计量经济学试题库

1、第二章复习重点1、最小二乘法对随机误差项做了哪些假定？说明在证明最小二乘估计量的无偏性和有效性 中，哪些假定条件发挥作用了(1) E(ut) = 0, t=1,2,，(2) D(ut) = E ut - E(ut) 2 = E(ut)2 =仃2, t=1,2,，称 ut 具有同方差性。(3) Cov( Ui, uj) = E( Ui - E(ui) ) ( uj - E(uj) ) = E( Ui, uj) = 0, (i #j )。含义是不同观测值所对 应的随机项相互独立。称为ui的非自相关性。(4) Xi 是非随机的，Cov( ui,Xi) = E( ui - E(ui) (Xi- E(x

2、i) ) = Eui (Xi -E(Xi) = E ui Xi -uiE(Xi) = E( ui Xi) = 0 , ui与Xi相互独立。否则，分不清是谁对yt的贡献。(5) ut为正态分布，ut小N (0, CT 2)。在证明最小二乘估计量的无偏性中，利用了解释变量与随机误差项不相关的假定和随机误差项期望为0的假定，在证明有效性时用了随机项独立同方差的假定。2、在一元线性回归模型 Y =久+BXt +ut中，证明参数日1的估计量用具备无偏性”(Xt-Xt)(yt-yt)/(Xt-Xt)ytyj函-Xt)二 函一篇)比% (Xt -X)2x (Xt -X)2' (Xt -X)2令 kt

3、= (Xt -Xt)2 代入上式,得?i= - kt yt x (Xt -X)2?1=: kt yt=二 kt ( ：o + ：i xt + ut)=o % kt + i % kt Xt + “ kt ut而 Z kt=0,“ kt Xt=% (Xt _又)均 X -X)2二十*2上苕=1+0=1 v (x -X)2，(X -x)2?1= ：1 + % kt utE( ?1) = 1 + E(Z： kt ut ) = 1 +kt E(ut ) =13、在一元线性回归模型 Y = B0 + *xt + ut中，求参数P1的方差? = Z (Xt -Xt)(yt -yt) = Z (Xt -Xt)

4、yt -ytS (Xt -Xt)=工(Xt -Xt)yt11(Xt -X)2.二(Xt -X)2.二(Xt -X)2令 kt= . (Xt ft) 2，代入上式,得？产'、：kt yt(Xt -X)?1 = " kt yt=" kt ( +/xt + ut)=o % kt + i % kt xt + % kt ut而 z s z k xt4O=HxBxr2+iO=1+0=1?1= -i + % kt utVar ( ?1) = Var (I '1 +、' kt ut) = Var ( " kt ut)2, .2=kt Var (ut)= V

5、ar (ut) kt又因为kt二供一。k2 一”(x-x：2XX -x 2) 1TX52)所以 -kt 2= v kt2 = ' (xt _X)2 2 C (xt -x)2)21' (xt -x)2一 2Var ( ?1) = Var (ut)Z kt 2u,其中 ou2 是 ui 的方差。v (xt -x)4、根据下面的回归结果，回答下列问题Dependent Variable: YMethod: Least SquaresData: 02/12/07 Time: 03.46Sample: 1988 199&included observations: 11Varia

6、bleCaefficientStd Error t-StatisticPrab.C10,766161.3967360.0000X0.0050690.0011634.2833280.0020R-squared0 670895Mean dependentvar16.57273Adjusted R-equared0 634328S.D dependent var1.945042S.E. of regression1.115713Akaike Info criterion3.21 9B29Sum squared resid11,20333Schwarz criterion3 2921 74Log li

7、kelihood-1570906F-statistic19,34690Durbin-Wats on stat1.320391Prob(F-statistic)0.002040(1)、写出回归方程 Y?=1 0.7662 0.X)i051(2)、写出R2的表达式，并之验算 R2还可以由哪些值间接计算出来< RSS TSS - ESSr =TSS TSS_22_S.D.(11 -1)-ESS 1.8450 10 -11.20332L =2 = 0.6709S.D. (11-1)1.845010(3)、写出t-stastic的表达式，并将结果中空白地方的数据补上+?00t 二s(?0)为 10

