1、第一章：绪论名词解释:1 经济计量学：是经济学，统计学和数学合流而构成的一门交叉学科。2 理论经济计量学：是寻找适当的方法，去测度由经济计量模型设定的经济计量关系式。3 应用经济化量学：以经济理论和事实为出发点，应用计量方法，解决经济系统运行过程中的理论问题或实践问题。4 内生变量：具有一定概率分布的随机变量，由模型自身决定，其数值是求解模型的结果。5 外生变量：是非随机变量，在模型体系之外决定，即在模型求解之前已经得到了数值。6 随机变量：根据经济行为构造的函数关系式。7 非随机方程：根据经济学理论或政策，法规而构造的经济变量恒等式。8 时序数据：指某一经济变量在各个时期的数值按时间先后顺序
2、排列所形成的数列。9 截面数据：指在同一时点或时期上，不同统计单位的相同统计指标组成的数据。简答题;1 简述经济计量分析的研究步骤。用经济计量方法研究社会经济问题是以经济计量模型的建立和应用为基础的，其过程可分为四个连续步骤：建立模型，估计参数，验证模型和使用模型。建立模型是根据经济理论和某些假设条件，区分各种不同的经济变量，建立单一方程式后方程体系，来表明经济变量之间相互依存的关系模型建立后，必须对模型的参数进行估计；就是获得模型参数的具体数值。模型估计之后，必须验证模型参数估计值在经济上是否有意义，在统计上是否令人满意。对经济对象的计量研究是为了使用经济计量模型，经济计量模型的使用主要是用
3、于进行经济结构分析，预测未来和制定或评价经济政策。2 简述经济计量模型检验的三大原则。第一， 经济理论准则；第二，统计准则；第三，经济计量准则。（一）经济理论准则 经济理论准则即根据经济理论所阐述的基本原理，以此对模型参数的符号和取值范围进行检验；就是据经济理论对经济计量模型中参数的符号和取值范围施加约束。（二）统计准则统计准则是由统计理论决定的，统计准则的目的在于考察所求参数估计值的统计可靠性。由于所求的估计值是根据经济计量模型中所含经济变量的样本观测值求得的，便可以根据数理统计学的抽样理论中的几种检验，来确定参数估计值的精确度。(三)经济计量准则经济计量准则是由理论经济计量学决定的，其目的
4、在于研究任何特定情况下，所采用的经济计量方法是否违背了经济计量模型的假定。经济计量准则作为二级检验，可视为统计准则的再检验。3 简述经济计量模型的用途。对经济现象的计量研究是为了使用经济计量模型。经济计量模型的使用主要是用于进行经济结构的分析，预测未来和制定或评价经济政策。（1）结构分析。就是利用已估计出参数值的模型，对所研究的经济系统变量之间的相互关系进行分析，目的是在于了解和解释有关经济变量的结构构成和结构变动的原因。（2）预测未来。就是根据已估计出参数值的经济计量模型来推测内生变量在未来时期的数值，这是经济计量分析的主要目的之一。（3）规划政策。这是经济计量模型的最重要用途，也是它的最终
5、目的。规划政策是由决策者从一系列可供选择的政策方案中，挑选出一个最优政策方案予以执行。一般的操作步骤是先根据模型运算的一个基本方案，然后改变外生变量（政策变量）的取值，得到其他方案，对不同的政策方案的可能后果进行评价对比，从而做出选择，因此又称政策评价或政策模拟。第二章：一元线性回归模型名词解释1 回归分析：就是研究被解释变量对解释变量的依赖关系，其目的就是通过解释变量的已知或设定值，去估计或预测被解释变量的总体均值。2 相关分析：测度两个变量之间的线性关联度的分析方法。3 总图回归函数: 是 的一个线性函数，就是总体回归函数，简称总体回归。它i(/EYX） i辨明在总体均值与 有函数关系，就
6、是说它给出了 Y 的均值是怎样随 X 值的变化而变化i的。4 随机误差项：为随机或非系统性成分，代表所有可能影响 Y，但又未能包括到回归模型中来的被忽略变量的代理变量。5 有效估计量：在所有线性无偏估计量中具有最小方差的无偏估计量叫做有效估计量。6 判定系数： ,是对回归线拟合优度的度量。 测度了在 Y 的总2i2i()YESTR2R变异中由回归模型解释的那个部分所占的比例或百分比。简答题1 简述回归分析与相关分析的关系。相关分析主要测度两个变量之间的线性关联度，相关系数就是用来测度两个变量之间的线性关联程度的。而在回归分析中，我们的主要目的在于根据其他变量的给定值来估计或预测某一变量的平均值
