《计量经济学》第四章精选题及答案

合集下载

计量经济学课程第4章(多元回归分析)

Page 2
§4.1 多元线性回归模型的两个例子
一、例题1：CD生产函数
Qt AKt 1 Lt 2 et
这是一个非线性函数，但取对数可以转变为一个对参数线性的模型
ln Qt 0 1 ln Kt 2 ln Lt t
t ~ iid(0, 2 )
注意：“线性”的含义是指方程对参数而言是线性的
R 2 1 RSS /(N K 1) TSS /(N 1)
调整思想：对 R2 进行自由度调整。
Page 20
基本统计量TSS、RSS、ESS的自由度：
1.
TSS的自由度为N-1。基于样本容量N，TSS

N i1
(Yi
Y
)2
因为线性约束 Y 1 N
Y N
i1 i
而损失一个自由度。
分布的多个独立统计量平方加总，所得到的新统计量就服从
2 分布。
《计量经济学》，高教出版社2011年6月，王少平、杨继生、欧阳志刚等编著
Page 23
双侧检验
概率密度
概率1－
0
2 1 / 2
2 /2
图4.3.1

2
（N-K-1）的双侧临界值
双侧检验：统计值如果落入两尾中的任何一个则拒绝原假设
《计量经济学》，高教出版社2011年6月，王少平、杨继生、欧阳志刚等编著
Page 24
单侧检验
概率密度
概率概率
0
2 1
2
图4.3.2 （2 N-K-1）的单侧临界值
H0：
2

2，
0
HA :

2

2 0

【VIP专享】计量经济学第四章练习题及参考解答

(2) 3.060 1.657ln() 1.057ln()
(0.337) (0.092) (0.215)0.992 0.991 F 1275.093
GDP CPI R =-+-===进口居民消费价格指数的回归系数的符号不能进行合理的经济意义解释可能数据中有多重共线性。

计算相关系数:
22ln Y 4.09071.2186ln () t= (-10.6458) (34.6222)
0.9828 0.9820 1198.698
GDP R R F =-+===ln Y 5.4424 2.6637ln (PI)C =-+
从修正的可决系数和F统计量可以看出，全部变量对数线性多元回归整体对样本拟合很好，著。

可是其中的lnX3、lnX4、lnX6对lnY影响不显著,而且lnX2、lnX5
可以看出lnx1与lnx2、lnx3、lnx4、lnx5、lnx6之间高度相关，许多相关系数高于作为解释变量，很可能会出现严重多重共线性问题。

在本章开始的“引子”提出的“农业的发展反而会减少财政收入吗？
表4.13 1978-2007
财政收入(亿元)CS农业增加值(亿元)NZ工业增加值(亿元)GZ建筑业增加值
1132.31027.51607
1146.41270.21769.7
1159.91371.61996.5
1175.81559.52048.4
(1)根据样本数据得到各解释变量的样本相关系数矩阵如下：样本相关系数矩阵
解释变量之间相关系数较高，特别是农业增加值、工业增加值、建筑业增加值、最终消费之间，相关系数都在这显然与第三章对模型的无多重共线性假定不符合。

第四章计量经济学答案

第四章一元线性回归第一部分学习目的和要求本章主要介绍一元线性回归模型、回归系数的确定和回归方程的有效性检验方法。

回归方程的有效性检验方法包括方差分析法、t检验方法和相关性系数检验方法。

本章还介绍了如何应用线性模型来建立预测和控制。

需要掌握和理解以下问题：1 一元线性回归模型2 最小二乘方法3 一元线性回归的假设条件4 方差分析方法5 t检验方法6 相关系数检验方法7 参数的区间估计8 应用线性回归方程控制与预测9 线性回归方程的经济解释第二部分练习题一、术语解释1 解释变量2 被解释变量3 线性回归模型4 最小二乘法5 方差分析6 参数估计7 控制8 预测二、填空ξ，目的在于使模型更1 在经济计量模型中引入反映（）因素影响的随机扰动项t符合（）活动。

2 在经济计量模型中引入随机扰动项的理由可以归纳为如下几条：（1）因为人的行为的（）、社会环境与自然环境的（）决定了经济变量本身的（）；（２）建立模型时其他被省略的经济因素的影响都归入了（）中；（３）在模型估计时，（）与归并误差也归入随机扰动项中；（4）由于我们认识的不足，错误的设定了（）与（）之间的数学形式，例如将非线性的函数形式设定为线性的函数形式，由此产生的误差也包含在随机扰动项中了。