8、.7661 s(?) - 1.3967: 7.7082还可训厨数?,翱邮廊圈置薛%间间由班值to.025 (9) = 2.26三 t (T-2) = 1- ：Pi的虚博区间:s0.00240.0078由大括号内不等式得A的置信区间加-s(?)ta(T -2),自 +s(口)b(T2)1；?士为他X(Tx22 = 0.0051±2.26父 0.0012 =Bo的置信区间:? _s(?)t：.(T -2) = 10.7662_ 2.26 1.3967 =7.609713.9227（5）统计量S.E. of regression的含义是什么？S.E. oftregfesso估讳=1.115

9、7,代表回归模型的残差标准差.混涌地572（21.国给（T -2）定义燕22（表壁储T数的廿数。可以证明E（皮）=仃2。其中2?亲您待稿的箱谶靖。取施 师是幽猫,）或卷史称作误差均方夕 解财搠斯翻瞰牌归直薮璃蓄眼熟又称作误差均方线的离散程度。一，/K 1 1.表小x和y 之间真实线XtgX棚是（1-C ）。Var(A? ) Y? §句像 时B 2E(Yt) 0 MXt2(Xt -x) Xt2梆照)。嚼龙：tQxx)2况?2XtVar(2, N嘲估计心肾阂2E姓是指（C. Yt - 01XtUtA. var(?)=0B. var(?)为最小C.(仅一P) = 0D.（正-P）为最小3.

10、设样本回归模型为Yi = f50 +禺Xi+e,则普通最小二乘法确定的 呼的公式中,错误的是（D ）A ?_" Xi -X Yi-YA n一二2'Xi -XB. 0?=ny XiYiXYi、，2、，2n" Xi2- v XiC Z XiYi-nXY Xi2-nX2D.邑=C XiYQ XYi4 .对回归模型Yi= P0+PiXi+u i进行检验时，通常假定u i服从（CA. N （0, 52）B. t（n-2）C. N （0,仃2） D. t（n）5 .以Y表示实际观测值，表示回归估计值，则普通最小二乘法估计参数的准 则是使（D ）。A.工（Yi ?）= 0B .2

11、（YiY）2= 0C. £ （Yi ?）=最小2 一.D.工（丫=Y）=最小6 .设Y表示实际观测值，Y?表示OLS估计回归值，则下列哪项成立（D ）A. Y? = YB. Y?= YC. Y?= YD. Y? = Y7 .用OLS估计经典线性模型Yi=总+ BiXi+ u i ,则样本回归直线通过点 D_A. (X, Y) B,(X, Y?)C. (X, V) D. (X, Y)8 .以Y表示实际观测值，Y?表示OLS估计回归值，则用OLS得到的样本回归直线£=E+禺Xi满足（A ）。八n八 2A. Z （Yi 吊）=0B. £ （Y Y） =0C. Z（Yi-

12、Y?i）=0D.工（丫-Yi）2=033 .判定系数R2的取值范围是（ C ）。A, R2<-1B, R2>1 C. 0< R2< 1 D. - 1<R2<134 .某一特定的X水平上，总体Y分布的离散度越大，即（T2越大，则（A ）A.预测区间越宽，精度越低B.预测区间越宽，预测误差越小C 预测区间越窄，精度越高D.预测区间越窄，预测误差越大第三章复习重点1、在多元线，性回归模型中，最小二乘法对随机误差项做了哪些假定？说明在证明最小二乘估计量的无偏性和有效性中，哪些假定条件发挥作用了为保证得到最优估计量，回归模型应满足如下假定条件:一01假定(1): E(

13、u) = 0 =：° 一0 "I la20 = 01-000假定(2):误差项同方差、非自相关1 0Var (u) = E( ? ?' ) = cr2I =仃2 °/ 0假定(3)(OLb HW摘弑方和皆X %)密上是求极值问题。假老晦=(Y形似Y稀=*(X与上喇XX=?k+i ?'X 'X ?假定(5)= Y车Y即?IX用 +白? ,XR ? T - 8时,T 1X 'X - Q其中Q是一个有限值的非退化矩阵。因为丫编册m轴计用除偏外x ?而用张看变量匕肃口蠢源精美林法随机误差喇望2X ,Y + 2XsX在=和有效性时用了随机项独

