1、显著性检验T 检验零假设，也称稻草人假设，如果零假设为真，就没有必要把 X 纳入模型，因此如果 X 确定属于模型，则拒绝零假设 Ho，接受备择假设H1，(Ho:B2=0 H1：B20)假设检验的显著性检验法:t=（b2-B2）/Se(b2)服从自由度为（n-2）的 t 分布，如果令Ho:B2=B2*,B2*是 B2 的某个数值(若 B2*=0)则 t=（b2-B2*）/Se(b2)=（估计量假设值）/假设量的标准误。可计算出的 t 值作为检验统计量，它服从自由度为（n-2）的 t 分布，相应的检验过程称为 t 检验。T 检验时需知： ，对于双变量模型，自由度为（n-2）； ,在检验分析中，常用
2、的显著水平 有 1%，5%或 10%，为避免选择显著水平的随意性，通常求出 p 值，p 值充分小，拒绝零假设； 可用半边或双边检验。双边 T 检验：若计算的 ItI 超过临界 t 值，则拒绝零假设。显著性水平 临界值 t0.01 3.3550.05 2.3060.10 1.860单边检验：用于 B2 系数为正，假设为 Ho:B20显著性水平 临界值 t0.01 2.8360.05 1.8600.10 1.397F 检验（多变量）（联合检验）F=R2/(k-1)/(1-R2)(n-k)=ESS(k-1)/RSS(n-k).n 为观察值的个数，k为包括截距在内的解释变量的个数，ESS(解释平方和)
3、= yi2 RSS(残差平方和)= ei2 TSS(总平方和)= yi2=ESS+RSS.判定系数r2=ESS/TSSF 与 R2 同方向变动，当 R2=0（Y 与解释变量 X 不想关），F 为 0，R2 值越大，F 值也越大，当 R2 取极限值 1 时，F 值趋于无穷大。F 检验（用于度量总体回归直线的显著性）也可用于检验 R2 的显著性R2是否显著不为 0，即检验零假设式(Ho:B2=B3=0)与检验零假设 R2 为 0 是等价的。虚拟变量虚拟变量即定性变量，通常表明具备或不具备某种性质，虚拟变量用 D 表示。方差分析模型：仅包含虚拟变量的回归模型。若：Yi=B1+B2Di+Ui,Di1，
4、女性；0，男性B2 为差别截距系数，表示两类截距值的差异，B2=E(Yi/Di=1)-E(Yi/Di=0)通常把取值为 0 的一类称为基准类、基础类、参照类、比较类，研究结论与基准类的选择没有关系。定型变量有 m 种分类时，则需引入（m-1）个虚拟变量，否则会陷入虚拟变量陷阱即完全共线性或多重共线性。多重共线性例：收入变量（X2）完全线性相关，而 R2(=r2)=1解释变量之间完全线性相关或者完全多重共线性时，不可能获得所有参数的唯一估计值，因而不能根据样本进行任何统计推断。多重共线性产生的原因：1 经济变量变化趋势的同向性 2 解释变量中含有之后变量多重共线性的理论后果：，在近似共线性的情况
5、下，OLS 估计量仍是无偏的近似共线性并未破坏，OLS 估计量的最小方差性即使在总体回归方程中变量 x 之间不是线性相关，但在某个样本中，x 变量之间可能线性相关。多重共线性的实际后果：OLS 估计量的方差和标准误较大置信区间变宽t 值不显著R2 值较高OLS 的估计量及其标准误对数据的微小变化敏感，他们不稳定回归系数符号有误难以评估多个解释变量对回归平方和（ESS）或 R2的贡献异方差：（同）等方差：例如，对于不同的个人可支配收入，储蓄的方差保持不变异方差：例如，对于不同的个人可支配收入，储蓄的方差并不相等，它随着个人可支配收入增加而变大。异方差问题多存在于截面数据而非时间序列数据。异方差的
6、后果：OLS 估计量仍是线性的OLS 估计量是无偏的OLS 估计量不再具有最小方差性，即不再是有效的，OLS 估计量不再是最优线性无偏估计量OLS 估计量的方差通常是有偏的偏差的产生是由于 2,即ei2（df 不再是真实 2 的无偏估计量）建立在 t 分布和 F 分布上的置信区间和假设检验是不可靠的自相关自相关：按时间（如时间序列数据）或者空间（如截面数据）排列的观察值之间的相关关系。自相关通常与时间序列数据有关自相关的产生原因：惯性模型设定误差蛛网现象数据处理自相关的后果：最小二乘估计量仍是线性的和无偏的最小二乘估计量不是有效的，OLS 估计量并不是最优线性无偏估计量(BLUE)OLS 估计