3 （）是因变量离差平方和，它度量因变量的总变动。

就因变量总变动的变异来源看，它由两部分因素所组成。

一个是自变量，另一个是除自变量以外的其他因素。

（）是拟合值的离散程度的度量。

它是由自变量的变化引起的因变量的变化，或称自变量对因变量变化的贡献。

（）是度量实际值与拟合值之间的差异，它是由自变量以外的其他因素所致，它又叫残差或剩余。

4 回归方程中的回归系数是自变量对因变量的（）。

某自变量回归系数β的意义，指的是该自变量变化一个单位引起因变量平均变化（）个单位。

5 模型线性的含义，就变量而言，指的是回归模型中变量的（）；就参数而言，指的是回归模型中的参数的（）；通常线性回归模型的线性含义是就（）而言的。

(完整word版)计量经济学第四章习题详解

第四章习题4.1 没有进行t检验,并且调整的可决系数也没有写出来，也就是没有考虑自由度的影响，会使结果存在误差.4.3200224430.3120332。

7 330.6200334195。

6135822.8 334。

6200446435.8159878.3 l347.7200554273.7183084.8 353.9200663376.9211923。

5 359。

2200773284。

6249529。

9 376.5200879526.5314045.4 398.7200968618。

4340902。

8 395。

9201094699.3401512.8 408。

92011113161.4472881.6 431.0一研究的目的和要求我们知道，商品进口额与很多因素有关，了解其变化对进出口产品有很大帮助。

为了探究和预测商品进口额的变化，需要定量地分析影响商品进口额变化的主要因素。

二、模型的设定及其估计经分析，商品进口额可能与国内生产总值、居民消费价格指数有关。

为此,考虑国内生产总值GDP、居民消费价格指数CPI为主要因素。

各影响变量与商品进口额呈正相关。

为此，设定如下形式的计量经济模型：=+ln+lnCP式中,亿元）；lnGDP为国内生产总值(亿元）；lnCPI为居民消费价格指数（以1985年为100）。

各解释变量前的回归系数预期都大于零。

为估计模型，根据上表的数据，利用EViews软件，生成Y、lnGDP、lnCPI等数据，采用OLS方法估计模型参数,得到的回归结果如下图所示:模型方程为：lnY=-3。

111486+1。

338533lnGDP-0.421791lnCPI（0。

463010）(0。

088610）(0。

233295）t= (—6。

720126) (15。

10582）（—1。

807975)=0.988051 =0.987055 F=992。

2582该模型=0.988051,=0。

987055,可决系数很高，F检验值为992.2582，明显显著。

计量经济学4-7章单选、多选题带答案

18、设 x1 , x2 为解释变量，则完全多重共线性是（ A ）
1 A.x12x2 0
B.x1ex2 0
C.x11 2x2v0(v为随机误差 D.x1 项 ex2 ） 0
19、多重共线性是一种（ A
A、样本现象
C．被解释变量现象
） B.随机误差现象
D.总体现象
20、广义差分法是对（
A .y t 1 2 x t u t C .y t 1 2 x t u t
B . fy(ixi)f(1 xi)2
xi ui f(xi) f(xi)
D .yif(xi)1f(xi)2xif(xi)uif(xi)
45、对模型进行对数变换,其原因是（ B ）
A.能使误差转变为绝对误差 B.能使误差转变为相对误差. C.更加符合经济意义 D.大多数经济现象可用对数模型表示
46、在修正异方差的方法中，不正确的是（ D ）
A. 广义差分法 C. 普通最小二乘法
）的一个特例 B. 广义最小二乘法. D. 两阶段最小二乘法
25、设 i 为随机误差项，则一阶自相关是指（ B ）
A .co t,s v ) 0 ((t s)
B .u tu t 1t
C .u t2 6、1 在u t序 1 列自2 相u t关 2 的情t况下，参数估计值D 仍.u 是t无偏2 的u t， 1 其原t因
B. Cochrane-Orcutt法 D. 移动平均法
36、违背零均值假定的原因是（
A.变量没有出现异常值
B
.
C.变量为正常波动
） B.变量出现了异常值
D.变量取值恒定不
37、在下列多重共线性产生的原因中，不正确的是（ D ）
A. 经济变量大多存在共同变化趋势 B. 模型中大量采用滞后变量 C. 由于认识上的局限使得选择变量不当 D. 解释变量与随机误差项相关.

计量经济学第四章练习题及参考解答

第四章练习题及参考解答4.1 假设在模型i i i iu X X Y +++=33221βββ中，32X X 与之间的相关系数为零，于是有人建议你进行如下回归：ii i i i i u X Y u X Y 23311221++=++=γγαα(1)是否存在3322ˆˆˆˆβγβα==且？为什么？ (2)111ˆˆˆβαγ会等于或或两者的某个线性组合吗？ (3)是否有()()()()3322ˆvar ˆvar ˆvar ˆvarγβαβ==且？练习题4.1参考解答：(1) 存在3322ˆˆˆˆβγβα==且。

因为()()()()()()()23223223232322ˆ∑∑∑∑∑∑∑--=iiiii iii iii x x x x x xx y x x y β当32X X 与之间的相关系数为零时，离差形式的032=∑i i x x有()()()()222223222322ˆˆαβ===∑∑∑∑∑∑iiiiiiii xx y x x x x y 同理有：33ˆˆβγ= (2) 111ˆˆˆβαγ会等于或的某个线性组合因为12233ˆˆˆY X X βββ=--，且122ˆˆY X αα=-，133ˆˆY X γγ=- 由于3322ˆˆˆˆβγβα==且，则 11222222ˆˆˆˆˆY Y X Y X X αααββ-=-=-=11333333ˆˆˆˆˆY Y X Y X X γγγββ-=-=-=则 1112233231123ˆˆˆˆˆˆˆY Y Y X X Y X X Y X X αγβββαγ--=--=--=+- (3) 存在()()()()3322ˆvar ˆvar ˆvar ˆvarγβαβ==且。

因为()()∑-=22322221ˆvarr x iσβ当023=r 时，()()()22222232222ˆvar 1ˆvar ασσβ==-=∑∑iixr x 同理，有()()33ˆvar ˆvar γβ=4.2在决定一个回归模型的“最优”解释变量集时人们常用逐步回归的方法。

