jù)序列；選擇加權(quán)最小二乘法，以序列作為權(quán)，進行估計得到參數(shù)估計量。實際上是以乘原模型的兩邊，得到一個新模型，采用普通最小

11、二乘法估計新模型。 十二、自相關(guān)的后果答：1、最小二乘估計量仍然是線性的和無偏的。2、最小二乘估計量不是有效的，即OLS估計量的方差不是最小的，估計量不是最優(yōu)線性無偏估計量(BLUE)。3、OLS估計量的方差是有偏的。用來計算方差和OLS估計量標準誤的公式會嚴重的低估真實的方差和標準誤，從而導(dǎo)致t值變大，使得某個系數(shù)表面上顯著不為零，但事實卻相反。4、t檢驗和F檢驗不是可信的。5、計算得到的誤差方差2RSS/d.f.（殘差平方和/自由度）是真實2的有偏估計量，并且很可能低估了真實的2。6、計算的R2也不能真實的反映實際R2。7、計算的預(yù)測方差和標準誤差通常是無效的十三、自相關(guān)的檢驗答：1、圖示

12、法、作回歸；、計算參差、作et的散點圖：A、作（et-1，et）如果大部分落在第I、第象限，則ut存在正自相關(guān)。如果大部分落在第II、第IV象限，則ut存在負自相關(guān)。B、按時間順序繪制 （t，et）若et 隨時間變化不斷變換符號，說明隨機擾動存在負自相關(guān)；若連續(xù)幾個為正，后邊幾個為負，則隨機擾動存在正自相關(guān)。2、杜賓瓦特森（Durbin-Watson）檢驗基本假定：（1）回歸式中有截距項（2）解釋變量是非隨機的（3）干擾項的模式為一階自回歸模式：（4）回歸模型中，滯后因變量被當作解釋變量。（5）沒有缺損數(shù)據(jù)。DW檢驗步驟：（1）做OLS回歸，得殘差。（2）計算統(tǒng)計量DW（3）對給定的樣本數(shù)量和

13、解釋變量數(shù)目，在給定顯著水平下，找出臨界值的下界和上界dL、dU 。（4）根據(jù)下表的決策規(guī)則決定是否接受原假設(shè)。 DW檢驗的缺點和局限性 DW檢驗有兩個不能確定的區(qū)域，一旦DW值落在這兩個區(qū)域，就無法判斷。這時，只有增大樣本容量或選取其他方法 DW統(tǒng)計量的上、下界表要求n>=15，這是因為樣本如果再小，利用殘差就很難對自相關(guān)的存在性做出比較正確的診斷 DW檢驗不適應(yīng)隨機誤差項具有高階序列相關(guān)的檢驗只適用于有常數(shù)項的回歸模型并且解釋變量中不能含滯后的被解釋變量十四，線性回歸模型經(jīng)典假設(shè)1. 為什么要作基本假定？ 模型中有隨機擾動，估計的參數(shù)是隨機變量，只有對隨機擾動的分布作出假定，才能確定

14、所估計參數(shù)的分布性質(zhì)，也才可能進行假設(shè)檢驗和區(qū)間估計 只有具備一定的假定條件，所作出的估計才具有較好的統(tǒng)計性質(zhì)。2、基本假定的內(nèi)容1）對模型和變量的假定如假定解釋變量x 是非隨機的，或者雖然是隨機的，但與擾動項 u是不相關(guān)的假定解釋變量x 在重復(fù)抽樣中為固定值假定變量和模型無設(shè)定誤差（2）對隨機擾動項 u的假定又稱高斯假定、古典假定假定1：零均值假定 在給定 X 的條件下 ， ui 的條件期望為零假定2：同方差假定 在給定 X 的條件下，ui 的條件方差為某個常數(shù)的平方 假定3：無自相關(guān)假定 隨機擾動項ui的逐次值互不相關(guān) 假定4：隨機擾動 ui與解釋變量X不相關(guān) 假定5：對隨機擾動項分布的正

15、態(tài)性假定 即假定 ui 服從均值為零、方差為的正態(tài)分布 十五、計量經(jīng)濟學(xué)模型的異方差一、異方差性的實質(zhì)異方差性的含義二、產(chǎn)生異方差的原因（二）模型的設(shè)定誤差 模型的設(shè)定主要包括變量的選擇和模型數(shù)學(xué)形式的確定。模型中略去了重要解釋變量常常導(dǎo)致異方差，實際就是模型設(shè)定問題。除此而外，模型的函數(shù)形式不正確，如把變量間本來為非線性的關(guān)系設(shè)定為線性，也可能導(dǎo)致異方差。（三）數(shù)據(jù)的測量誤差 樣本數(shù)據(jù)的觀測誤差有可能隨研究范圍的擴大 而增加，或隨時間的推移逐步積累，也可能隨著觀測技術(shù)的提高而逐步減小。 （四）截面數(shù)據(jù)中總體各單位的差異 通常認為，截面數(shù)據(jù)較時間序列數(shù)據(jù)更容易產(chǎn)生異方差。這是因為同一時點不同對

16、象的差異，一般說來會大于同一對象不同時間的差異。不過，在時間序列數(shù)據(jù)發(fā)生較大變化的情況下，也可能出現(xiàn)比截面數(shù)據(jù)更嚴重的異方差。三 后果 對參數(shù)估計式統(tǒng)計特性的影響（一）參數(shù)估計的無偏性仍然成立 參數(shù)估計的無偏性僅依賴于基本假定中的零均值假定（即 ）。所以異方差的存在對無偏性的成立沒有影響。（二）參數(shù)估計的方差不再是最小的 同方差假定是OLS估計方差最小的前提條件，所以隨機誤差項是異方差時，將不能再保證最小二乘估計的方差最小。、對參數(shù)顯著性檢驗的影響由于異方差的影響，使得無法正確估計參數(shù)的標準誤差，導(dǎo)致參數(shù)估計的 t 統(tǒng)計量的值不能正確確定，所以，如果仍用 t 統(tǒng)計量進行參數(shù)的顯著性檢驗將失去意

