|
什么是OLS估计？ 原理ols估计是指样本回归函数尽可能好的拟合这组织，即样本回归线上的点与真实观测点的总体误差尽可能小的估计方法。 建立计量经济学模型的步骤和要点 1.理论模型的设计（确定模型所包含的变量，确定模型的数量形式，拟定理论模型中的待估参数的理论期望值） 2.样本数据的收集（常用的样本数据：时间序列数据，截面数据，虚变量数据） 3.模型参数的估计（选择模型参数估计方法，应用软件的使用） 4.模型的检验 模型的检验包括几个方面？其具体含义是什么？ 答：模型的检验主要包括：经济意义检验、统计检验、计量经济学检验、模型的预测检验。 经济意义检验——需要检验模型是否符合经济意义，检验求得的参数估计值的符号与大小是否与根据人们的经验和经济理论所拟订的期望值相符合； 统计检验——需要检验模型参数估计值的可靠性，即检验模型的统计学性质； 计量经济学检验——需要检验模型的计量经济学性质，包括随机扰动项的序列相关检验、异方差性检验、解释变量的多重共线性检验等； 模型的预测检验——主要检验模型参数估计量的稳定性以及对样本容量变化时的灵敏度，以确定所建立的模型是否可以用于样本观测值以外的范围。 5.模型成功的三要素：理论、方法、数据 引入随机干扰项的原因，内容？ 原因： 代表未知的影响因素 代表数据观测误差 代表残缺数据 代表模型设定误差 代表众多细小影响因素 变量的内在随机性 内容： 被遗漏的影响因素（由于研究者对客观经济现象了解不充分，或是由于经济理论上的不完善，以至于使研究者在建立模型时遗漏了一些对被解释变量有重要影响的变量）； 变量的测量误差（在观察和测量变量时，种种原因使观测值并不等于他的真实值而造成的误差）； 随机误差（在影响被解释变量的诸因素中，还有一些不能控制的因素）； 模型的设定误差（在建立模型时，由于把非线性关系线性化，或者略去模型）。 什么是随机误差项和残差？区别是什么？ 随机误差项u=Y-E(Y/X)，而总体回归函数Y=Y^+e，其中e就是残差,利用Y^估计Y时带来的误差e=Y-Y^是对随机变量u的估计。 一元线性回归模型的基本假设主要有哪些？ 1.回归模型是正确设定的； 2.解释变量X是确定性变量不是随机变量；在重复抽样中取固定值。 3.解释变量在x所抽取的样本中具有变异性，而且随着样本容量的无限增加，解释变量X的样本方差趋于一个非零的有限常数。 4.随机误差项u具有给定X条件下的零均值，同方差以及不序列相关性，即E(ui/Xi)=0； Var (ui/Xi)=sm2；Cov(ui，uj/ Xi，Xj)=0 5. 随机误差项与解释变量之间不相关：Cov(Xi, Ui)=0 6. 随机误差项服从零均值、同方差的正态分布 违背..还可进行估计，只是不能使用普通最小二乘法进行估计。 高斯-马尔可夫定理 如果满足古典线性回归模型的基本假定，则在所有线性无偏估计量中，OLS估计量具有最小方差，即OLS估计量是最优线性无偏估计量。 假设条件： 回归模型是正确设定的； .解释变量X是确定性变量不是随机变量；在重复抽样中取固定值。 解释变量在x所抽取的样本中具有变异性，而且随着样本容量的无限增加，解释变量X的样本方差趋于一个非零的有限常数。 随机误差项u具有给定X条件下的零均值，同方差以及不序列相关性。 异方差性 对于不同的样本点，随机干扰项的方差不再是常数，而是互不相同，则认为出现了异方差性。 类型：单调递增型，单调递减型，复杂型。 原因： ⑴模型中遗漏了随时间变化影响逐渐增大的因素。（即测量误差变化） ⑵模型函数形式设定误差。 ⑶随机因素的影响。（即截面数据中总体各单位的差异） 后果：1．参数估计量非有效2.变量的显著性检验失去意义3.模型的预测失效 检验：图示检验法 ， 戈德菲尔德－匡特检验，怀特检验，帕克检验和戈里瑟检验 处理：基本思想:变异方差为同方差，或尽量缓解方差变异的程度。（加权最小二乘法（WLS），异方差稳健标准误法） 多重共线性 如果模型的解释变量之间存在着较强的相关关系，则称模型存在多重共线性。 原因：（1）经济变量相关的共同趋势2.滞后变量的引入3.样本资料的限制 后果：1.完全共线性下参数估计量不存在 2.近似共线性下普通最小二乘法参数估计量的方差变大 3.参数估计量经济含义不合理 4.变量的显著性检验和模型的预测功能失去意义 检验：1.检验多重共线性是否存在 2.判明存在多重共线性的范围 克服方法： 排除引起共线性的变量 差分法 参数估计量的方差 回归模型中引入虚拟变量的作用是什么？ 在模型中引入虚拟变量，主要是为了寻找某(些)定性因素对解释变量的影响。 加法方式与乘法方式是最主要的引入方式。 前者主要适用于定性因素对截距项产生影响的情况，后者主要适用于定性因素对斜率项产生影响的情况。除此外，还可以加法与乘法组合的方式引入虚拟变量，这时可测度定性因素对截距项与斜率项同时产生影响的情况。
|
|
|