《计量经济学》习题(第四章)

第四章习题一、单选题1、如果回归模型违背了同方差假定，最小二乘估计量＿＿＿＿A ．无偏的，非有效的 B.有偏的，非有效的C ．无偏的，有效的 D.有偏的，有效的2、Goldfeld-Quandt 方法用于检验＿＿＿＿A ．异方差性 B.自相关性C ．随机解释变量 D.多重共线性3、DW 检验方法用于检验＿＿＿＿A ．异方差性 B.自相关性C ．随机解释变量 D.多重共线性4、在异方差性情况下，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 D.加权最小二乘法5、在以下选项中，正确表达了序列自相关的是＿＿＿＿j i u x Cov D j i x x Cov C ji u u Cov B ji u u Cov A j i j i j i j i ≠≠≠≠≠=≠≠,0),(.,0),(.,0),(.,0),(.6、如果回归模型违背了无自相关假定，最小二乘估计量＿＿＿＿A ．无偏的，非有效的 B.有偏的，非有效的C ．无偏的，有效的 D.有偏的，有效的7、在自相关情况下，常用的估计方法＿＿＿＿A ．普通最小二乘法 B.广义差分法C ．工具变量法 D.加权最小二乘法8、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 D.多重共线性9、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 D.多重共线性10、简单相关系数矩阵方法主要用于检验＿＿＿＿A ．异方差性 B.自相关性C ．随机解释变量 D.多重共线性11、所谓异方差是指＿＿＿＿2222)(.)(.)(.)(.σσσσ==≠≠i i i i x Var D u Var C x Var B u Var A12、所谓不完全多重共线性是指存在不全为零的数k λλλ,,,21 ，有＿＿＿＿1112211221221122.0.0..k k k k k x x x k k k k A x x x v B x x x C x x x v e D x x x v e v λλλλλλλλλλλλ++++=+++=∑⎰++++=++++=式中是随机误差项13、设21,x x 为解释变量，则完全多重共线性是＿＿＿＿0.(021.0.021.22121121=+=++==+x x e x D v v x x C e x B x x A 为随机误差项） 14、广义差分法是对＿＿＿＿用最小二乘法估计其参数11211211121121)()1(....-------+-+-=-++=++=++=t t t t t t t t t t t t tt t u u x x y y D u x y C u x y B u x y A ρρβρβρρρβρβρββββ15、在DW 检验中要求有假定条件，在下列条件中不正确的是＿＿＿＿A ．解释变量为非随机的 B.随机误差项为一阶自回归形式C ．线性回归模型中不应含有滞后内生变量为解释变量D.线性回归模型为一元回归形式16、在下例引起序列自相关的原因中，不正确的是＿＿＿＿A.经济变量具有惯性作用B.经济行为的滞后性C.设定偏误D.解释变量之间的共线性17、在DW 检验中，当d 统计量为2时，表明＿＿＿＿A.存在完全的正自相关B.存在完全的负自相关C.不存在自相关D.不能判定18、在DW 检验中，当d 统计量为4时，表明＿＿＿＿A.存在完全的正自相关B.存在完全的负自相关C.不存在自相关D.不能判定19、在DW 检验中，当d 统计量为0时，表明＿＿＿＿A.存在完全的正自相关B.存在完全的负自相关C.不存在自相关D.不能判定20、在DW 检验中，存在不能判定的区域是＿＿＿＿A. 0﹤d ﹤l d ,4-l d ﹤d ﹤4B. u d ﹤d ﹤4-u dC. l d ﹤d ﹤u d ,4-u d ﹤d ﹤4-l dD. 上述都不对21、在修正序列自相关的方法中，能修正高阶自相关的方法是＿＿＿＿A. 利用DW 统计量值求出ρˆ B. Cochrane-Orcutt 法 C. Durbin 两步法 D. 移动平均法22、在下列多重共线性产生的原因中，不正确的是＿＿＿＿A.经济本变量大多存在共同变化趋势B.模型中大量采用滞后变量C.由于认识上的局限使得选择变量不当D.解释变量与随机误差项相关23、在DW 检验中，存在正自相关的区域是＿＿＿＿A. 4-l d ﹤d ﹤4B. 0﹤d ﹤l dC. u d ﹤d ﹤4-u dD. l d ﹤d ﹤u d ,4-u d ﹤d ﹤4-l d24、逐步回归法既检验又修正了＿＿＿＿A ．异方差性 B.自相关性 C ．随机解释变量 D.多重共线性25、设)()(,2221i i i i i i x f u Var u x y σσββ==++=，则对原模型变换的正确形式为＿＿＿＿ )()()()(.)()()()(.)()()()(..212222122121i i i i i i i i i i i i i i i i i i i i i i i i x f u x f x x f x f y D x f u x f x x f x f y C x f u x f x x f x f y B u x y A ++=++=++=++=ββββββββ26、在修正序列自相关的方法中，不正确的是＿＿＿＿A.广义差分法B.普通最小二乘法C.一阶差分法D. Durbin 两步法27、在检验异方差的方法中，不正确的是＿＿＿＿A. Goldfeld-Quandt 方法B. spearman 检验法C. White 检验法D. DW 检验法28、在DW 检验中，存在零自相关的区域是＿＿＿＿A. 4-l d ﹤d ﹤4B. 0﹤d ﹤l dC. u d ﹤d ﹤4-u dD. l d ﹤d ﹤u d ,4-u d ﹤d ﹤4-l d29．如果模型中的解释变量存在完全的多重共线性，参数的最小二乘估计量是（）A ．无偏的 B. 有偏的 C. 不确定 D. 确定的30. 已知模型的形式为u x y 21+β+β=,在用实际数据对模型的参数进行估计的时候,测得DW 统计量为0.6453,则广义差分变量是( )A. 1t t ,1t t x 6453.0x y 6453.0y ----B. 1t t 1t t x 6774.0x ,y 6774.0y ----C. 1t t 1t t x x ,y y ----D. 1t t 1t t x 05.0x ,y 05.0y ----31. 在具体运用加权最小二乘法时,如果变换的结果是x u x x x 1xy 21+β+β=,则Var(u)是下列形式中的哪一种?( )A. 2σxB. 2σ2x B. 2σx D. 2σLog(x)32. 在线性回归模型中,若解释变量1x 和2x 的观测值成比例,即有i 2i 1kx x =,其中k 为非零常数,则表明模型中存在( )A. 异方差B. 多重共线性C. 序列自相关D. 设定误差33. 已知DW 统计量的值接近于2，则样本回归模型残差的一阶自相关系数ρˆ近似等于( ) A. 0 B. –1 C. 1 D. 4二、多项选择1、能够检验多重共线性的方法有＿＿＿＿A.简单相关系数法B. DW 检验法C. 判定系数检验法D. 方差膨胀因子检验E.逐步回归法3、能够修正多重共线性的方法有＿＿＿＿A.增加样本容量B.岭回归法C.剔除多余变量D.逐步回归法E.差分模型3、如果模型中存在异方差现象，则会引起如下后果＿＿＿＿A. 参数估计值有偏B. 参数估计值的方差不能正确确定C. 变量的显著性检验失效D. 预测精度降低E. 参数估计值仍是无偏的4、能够检验异方差的方法是＿＿＿＿A. gleiser检验法B. White检验法C. 图形法D. spearman检验法E. DW检验法F. Goldfeld-Quandt检验法5、如果模型中存在序列自相关现象，则会引起如下后果＿＿＿＿A. 参数估计值有偏B. 参数估计值的方差不能正确确定C. 变量的显著性检验失效D. 预测精度降低E. 参数估计值仍是无偏的6、检验序列自相关的方法是＿＿＿＿A. gleiser检验法B. White检验法C. 图形法D. DW检验法E. Goldfeld-Quandt检验法7、能够修正序列自相关的方法有＿＿＿＿A. 加权最小二乘法B. Durbin两步法C.广义最小二乘法D. 一阶差分法E.广义差分法8、Goldfeld-Quandt检验法的应用条件是＿＿＿＿A. 将观测值按解释变量的大小顺序排列B. 样本容量尽可能大C. 随机误差项服从正态分布D. 将排列在中间的约1/4的观测值删除掉9、在DW检验中，存在不能判定的区域是＿＿＿＿A. 0﹤d﹤l dB. u d﹤d﹤4-u dC. l d﹤d﹤u dD. 4-u d﹤d﹤4-l dE. 4-l d﹤d﹤4。