17、義。、對預(yù)測的影響盡管參數(shù)的OLS估計量仍然無偏，并且基于此的預(yù)測也是無偏的，但是由于參數(shù)估計量不是有效的，從而對Y的預(yù)測也將不是有效的。 四 異方差性的檢驗常用檢驗方法:圖示檢驗法（一）相關(guān)圖形分析 方差描述的是隨機變量取值的（與其均值的）離散程度。因為被解釋變量 與隨機誤差項 有相同的方差，所以利用分析 與 的相關(guān)圖形，可以初略地看到 的離散程度與 之間是否有相關(guān)關(guān)系。 如果隨著 的增加， 的離散程度為逐漸增大（或減?。┑淖兓厔?，則認為存在遞增型（或遞減型）的異方差。 Goldfeld-Quanadt檢驗 作用：檢驗遞增性(或遞減性)異方差。 基本思想：將樣本分為兩部分，然后分別對兩個樣

18、本進行回歸，并計算兩個子樣的殘差平方和所構(gòu)成 的比，以此為統(tǒng)計量來判斷是否存在異方差。（一） 檢驗的前提條件 1、要求檢驗使用的為大樣本容量。 2、除了同方差假定不成立外，其它假定均滿足。（二）檢驗的具體做法 White檢驗（一）基本思想： 不需要關(guān)于異方差的任何先驗信息，只需要在大樣本的情況下，將OLS估計后的殘差平方對常數(shù)、解釋變量、解釋變量的平方及其交叉乘積等所構(gòu)成一個輔助回歸，利用輔助回歸建立相應(yīng)的檢驗統(tǒng)計量來判斷異方差性。五、異方差性的補救措施主要方法: 模型變換法 加權(quán)最小二乘法 模型的對數(shù)變換在經(jīng)濟意義成立的情況下，如果對模型：作對數(shù)變換，其變量和 分別用 和 代替，即： 對數(shù)變

19、換后的模型通?？梢越档彤惙讲钚缘挠绊懀?運用對數(shù)變換能使測定變量值的尺度縮小。 經(jīng)過對數(shù)變換后的線性模型，其殘差表示相對誤差往往比絕對誤差有較小的差異。 注意：對變量取對數(shù)雖然能夠減少異方差對模型的影響，但應(yīng)注意取對數(shù)后變量的經(jīng)濟意義。計量經(jīng)濟模型的自相關(guān)性什么是自相關(guān)自相關(guān)（auto correlation），又稱序列相關(guān)（serial correlation）是指總體回歸模型的隨機誤差項之間存在相關(guān)關(guān)系。即不同觀測點上的誤差項彼此相關(guān)。原因1經(jīng)濟系統(tǒng)的慣性自相關(guān)現(xiàn)象大多出現(xiàn)在時間序列數(shù)據(jù)中，而經(jīng)濟系統(tǒng)的經(jīng)濟行為都具有時間上的慣性。原因2 經(jīng)濟活動的滯后效應(yīng)滯后效應(yīng)是指某一指標對另一指標的影

20、響不僅限于當期而是延續(xù)若干期。由此帶來變量的自相關(guān)。原因3數(shù)據(jù)處理造成的相關(guān)因為某些原因?qū)?shù)據(jù)進行了修整和內(nèi)插處理，在這樣的數(shù)據(jù)序列中就會有自相關(guān)。原因4蛛網(wǎng)現(xiàn)象一個變量對另一個變量的反映不是同步的，時滯一定的時間。商品供給對價格的反映： St B1 B2*Pt-1 ut 原因5模型設(shè)定偏誤如果模型中省略了某些重要的解釋變量或者模型函數(shù)形式不正確，都會產(chǎn)生系統(tǒng)誤差，這種誤差存在于隨機誤差項中，從而帶來了自相關(guān)。由于該現(xiàn)象是由于設(shè)定失誤造成的自相關(guān)，因此，也稱其為虛假自相關(guān)。三 相關(guān)的表現(xiàn)形式（略）四 、自自相關(guān)的后果1最小二乘估計量仍然是線性的和無偏的。2最小二乘估計量不是有效的，即OLS估計

21、量的方差不是最小的，估計量不是最優(yōu)線性無偏估計量(BLUE)。3 OLS估計量的方差是有偏的。用來計算方差和OLS估計量標準誤的公式會嚴重的低估真實的方差和標準誤，從而導(dǎo)致t值變大，使得某個系數(shù)表面上顯著不為零，但事實卻相反。4 t檢驗和F檢驗不是可信的。5 計算得到的誤差方差2RSS/d.f.（殘差平方和/自由度）是真實2的有偏估計量，并且很可能低估了真實的2。6 計算的R2也不能真實的反映實際R2。7 計算的預(yù)測方差和標準誤差通常是無效的五 自相關(guān)的檢驗一、圖示法1、作回歸；2、計算參差3、作et的散點圖：A、作（et-1，et）如果大部分落在第I、第象限，則ut存在正自相關(guān)。如果大部分落