7、。例如：我们想知道能否从一个学生的数学成绩区预测他的统计学平均成绩。在回归分析中，被解释变量 Y 被当作是随机变量，而解释变量 X 则被看做非随机变量。而在相关分析中，我们把两个变量都看作是随机变量。2 简述随机误差项 u 的意义。随机误差项 u 是代表所有对 Y 有影响但未能包括在回归模型中的那些变量的替代变量，因为受理论个实践条件的限制而必须省略一些变量，其理由如下：（1）理论的欠缺。虽然有决定 Y 的行为的理论，但常常是不能完全确定的，理论常常有一定的含糊性。（2）数据的欠缺。即使能确定某些变量对 Y 有显著影响，但由于不能得到这些变量的数据信息而不能引入该变量。（3）核心变量与非核心变
8、量。例如：在居民消费模型中，除了收入 X1 外，家庭人口数 X2，户主宗教信仰 X3，户主受教育水平 X4 也家庭消费支出。但很可能 X2，X3，X4合起来的影响也是很微弱的，是一种非系统的或随机的影响。从效果很成本角度来看，引入他们是不合算的。所以，人们把他们的联合效用当做一个随机变量来看。（4）人类行为的内在随机性。即时我们成功的那所有有关的变量都引到模型中来，在个别的 Y 中仍不免有一些内在的随机性，无论我们花了多少力气都解释不了的，随机误差项 能很好的反映这种随机性。iu（5）节省原则。我们想保持一个尽可能简单的随机模型。如果我们能用两个或三个变量就基本上解释了 Y 的行为，就没有必要
9、引进更多的变量。让 代表所有其他变量是一iu种很好的选择。3 试述最小二乘估计原理。样本回归模型为： ，残差 是12 12,iiiiiiiXeYYXie实际值 与其估计值 之差。对于给定的 Y 和 X 的 n 对观测值，我们希望样本回归模型iYi的估计值 尽可能地靠近观测值 。为了达到此目的，我们就必须使用最小二乘准侧，使ii尽可能地小。 ，残差平方和是2221()()ii iie212(,)ie估计量 的函数，对任意给定的一组数据（样本） ，最小二乘估计就是选择 和 值，j 12使 最小。如此求得的 和 就是回归模型中回归系数的最小二乘估计，这种方法2ie12就称为最小二乘法。4 试述经典线
10、性回归模型的经典假定。对于总体线性回归模型，其经典假定如下。假定 1,误差项 的均值为零。iu假定 2，同方差性或 得方差相等。对所有给定的 ， 的方差都是相同的。i iXiu假定 3，各个误差项之间无自相关， 和 之间的相关为零。iu()j假定 4， 和 的协方差为零或iuiXi1E） =0 该假定表示误差项 和解释变量 X 是不相关的。i假定 5：正确地设定了回归模型，即在经验分析中所用的模型没有设定偏误。假定 6：对于多元线性回归模型，没有完全的多重共线性、就是说解释变量之间没有完全的线性关系。5 叙述高斯-马尔科夫定理，并简要说明之。在给定经典线性回归模型的假定下，最小二乘估计量是最佳
11、线性无偏估计量。该定理说明最小二乘估计量 是 的最佳线性无偏估计量。即jj第一，它是线性的，即它的回归模型中的被解释变量 Y 的线性函数。第二，它是无偏的，即它的均值或期望值 等于其真值 ，即 。(jE)j(jjE)=第三，它在所有这样的线性无偏估计量中具有最小方差。具有最小方差的无偏估计量叫做有效估计量。第三章：多元线性回归模型名词解释1 多元线性回归模型：在模型中包含二个以上的解释变量的线性回归模型。2 调整的判定系数： ，所谓调整，就是指 的计算式中的22i/()1ienkRY2R和 都用他们的自由度（n-k）和(n-1)去除。2ie2i()Y3 对数线性模型： ，该模型中 对 ， 是线
12、性关系， 对iui iLnXiLnYiLnY也是线性关系。该模型可称为对数-对数线性模型，简称对数线性模型。iLnX简答题1 多元线性回归中为何要使用调整的判定系数。判定系数 的一个重要性质是:在回归模型中增加一个解释变量后，它不会减少，而且2R通常会增大。即 是回归模型中解释变量个数的非减函数。所以，使用 来判断具有相2R同被解释变量 Y 和不同个数解释变量 X 的回归模型的优劣时就很不适当。此时， 不能2用于比较两个回归方程的拟合优度。为了消除解释变量个数对判定系数 的影响，需使用调整后的判定系数：2R，所谓调整，就是指 的计算式中的 和 都用22i/()1ienkRY2ie2i()Y他们