计量经济学课后答案第四、五章（内容参考）

计量经济学课后答案第四、五章（内容参考）第四章随机解释变量问题1. 随机解释变量的来源有哪些?答：随机解释变量的来源有：经济变量的不可控，使得解释变量观测值具有随机性；由于随机干扰项中包括了模型略去的解释变量，而略去的解释变量与模型中的解释变量往往是相关的；模型中含有被解释变量的滞后项，而被解释变量本身就是随机的。

2．随机解释变量有几种情形? 分情形说明随机解释变量对最小二乘估计的影响与后果?答：随机解释变量有三种情形，不同情形下最小二乘估计的影响和后果也不同。

(1)解释变量是随机的，但与随机干扰项不相关；这时采用OLS估计得到的参数估计量仍为无偏估计量；(2)解释变量与随机干扰项同期无关、不同期相关；这时OLS估计得到的参数估计量是有偏但一致的估计量；(3)解释变量与随机干扰项同期相关；这时OLS估计得到的参数估计量是有偏且非一致的估计量。

3. 选择作为工具变量的变量必须满足那些条件?答：选择作为工具变量的变量需满足以下三个条件：(1)与所替代的随机解释变量高度相关；(2)与随机干扰项不相关；(3)与模型中其他解释变量不相关，以避免出现多重共线性。

4．对模型Y t =β+β1X1t+β2X2t+β3Yt-1+μt假设Yt-1与μt相关。

为了消除该相关性，采用工具变量法：先求Y t关于X1t与 X2t回归，得到Yt，再做如下回归：Y t =β+β1X1t+β2X2t+β3Y t?1-+μt试问：这一方法能否消除原模型中Yt的相关性? 为什么?解答：能消除。

在基本假设下，X1t，X2t与μt应是不相关的，由此知，由X1t 与X2t估计出的Yt应与μt不相关。

5．对于一元回归模型Y t =β+β1Xt*+μt假设解释变量Xt *的实测值Xt与之有偏误：Xt= Xt*+et,其中et是具有零均值、无序列相关，且与Xt不相关的随机变量。