14、立同方差的假定。:" 一 .=2、34强卜回归模型中，系数的最小二乘求解结果是？因/次屐；旦4样机麻，柳¥甘)“所载有Y -郎+ ",参数的求解式是:? = (X 'X)-1 X 'Y3、名词解释：调整的判定系数豆 与多重判定系数是如何定义的，他们之间 有和关系？1 .多重确定系数(多重可决系数)Y = X ? +?=Y? +?, TSS = RSS + ESSTSS = RSS + ESS, R2 =RSS Y?Y -Ty2TSS Y Y - Ty2 有0 £R 2 < 1。R 2 >1,拟合优度越好。2 .调整的多重确定系

15、数2 d ESS/(T -k -1) - T -1 wTSS-RSSR = 1 =1 -()()TSS/(T -1)'T-k-1八 TSS )T -12=1 (1 -R2)T -k -14.假设投资函数模型估计的回归方程为(括号内的效子为， 统计量值)1 =5.0 + 0.4匕+0,6小.居=0.8, D即= 20.5, 口二24,(4.0)(3-2)其中4和匕分别为第t期投资和国民收入口(1)对总体参数Bi，住的显著性进行检验(口=0.05);(2)若总离差平方和755 = 25,试求随机误差项M方差的估 计量I(3)计算/统计量，并对模型总体的显著性进行检验(白= 0.05)0(1

16、)回归系数t检3经t=4,远大于2,所以回归系数显著的不等于0.(2)回归平方和=25*0.8=20 ,残差平方和=5,随机误差项的方差的估计 =5/21(3) F 检验=(25/2)/(5/21)4 .在多元线性回归分析中，为什么用修正的决定系数衡量估计模型对样本观测值的拟合优 度？解答：因为人们发现随着模型中解释变量的增多，多重决定系数R2的值往往会变大，从而增加了模型的解释功能。这样就使得人们认为要使模型拟合得好，就必须增加解释变量(2分)。但是，在样本容量一定的情况下，增加解释变量必定使得待估参数的个数增加，从而损失自由度，而实际中如果引入的解释变量并非必要的话可能会产生很多问题，比如

17、，降低预测精确度、引起多重共线性等等。为此用修正的决定系数来估计模型对样本观测值的拟合 优度(3分)1、在由n=30的一组样本估计的、包含3个解释变量的线性回归模型中，计算 得多重决定系数为0.8500,则调整后的多重决定系数为(1-0.15*29/26 = D )A. 0.8603 B. 0.8389 C. 0.8655D.0.8327 2.用一组有30个观测值的样本估计模型yt = b0 +blx1t +b2X2t，Ut后，在0.05的显 著性水平上对b1的显著性作t检验，则b1显著地不等于零的条件是其统计量t大于A tc.05 (30)B.10.025 (28)C. t0.025(27)

18、 D.F 0.025 (1,28)3.线性回归模型yt =b0+b1x1t+b2x2t+bkxkt+ut中，检验H°:bt =0(i =0,1,2,.k)时，所用的统计量仲的 服从(C )A.t(n-k+1)B.t(n-k-2)C.t(n-k-1)D.t(n-k+2)54.调整的判定系数？与多重判定系数R*之间有如下关系(DA. R2=r2B.R2 =i-r2n -k-1n -k1C. R2 =1 _ n " (1 R2)D. R2 =1 - n1 (1-R2)n -k -1n-k -15、设k为回归模型中的参数个数(包括截距项)，则总体线性回归模型进行显著 性检验时所用的

19、F统计量可表示为(B C )。£(Y?-Y)2 (n-k) £(Y? Y)2 (k1)R2/(k-1)(1 R2) (n k)A.£e2/(k-1)B. F27(n-k) c. (1 - R2). (n - k) D.R2/(k-1)第四章复习重点根据下面的回归结果写出表达式Dependent Variable: UOG(10W1)Method: Least SquaresDate oe/20/07 Time: 17:05Sample: 1 13Included observations: 13CoefficientSid. Error t-StatisticPr

20、ob.c4 3107840292251-14750300.0000T07652770 04133016.51S050.0000R-squared0.068013Mean d ependent varD.2B08T8Adjusted R-squared0.966087S.D. dependentvar3.027753S E. of regression0.557579Akaike info criterion1.810212Sum squared resid3.419633Schwarz criterion1 SS7127Log likelihood-g7E376Hannan-Ouinn cri

