1、學習資料收集于網絡，僅供參考第一章導論*1 計量經濟學：是以經濟理論和經濟數據的事實為依據，運用數學、統計學的方法，通過建立數學模型來研究經濟數量關系和規律的一門經濟學科。*2 計量經濟學與經濟理論、數學、統計學的聯系和區別是什么？計量經濟學是經濟理論、數學、統計學的結合，是經濟學、數學、統計學的交叉學科（或邊緣學科）。*3 、計量經濟學的研究步驟：（ 1）確定變量和數學關系式模型假定；（ 2）分析變量間具體數量關系估計參數；（ 3）檢驗所得結論的可靠性模型檢驗；（ 4）作經濟分析和經濟預測模型應用。*4 計量經濟學中常用的數據類型：根據（生成過程） 和（結構方面） 的差異，可分為：（ 1）時

2、間序列數據：把反映某一總體特征的同一指標的數據，按照一定的時間順序和時間間隔排列起來構成的數據。（ 2）截面數據：同一時間（時期或時點）某個指標在不同空間的觀測數據。（ 3）面板數據：指時間序列數據和截面數據相結合的數據。（ 4）虛擬變量數據：人為構造的虛擬變量數據，通常以1 表示某種狀態發生，以0 表示某種狀態不發生。5計量經濟學模型的檢驗包括哪幾個方面？為什么要進行模型的檢驗？經濟意義經驗、統計推斷檢驗、計量經濟學檢驗、模型預測檢驗四個方面。6 從變量的因果關系上，可分為被解釋變量和解釋變量。根據變量的性質，可分為內生變量和外生變量是7計量經濟學模型中包含的變量之間的關系主要有哪些？主要是

3、解釋變量與被解釋變量之間的因果關系，包括單向因果關系、相互影響關系、恒等關系。第二章一元線性回歸模型1什么是相關分析？什么是回歸分析？相關分析與回歸分析的關系如何？相關分析 是研究變量之間的相關關系的形式和程度的一種統計分析方法，主要通過繪制變量之間關系的散點圖和計算變量之間的相關系數進行。回歸分析 是研究不僅存在相關關系而且存在因果關系的變量之間的依存關系的一種分析理論與方法，是計量經濟學的方法論基礎。相關分析與回歸分析既有聯系又有區別。聯系在于：相關分析與回歸分析都是對存在相關關系的變量的統計相關關系的研究，都能測度線性相關程度的大小，都能判斷線性相關關系是正相關還是負相關。區別在于：相關

4、分析僅僅是從統計數據上測度變量之間的相關程度，不考慮兩者之間是否存在因果關系 ，因而變量的地位在相關分析中是對等的；回歸分析是對變量之間的因果關系的分析，變量的地位是不對等的，有被解釋變量和解釋變量之分。3回歸線與回歸函數：總體回歸線：給定解釋變量條件下被解釋變量的期望軌跡稱為總體回歸曲線或總體回歸線。總體回歸函數： 將總體被解釋變量Y 的樣本條期望值E(Yi|Xi) 表現為解釋變量X 的某種函數。總體回歸模型： 引入了隨機誤差項，稱為總體回歸函數的隨機設定形式，也是因為引入了隨機誤差項，成為計量經濟學模型，稱為總體回歸模型樣本回歸模型： 根據樣本數據對總體回歸函數作出的估計稱為樣本回歸函數。

5、引入樣本回歸函數中學習資料學習資料收集于網絡，僅供參考的代表各種隨機因素影響的隨機變量，稱為樣本回歸模型。*4 為什么要對模型提出假設？線性回歸模型的基本假設有哪些？線性回歸模型的參數估計方法很多，但估計方法都是建立在一定的假設前提之下的，只有滿足假設，才能保證參數估計結果的可靠性。簡單線性回歸的基本假定：包括兩個方面：一是對變量和模型的假定；二是對隨機擾動項ui 統計分布的假定。其中對隨機擾動項ui 的假定有：（ 1） ui 的期望為 0，即 E(ui )0 ；（ 2）的方差為一常數，即Var (ui )2 ；（ 3） ui 與 u j 相互獨立，即Cov(ui ,u j )0, ij；（

6、4）隨機誤差項ui 與自變量 X j 不相關，即 Cov( X j ,ui )0, ij ；（ 5） ui 服從正態分布這 5 條假設中的前 4 條是線性回歸模型的古典假設，也稱為高斯假設，滿足古典假設的線性回歸模型稱為古典線性回歸模型。nX iYiXiYi5、相關系數的計算： rXY22n X i22( X i ) n Yi( Yi )6、模型引進隨機擾動項的原因？（ 1）作為未知因素的代表；（ 2）作為無法取得數據的已知因素的代表；（ 3）作為眾多細小影響因素的綜合代表；（ 4）模型的設定誤差；（ 5）變量的觀測誤差；（ 6）經濟現象的內在隨機性7參數的普通最小二乘估計法和基本思想各是什么