试问：(1) 能否将X t= X t*+e t代入原模型，使之变换成Y t=β0+β1X t+νt后进行估计? 其中，νt为变换后模型的随机干扰项。

计量经济学第4章课后答案

17CHAPTER 4SOLUTIONS TO PROBLEMS4.2 (i) and (iii) generally cause the t statistics not to have a t distribution under H 0.Homoskedasticity is one of the CLM assumptions. An important omitted variable violates Assumption MLR.3. The CLM assumptions contain no mention of the sample correlations among independent variables, except to rule out the case where the correlation is one.4.3 (i) While the standard error on hrsemp has not changed, the magnitude of the coefficient has increased by half. The t statistic on hrsemp has gone from about –1.47 to –2.21, so now the coefficient is statistically less than zero at the 5% level. (From Table G.2 the 5% critical value with 40 df is –1.684. The 1% critical value is –2.423, so the p -value is between .01 and .05.)(ii) If we add and subtract 2βlog(employ ) from the right-hand-side and collect terms, we havelog(scrap ) = 0β + 1βhrsemp + [2βlog(sales) – 2βlog(employ )] + [2βlog(employ ) + 3βlog(employ )] + u = 0β + 1βhrsemp + 2βlog(sales /employ ) + (2β + 3β)log(employ ) + u ,where the second equality follows from the fact that log(sales /employ ) = log(sales ) – log(employ ). Defining 3θ ≡ 2β + 3β gives the result.(iii) No. We are interested in the coefficient on log(employ ), which has a t statistic of .2, which is very small. Therefore, we conclude that the size of the firm, as measured by employees, does not matter, once we control for training and sales per employee (in a logarithmic functional form).(iv) The null hypothesis in the model from part (ii) is H 0:2β = –1. The t statistic is [–.951 – (–1)]/.37 = (1 – .951)/.37 ≈ .132; this is very small, and we fail to reject whether we specify a one- or two-sided alternative.4.4 (i) In columns (2) and (3), the coefficient on profmarg is actually negative, although its t statistic is only about –1. It appears that, once firm sales and market value have been controlled for, profit margin has no effect on CEO salary.(ii) We use column (3), which controls for the most factors affecting salary. The t statistic on log(mktval ) is about 2.05, which is just significant at the 5% level against a two-sided alternative.18(We can use the standard normal critical value, 1.96.) So log(mktval ) is statistically significant. Because the coefficient is an elasticity, a ceteris paribus 10% increase in market value is predicted to increase salary by 1%. This is not a huge effect, but it is not negligible, either.(iii) These variables are individually significant at low significance levels, with t ceoten ≈ 3.11 and t comten ≈ –2.79. Other factors fixed, another year as CEO with the company increases salary by about 1.71%. On the other hand, another year with the company, but not as CEO, lowers salary by about .92%. This second finding at first seems surprising, but could be related to the “superstar” effect: firms that hire CEOs from outside the company often go after a small pool of highly regarded candidates, and salaries of these people are bid up. More non-CEO years with a company makes it less likely the person was hired as an outside superstar.4.7 (i) .412 ± 1.96(.094), or about .228 to .596.(ii) No, because the value .4 is well inside the 95% CI.(iii) Yes, because 1 is well outside the 95% CI.4.8 (i) With df = 706 – 4 = 702, we use the standard normal critical value (df = ∞ in Table G.2), which is 1.96 for a two-tailed test at the 5% level. Now t educ = −11.13/5.88 ≈ −1.89, so |t educ | = 1.89 < 1.96, and we fail to reject H 0: educ β = 0 at the 5% level. Also, t age ≈ 1.52, so age is also statistically insignificant at the 5% level.(ii) We need to compute the R -squared form of the F statistic for joint significance. But F = [(.113 − .103)/(1 − .113)](702/2) ≈ 3.96. The 5% critical value in the F 2,702 distribution can be obtained from Table G.3b with denominator df = ∞: cv = 3.00. Therefore, educ and age are jointly significant at the 5% level (3.96 > 3.00). In fact, the p -value is about .019, and so educ and age are jointly significant at the 2% level.(iii) Not really. These variables are jointly significant, but including them only changes the coefficient on totwrk from –.151 to –.148.(iv) The standard t and F statistics that we used assume homoskedasticity, in addition to the other CLM assumptions. If there is heteroskedasticity in the equation, the tests are no longer valid.4.11 (i) Holding profmarg fixed, n rdintensΔ = .321 Δlog(sales ) = (.321/100)[100log()sales ⋅Δ] ≈ .00321(%Δsales ). Therefore, if %Δsales = 10, n rdintens Δ ≈ .032, or only about 3/100 of a percentage point. For such a large percentage increase in sales,this seems like a practically small effect.(ii) H 0:1β = 0 versus H 1:1β > 0, where 1β is the population slope on log(sales ). The t statistic is .321/.216 ≈ 1.486. The 5% critical value for a one-tailed test, with df = 32 – 3 = 29, is obtained from Table G.2 as 1.699; so we cannot reject H 0 at the 5% level. But the 10% criticalvalue is 1.311; since the t statistic is above this value, we reject H0 in favor of H1 at the 10% level.(iii) Not really. Its t statistic is only 1.087, which is well below even the 10% critical value for a one-tailed test.1920SOLUTIONS TO COMPUTER EXERCISESC4.1 (i) Holding other factors fixed,111log()(/100)[100log()](/100)(%),voteA expendA expendA expendA βββΔ=Δ=⋅Δ≈Δwhere we use the fact that 100log()expendA ⋅Δ ≈ %expendA Δ. So 1β/100 is the (ceteris paribus) percentage point change in voteA when expendA increases by one percent.(ii) The null hypothesis is H 0: 2β = –1β, which means a z% increase in expenditure by A and a z% increase in expenditure by B leaves voteA unchanged. We can equivalently write H 0: 1β + 2β = 0.(iii) The estimated equation (with standard errors in parentheses below estimates) isn voteA = 45.08 + 6.083 log(expendA ) – 6.615 log(expendB ) + .152 prtystrA(3.93) (0.382) (0.379) (.062) n = 173, R 2 = .793.The coefficient on log(expendA ) is very significant (t statistic ≈ 15.92), as is the coefficient on log(expendB ) (t statistic ≈ –17.45). The estimates imply that a 10% ceteris paribus increase in spending by candidate A increases the predicted share of the vote going to A by about .61percentage points. [Recall that, holding other factors fixed, n voteAΔ≈(6.083/100)%ΔexpendA ).] Similarly, a 10% ceteris paribus increase in spending by B reduces n voteAby about .66 percentage points. These effects certainly cannot be ignored.While the coefficients on log(expendA ) and log(expendB ) are of similar magnitudes (andopposite in sign, as we expect), we do not have the standard error of 1ˆβ + 2ˆβ, which is what we would need to test the hypothesis from part (ii).