21、ter.1.792347F-statistic3428440Durbin-Watson start1.356033Prob(F-statistic)0.000000101估计式是：iog(. -1) = -4.3108 + 0.7653 tyt(-14.8)(18.5)R2 = 0.97?t则逻辑函数的估计结果是1 . e 431 0.7653t101kk2、在eview中拟合逻辑斯蒂曲线Vt=一 =-i，实现步骤为: t 1 ef(t) ut1 -ea - UtKo求出k,因为Limyt=k,所以可以根据y的序列分析出其最大上限，即为t _转化为线性回归的形式，k/yt = 1 + be 匈

22、 Ut移项，k/yt - 1 = be"，Ut取自然对数，Ln ( k/yt - 1)= Lnb - a t + ut令 yt* = Ln ( k/yt - 1), b* = Lnb,则yt* = b* - a t + ut此时可用最小二乘法估计b*和a。第五章复习重点1、什么是异方差？异方差性是指模型违反了古典假定中的同方差假定，它是计量经济分析中的一个专门问 题。在线性回归模型中， 如果随机误差项的方差不是常数，即对不同的解释变量观测值彼此不同，则称随机项 ui具有异方差性，即 var（ui）=仃：。常数 （t=i, 2,，n）。2.产生异方差性的原因及异方差性对模型的 OLSf

23、c计有何影响。产生原因：（1）模型中遗漏了某些解释变量；（2）模型函数形式的设定误差；（3）样 本数据的测量误差；（4）随机因素的影响。产生的影响：如果线性回归模型的随机误差项存在异方差性，会对模型参数估计、 模型检验及模型应用带来重大影响，主要有：（1）不影响模型参数最小二乘估计值的无偏性；（2）参数的最小二乘估计量不是一个有效的估计量；（3）对模型参数估计值的显著性检验失效；（4）模型估计式的代表性降低，预测精度精度降低。3.检验异方差性的方法有哪些？检验方法：（1）图示检验法；（2）戈德菲尔德一匡特检验；（3）怀特检验；（4）戈里瑟检验和帕克检验（残差回归检验法）；4、以二元线性回归模型

24、 yt =洛+由xm+良 xt2+ ut为例。叙述怀特检验的步骤。首先对上式进行OLS回归，求残差国。做如下辅助回归式，?t2 = ：0 + Xt1 +、工2Xt2 + 金3 Xt/ +、工4 Xt22 +、右 Xt1 Xt2 + Vt即用Ut2对原回归式中的各解释变量、解释变量的平方项、交叉积项进行OLS回归。注意，上式中要保留常数项。求辅助回归式的可决系数R2。White检验的零假设和备择假设是H0: yt = ft + P1 Xt1+&Xt2 + ut式中的ut不存在异方差，H1： yt = R0 +&Xt1 +国Xt2 + ut式中的ut存在异方差在不存在异方差假设条件

25、下统计量T R 2、2（5）其中T表示样本容量，R2是辅助回归式的 OLS估计式的可决系数。自由度5表示辅助回归式中解释变量项数（注意，不包括常数项）。判别规则是若T R2<2o（5）,接受H0 （ut具有同方差）若T R 2 > 2q（5）,拒绝Ho （ ut具有异方差）5 .叙述戈德菲尔特一匡特检验的基本原理：将样本分为容量相等的两部分，然后分别对样本1和样本2进行回归，并计算两个子样本 的残差平方和，如果随机误差项是同方差的，则这两个子样本的残差平方和应该大致相等；如果是异方差的，则两者差别较大，以此来判断是否存在异方差。（3分）使用条件：（1）样本容量要尽可能大，一般而言应

26、该在参数个数两倍以上；（2） 服从正态分布，且除了异方差条件外，其它假定均满足。（2分） 6、介绍戈里瑟检验的思想检验 你|是否与解释变量xt存在函数关系。若有，则说明存在异方差；若无，则说明不存 在异方差。通常应检验的几种形式是U?t = ao + ai xt u?t = ao + ai xt2U?t= ao + ai . xt ,Glejser检验的特点是：既可检验递增型异方差，也可检验递减型异方差。一旦发现异方差，同时也就发现了异方差的具体表现形式。计算量相对较大。 当原模型含有多个解释变量值时，可以把|拟合成多变量回归形式。Coefficient DiaqnasbasResidual

27、Dimgnocti匚占Stability DiagnosticsLabd7、说明下面的截图中，所选中的命令的功能Correlagram -Qstatistics.Correlogram Squared Residuals.Histogram - Noon司ity TestSerial CorrectionLM Test.He tEfc skedas tidty Tests.残差检验里的异方差检验8、下面的截图说明在作什么检验，右边的对号选中和不选中的区别是什么？Hetero$kede»5ti<ity Tests'SpecficationDependent variabl