22、在第II、第IV象限，則ut存在負自相關(guān)。B、按時間順序繪制 （t，et）若et 隨時間變化不斷變換符號，說明隨機擾動存在負自相關(guān)；若連續(xù)幾個為正，后邊幾個為負，則隨機擾動存在正自相關(guān)。二、杜賓瓦特森（Durbin-Watson）檢驗 基本假定： （1）回歸式中有截距項 （2）解釋變量是非隨機的 （3）干擾項的模式為一階自回歸模式：（4）回歸模型中，滯后因變量被當作解釋變量。（5）沒有缺損數(shù)據(jù)。 DW檢驗步驟： （1）做OLS回歸，得殘差。 （2）計算統(tǒng)計量DW （3）對給定的樣本數(shù)量和解釋變量數(shù)目，在給定顯著水平下，找出臨界值的下界和上界dL、dU 。 （4）根據(jù)下表的決策規(guī)則決定是否接受原

23、假設(shè)。 DW檢驗的缺點和局限性 DW檢驗有兩個不能確定的區(qū)域，一旦DW值落在這兩個區(qū)域，就無法判斷。這時，只有增大樣本容量或選取其他方法 DW統(tǒng)計量的上、下界表要求n>=15，這是因為樣本如果再小，利用殘差就很難對自相關(guān)的存在性做出比較正確的診斷 DW檢驗不適應(yīng)隨機誤差項具有高階序列相關(guān)的檢驗只適用于有常數(shù)項的回歸模型并且解釋變量中不能含滯后的被解釋變量 六 自相關(guān)的補救廣義差分法對于自相關(guān)的結(jié)構(gòu)已知的情形可采用廣義差分法解決。當自相關(guān)系數(shù)為已知時，使用廣義差分法，自相關(guān)問題就可徹底解決。我們以一元線性回歸模型為例說明廣義差分法的應(yīng)用。 科克倫奧克特迭代法 其他方法簡介（一）一階差分法（

24、二）德賓兩步法當自相關(guān)系數(shù)未知時，也可采用德賓提出的兩步法，消除自相關(guān)。（三）回歸檢驗法（適合于任何自相關(guān)形式） 計量經(jīng)濟學(xué)模型中的多重共線性一、多重共線性的含義 在計量經(jīng)濟學(xué)中所謂的多重共線性(Multi-Collinearity)，不僅包括完全的多重共線性，還包括不完全的多重共線性?；貧w模型中解釋變量的關(guān)系 1, ，解釋變量間毫無線性關(guān)系，變量間相互正交。這時已不需要作多元回歸，每個參數(shù)bj都可以通過Y 對 Xj 的一元回歸來估計。2，解釋變量間完全共線性。此時模型參數(shù)將無法確定。3 ，解釋變量間存在一定程度的線性關(guān)系。實際中常遇到的情形。二、產(chǎn)生多重共線性的背景 多重共線性產(chǎn)生的經(jīng)濟背景

25、主要有幾種情形： 1.經(jīng)濟變量之間具有共同變化趨勢。 2.模型中包含滯后變量。 3.利用截面數(shù)據(jù)建立模型也可能出現(xiàn)多重共線性。 4.樣本數(shù)據(jù)自身的原因。多重共線性產(chǎn)生的后果一、完全多重共線性產(chǎn)生的后果1.參數(shù)的估計值不確定當解釋變量完全線性相關(guān)時 OLS 估計式不確定 從偏回歸系數(shù)意義看：在X2和X3 完全共線性時，無法保持X3不變，去單獨考慮X2 對 Y 的影響（X2 和 X3 的影響不可區(qū)分） 從OLS估計式看：可以證明此時2.參數(shù)估計值的方差無限大OLS估計式的方差成為無窮大：二、不完全多重共線性產(chǎn)生的后果2.對參數(shù)區(qū)間估計時，置信區(qū)間趨于變大3.假設(shè)檢驗容易作出錯誤的判斷4.可能造成可

26、決系數(shù)較高，但對各個參數(shù)單獨的 t 檢驗卻可能不顯著，甚至可能使估計的回歸系數(shù)符號相反，得出完全錯誤的結(jié)論。多重共線性的檢驗 簡單相關(guān)系數(shù)檢驗法 含義：簡單相關(guān)系數(shù)檢驗法是利用解釋變量之間的線性相關(guān)程度去判斷是否存在嚴重多重共線性的一種簡便方法。 判斷規(guī)則：一般而言，如果每兩個解釋變量的簡單相關(guān)系數(shù)(零階相關(guān)系數(shù))比較高，例如大于0.8，則可認為存在著較嚴重的多重共線性。 注意： 較高的簡單相關(guān)系數(shù)只是多重共線性存在的充分條件，而不是必要條件。特別是在多于兩個解釋變量的回歸模型中，有時較低的簡單相關(guān)系數(shù)也可能存在多重共線性。因此并不能簡單地依據(jù)相關(guān)系數(shù)進行多重共線性的準確判斷。 方差擴大（膨脹

27、）因子法經(jīng)驗規(guī)則方差膨脹因子越大，表明解釋變量之間的多重共性越嚴重。反過來，方差膨脹因子越接近于1，多重共線性越弱。經(jīng)驗表明，方差膨脹因子10時，說明解釋變量與其余解釋變量之間有嚴重的多重共線性，且這種多重共線性可能會過度地影響最小二乘估計。 直觀判斷法 1. 當增加或剔除一個解釋變量，或者改變一個觀測值時，回歸參數(shù)的估計值發(fā)生較大變化，回歸方程可能存在嚴重的多重共線性。 2. 從定性分析認為，一些重要的解釋變量的回歸系數(shù)的標準誤差較大，在回歸方程中沒有通過顯著性檢驗時，可初步判斷可能存在嚴重的多重共線性。3. 有些解釋變量的回歸系數(shù)所帶正負號與定性分析結(jié)果違背時，很可能存在多重共線性。4.