(iv) Write 1θ = 1β +2β, or 1β = 1θ– 2β. Plugging this into the original equation, and rearranging, givesn voteA = 0β + 1θlog(expendA ) + 2β[log(expendB ) – log(expendA )] +3βprtystrA + u ,When we estimate this equation we obtain 1θ≈ –.532 and se( 1θ)≈ .533. The t statistic for the hypothesis in part (ii) is –.532/.533 ≈ –1. Therefore, we fail to reject H 0: 2β = –1β.21C4.3 (i) The estimated model isn log()price = 11.67 + .000379 sqrft + .0289 bdrms (0.10) (.000043) (.0296)n = 88, R 2 = .588.Therefore, 1ˆθ= 150(.000379) + .0289 = .0858, which means that an additional 150 square foot bedroom increases the predicted price by about 8.6%.(ii) 2β= 1θ – 1501β, and solog(price ) = 0β+ 1βsqrft + (1θ – 1501β)bdrms + u= 0β+ 1β(sqrft – 150 bdrms ) + 1θbdrms + u .(iii) From part (ii), we run the regressionlog(price ) on (sqrft – 150 bdrms ), bdrms ,and obtain the standard error on bdrms . We already know that 1ˆθ= .0858; now we also getse(1ˆθ) = .0268. The 95% confidence interval reported by my software package is .0326 to .1390(or about 3.3% to 13.9%).C4.5 (i) If we drop rbisyr the estimated equation becomesn log()salary = 11.02 + .0677 years + .0158 gamesyr (0.27) (.0121) (.0016)+ .0014 bavg + .0359 hrunsyr (.0011) (.0072)n = 353, R 2= .625.Now hrunsyr is very statistically significant (t statistic ≈ 4.99), and its coefficient has increased by about two and one-half times.(ii) The equation with runsyr , fldperc , and sbasesyr added is22n log()salary = 10.41 + .0700 years + .0079 gamesyr(2.00) (.0120) (.0027)+ .00053 bavg + .0232 hrunsyr (.00110) (.0086)+ .0174 runsyr + .0010 fldperc – .0064 sbasesyr (.0051) (.0020) (.0052) n = 353, R 2 = .639.Of the three additional independent variables, only runsyr is statistically significant (t statistic = .0174/.0051 ≈ 3.41). The estimate implies that one more run per year, other factors fixed,increases predicted salary by about 1.74%, a substantial increase. The stolen bases variable even has the “wrong” sign with a t statistic of about –1.23, while fldperc has a t statistic of only .5. Most major league baseball players are pretty good fielders; in fact, the smallest fldperc is 800 (which means .800). With relatively little variation in fldperc , it is perhaps not surprising that its effect is hard to estimate.(iii) From their t statistics, bavg , fldperc , and sbasesyr are individually insignificant. The F statistic for their joint significance (with 3 and 345 df ) is about .69 with p -value ≈ .56. Therefore, these variables are jointly very insignificant.C4.7 (i) The minimum value is 0, the maximum is 99, and the average is about 56.16. (ii) When phsrank is added to (4.26), we get the following:n log() wage = 1.459 − .0093 jc + .0755 totcoll + .0049 exper + .00030 phsrank (0.024) (.0070) (.0026) (.0002) (.00024)n = 6,763, R 2 = .223So phsrank has a t statistic equal to only 1.25; it is not statistically significant. If we increase phsrank by 10, log(wage ) is predicted to increase by (.0003)10 = .003. This implies a .3% increase in wage , which seems a modest increase given a 10 percentage point increase in phsrank . (However, the sample standard deviation of phsrank is about 24.)(iii) Adding phsrank makes the t statistic on jc even smaller in absolute value, about 1.33, but the coefficient magnitude is similar to (4.26). Therefore, the base point remains unchanged: the return to a junior college is estimated to be somewhat smaller, but the difference is not significant and standard significant levels.(iv) The variable id is just a worker identification number, which should be randomly assigned (at least roughly). Therefore, id should not be correlated with any variable in the regression equation. It should be insignificant when added to (4.17) or (4.26). In fact, its t statistic is about .54.23C4.9 (i) The results from the OLS regression, with standard errors in parentheses, aren log() psoda =−1.46 + .073 prpblck + .137 log(income ) + .380 prppov (0.29) (.031) (.027) (.133)n = 401, R 2 = .087The p -value for testing H 0: 10β= against the two-sided alternative is about .018, so that we reject H 0 at the 5% level but not at the 1% level.(ii) The correlation is about −.84, indicating a strong degree of multicollinearity. Yet eachcoefficient is very statistically significant: the t statistic for log()ˆincome β is about 5.1 and that forˆprppovβ is about 2.86 (two-sided p -value = .004).(iii) The OLS regression results when log(hseval ) is added aren log() psoda =−.84 + .098 prpblck − .053 log(income ) (.29) (.029) (.038) + .052 prppov + .121 log(hseval ) (.134) (.018)n = 401, R 2 = .184The coefficient on log(hseval ) is an elasticity: a one percent increase in housing value, holding the other variables fixed, increases the predicted price by about .12 percent. The two-sided p -value is zero to three decimal places.(iv) Adding log(hseval ) makes log(income ) and prppov individually insignificant (at even the 15% significance level against a two-sided alternative for log(income ), and prppov is does not have a t statistic even close to one in absolute value). Nevertheless, they are jointly significant at the 5% level because the outcome of the F 2,396 statistic is about 3.52 with p -value = .030. All of the control variables – log(income ), prppov , and log(hseval ) – are highly correlated, so it is not surprising that some are individually insignificant.(v) Because the regression in (iii) contains the most controls, log(hseval ) is individually significant, and log(income ) and prppov are jointly significant, (iii) seems the most reliable. It holds fixed three measure of income and affluence. Therefore, a reasonable estimate is that if the proportion of blacks increases by .10, psoda is estimated to increase by 1%, other factors held fixed.。