13、的自由度（n-k）和(n-1)去除。2 多元经典回归模型中，影响偏回归系数 的最小二乘估计量 方差得因素有哪些？jj的方差取决于如下三个因素： 。j 22,jSTR（1） 与 成正比； 越大， 的方差 越大。回归模型的干扰项 uar(jV） 2jar(jV）是对回归结果的干扰，干扰（ ）越大，使得任何一个解释变量对 Y 的局部影响就越困2难。（2） 与 的总体变异 成反比；总样本变异 越大， 的方差ar(j） jXjSTjSTj越小。jV）（3） 与解释变量之间的线性关联程度 正相关； 越大， 的方差ar(j） 2jR2jj越大。r(j）3 简述高斯-马尔可夫定理及其意义。在多元回归模型的经典
14、假定下，普通最小二乘估计量 分别是12k， ， ，的最佳线性无偏估计量。就是说，普通最小二乘估计量 是所12k， ， ， 12k， ， ，有线性无偏估计量中方差最小的。高斯-马尔可夫定理的意义在于：在经典假定成立时，我们不需要再去寻找其他无偏估计量，没有一个会优于普通最小二乘估计量。也就是说，如果存在一个好的线性无偏估计量，这个估计量的方差最多与普通最小二乘估计量的方差一样小，不会小于普通最小二乘估计量的方差。4 简述多元回归模型的整体显著性检验决策规则。（1）设定假设，原假设 ,备择假设012k:0H， ， ，j:0j=2,3kH不 全 为 ， ， ，（2）计算 F 统计量 /()ESRn（
15、3）在给定显著性水平的条件下，查 F 分布表得临界值。（4）判断：如果 ，则拒绝 ，接受备择假设 ；如果(k-1， ） 0H1，则不拒绝 。(k-1nF， ） 05 对于多元线性回归模型，为什么在进行了总体显著性 F 检验之后，还要对每个偏回归系数进行是否为 0 的 t 检验。多元线性回归模型的显著性就是对原假设 进行检验。检验的023k:0H =目的就是判断被解释变量 Y 是否与 在整体上有线性关系。若原假设23k,X被拒绝，即通过了 F 检验，则表明 Y 与 在整体上023k:0H = 23k,X有线性关系。但这并不表明每一个 X 都对 Y 有显著的线性影响，还需要通过 t 检验判断每一个
16、回归系数的显著性。6 对数线性模型的优点有哪些？对数线性模型的优点为（1）对数线性模型中的斜率系数度量了一个变量（Y ）对另一个变量（X ）的弹性。（2）斜率系数与变量 X,Y 的测量单位无关，其结果值与 X,Y 的测量单位无关。（3）当 Y0 时，使用对数形式 LnY 比使用水平值 Y 作为被解释变量的模型更接近经典线性模型。大于零的变量，其条件分布常常是有异方差性或偏态性；取对数后，虽然不能消除这两方面的问题，但可大大弱化这两方面的问题。（4）取对数后会缩小变量的取值范围。使得估计值对数被解释变量或解释变量得异常值不会很敏感。7 什么是回归模型的假定偏误？简要说明其后果。多元回归模型的假定
17、偏误主要包括以下三种：（1）回归模型中包含了无关解释变量（2）回归模型中遗漏了重要解释变量（3）回归模型中的函数形式设定偏误后果为：（1）回归模型中包含了无关解释变量：回归系数的最小二乘估计量的方差非常小。 （2）回归模型中遗漏了重要解释变量：如果遗漏的变量与包含的变量相关，则回归系数的最小二乘估计量是由偏误的，且非一致。 （3）回归模型中的函数形式设定偏误：不能得到有效估计和正确的经济解释。第四章名词解释：1 异方差：在回归模型中，随机误差项 不具有相同的方差，即12nu， ， ，当 时，则称随机误差项的方差为异方差。ijar(ur(V） ） ij2 序列相关：在进行回归分析时，如果不同观测
18、值的误差项之间相关，即，则称随机误差项之间存在着序列相关现象，也称为自相关。ijov(0ijC） ，3 多重共线性：在多元线性回归模型中。解释变量 之间存在完全或近似的线12k,X性关系，称解释变量 之间存在完全或近似多重共线性。也成为复共线性。12k,X4 方差扩大因子： 度量了由于 与其它解释变量之间的线性关联程度对估量值2-jRj的方差的影响。称其为方差扩大因子，定义为 。j j21=-jVIFR5 加权最小二乘法：为了克服方差非齐性，所采用的方法即加权最小二乘法。就是通过对原来的模型进行加权变换，使经过变换的模型具有同方差的随机误差项，然后再应用普通最小二乘法进行参数估计。6 广义差分