28、e: RE5ID人2The White Test regresses the squared residuals on the the cross product of the original regressors and a constant.Pl Include 'White iirose terms异方差检验里的 white检验，右边的对号选中表示包括交叉项，不选中就不包含交叉项。Test type:Breusch-Pagan-GodFrey HarveyGlejserARCHWhiteCustom Te或 Wizard.9.异方差的解决方法有哪些?（1）模型变换法；（2分）（

29、2）加权最小二乘法；（2分）（3）模型的对数变换等（1分）10、下面的截图说明在作什么检验，检验结果如何?Heleroskedasticity Test WhiteF-statistic5.81969CProb F(2,29)0.0077Obs*R-squred9.1025S4Prob Chi-Square(2)0.0106Scaled explained SS7.465672Prob, Chi-Square(2)0.02371 .Goldfeld-Quandt 方法用于检验（）D.多重共线性D.加权最小二乘法D.多重共线性D.多重共线性A.异方差性 B.自相关性 C.随机解释变量2 .在异方

30、差性情况下，常用的估计方法是（）A.一阶差分法 B.广义差分法C.工具变量法3 .White检验方法主要用于检验（）A.异方差性 B.自相关性 C.随机解释变量4 .Glejser检验方法主要用于检验（）A.异方差性 B.自相关性 C.随机解释变量5 .下列哪种方法不是检验异方差的方法（）A.戈德菲尔特一一匡特检验B.怀特检验C.戈里瑟检验D.方差膨胀因子检验6 .当存在异方差现象时，估计模型参数的适当方法是（）A.加权最小二乘法B.工具变量法C.广义差分法D.使用非样本先验信息第六章复习重点1、什么是自相关？对于模型yi =a +区Xii +p2X2i +PkXki +Hi =1,2,，n随

31、机误差项互相独立的基本假设表现为Cov（Ri,Nj）=0 i¥j,i,j =1,2,n如果出现Cov（H,%）#0 i #j,i, j=1,2,n即对于不同的样本点，随机误差项之间不再是完全互相独立，而是存在某种相关性，则认为出现了序列相关性（Serial Correlation） 。2 .自相关性产生的原因有那些？答：（1）经济变量惯性的作用引起随机误差项自相关；（2）经济行为的滞后性引起随机误差项自相关；（3） 一些随机因素的干扰或影响引起随机误差项自相关；（4）模型设定误差引起随机误差项自相关；（5）观测数据处理引起随机误差项自相关。3 .序列相关性的后果。答：（1）模型参数估

32、计值不具有最优性；（1分）（2）随机误差项的方差一般会低估；（1 分）（3）模型的统计检验失效；（1分）（4）区间估计和预测区间的精度降低。（1分）（全对即加1分）4 .简述序列相关性的几种检验方法。答：（1）图示法；（1分）（2） D-W佥验；（1分）（3） LM检验法；（1分）5、介绍LM检验法的步骤LM统计量既可检验一阶自相关，也可检验高阶自相关。LM检验是通过一个辅助回归式完成的，具体步骤如下。Yt= 00 + 口 Xi t+ 口2 X2 t+ PkXk +tut考虑误差项为n阶自回归形式ut = A ut-i +Rut - n + vtHo：科=乌=fn = 0用多元回归式得到的残差

33、建立辅助回归式，et = ? et-i + + ? et-n + Po + Pi Xi t + 口2 X2 t + + A Xk t + vt估计并计算确定系数 R2。构造LM统计量，LM = TR2 若 LM = T R2 <Z2(n),接受 Ho；若 LM = T R2 > 磐(n),拒绝 Ho。6、介绍DW佥验的原理它是利用残差 向构成的统计量推断误差项 ut是否存在自相关。使用 DW检验，应首先 满足如下三个条件。(1)误差项ut的自相关为一阶自回归形式。(2)因变量的滞后值yt-1不能在回归模型中作解释变量。(3)样本容量应充分大(T> 15)DW检验步骤如下。给出