28、解釋變量的相關(guān)矩陣中，自變量之間的相關(guān)系數(shù)較大時，可能會存在多重共線性問題。 逐步回歸法 逐步回歸的基本思想 將變量逐個的引入模型，每引入一個解釋變量后，都要進行檢驗，并對已經(jīng)選入的解釋變量逐個進行t 檢驗，當原來引入的解釋變量由于后面解釋變量的引入而變得不再顯著時，則將其剔除。以確保每次引入新的變量之前回歸方程中只包含顯著的變量。 在逐步回歸中，高度相關(guān)的解釋變量，在引入時會被剔除。因而也是一種檢測多重共線性的有效方法。多重共線性的補救措施一、修正多重共線性的經(jīng)驗方法1. 剔除變量法把方差擴大因子最大者所對應(yīng)的自變量首先,剔除再重新建立回歸方程，直至回歸方程中不再存在嚴重的多重共線性。注意:

29、 若剔除了重要變量，可能引起模型的設(shè)定誤差。2. 增大樣本容量如果樣本容量增加，會減小回歸參數(shù)的方差，標準誤差也同樣會減小。因此盡可能地收集足夠多的樣本數(shù)據(jù)可以改進模型參數(shù)的估計。問題：增加樣本數(shù)據(jù)在實際計量分析中常面臨許多困難。3. 變換模型形式一般而言，差分后變量之間的相關(guān)性要比差分前弱得多，所以差分后的模型可能降低出現(xiàn)共線性的可能性，此時可直接估計差分方程。問題：差分會丟失一些信息，差分模型的誤差項可能存在序列相關(guān)，可能會違背經(jīng)典線性回歸模型的相關(guān)假設(shè)，在具體運用時要慎重。4. 利用非樣本先驗信息通過經(jīng)濟理論分析能夠得到某些參數(shù)之間的關(guān)系，可以將這種關(guān)系作為約束條件，將此約束條件和樣本信

30、息結(jié)合起來進行約束最小二乘估計。5. 橫截面數(shù)據(jù)與時序數(shù)據(jù)并用首先利用橫截面數(shù)據(jù)估計出部分參數(shù)，再利用時序數(shù)據(jù)估計出另外的部分參數(shù)，最后得到整個方程參數(shù)的估計。 注意：這里包含著假設(shè)，即參數(shù)的橫截面估計和從純粹時間序列分析中得到的估計是一樣的。6. 變量變換變量變換的主要方法：(1)計算相對指標 (2)將名義數(shù)據(jù)轉(zhuǎn)換為實際數(shù)據(jù) (3)將小類指標合并成大類指標 變量數(shù)據(jù)的變換有時可得到較好的結(jié)果，但無法保證一定可以得到很好的結(jié)果。二、逐步回歸法（1）用被解釋變量對每一個所考慮的解釋變量做簡單回歸。（2）以對被解釋變量貢獻最大的解釋變量所對應(yīng)的回歸方程為基礎(chǔ)，按對被解釋變量貢獻大小的順序逐個引入其

31、余的解釋變量。若新變量的引入改進了和F檢驗，且回歸參數(shù)的t 檢驗在統(tǒng)計上也是顯著的，則在模型中保留該變量。若新變量的引入未能改進和F檢驗，且對其他回歸參數(shù)估計值的t 檢驗也未帶來什么影響，則認為該變量是多余變量。若新變量的引入未能改進和F檢驗，且顯著地影響了其他回歸參數(shù)估計值的數(shù)值或符號，同時本身的回歸參數(shù)也通不過t 檢驗，說明出現(xiàn)了嚴重的多重共線性。小結(jié)1.多重共線性是指各個解釋變量之間有準確或近似準確的線性關(guān)系。2.多重共線性的后果： 如果各個解釋變量之間有完全的共線性，則它們的回歸系數(shù)是不確定的，并且它們的方差會無窮大。如果共線性是高度的但不完全的，回歸系數(shù)可估計，但有較大的標準誤差?；?/p>

32、歸系數(shù)不能準確地估計。3.診斷共線性的經(jīng)驗方法： (1) 表現(xiàn)為可決系數(shù)異常高而回歸系數(shù)的t 檢驗不顯著。 (2) 變量之間的零階或簡單相關(guān)系數(shù)。多個解釋變量時，較低的零階相關(guān)也可能出現(xiàn)多重共線性，需要檢查偏相關(guān)系數(shù)。 (4)如果 高而偏相關(guān)系數(shù)低，則多重共線性是可能的。 (5) 用解釋變量間輔助回歸的可決系數(shù)判斷。4.降低多重共線性的經(jīng)驗方法： (1)利用外部或先驗信息； (2)橫截面與時間序列數(shù)據(jù)并用； (3)剔除高度共線性的變量(如逐步回歸)； (4)數(shù)據(jù)轉(zhuǎn)換； (5)獲取補充數(shù)據(jù)或新數(shù)據(jù)； (6)選擇有偏估計量（如嶺回歸）。 經(jīng)驗方法的效果取決于數(shù)據(jù)的性質(zhì)和共線性的嚴重程度。計量經(jīng)濟學(xué)