19、法：广义差分法可以克服所有类型的序列相关带来的问题。如果， ，t12tktt=uYX+t1t-2t-pt-t=+uv为经典误差项。则可将模型变换为tv1t-2t-pt-12p2t12t-2t-p2t-kt1kt2kt-kt-tvYXXX ， ， ， ， ， （ ） （ ）+（ ）此模型即为广义差分法模型，该模型不存在序列相关问题。采用普通最小二乘法估计该模型得到的参数估计量，即为原模型参数的无偏，有效估计量。简答题1 举例说明异方差的概念。在回归模型中，随机误差项 不具有相同的方差，即 ，12nu， ， ， ijar(ur(V） ）当 时，在线性模型的基本假定中， 关于方差不变的假定不成立，则
20、称存在异方差性。ijj例如;在研究城镇居民收入与消费的关系时，居民收入与消费水平有密切的关系。用表示第 i户的收入， 表示第 i 户的消费额，那么反映收入与消费额之间的模型为iXiY12u=niiiY， ,， ，模型中，因为各户的收入不同，消费观念和习惯的差异，导致消费的差异非常大，模型中存在明显的异方差性。2 简述存在异方差时，普通最小二乘估计存在的问题。（1）参数估计量虽是无偏的，但不是最小方差线性无偏估计。（2）参数的显著性检验失效。3 简述样本分段检验法的应用步骤。样本分段检验法也叫戈德菲尔德-匡特检验，步骤是：（1）将样本按某个解释变量的大小顺序排列，并将样本从中间截成两段。（2）各
21、段分别用普通最小二乘法拟合回归模型。令第一段为高段方差，第二段为低段方差，并记两段的样本的容量分别为 和 ，模型参数个数为 k，两段样本回归残差分别1n2为 和 ，则两段的残差平方和分别为 和 ，从而可计算出各1e2 12nieRS21niie段模型的随机误差项的方差估计量分别为 和 ，由此可构造出检211nk22RSnk验统计量为21122/()nkFRS该统计量服从自由度为 和 的 F 分布。在给定的显著性水平 之下，若1()2() 此统计量大于临界值 ，则可认为有异方差的存在。,nk4 简述等级相关系数的检验步骤。等级相关系数法又称斯皮尔曼检验，是一种应用较广泛的方法。这种检验方法既适用
22、于大样本，也适用小样本。按下式计算出等级相关系数 22161()ns ird其中，n 为样本容量， 为对应 和 的等级的差数。通过 t 检验判断是否存在异方差，idiXie在多元回归的情况下，需对每一个解释变量做等级相关系数检验。只有当每个解释变量检验都不存在异方差时模型中才不存在异方差。否则，模型中存在异方差。5 产生序列相关的的原因有哪些。（1）遗漏了重要的解释变量。 （2）经济变量的滞后性。 （3）回归模型函数形式的设定错误也可能引起序列相关。 （4）实际问题研究中出现的蛛网现象。 （5）对原始数据加工整理。6 序列相关性带来那些后果。（1）参数的估计量是无偏的，但不是有效的。 （2）可
23、能严重低估误差项的方差（3）常用的 F 检验和 t 检验失效。 （4）回归参数的置信区间和利用回归模型进行预测的结果存在较大误差7 简述 DW 检验及其决策准则DW 检验只能用于检验随机误差项具有一阶自回归形式的序列相关问题。随机误差项的一阶自回归形式为 ，构造的原假设是 。为了检验该假设，构造1tttuv0:HDW 统计量首先要求出回归估计式的残差 ， ，n 较大时，te2121()nttteDW，根据样本容量 n 和解释变量的数目2(1)DWk（不包括常数项） ，查 DW 分布表，的临界值 和 ，然后依下列准则考察计算得到的LdUDW 值，以决定模型的自相关状态。DW 检验决策规则0Ld误
24、差项 存在正相关12nu， ， ，LUDW不能判定是否有自相关4U误差项 间无自相关12n， ， ，Ldd不能判定是否有自相关LD误差项 存在负相关12nu， ， ，8 简述 DW 检验的局限性、（1）DW 检验有两个不能确定的区域（2）DW 统计量的上，下界表要求 （3）15n检验不适应随机误差项具有高阶序列相关的情况（4）只适用于有常数项的回归模型并且解释变量中不能含滞后的被解释变量。9 存在严重共线性时，估计参数产生的后果有哪些？（1）多重共线性不改变参数估计量的无偏性（2）多重共线性使参数的最小二乘估计的方差很大，即估计值的精度很低（3）t 检验和 F 检验失效10 多重共线性直观判定