34、假设Ho： P = 0 (ut不存在自相关)Hi： P# 0仙存在一阶自相关)用残差值向计算统计量DW。T.二(et -et )DW = 2-、et2112.二 et 1 -2 .二 etet jt 2t=2T、ett=2=2 (1 -T.二 etet-12)=2 (1- ?).、ett ：£根据样本容量和被估参数个数，在给定的显著性水平下，给出了检验用的上、下两个临界值du和dL。判别规则如下：(1)若DW取值在(0, dL)之间，拒绝原假设 Ho，认为ut存在一阶正自相关。(2)若DW取值在(4 - dL, 4)之间，拒绝原假设 Ho，认为ut存在一阶负自相关。(3)若DW取值在

35、(du, 4- du)之间，接受原假设 Ho，认为ut非自相关。(4)若DW取值在(dL, du)或(4 - du, 4 - dL)之间，这种检验没有结论，即不能判别ut是否存在一阶自相关。判别规则可用图1.2表示。不确不确拒绝Ho 定区 接受Ho 定区 拒绝HoDWodLdu4 - du4 - dL 47、已知Yt= 0+ + P1X1 t+ % X2 t+ + P kX k t + ut, ut= P ut-1 + vt (vt 满足假定条件)Yt轲耻行姆双连2XX2 t+BkX k t + Ut , Ut = P Ut-1 + Vt (vt满足假定条件)Yt = Po + 0 1 Xit

36、 + P2 X2 t + + k Xk t + U ut -1 + Vt求(t - 1)期关系式，并在两侧同乘pPYt-1= P p0 + p P1X1 t -1 + P、2 X2 t -1 + + PkX k t-1 + P Ut-1上两式相减：Yt-PYt -1 = p0 (1-P) + p1(Xt-P X1 t-1)+ #k(Xk t - PXk t -1) + Vt作广义差分变换：Yt* = Yt - P Yt -1, Xj t* = X j t - P Xj t-1, j = 1,2 ,k,瓦* =瓦(1-P )则模型如下Yt* = M*+ PiXit* + p2X21*+ BkXk

37、 t* + vt( t = 2, 3, T)vt满足通常假定条件，上式可以用OLS法估计。1 .当DW 4时，说明（）。A.不存在序列相关B .不能判断是否存在一阶自相关C.存在完全的正的一阶自相关D.存在完全的负的一阶自相关2 .根据20个观测值估计的结果，一元线性回归模型的DW2.3。在样本容量n=20, 解释变量k=1,显著性水平为0.05时，查得dl=1,du=1.41,则可以决断（ ）cA.不存在一阶自相关 B .存在正的一阶自相关C .存在负的一阶自D.无法确定）。D.工具变量法3 .当模型存在序列相关现象时，适宜的参数估计方法是（A.加权最小二乘法 B.间接最小二乘法C.广义差分

38、法4 .于模型yt =耳+?xt+et ,以p表示et与et-i之间的线性相关关系（t=1,2,丁）,则下列明显错误的是（）。A. p =0.8, D厚 0.4B. p =-0.8 , D厚-0.4C. p =0, D厚2 D . p = 1, D厚05、下面的 截图是什么检验的结果？检验结果如何？Breusch-Godfrey Serial Correlation LMT白stF-statistic7.349402Prob.FQJffl00Q43Obs*R-squareti10,03141Prob. Chi-Square0.006S是残差自相关检验，LM= T R 2=10.03141,若L

39、M=T R 2 <72 （n）,接受Ho （ut非自相关）若LM= T R 2 >胃，拒绝Ho （ ut自相关）又从表可以看出自由度为2,且p«；TR2） =0.0237，所以TR2 > 70.052（2）从而拒绝Ho ,认为ut存在自相关。6、下面的截图中所选中的命令的作用是什么?Coefficient TestsResidual Tests5t 出 lity TestsLabelCorrelogram - Q-statistiicsCorrelogram Squared Residuals Histogram * Normality TestSerial Cor

40、relation LM Test.Heteroskedasticity Tests.,残差检验里的自相关检验7. DW值与一阶自相关系数的关系是什么？DW=2(1 巧71 .如果模型yt =bo+bixt+ut存在序列相关，则()。A. cov(x t, u t)=0B. cov(u t, u s)=0(t ws) C. cov(x t, ut)w0 D.cov(u t, u s) w0(t ws)72 . DW佥验的零假设是(p为随机误差项的一阶相关系数)()。A. DW= 0B . p =0C . D厚 1D . p =173.下列哪个序列相关可用DW佥验(vt为具有零均值，常数方差且不存