7、？基本思想是使樣本回歸函數盡可能好地擬合樣本數據，反映在圖上，就是要使樣本散點偏離樣本回歸直線的距離總體上最小。最小二乘法以剩余平方和表示被解釋變量的估計值與實際觀察值的偏差總體上最小，稱為最小二乘準則。*8 、 OLS 回歸線的性質？（ 1）樣本回歸線過樣本均值點，即樣本回歸線必過點（ X， Y ）。Yi-（ 2）估計值 Yi 的均值n等于實際值 Yi 的均值 Y ；（ 3）剩余項 ei 的均值為零，即nei 0 ；i 1學習資料學習資料收集于網絡，僅供參考（ 4）被解釋變量估計值 Y i 與剩余項 ei 不相關；（ 5）解釋變量 Xi 與剩余項 ei 不相關；* 9、參數估計量的評價標準：

8、（ 1）有效性；（ 2）無偏性；（ 3）一致性*10 、 OLS 估計量的統計特性？（ 1）有效性；（ 2）無偏性；（ 3）線性性11什么是擬合優度？什么是擬合優度檢驗？擬合優度通過什么指標度量？為什么殘差平方和不能作為擬合優度的度量指標？擬合優度： 指樣本回歸線對樣本觀測數據擬合的優劣程度。擬合優度檢驗： 就是檢驗樣本回歸線對樣本數據擬合的精確程度。樣本殘差平方和是一個可用來描述模型 擬合效果的指標 ，殘差平方和越大，表明擬合效果越差；殘差平方和越小，表明擬合效果越好。但殘差平方和是一個絕對指標，不具有橫向可比性，不能作為度量擬合優度的統計量。Y )2ei2R2ESS =(Y1RSS 1TS

9、S(YiY )2TSSyi2與殘差平方和不同， 可決系數 R2 是一個相對指標， 具有橫向可比性， 因此可以用作擬合優越度檢驗。（ R2 越接近1 優越度越高）12、 OLS 估計分布的性質：2Xi1 N ( 1 , nxi2 ) 2e2i2n2,)2N( 2xi2* 13、高斯 -馬爾可夫定理： 在古典假定條件下，OLS 估計量1 和2 是總體參數1 和2 的最佳線性無偏估計量。14、一元線性回歸的檢驗：（ 1）經濟檢驗 ，就是檢驗估計出來的參數的符號、大小是否與經濟理論和實際經驗相符合，即是否具有經濟意義；（ 2）統計檢驗 ，對回歸參數的檢驗（t 檢驗）回歸方程的擬合優度，判定系數R2 ；

10、對回歸方程的顯著性檢驗（F 檢驗）；（ 3）經濟計量檢驗 ，隨機誤差項 ui 的序列相關檢驗DW 檢驗學習資料學習資料收集于網絡，僅供參考15、預測： Y 的平均值的點預測與區間預測：Y 的平均值的點預測與區間預測：（1( X f X )2，1( X f X )2）Yftnxi2Yf +tnxi222第三章多元線性模型*1 、偏回歸系數： 表示在控制其他解釋變量不變的情況下，其中一個解釋變量單位變動對被解釋變量的平均值的影響，這樣的回歸系數被稱為偏回歸系數。*2 多元線性回歸模型的基本假設：（ 1）零均值假定，假定隨機擾動項的期望或均值為0（ 2）同方差和無自相關假定；（ 3）隨機擾動項與解釋

11、變量不相關假定；（ 4）無多重共線性假定*3 、參數最小二乘的性質：（ 1）有效性；（ 2）無偏性；（ 3）線性性質。 22*4 、隨機擾動項方差的估計：eink*5 、修正的可決系數：在樣本容量不變時，隨著模型中解釋變量的增加，總離差平方和不會改變，而解釋變量的平方和可能增大，多重可決系數的值可能會變大。R21ei2 / (n k )n 1ei212/ (n1)n k(Yi Y)2(Yi Y )R21 (1 R2 ) n1nk*6 、回歸方程的 F 檢驗：FESS / (k）1,nk)1 F (kTSS / (nk )在一元回歸的情形下，對參數2 的顯著性檢驗 （ t 檢驗） 與對回歸整體上

12、的顯著性檢驗（F 檢驗）是等價的。對方程聯合顯著性檢驗的F 檢驗，實際上也是對R2 的顯著性檢驗。第四章多重共線性1、多重共線基本概念：多重共線性： 解釋變量之間存在線性關系一般形式： 完全共線和近似多重共線。學習資料學習資料收集于網絡，僅供參考完全的多重共線性： 若果存在不全為0的數 1,2k ，使得 1 2 X 2 i3 X3i+ k X ki 0 ，則稱解釋變量 X1, X 2 ,X k 完全的多重共線性。*2 、產生原因（ 1）經濟變量之間具有共同變化趨勢；（ 2）模型中包含滯后項；（ 3）利用截面數據建立模型也可能出現多重共線性；（ 4）樣本數據自身的原因*3 、完全多重共線后果：（