25、法包括哪些主要方法？（1） 较高，而显著 t 统计量较少时，可能存在多重共线性问题（2）当增加或剔除2R一个解释变量，或者改变一个观测值时，回归系数的估计值发生较大变化，就认为回归方程存在严重的多重共线性（3）一些重要的解释变量在回归方程中没有通过显著性检验时，可初步判断存在着严重的的多重共线性（4）有解释变量的回归系数所带来符号与定性分析结果违背时，可能存在多重共线问题（5）解释变量贱的相关系数较大时，可能出现多重共线性问题。11 多重共线性补救方法有哪几种？（1）使用非样本先验信息，如果据先前的经济统计量分析或经济理论分析已知模型中的共线性解释变量的参数间具有某种线性关系，则可利用此条件消
26、除解释变量间的多重共线性（2）横截面与时间序列数据并用，就是先利用横截面数据估计某一参数，将结果代入原方程后，再利用时间序列数据估计另一参数（3）剔除一些不重要的共线性解释变量（4）增大样本容量（5）使用有偏估计。第五章名词解释1、 分布滞后模型：如果一个回归模型不仅包含解释变量的现期值，而且还包含解释变量的滞后值，则这个回归模型就是分布滞后模型。它的一般形式为：或t0t1t-kt-t=uYXX+t0t1t-t=uYX+2、 短期影响乘数：在分布滞后模型 中， 称为短t0t1t-kt-t 0期影响乘数，它表示解释变量 X 变化一个单位对同期被解释变量 Y 产生的影响。3、 延期影响乘数：在分布
27、滞后模型： 中，t0t1t-kt-t=uY+称为延期过渡性影响乘数，它们度量解释变量 X 的各个前期值变动一个12k,单位对被解释变量 Y 的滞后影响。4、 长期影响乘数：在分布滞后模型： 中，所有乘t0t1t-kt-t=uY+数的和 称为长期影响乘数。012i5、 几何分布滞后模型：对于无限分布滞后模型 t0t1t-kt-tXX库伊克提出了两个假设：（1）模型中所有参数的符号都是相同的。 （2 ）模型中的参数按几何数列衰减的，即 。式中， ， 0,1,2jj 称为分布滞后的衰减率， 越小，衰减速度越快，X 滞后的远期值对当期 Y 值的影响就越小。 就称为几何分布之后2t0tt-10t-0t-
28、jt= uYX +模型。简答题1、 产生滞后的原因有哪些？答：（1） 心里上的原因。因为人们要改变习惯以适应新的情况往往需要一段时间。这种心理因素会造成出现滞后效应。 （2） 技术上的原因。产品上的生产周期有长有短，但都需要一定的周期，造成出现滞后效应。 （3）制度上的原因。某些规章制度的约束使人们对某些外部变化不能立即做出反应，从而出现滞后现象。2、 用最小二乘法对分布滞后模型进行参数估计时存在什么困难？答：首先对于无限分布滞后模型，因为其包含无限多个参数，无法用最小二乘法直接对其估计，其次对于有限分布滞后模型，即使假设他满足经典假设条件，对它应用最小二乘估计也存在以下困难。 （1）产生多重
29、共线性 Xt 的各期变量之间往往是高度相关的，因而分布滞后模型常常产生多重共线性问题。 （2）损失自由度问题。由于样本容量有限，当滞后变量数目增加时，必然使得自由度减少。由于经济数据的收集常常受到各种条件的限制，估计这类模型时经常会遇到数据不足的困难。 （3）对于有限分布滞后模型，最大滞后期 k 较难确定。 （4）分布滞后模型中的随机误差项往往是严重自相关的。3、 经验权数法估计步骤是什么？答：经验权数法又称为经验法，它是指根据观察及经验为滞后变量的系数指定权数，即根据经验赋予各滞后变量的系数相应的权数 ，使滞后变量按权数的线01,k性组合构成新的变量 W，然后用最小二乘法估计参数。4、 阿尔
30、蒙多项制滞后模型的原量及优缺点。答：阿尔蒙多项制滞后模型的基本思想是：如果有限分布滞后模型中的参数的分布可以近似用一个关于 i 的低阶的多项式表示，就可以利用多(0,12,)jik项式减少模型中的参数。阿尔蒙估计法的优点：克服了自由度不足的问题、阿而蒙变换具有充分的柔弱性、可以克服多重共线性的问题。缺点：仍没有能够解决原模型中滞后阶数 k 应该取什么值为最好的问题、多项式阶数 m 必须事先确定，而 m 的实际确定往往带有很大的主观性、虽然阿尔蒙估计法可能将回归式中的多重共线性程度降低了很多，变量 Z 之间的多重共线性就可能弱于诸 x 之间的多重共线性，但它并没能完全消除多重共线性问题对回归模型