33、聯(lián)立方程模型聯(lián)立方程模型及其偏倚一、聯(lián)立方程模型的性質(zhì)所謂聯(lián)立方程模型，是指同時用若干個相互關(guān)聯(lián)的方程，去表示一個經(jīng)濟系統(tǒng)中經(jīng)濟變量相互依存性的模型。 聯(lián)立方程組中每一個單一方程中包含了一個或多個相互關(guān)聯(lián)的內(nèi)生變量，每一個方程的被解釋變量都是內(nèi)生變量，解釋變量則可以是內(nèi)生或者外生變量。聯(lián)立方程模型的特點1. 聯(lián)立方程組模型是由若干個單一方程組成的 模型中不止一個被解釋變量， 個方程可以有 個被解 釋變量2. 聯(lián)立方程組模型里既有非確定性方程（即隨機方程）又 有確定性方程，但必須含有隨機方程3. 被解釋變量和解釋變量之間可能是互為因果，有的變量 在某個方程為解釋變量，但同時在另一個方程中可能為

34、被解釋變量。解釋變量有可能是隨機的不可控變量4. 解釋變量可能與隨機擾動項相關(guān)，違反OLS基本假定二、聯(lián)立方程模型中變量的類型 內(nèi)生變量： 一些變量是由模型體現(xiàn)的經(jīng)濟體系本身所決定的，在模型中是隨機變量,稱為內(nèi)生變量。 外生變量：一些變量是在模型體現(xiàn)的經(jīng)濟體系之外給定的，在模型中是非隨機的,稱為外生變量。 意義：區(qū)分內(nèi)生變量和外生變量對聯(lián)立方程模型的估計和應(yīng)用有重要意義。 注意：一個變量是內(nèi)生變量還是外生變量，由經(jīng)濟理論和經(jīng)濟意義決定，不是從數(shù)學(xué)形式?jīng)Q定。聯(lián)立方程模型中內(nèi)生變量的個數(shù)恰好等于方程組中方程的個數(shù)，該方程組為完備的在聯(lián)立方程模型中，內(nèi)生變量既可作為被解釋變量，又可作為解釋變量，前定

35、變量一般作為解釋變量三、聯(lián)立方程模型的偏倚性 聯(lián)立方程偏倚：聯(lián)立方程模型中內(nèi)生變量作為解釋變量與隨機項相關(guān)，違反了OLS基本假定，如仍用OLS法 去估計參數(shù)，就會產(chǎn)生偏倚，估計式是有偏的，而且是不一致的，這稱為聯(lián)立方程偏倚。 結(jié)論： OLS法一般不適合于估計聯(lián)立方程模型四、聯(lián)立方程模型的種類描述經(jīng)濟變量之間現(xiàn)實經(jīng)濟結(jié)構(gòu)關(guān)系，表現(xiàn)變量間直接的經(jīng)濟聯(lián)系，將某內(nèi)生變量直接表示為內(nèi)生變量和前定變量函數(shù)的模型，稱為結(jié)構(gòu)型模型。結(jié)構(gòu)型模型的特點a. 描述了經(jīng)濟變量之間的結(jié)構(gòu)關(guān)系，在結(jié)構(gòu)方程的右端可能出現(xiàn)其它的內(nèi)生變量b. 結(jié)構(gòu)型模型有明確的經(jīng)濟意義，可直接分析解釋變量 變動對被解釋變量的作用c. 結(jié)構(gòu)型模

36、型具有偏倚性問題，所以不能直接用OLS法對結(jié)構(gòu)型模型的未知參數(shù)進行估計d. 通過前定變量的未來值預(yù)測內(nèi)生變量的未來值時，由于在結(jié)構(gòu)方程的右端出現(xiàn)了內(nèi)生變量，所以不能直接用結(jié)構(gòu)型模型進行預(yù)測：簡化型模型：每個內(nèi)生變量都只被表示為前定變量及隨機擾動項函數(shù)的聯(lián)立方程模型，每個方程的右端不再出現(xiàn)內(nèi)生變量。簡化型模型的建立：直接寫出簡化形式 從結(jié)構(gòu)型模型求解簡化型模型的特點 簡化型模型中每個方程的解釋變量全是前定變量，從而避免了聯(lián)立方程偏倚 簡化型模型中的前定變量與隨機誤差項不相關(guān)。避免了聯(lián)立方程偏倚。簡化型模型中的參數(shù)是原結(jié)構(gòu)型模型參數(shù)的函數(shù)，由估計的簡化型模型參數(shù)，有可能求解出結(jié)構(gòu)型參數(shù) 簡化型模型

37、表現(xiàn)了前定變量對內(nèi)生變量的總影響（直接影響和間接影響），其參數(shù)表現(xiàn)了前定變量對內(nèi)生變量的影響乘數(shù) 已知前定變量取值的條件下，可利用簡化型模型參數(shù)的估計式直接對內(nèi)生變量進行預(yù)測分析 遞歸型模型：第一個方程中解釋變量只包含前定變量；第二個方程中解釋變量只包含前定變量和前 一 個方程中的內(nèi)生變量；第三個方程中解釋變量只包括前定變量和前兩個方程的內(nèi)生變量；依此類推，最后一個方程內(nèi)生變量可以表示成前定變量和m-1個內(nèi)生變量的函數(shù)。特點：每個模型都滿足隨機擾動與解釋變量不相關(guān)的基本假定，不會產(chǎn)生聯(lián)立方程組的偏倚性，可逐個用OLS法估計其參數(shù)。遞歸模型是聯(lián)立方程組模型的特殊形式，模型中事實上沒有變量間互為因