7、量的方差是有偏的通常所用的 t 检验，F 检验是不可靠的计算得到的误差方 2=RSS/ df 是真实的 2 的有偏估计量，并且很可能低估了真实的2通常计算的 R2 不能测度真实的 R2通常计算的预测方差和标准误也是无效的。模型选择：（1）好的模型具有的性质：简约性；可识别性；拟合优度；理论一致性；（2）设定误差的类型：遗漏相关变量；包括不必要变量；采用错误的函数形式；度量误差 （3）各种设定误差的后果：遗漏相关变量，过低拟合模型；包括不相关变量，过度拟合模型；度量误差：1、因变量中的度量误差，OLS 估计量是无偏的，OLS 估计量的方差也是无偏的。但是估计量的估计方差比没有度量误差时的大。因为
8、应变量中的误差加入到了误差项 ui 中。2、解释变量中的度量误差，OLS 估计量是有偏的，OLS 估计量也是不一致的。即使样本容量足够大，OLS 估计量仍然有偏二元线性回归模型过原点与不过原点的原因：（1）无截距模型是用原始的平方和以及交叉乘积，而有截距模型则使用了均值调整后的平方和以及交叉乘积。（2）无截距中2 的自由度是（n-1）不是（n-2），（3）有截距中 r2 计算公式通常假定了模型中存在截距项（4）有截距模型的残差平方和，ui=ei 总为零，无截距不一定为零填空题：（1）若 B2=0，则 b2/se(b2)=t；（2）若 B2=0，则 t=b2/se(b2) (3)r2 位于 0
9、与 1 之间，r 位于-1 到 1 之间； （4）TSS=RSS+ESS (5)TSS的自由度=ESS 的自由度+RSS 的自由度 （5） 称为估计量的标准差 （6）在双对数模型中，斜率度量了弹性；（7）在线性-对数模型中，斜率度量了解释变量每百分比变动引起的被解释变量的变化量；（8）在对数-线性模型中，斜率度量了增长量；（9）Y 对 X 的弹性定义为 dY(X)/dX(Y) (10)价格弹性的定义为价格每变动 1%所引起的需求量变动的百分比 （11）需求成为富有弹性的，如果价格弹性的绝对值大于 1；需求称为缺乏弹性的，如果价格弹性的绝对值小于 1 （12）在接近多重共线性的情况下，回归系数的
10、标准误趋于大，t 值趋于小 （13）在完全多重共线性的情况下，普通最小二乘估计量是没有定义的，其方差是没有定义的 （14）在其他情况不变的情况下，VIF 越高，则普通最小二乘估计量的方差越高。多选ESS(解释平方和)：估计的 Y 值围绕其均值的变异，也称回归平方和（由解释变量解释的部分）RSS(残差平方和)，即 Y 变异未被解释的部分模型设置的误差:遗漏相关变量，包括不必要变量，采用了错误的函数形式，度量误差评价模型的好坏：简约性，可识别性，拟合优度，理论一致性，预测能力一元线性回归的假设条件；1 平均干扰为 0，2 随机干扰项等方差，3 随机干扰项不存在序列相关 4 干扰项与解释变量无关判断
11、2 随机误差项 ui 与残差项 ei 是一回事2 总体回归函数给出了与自变量每个相对应的应变量的值2 线性回归模型意味着模型变量是线性的2 在线性回归模型中，解释变量是因，应变量是果2 随机变量的条件均值与非条件均值是一回事2 式（2-2）中的回归系数 B 是随机变量，但式（2-4）中的 b 是参数2 式（2-1）中的斜率 B2 度量了 X 的单位变动引起的 Y 的斜率3 实践中双变量 2 OLS 就是使误差 1 计算 ols 估量 1 高斯-马尔柯夫定理2 在双变回模中，扰动项 1 只有当 ui 服从正态分布 1r2=ESS/TSS2 给定显著水平 a 与自由的 2 相关系数 r 与 b 同
12、号 3 p 值和显著水平1 仅当非校正判定系数 2 判定所以解释变量 2 当 r2=1 1 当自由度1201 在模型 Yi=B1+B2 2 估计的回归系数是统计显著 2 要计算 t 2 多元回归的总体显著性3 就估计和假设检验而言 1 无论模型中包括多少个 1 双对数模型 1LIV 模型的斜率系数1 双对数模型的 r2 可以 1 线性-对数模型的 R2 2 模型 A:LnY= 2 在模型Yi=2 引入虚拟变量后 2 尽管存在完全 1 在高度多重共线性的情况下 3 如果辅助回归1 较高的相关系数 3 如果分析的目的 2 在存在异方差的情况下 1 如果存在异方差2 在存在异方差的情况下，常用的 OLS 3 如果从 OLS 回归中 1 没有那种异方差2 当存在自相关 1 在形式如 的自回归 1 德宾-沃森 D 统计量 2 消除自方差的一阶差分2 两个模型，一个