31、的影响。5、 什么是无限分布滞后模型？简述库伊克所提出的两个假设的内容。答：型如： 的模型称为无限分布滞后模型，库伊克对模t0t1t-t=uYX+型提出了两个假设：（1）模型中所有参数的符号都是相同的。 （2）模型的参数是按几何数列衰减的，即： 式中， ， 0,2jj 01称为分布滞后的衰减率， 越小，衰减速度越快，X 滞后的远期值对当期 Y 值的影响就越小。6、 自适应预期模型的经济理论基础。答：自适应经济模型建立在如下的经济理论上：影响被解释变量 的因素不是 而t tX是 的预期 ,即 自适应预期假设，就是预测的形成过程如下1tX*1t*t01t+tuYX式所表达的： ，式中， 称为预期调
32、整系数，且 ，t+ttt()01（ ）是实际值与预期值的偏差，称为预期误差。自适应预期模型的自回归形*tt式为： t01tt-1t()+vYXY7、 部分模型的经济理论假定。答：部分调整模型所根据的行为假设是模型所表达的不应是 t 期解释变量观测值与同期被解释变量观测值之间的关系，而应是 t 期解释变量观测值与同期被解释变量希望达到的水平之间的关系，即： 式中 被解释变量的希望值（或最佳*t01ttuYX+*tY值） ， 解释变量在 t 期的真实值， =随机误差项。由于种种原因，被解释变量的tXt实际变动值 往往只能达到希望水平与实际水平变动 的一部分，设只达t-1Y*tt-1Y到了 比例的一
33、部分，则部分调整假设可表示为： ， 式中， t-1tt-()为部分调整系数，且有 。01部分调整模型的自回归形式为 t01tt-1t()+uYXY+8、 能否直接用 DW 检验最回归模型的自相关问题？为什么？应采取什么方法检验？答：（1）在自回归模型中，如果含有滞后被解释变量 Yt-1 作为解释变量，这是需要检验模型中随机误差项是否存在序列相关性，DW 检验就不在适用了。 （2）因为应用 DW检验的一个前提条件就是解释变量为非随机变量，否则就会得到错误的结论。 （3）此时需要用 h 统计量检验，设自回归模型为： ， 定义的 h 统t01t2t-1t+uYX计量为： 21()nVar其中， 是模
34、型中 的系数 的估计量， 是 的方差的样本估计值，n2t-Y2()Var为样本容量， 是随机误差项一阶自相关系数的估计值，在应用时，可取 ， 12dd 是推测意义下 DW 统计量的取值。h 统计量的原假设为 ，备择假设为0:H1:0H在大样本情形下 ，Durbin 证明了在原假设 成立的条件下，统计量 h 渐进0地遵循零均值和单位方差的正态分布。 第六章名词解释1 虚拟变量：在经济计量分析中，经常会碰到所见模型的被解释变量受到诸如战争、自然灾害、国际环境、季节变动以及政府经济政策变动等质量变量的影响。给定某一质量变量某属性的出现为 1，未出现为 0，这样的变量为虚拟变量。2 截距变动模型：在模
35、型 Yi=a0+a1D+贝塔 Xi+Ui 中 D 表示虚拟变量，D=0 和 D=1 表示两种不同的模型，他们的截距不同，则称为截距变动模型。3 截距斜率同时变动模型：例如消费函数不但在斜率上有差异，在截距上也是有可能不一致，将两个问题同时考虑进来，我们可以得得到回归方程 Yi=a0+a1D+a2Xi+a3（DXi ）+ui，若 a1,a3 不为零，则称为截距和斜率同时变动模型。4 分段线性回归：当解释变量 X 的值达到某水平 X 星之前，与被解释变量 Y 之间存在某种线性关系；当解释变量 X 值达到或超过 X 星后，与被解释变量的关系就会发生变化。比如已知 X 的转折点 X 星，可以用虚拟变量