《计量经济学》第四章练习题

一、单项选择题（每题2分）1、完全的多重共线性是指解释变量的数据矩阵的秩（）（A ）大于k （B ）小于k（C ）等于k （D ）等于k+12、当模型存在严重的多重共线性时，OLS 估计量将不具备（）（A ）线性（B ）无偏性（C ）有效性（D ）一致性3、如果每两个解释变量的简单相关系数比较高，大于（）时则可认为存在着较严重的多重共线性。

（A ）0.5 （B ）0.6（C ）0.7 （D ）0.84、方差扩大因子VIF j 可用来度量多重共线性的严重程度，经验表明，VIF j （）时，说明解释变量与其余解释变量间有严重的多重共线性。

（A ）小于5 （B ）大于1（C ）小于1 （D ）大于105、对于模型01122i i i i y x x u βββ=+++，与r 23等于0相比，当r 23等于0.5时，3ˆβ的方差将是原来的（）（A ）2倍（B ）1.5倍（C ）1.33倍（D ）1.25倍6、无多重共线性是指数据矩阵的秩（）（A ）小于k （B ）等于k（C ）大于k （D ）等于k+17、无多重共线性假定是假定各解释变量之间不存在（）（A ）线性关系（B ）非线性关系（C ）自相关（D ）异方差8、经济变量之间具有共同变化的趋势时，由其构建的计量经济模型易产生（）（A ）异方差（B ）自相关（C ）多重共线性（D ）序列相关9、完全多重共线性产生的后果包括参数估计量的方差（）（A ）增大（B ）减小（C ）无穷大（D ）无穷小10、不完全多重共线性产生的后果包括参数估计量的方差（）（A ）增大（B ）减小（C ）无穷大（D ）无穷小11、不完全多重共线性下，对参数区间估计时，置信区间趋于（）（A ）变大（B ）变小（C ）不变（D ）难以估计12、较高的简单相关系数是多重共线性存在的（）（A ）必要条件（B ）充分条件（C ）充要条件（D ）并非条件13、方差扩大因子VIF j 是由辅助回归的可决系数R j 2计算而得，R j 2越大，方差扩大因子VIF j 就（）（A ）越大（B ）越小（C）不变（D）无关14、解释变量间的多重共线性越弱，方差扩大因子VIF j就越接近于（）（A）1 （B）2（C）0 （D）1015、多重共线性是一个（）（A）样本特性（B）总体特性（C）模型特性（D）以上皆不对二、多项选择题1、多重共线性包括（）（A）完全的多重共线性（B）不完全的多重共线性（C）解释变量间精确的线性关系（D）解释变量间近似的线性关系（E）非线性关系2、多重共线性产生的经济背景主要由（）（A）经济变量之间具有共同变化趋势（B）模型中包含滞后变量（C）采用截面数据（D）样本数据自身的原因3、多重共线性检验的方法包括（）（A）简单相关系数检验法（B）方差扩大因子法（C）直观判断法（D）逐步回归法（E）DW检验法4、修正多重共线性的经验方法包括（）（A）剔除变量法（B）增大样本容量（C）变换模型形式（D）截面数据与时间序列数据并用（E）变量变换5、严重的多重共线性常常会出现下列情形（）（A）适用OLS得到的回归参数估计值不稳定（B）回归系数的方差增大（C）回归方程高度显著的情况下，有些回归系数通不过显著性检验（D）回归系数的正负号得不到合理的经济解释三、名词解释（每题4分）1、多重共线性2、完全的多重共线性3、辅助回归4、方差扩大因子VIF j5、逐步回归法6、不完全的多重共线性四、简答题（每题5分）1、多重共线性的实质是什么？2、为什么会出现多重共线性？3、多重共线性对回归参数的估计有何影响？4、判断是否存在多重共线性的方法有那些？5、针对多重共线性采取的补救措施有那些？6、具有严重多重共线性的回归方程能否用来进行预测？五、辨析题1、在高度多重共线性的情形中，要评价一个或多个偏回归系数的单个显著性是不可能的。