41、在序列 相关的随机变量)()。2A.ut=put1+vtB .ut=put1+p ut2+vtC .ut = p vtD. ut = p vt + p 2 v t-1 + 74. DW勺取值范围是()。A. -1 <DW 0B, -1 <DW 1C. -2<DW 2D . 0<DM 4第七章复习重点35 .什么是多重共线性？产生多重共线性的原因是什么？答：多重共线性是指解释变量之间存在完全或近似的线性关系。产生多重共线性主要有下述原因：（1）样本数据的采集是被动的，只能在一个有限的范围内得到观察值，无法进行重复试验。（2分）（2）经济变量的共同趋势（1分）（3）滞后变量

42、的引入（1分）（4）模型的解释变 量选择不当（1分）36 .什么是完全多重共线性？什么是不完全多重共线性？答：完全多重共线性是指对于线性回归模型Y=P1X1 +P2X2+ FkXk+uII 22k k若qX c2X2j . ckXkj=0, j=1,2,n其中c1，C2，,Ck是不全为0的常数则称这些解释变量的样本观测值之间存在完全多重共线性。（2分）不完全多重共线性是指对于多元线性回归模型Y=3X1 + B2X2 + BkXu若 cjp c2X2j . ckXkj+v=0, j=1,2，,n其中a, c2，,ck是不全为0的常数，v为随机误差项则称这些解释变量的样本观测之间存在不完全多重共线

43、性。（3分）37.完全多重共线性对OLS古计量的影响有哪些？答：（1）无法估计模型的参数，即不能独立分辨各个解释变量对因变量的影响。（3分）（2）参数估计量的方差无穷大（或无法估计）（2分）38 .不完全多重共线性对 OLS古计量的影响有哪些？答：（1）可以估计参数，但参数估计不稳定。（2分）（2）参数估计值对样本数据的略有变化或样本容量的稍有增减变化敏感。（1分）（3）各解释变量对被解释变量的影响难精确鉴别。（1分）（4） t检验不容易拒绝原假设。（1分）39 .从哪些症状中可以判断可能存在多重共线性？答：（1）模型总体性检验 F值和R2值都很高，但各回归系数彳t计量的方差很大，t值很低，系

44、数不能通过显著性检验。（2分）（2）回归系数值难以置信或符号错误。（1分）（3）参数估计值对删除或增加少量观测值，以及删除一个不显著的解释变量非常敏感。（2分）84 .当模型存在严重的多重共线性时，OLS古计量将不具备（）A.线性B .无偏性C .有效性 D . 一致性第八章复习重点1 .在建立计量经济学模型时，什么时候，为什么要引入虚拟变量？答案：在现实生活中，影响经济问题的因素除具有数量特征的变量外，还有一类变量，这类变量所反映的并不是数量而是现象的某些属性或特征，即它们反映的是现象的质的特征。这些因素还很可能是重要的影响因素，这时就需要在模型中引入这类变量。（4分）引入的方式就是以虚拟变

45、量的形式引入。（1分）2 .模型中引入虚拟变量的作用是什么？答案：（1）可以描述和测量定性因素的影响；（2分）（2）能够正确反映经济变量之间的关系，提高模型的精度；（2分）（3）便于处理异常数据。（1分）3 .虚拟变量引入的原则是什么？答案：（1）如果一个定性因素有 m方面的特征，则在模型中引入 m-1个虚拟变量；（1分）（2）如果模型中有 m个定性因素，而每个定性因素只有两方面的属性或特征，则在模型中引入m个虚拟变量；如果定性因素有两个及以上个属性，则参照“一个因素多个属性”的设置虚拟变量。（2分）（3）虚拟变量取值应从分析问题的目的出发予以界定；（1分）（4）虚拟变量在单一方程中可以作为解

46、释变量也可以作为被解释变量。（1分）4 .虚拟变量引入的方式及每种方式的作用是什么？答案：（1）加法方式：其作用是改变了模型的截距水平；（2分）（2）乘法方式：其作用在于两个模型间的比较、因素间的交互影响分析和提高模型的描述精度；（2分）（3） 一般方式：即影响模型的截距有影响模型的斜率。（1分）二、已知某市羊毛衫的销售量1995年第一季度到2000年第四季度的数据。假定回归模型为：Yt= 3 o+ 3 1 X1t +3 2 X2 t+ ut式中：丫=羊毛衫的销售量X尸居民收入X 2=羊毛衫价格如果该模型是用季度资料估计，试向模型中加入适当的变量反映季节因素的影响。（仅考虑截距变动。答：可以往