36、模型分别估计每一段的斜率。这就是分段线性回归。简答题1 回归模型引入虚拟变量的一般规则是什么？（1） 如果某型中包含截距项，则一个质变量有 m 个特征，只需引入（m-1）个虚拟变量。（2） 如果模型中不包含截距项，则一个质变量有 m 个特征，只需引入 m 个虚拟变量。2 举例说明截距和斜率同时变动模型的应用例如城镇居民和农村居民的消费函数不但在斜率上有差异，在截距上也是有可能不一致的，将两个问题同时考虑进来，我们可以得到回归方程 Yi=a0+a1D+a2Xi+a3（DXi ）+ui ，式中，Yi=第 i 个家庭的消费水平，Xi=第 i 个家庭的收入水平，D=0 农村居民家庭，D=1 城市居民家
37、庭。方程可以表示为 D=1，D=0 代入可得 a1，a3 分别表示城镇居民家庭和农村居民家庭的消费函数在截距和斜率上的差异。我们一般通过检验来判定它们之间是否有差异。若 a1 不等于 0，a3 不等于 0，则为截距和斜率同时变动模型。若 a1 不等于 0，a3=0 则为截距变动模型，若 a1=a3 等于 0 则表示城镇居民和农村居民家庭有着完全相同的消费量模式。若 a1=0，a3 不为 0 则为斜率变动模型，这种情况在现实中出现的不多。3 会产生共线性，不能用最小二乘法估计，回归模型引入虚拟变量的一般规则是什么？（1）如果某型中包含截距项，则一个质变量有 m 个特征，只需引入（m-1）个虚拟变
38、量。（2）如果模型中不包含截距项，则一个质变量有 m 个特征，只需引入 m 个虚拟变量。4 举例说明如何建立斜率变动模型斜率变动指改变了速率或弹性，例如城镇居民与农村居民家庭的消费函数，在边际消费倾向上会有所不同。回归方程为 Yi=a0+a1D+a2Xi+a3（DXi）+ui ，式中，D 为虚拟变量，则方程可以表示为 D=1，D=0 代入可得两个方程，a3 表示函数在斜率上的差异。我们一般通过 t 检验来判定它们之间是否有差异。若 a3 不为 0 则称其为斜率变动模型。5 举例说明如何建立分段线性回归模型在经济关系中常有这样的情况：当解释变量 X 的值达到某水平 X 星之前，与被解释变量Y 之
39、间存在某种线性关系；当解释变量 X 值达到或超过 X 星后，与被解释变量的关系就会发生变化。例如：在 1979 年以前，我国居民的消费支出呈缓慢上升的趋势，从 1979 年开始，居民消费支出为快速上升的趋势。显然。1979 年是一个转折点，即 X 星=1979.于是我们可以用以下模型描述我国居民在 1955 年至 2004 年期间消费支出的额变动趋势Yt=a0+a1t+a2(t-1979)D+utYt 为每年的消费支出，t 为年份，D 为虚拟变量，则D= 1 t 大于等于 X 星，D=0 t 小于 X 星，于是两个不同时期的消费趋势为：1979 年以前模型为：Yt=a0+a1t+ut,1979
40、 年以后的模型为：Yt=a0-a2X 星+（a1+a2 ）t+ut第七章 联立方程模型名词解释1.联立方程模型答：联立方程模型是根据经济理论和某些假设条件，区分各种不同的经济变量，建立一组方程来描述经济变量间的联立关系。2.联立方程偏倚答：在联立方程模型中，一些变量可能在某一方程中作为解释变量，而在另一方程中又作为被解释变量。这就会导致解释变量与随机干扰项之间存在相关关系，从而违背了最小二乘估计理论的一个重要假定。如果直接使用最小二乘法，就会产生所估计的参数是有偏的，非一致的等问题，称为联立性偏误。3.前定变量答：外生变量和滞后内生变量合称为前定变量。前定变量影响现期模型中的其他变量，但不受他
41、们的影响，因此只能在现期的方程中作解释变量，且与其中的随即干扰项互不相关。4.行为方程答；解释居民企业和政府的经济行为，描述他们对外影响是怎么做出反应的方程称为行为方程。5.结构式模型前一个方程都把内生变量表示为其他内生变量 前定变量和随机干扰项的函数，描述经济变量关系结构的联立方程组称为结构式模型。6.简化式模型答：把模型中每个内生变量表示为前定变量和随即干扰项的函数，得到的模型称为简化式模型。7.结构式参数答：结构是模型中的参数称为结构式参数，它表示每个解释变量对被解释变量的直接影响，其正负号表示影响的方向，绝对值表示影响的程度。8.恰好识别答：在可识别的模型中，结构式参数具有唯一数值的方