38、果的特征，所以不是真正意義上 的聯(lián)立方程模型。聯(lián)立方程模型的識別一、對模型識別的理解“識別”是與模型設(shè)定有關(guān)的問題，其實質(zhì)是對特定的模型，判斷是否有可能得出有意義的結(jié)構(gòu)型參數(shù)數(shù)值。聯(lián)立方程模型的識別可以從多方面去理解，但從根本上說識別是模型的設(shè)定問題。從方程的統(tǒng)計形式去認識聯(lián)立方程的識別。如果模型中一個結(jié)構(gòu)方程與另一個結(jié)構(gòu)方程含有相同的變量以及變量結(jié)合的函數(shù)形式，則這兩個方程具有相同的統(tǒng)計形式，它們都是不可識別的從方程中是否排除了必要的變量去理解識別。如果一個結(jié)構(gòu)方程包含了模型的所有變量，則稱該方程為不可識別。當模型中的結(jié)構(gòu)方程有零限制，某些變量不出現(xiàn)在方程中時，則該方程才有可能被識別從能否從

39、簡化型模型參數(shù)估計值中合理地求解出結(jié)構(gòu)型模型參數(shù)的估計值。如果結(jié)構(gòu)型模型參數(shù)的估計值能由簡化型模型的參數(shù)求解出，則稱這個結(jié)構(gòu)方程是可識別的，否則是不可識別的關(guān)于“識別”的結(jié)論 在聯(lián)立方程模型中要識別一個方程，必須是這個方程相對穩(wěn)定，而其他方程有明顯變化，即必須是這個方程中沒有而包含在其他方程中的某些因素發(fā)生明顯變化。 “識別”是模型的設(shè)定問題 ，不是模型估計和評價的統(tǒng)計問題。注 意 識別是針對有參數(shù)要估計的模型，定義方程、恒等式本身沒有識別問題 聯(lián)立方程必須是完整的，模型中內(nèi)生變量個數(shù)與模型中獨立方程個數(shù)應(yīng)相同 聯(lián)立方程中每個方程都是可識別的，整個聯(lián)立方程體系才是可識別的二、聯(lián)立方程模型識別的

40、類型1.不可識別 意義：從所掌握的信息，不能從簡化型參數(shù)確定結(jié)構(gòu)型參數(shù) 原因：信息不足，沒有解 2.適度識別（恰好識別） 意義：通過簡化型模型參數(shù)可唯一確定各個結(jié)構(gòu)型模型參數(shù) 原因：信息恰當，有唯一解 3.過度識別 意義：由簡化型參數(shù)雖然可以確定結(jié)構(gòu)型參數(shù)，但是不能唯一地 確定（可得出兩個或兩個以上的結(jié)果） 原因：信息過多，有解但不唯一三、模型識別的方法 1. 識別的階條件 識別的必要條件 思想： 一個結(jié)構(gòu)型方程的識別，取決于不包含在這個方程中，而包含在模型其他方程中變量的個數(shù)，可從這類變量的個數(shù)去判斷方程的識別性質(zhì)。 引入符號： 模型中內(nèi)生變量的個數(shù)（即方程的個數(shù)）Mi 模型中第 i 個方程

41、中包含的內(nèi)生變量的個數(shù)K 模型中前定變量的個數(shù) 模型中第 i 個方程中包含的前定變量的個數(shù)則模型中變量總數(shù)為 第 i 個方程中包含的變量總個數(shù)為 第 i 個方程中不包含的變量總個數(shù)為方程識別的階條件（必要條件）方式1一個方程可識別時，其不包含的變量總個數(shù)（內(nèi)生變量+前定變量）大于或等于模型中內(nèi)生變量總個數(shù)減1。方式2 模型的一個方程中不包含的前定變量個數(shù)（），大于或等于該方程中包含的內(nèi)生變量個數(shù)減1，則該方程能夠識別。 階條件為：當方程可識別時 如果方程恰好識別 如果方程過度識別 階條件逆否命題 如果方程 不可識別 容易證明，方式1和方式2是等價的。2.識別的秩條件（充要條件）秩條件的表述：在

42、有M個內(nèi)生變量 M個方程的完備聯(lián)立方程模型中，當且僅當一個方程中不包含但在其他方程包含的變量（不論是內(nèi)生變量還是外生變量）的系數(shù)，至少能夠構(gòu)成一個非零的M-1 階行列式時，該方程是可以識別的在有M個內(nèi)生變量M個方程的完整聯(lián)立方程模型中，當且僅當一個方程所排斥（不包含）的變量的參數(shù)矩陣的秩等于M-1 時，該方程可以識別模型識別秩條件檢驗的方法步驟秩條件也有三種情況： （1）當只有一個M-1 階非零行列式時，該方程是恰好識別的 （2）當不止一個M-1階非零行列式時，該方程是過度識別的 （3）當不存在M-1階非零行列式時，該方程是不可識別的 運用秩條件判別模型的識別性，步驟如下： （1）將結(jié)構(gòu)模型的

43、全部參數(shù)列成完整的參數(shù)（方程沒有出現(xiàn)的變量的參數(shù)以0表示） （2）考察第 個方程的識別問題：劃去該方程的那一行，并劃去該方程出現(xiàn)的變量的系數(shù)（該行中非0系數(shù)）所在列，余下該方程不包含的變量在其它方程中的系數(shù)的矩陣 （3）計算矩陣的秩，并作出判斷聯(lián)立方程模型的估計一聯(lián)立方程模型估計方法的選擇模型參數(shù)的估計方式應(yīng)考慮以下因素： 1.從研究目的考慮參數(shù)估計的方式 （1）若是為了經(jīng)濟結(jié)構(gòu)分析，檢驗經(jīng)濟理論 應(yīng)力爭準確估計結(jié)構(gòu)型參數(shù) （2）若為了評價政策、論證政策效應(yīng) 應(yīng)力爭準確估計簡化型參數(shù)（反映“政策乘數(shù)”、“效果乘數(shù)”） （3）若只是為了預(yù)測 直接估計簡化型參數(shù)即可2.模型的識別條件 對于遞歸型模