13、 1）參數的估計值不確定；（ 2）參數估計值的方差無限大*4 、不完全多重共線的后果：（ 1）參數估計值的方差與協方差無限大；（ 2）對參數進行區間估計時，置信區間趨于變大；（ 3）嚴重多重共線性時，假設檢驗容易做出錯誤的判斷；（4）當多重共線性嚴重時，可能造成可決系數較高，經F 檢驗的參數聯合性顯著性也較高，但對各個參數單獨的t 檢驗可能不顯著，甚至可能使估計的回歸參數符號相反，得出完全相反的結論。5、多重共線性的檢驗：（ 1） 簡單相關系數檢驗法：大于0.8，則存在共線問題。1（ 2）方差膨脹因子法：VIF1R2j （ VIF 大于 10，就認為存在嚴重多重共線性。 ）（ 3）直觀判斷法；

14、（ 4）逐步回歸檢測法*6 、多重共線性的補救措施：（ 1）經驗方法：剔除變量法；增大樣本容量；變換模型形式 (差分 )；利用非樣本先驗信息；橫截面數據與時序數據并用；變量變換 (計算相對指標； 將名義數據轉換為實際數據； 將小類指標合并為大類指標；將總量指標進行對數變換 )。（ 2）逐步回歸補充： t 檢驗與 F 檢驗結果相矛盾可能是由于多重共線性造成的。根據經驗，如果一個變量的值在樣本期間沒有很大的變化，則它對被解釋變量的影響就不能很好地被度量。多重共線性往往表現的是解釋變量間的樣本相關現象，在不存在完全共線性的情況下，近似共線并不意味著基本假定的任何改變，所以 OLS 估計量的無偏性、一

15、致性和有效性仍然成立，但共線性會導致參數估計值的方差大于不存在多重共線性的情況。（ 3）嶺回歸第五章異方差1、異方差： 指被解釋變量觀測值的分散程度是隨解釋變量的變化而變化的。進一步可以把異方差看成學習資料學習資料收集于網絡，僅供參考是由于某個解釋變量的變化引起的。2、產生原因：（ 1）模型設定誤差；（ 2）測量誤差的變化；（ 3）截面數據中總體各單位的差異。3、異方差后果：（ 1）對參數估計式的統計特性的影響：參數的 OLS 估計仍然具有無偏但非有效；參數 OLS 估計式的方差不再是最小；（ 2）對模型假設檢驗的影響：只要存在異方差性，在古典假定下用來檢驗假設的統計量可能不再成立。（ 3）對

16、預測的影響：盡管參數的 OLS 估計量仍是無偏， 并且基于此的預測也是無偏的， 但會由于參數估計量不是有效的，從而對 Y 的預測也將不是有效的4、異方差檢驗：（ 1）圖示檢驗法（ 2） Goldfeld-Quandt 檢驗適用條件：只適用于大樣本；除了同方差假定不滿足外，其他假定都滿足。步驟：排序；將在中間的 c 個觀測值去掉，再分成兩部分；提出假設，原假設：同方差；構造 F 統計量，后一部分的殘差平方和除以前一部分的。（ 3） White 檢驗 對 Y 和所有解釋變量 X 進行 OLS 回歸； 將得到的殘差平方e?i2 作為被解釋變量，對其他解釋變量進行輔助回歸； 根據得到的可決系數計算nR

17、2 值 根據顯著性水平， 確定臨界值， 判斷 nR2 是否大于臨界值。 如果 nR2 大于臨界值， 則存在異方差。*5 、異方差的補救措施：（ 1）對模型進行變換；（ 2）加權最小二乘 (當存在異方差時，方差越小，其樣本值偏離均值的程度越小，其觀測值應受到重視。即方差越小，在確定回歸線時的作用應越大，給予的權重越大)；（3）模型的對數變換。第六章自相關*1 、自相關： 又稱序列相關，是指總體回歸模型的隨機誤差項ui 之間存在相關關系*2 、產生原因（ 1）經濟系統的慣性；（ 2）經濟活動的滯后效應；（ 3）數據處理造成的相關；（ 4）蛛網現象；學習資料學習資料收集于網絡，僅供參考（ 5）模型設

18、定偏誤。自相關主要存在于時間序列數據中，但橫截面數據中也可能會出現，此時稱為空間相關。*3 、自相關后果：（ 1）一階自相關形式時：在 ui 為一階自回歸形式的自相關時隨機誤差項ut 依然滿足零均值、同方差假定。（ 2）對參數估計的影響：當隨機誤差項 ut 存在自相關時，2 依然是無偏的，即 E ( 2 )2 。因為普通最小二乘無偏性的證明中并不要求ut 滿足無自相關的假定。當存在自相關時，普通最小二乘估計量不再是最佳線性無偏估計量，即它在線性無偏估計量中不是方差最小的。（會導致低估真實的方差） 。（ 3）對模型檢驗的影響： 當存在自相關時，會低估真實的方差，更會低估參數估計值的方差，從而過高估計 t 統計量的值，會夸大所估計參數的顯著性，對原來本不重要的解釋變量可能誤認為重要而保留。類似的，使得 F 檢驗也是不可靠的。（ 4）對模型預測的影響：在自相關情形下，j 方差的