42、程称为恰好识别。9.过度识别答：在可识别的模型中，结构式参数具有多个数值的方程称为过度识别。简答题1.简述联立方程模型的形式答：联立方程模型按方程的形式可分为结构式模型和简化式模型。每一个方程都把内生变量表示为其他没生变量 前定变量和随机干扰项的函数，描述经济变量关系结构的联立方程组称为结构式模型。结构式模型中的参数称为结构式参数，它表示每个解释变量对被解释变量的直接影响，其正负号表示影响的方向，绝对值表示影响的程度。把模型中每个内生变量表示为前定变量和随即干扰项的函数，得到的模型称为简化式模型。简化式模型中的参数称为简化式参数，简化式参数表示前定变量对内生变量的直接影响和间接影响的总度量。2
43、.简述识别的定义及识别的分类答：定义：若某一结构方程具有唯一的统计形式，则称此方程是可识别的：否则，就称此方程是不可识别的。若线性方程中的每个结构方程都是可是别的，则称此模型是可识别的；否则，就称此模型是不可识别的。模型的识别分为可识别和不可识别两类。可识别的模型又分为恰好识别和过度识别两种情况。在可识别的模型中，结构式参数具有唯一数值的方程称为恰好识别；结构式参数具有多个数值的方程称为过度识别。3.简述识别的阶条件与秩条件答：设结构式模型所含方程的总数为 M，模型包括的变量总数为 H，待识别的方程包含的变量总数为 G。阶条件：若某一个结构式方程是可识别的，则模型中方程数减一小于或等于此方程排
44、斥的变量总数，即 M-1H-G,，则不可识别；M-1=H-G ，则为恰好识别；M- 1H-G 则为过度识别。阶条件是必要条件，不是充分条件。秩条件：在具有 M 个方程的结构式模型中，任何一个方程可以识别的充分必要条件是：不包括在该方程中的变量的参数所组成的矩阵的秩为 M-1，即 r(A)=M-1。秩条件是充分必要条件，也就是说：如果秩条件成立，则方程是可识别的；如果方程是可识别的，则秩条件成立，或者秩条件不成立，则方程是不可识别的。4.简述间接最小二乘法的假设条件及操作步骤答：简化式方程的解释变量均为前定变量，无联立性偏误问题，可以使用普通最小二乘法估计简化式参数，从而导出结构式参数，这就是间
45、接最小二乘法。间接最小二乘法有以下三个假设条件：1.被估计的结构方程必须是恰好识别的。2.简化式方程的随即干扰项必须满足最小二乘法的假定3.前定变量之间不存在完全的多重共线性间接最小二乘法包括以下三个步骤：第一步，结构式模型化为简化式模型。也就是把每一个内生变量表示为前定变量和随即干扰项的函数。第二步，对简化式模型的各方程用最小二乘法估计参数，从而得到简化式参数估计值。第三步，把简化式参数的估计值代入结构式参数与简化式参数的关系式，求得结构式参数的估计值。5.简述工具变量法的应用规则及局限性答：工具变量法就是用合适的预定变量作为工具变量代替结构方程中的内生变量，从而降低解释变量与随即误差项直接
46、的相关程度，再利用最小二乘法进行参数估计。应用规则：如果内生解释变量 Yt 与 ut 相关，我们就选择一个工具变量 Zt 来代替 Yt。Zt要满足两个条件：一是 Zt 与 ut 不相关，即 Cov（Zt,ut ）=0；二是 Zt 与 Yt 高度相关，即Cov(Zt,Yt)=/0.在联立方程模型中，工具变量是一般从外生变量中选取。工具变量法的局限性1.在实践中，找到一个既有经济意思，又满足两个条件的工具变量非常困难。2.若满足两个条件的工具变量有多个时，在选择方面具有任意性。3.检验工具变量与随机误差项不相关有很大困难。6.简述二阶段最小二乘法的假设条件及操作步骤答：二阶段最小二乘法就是将内生解
47、释变量对联立方程中所有外生变量回归，得到内生解释变量的估计值，将这个工具值作为工具变量，对结构方程使用普通最小二乘法。二阶段最小二乘法必须满足一下假设条件：1. 被估计的结构式方程必须是可识别的，特别地，二阶段最小二乘法适用于过度识别方程。2. 结构式模型中的随机干扰项必须满足最小二乘法经典假定，即零期望值 同方差 无自相关且与全部前定变量无关。3. 所有前定变量之间不存在高度多重共线性4. 解释变量之间不是完全共线的5. 样本容量足够大二阶段最小二乘法的步骤：第一阶段：将待估计方程中内生解释变量 Yt 对联立方程中的全部前定变量回归，即估计简化式方程，计算内生解释变量的估计值-Yt。第二阶段：用第一阶段得到的内生解释变量的估计值-Yt 代替内生解释变量 Yt ，对该结构方程使用普通最小二乘法估计结构式参数。