47、模型里加入反映季节因素的虚拟变量Do由于共有四个季节，所以可以将此虚拟变量分为三个类别。设基础类别是夏季，于是虚拟变量可以如下引入：即D1=卜春）0（夏、秋、冬）D2= ；1 秋）,0（春、夏、冬）1（冬）0春、夏、秋）此时建立的模型为Yt= 30+3Xt+ 3 2X2t+D 1+ D 2+ D 3+u t第十一章复习重点1.模型设定误差的类型有那些？答案：（1）模型中添加了无关的解释变量；（2）模型中遗漏了重要的解释变量；（3）模型使用了不恰当的形式。 以k元线性回归模型兑=3+Pmi+良xt2 + Pkxt k + ut （无约束模型）为例，检验 m个线性约束条件是否成立的F统计量定义为(

48、a) F_ (SSE -SSEJ/m"SSEj /(T -k -1)(b) F(SS6 -SS3)/(m-1) _ SSEj/(T -k -1)(c) F(SS& -SSEu)/m - SSEu/(T-k)(d)(SSE -SSEj)/m _ SST/(T -k-1)2、下面有两个回归结果，根据这两个回归结果回答下面的问题：Dependent Variable: DEBTMethod: Least Sciua resData: 01/20/07 Time: 23:46口egndentV翻洎b倬：口E日TSample 1980 2001Metnod Leasl SquaresI

49、ncluded abservatians: 22Date: Q1/2DTO7 Time： 23 37Sample. 19C0 20i01Variable Coefficient Std. Error GSlalistic Prob. Included observations; 22C4.314009GDP0.345202DEF0.995403REPAYQ.B7975021.667250.199103口 154"。2 217560.03161331.486990.049 50817.77022D.B444 0 0384 O.COOO 0.0000VariableCoefficient

50、Std. Error -StatisticProb.cGDP-388.398044943131 24.1493-3.1264760.25159517.180410.00530 0000R-squared0.998555Mni dependent var1216.335R-squared0936541Wean dependent vat121 S.395Aliusied R-sc| uared0.993781S.D. dependertvar1405.993Adjusted R-squared0.933369S.D dependent var1485.993S.E of reg re sion5

51、1.887 05Akaike info criterion1OJ0B96S.E. of rsgrsssion383.5B04Akaike info crileriion14.62348Sum squared re&ld48460.78Schwarz criterion1 1 03733Sum squared resid2942679.Schwarz criterion14 92267LDglilkallihoodd 15.8008F-statistic5735.346Lug likelihood-1 S1.0S93F一号 tatigtic295.1 6B5Durtln-watson s

52、tat2.116634Prolo(F-statistic)0 000000Ddrlbin-watson stat0.2436.64Prcb(F-statistic)O.DDOOOD1、检验是如何从上图中得到的？检验结果如何Redundant Variables： DEF REPAYF-statislic537.5060Prob. FQJ8)0,C000Log likelihood ratio90.33906Prob. Chi-Square0 0000（1）在输出结果窗 I I 中点击Vkw ,选 CorffidHit Tf'sts, W ald Coefficient ,功能CVMU参

53、数约束检验），在随后弹出的对话框中填入=c（4） = 0.可得如下结果。其中F=53-.5°（2）在非约束模型输出结果窗口中点击View,选Coefficient Tests, RedundantVariables -Likelihood Ratio功能（模型中是否存在多余的不重要解释变量） 在随后弹出的对话框中填入 DEF , REPAY。可得计算结果 F = 537.5。Omitted variables： def RepayF-statisflc537.5060Prob. F(2,18)0.0000Log likelihood ratio90,33906Prob. Chi-Square(2)0.0000(3)在约束模型输出结果窗口中点击 View,选 Coefficient Tests, Omitted Variables -Likelihood Ratio功能(模型中是否丢了重要的解释变量)，在随后 弹出的对话框中填入拟加入的解释变量 DEF, REPAY。可得结果F = 53753、下图做的什么检验，结果如何?Mean Median Maximum Mln mum . DjbwSkewiess KjrtoEieJB (Jarque-Bera)正态分布检验Series XSa