44、型 直接用OLS法 對于恰好識別模型用間接最小二乘法、 工具變量法 對于過度識別模型用二階段最小二乘法、 三階段最小二乘 對于不足識別模型三、恰好識別模型的估計 ILS 基本思想： 恰好識別模型通過簡化型參數(shù)可以唯一確定結(jié)構(gòu)型參數(shù)。顯然，可以先用OLS法估計簡化型參數(shù)，然后求解出結(jié)構(gòu)型參數(shù)，即間接最小二乘法（ILS）。 估計步驟：先將結(jié)構(gòu)型方程變換為簡化型方程用OLS法估計簡化型參數(shù) 從簡化型與結(jié)構(gòu)型參數(shù)的關(guān)系式求解結(jié)構(gòu)型參數(shù)間接最小二乘估計的特性簡化型參數(shù)的估計是無偏的（小樣本），并且是一致估計式（大樣本）結(jié)構(gòu)型參數(shù)估計在小樣本中是有偏的（因結(jié)構(gòu)型參數(shù)與簡化型參數(shù)是非線性系），但在大樣本中是

45、一致估計量（可證明）結(jié)構(gòu)型參數(shù)不是完全有效的，即一般不具有最小方差四、過度識別方程的估計TSLS基本思想： 由結(jié)構(gòu)型方程變換得到的簡化型方程的一般形式為精確分量 隨機分量用OLS法估計出簡化型參數(shù)，可以由計算出精確分量的估計值由簡化型方程估計的與結(jié)構(gòu)型方程中的隨機擾動項不相關(guān)，但作為精確分量，與高度相關(guān)，可用替代作為解釋變量的，然后對變換以后的結(jié)構(gòu)方程用OLS 法估計其參數(shù) 二階段最小二乘法實際是用作為的工具變量二階段最小二乘法的假定條件結(jié)構(gòu)方程必須是可以識別的結(jié)構(gòu)型方程必須滿足基本假定樣本容量足夠大二階段最小二乘法的估計步驟第一步（第一階段）： 利用簡化型方程，將第 個結(jié)構(gòu)方程解釋變量中出現(xiàn)

46、的內(nèi)生變量直接對所有的前定變量回歸（不須進行簡化型模型的變換，也不須導(dǎo)出簡化型參數(shù)與結(jié)構(gòu)型參數(shù)的關(guān)系式） 用OLS法估計其參數(shù)得 虛擬變量小 結(jié)1.虛擬變量是人工構(gòu)造的取值為0和1的作為屬性變量代表的變量。2.虛擬變量個數(shù)的設(shè)置有一定規(guī)則：在有截距項的模型中，若定性因素有m個相互排斥的類型，只能引入 m-1 個虛擬變量，否則會陷入所謂“虛擬變量陷阱”，產(chǎn)生完全的多重共線性。3.在計量經(jīng)濟模型中，加入虛擬解釋變量的途徑有兩種基本類型：一是加法類型；二是乘法類型。以加法方式引入虛擬變量改變的是模型的截距；以乘法方式引入虛擬變量改變的是模型的斜率。 4.解釋變量只有一個分為兩種相互排斥類型的定性變量

47、而無定量變量的回歸，稱為方差分析模型。5.解釋變量包含一個分為兩種類型定性變量的回歸時，只使用了一個虛擬變量；解釋變量包含一個兩種以上類型的定性變量的回歸時，定性變量有 種類型，依據(jù)虛擬變量設(shè)置規(guī)則引入了 個虛擬變量。6.解釋變量包含兩個（或 k 個）定性變量的回歸中，可選用了兩個（或k 個）虛擬變量去表示，這并不會出現(xiàn)“虛擬變量陷阱”。7.以乘法形式引入虛擬解釋變量的主要作用在于：對回歸模型結(jié)構(gòu)變化的檢驗；定性因素間交互作用的影響分析；分段線性回歸等。虛擬變量引入的原則是什么？答：（1）如果一個定性因素有m方面的特征，則在模型中引入m-1個虛擬變量；（2）如果模型中有m個定性因素，而每個定性

48、因素只有兩方面的屬性或特征，則在模型中引入m個虛擬變量；如果定性因素有兩個及以上個屬性，則參照“一個因素多個屬性”的設(shè)置虛擬變量。（3）虛擬變量取值應(yīng)從分析問題的目的出發(fā)予以界定；（4）虛擬變量在單一方程中可以作為解釋變量也可以作為被解釋變量。虛擬變量引入的方式及每種方式的作用是什么？答：（1）加法方式：其作用是改變了模型的截距水平；（2）乘法方式：其作用在于兩個模型間的比較、因素間的交互影響分析和提高模型的描述精度；（3）一般方式：即影響模型的截距有影響模型的斜率。在建立計量經(jīng)濟學(xué)模型時，什么時候，為什么要引入虛擬變量？答：在現(xiàn)實生活中，影響經(jīng)濟問題的因素除具有數(shù)量特征的變量外，還有一類變量

49、，這類變量所反映的并不是數(shù)量而是現(xiàn)象的某些屬性或特征，即它們反映的是現(xiàn)象的質(zhì)的特征。這些因素還很可能是重要的影響因素，這時就需要在模型中引入這類變量。引入的方式就是以虛擬變量的形式引入。計量經(jīng)濟學(xué)的應(yīng)用 經(jīng)濟結(jié)構(gòu)分析，是指用已經(jīng)估計出參數(shù)的模型，對所研究的經(jīng)濟關(guān)系進行定量的考查，以說明經(jīng)濟變量之間的數(shù)量比例關(guān)系。 分析變量之間的數(shù)量比例關(guān)系（如： 邊際分析、彈性分析、乘數(shù)分析） 例：分析消費增加對GDP的拉動作用 經(jīng)濟預(yù)測，是指利用估計了參數(shù)的計量經(jīng)濟模型，由已知的或預(yù)先測定的解釋變量，去預(yù)測被解釋變量在所觀測的樣本數(shù)據(jù)以外的值 由預(yù)先測定的解釋變量去預(yù)測應(yīng)變量在樣本以外的數(shù)據(jù) （動態(tài)預(yù)測、空

50、間預(yù)測） 例：預(yù)測股票市場價格的走勢政策評價，是利用計量經(jīng)濟模型對各種可供選擇的政策方案的實施后果進行模擬測算，從而對各種政策方案作出評價 用模型對政策方案作模擬測算，對政策方案作評價把計量經(jīng)濟模型作為經(jīng)濟活動的實驗室） 例：分析道路收費政策對汽車市場的影響檢驗與發(fā)展經(jīng)濟理論，是利用計量經(jīng)濟模型去驗證既有經(jīng)濟簡答題：序列相關(guān)性產(chǎn)生的原因三方面；1經(jīng)濟變量固有的慣性。2 模型設(shè)定的偏誤。3 數(shù)據(jù)的“編造” D.W檢驗法；1 解釋變量X非隨機。2 隨機干擾項為一階自回歸形勢。3 回歸模型中不應(yīng)該含有滯后變量作為解釋變量。4 回歸模型含有截距項。產(chǎn)生多重共線性原因三方面；1 經(jīng)濟變量相關(guān)的共同趨勢。

51、2 滯后變量的引入。3 樣本資料的限制。多重共線性的后果在總體回歸函數(shù)中引入隨機干擾項的原因：為保證參數(shù)估計量具有良好的性質(zhì)，通常對模型提出若干基本假設(shè)：*1.回歸模型是正確設(shè)定的 *2.解釋變量X是確定性變量，不是隨機變量，在重復(fù)抽樣中取固定值3解釋變量X在所抽取的樣本中具有變異性，而且隨著樣本容量的無限增加，解釋變量X的樣本方差趨于一個非零的有限常數(shù) *4：隨機誤差項u具有給定X條件下的零均值、同方差、以及不序列相關(guān)性。5.隨機誤差項與解釋變量之間不相關(guān) *6.隨機誤差項服從零均值、通方差的正態(tài)分布。工具變量法滿足的條件（工具變量的選?。喝绻xZ作為Xj工具變量，Z必須滿足以下條件：1.

52、與所替代的隨機解釋變量高度相關(guān)：Cov(Z,Xj)0 2.與隨機干擾項不相關(guān)：Cov(Z,u)=0 3.與模型中其他解釋變量不相關(guān)，以避免出現(xiàn)多重共線性計量經(jīng)濟學(xué)中的聯(lián)立方程問題：聯(lián)立方程計量經(jīng)濟學(xué)模型的估計算法：分為兩大類：單方程估計方法：指每次只估計模型系統(tǒng)中的一個方程，依次逐個估計；所謂系統(tǒng)估計方法：指同時對全部方程進行估計，同時得到所有方程的參數(shù)估計量。1.單方程估計方法按其方法原理又分為兩類：一類以最小二乘為原理，如間接最小二乘法、二階最小二乘法、工具變量法；一類不以最小二乘為原理，或直接不從最小二乘原理出發(fā)，如以最大似然法，以及仍然應(yīng)用最小二乘原理，但并不以殘差平方和最小為判斷標準

53、的最小方差比方法。2.系統(tǒng)估計方法主要包括三階最小二乘法和完全信息最大似然法。時間序列數(shù)據(jù)的平穩(wěn)性滿足條件：假定某個時間序列是由某一隨機過程生成的，即假定時間序列Xt(t=1,2)的每個數(shù)值都從一個概率分布中隨機得到，如果Xt滿足下列條件：1.均值E(Xt)=u，與時間t無關(guān)的常數(shù)；2.方差Var（Xt）=2（平方），與時間t無關(guān)的常數(shù)；3.協(xié)方差Cov（Xt,Xt+k）=k，只與時間間隔k有關(guān)，與時間t無關(guān)的常數(shù)。則稱該隨機時間序列是（寬）平穩(wěn)的，而該隨機過程是一個平穩(wěn)的隨機過程。-完全共線性解釋變量，是相互獨立的，如果存在，i=1，2，n，其中c不全為0，即某一個解釋變量可以用其他解釋變量的線性組合表示，則稱為完全共線性。先決變量是外生變量和內(nèi)生變量的滯后變量虛假序列相關(guān)是指由于忽略了重要解釋變量而導(dǎo)致模型出現(xiàn)的序列相關(guān)性。需求函數(shù)的零階齊次性消費者收入、商品價格和相關(guān)商品價格均增長倍時，商品的需求量不變。即：虛擬變量的作用是什么？設(shè)置的原則又是什么？為表針某些定性因素對被解釋變量的影響。設(shè)置原則是：如果有定性因素共有個結(jié)果需要區(qū)別，那么至多引入