计量经济学第四章练习题及参考解答

第四章练习题及参考解答4.1 假设在模型i i i i u X X Y +++=33221βββ中，32X X 与之间的相关系数为零，于是有人建议你进行如下回归：ii i i i i u X Y u X Y 23311221++=++=γγαα(1)是否存在3322ˆˆˆˆβγβα==且？为什么？ (2)111ˆˆˆβαγ会等于或或两者的某个线性组合吗？ (3)是否有()()()()3322ˆvar ˆvar ˆvar ˆvar γβαβ==且？练习题4.1参考解答：(1) 存在3322ˆˆˆˆβγβα==且。

因为()()()()()()()23223223232322ˆ∑∑∑∑∑∑∑--=iiiii iii iii x x x x x x x y x x y β当32X X 与之间的相关系数为零时，离差形式的032=∑i ix x有()()()()222223222322ˆˆαβ===∑∑∑∑∑∑iiiiiiii xx y x x x x y 同理有：33ˆˆβγ= (2) 111ˆˆˆβαγ会等于或的某个线性组合因为 12233ˆˆˆY X X βββ=--，且122ˆˆY X αα=-，133ˆˆY X γγ=- 由于3322ˆˆˆˆβγβα==且，则 11222222ˆˆˆˆˆY Y X Y X X αααββ-=-=-= 11333333ˆˆˆˆˆY Y X Y X X γγγββ-=-=-= 则 1112233231123ˆˆˆˆˆˆˆY Y Y X X Y X X Y X X αγβββαγ--=--=--=+- (3) 存在()()()()3322ˆvar ˆvar ˆvar ˆvar γβαβ==且。

因为()()∑-=22322221ˆvar r x iσβ当023=r 时，()()()22222232222ˆvar 1ˆvar ασσβ==-=∑∑iixr x 同理，有()()33ˆvar ˆvar γβ=4.2在决定一个回归模型的“最优”解释变量集时人们常用逐步回归的方法。

计量经济学第四章习题

地区农业总产农作物种植
值
面积
湖北 921.6 省
7155.9
湖南 874.0 省
7886.2ຫໍສະໝຸດ 广东 960.0 省4808.0
广西 623.1
6368.2
海南省
重庆市
四川省
贵州省
云南省
西藏
170.9 333.0 987.7 317.7 516.9 26.6
826.9 3435.3 9387.5 4695.0 5890.0 231.2
试问：
(1) 当设定模型为相关？
时，是否存在序列
(2) 若按一阶自相关假设，试用杜宾两步法与广义最小二乘法估计原模型。
(3) 采用差分形式与作为新数据，估计模型，该模型是否存在序列相关？
15. 对于线性回归模型：，已知为一阶自回归形式：，要求：证明的估计值为：
16. 某上市公司的子公司的年销售额与其总公司年销售额的观测数据如下：
1550
2400
24350
10
1500
2600
26860
11. 2004年全国31个省市自治区农业总产值(亿元)和农作物播种面积(万亩)数据（数据来源：《中国统计年鉴 2005》）如下表所示：
地区
北京市
天津市
河北省
山西省
内蒙古
辽宁省
吉林省
黑龙江
上海市
江苏省
浙江省
安徽省
农业总产值
(1) (2)
(3)
19. 为研究劳动力在制造业中所占比率的变动趋势，根据美国1949～1964年的年度数据，得以下两种回归模型结果：
模型A：模型B：其中：Y为劳动力比率，t为时间。括号中的数字是t检验值。要求：

第四章练习题及参考解答(第四版)计量经济学

第四章练习题及参考解答4.1 假设在模型i i i i u X X Y +++=33221βββ中，32X X 与之间的相关系数为零，有人建议你分别进行如下回归：1221i i i Y X u αα=++ 1332i i i Y X u γγ=++(1) 是否存在3322ˆˆˆˆβγβα==且？为什么？ (2) 1ˆβ会等于1ˆα或1ˆγ或者两者的某个线性组合吗？ (3) 是否有()()22ˆˆVar Var βα=且()()33ˆˆVar Var βγ=？【练习题4.1参考解答】(1) 存在2233ˆˆˆˆαβγβ==且。

因为 ()()()()()()()22332322222323ˆi iii ii iiii iy x x y x x x x x x x β-=-∑∑∑∑∑∑∑当23X X 与之间的相关系数为零时，离差形式的230i ix x =∑有 ()()()()223222222223ˆˆi i ii i iiiy x x y x xx x βα===∑∑∑∑∑∑ 同理有： 33ˆˆγβ= (2)会的。

(3) 存在 ()()()()2233ˆˆˆˆvar var var var βαβγ==且因为 ()()2222223ˆvar 1ix r σβ=-∑当 230r = 时， ()()()22222222223ˆˆvar var 1iix x r σσβα===-∑∑ 同理，有 ()()33ˆˆvar var βγ=4.2 表4.4给出了1995—2016年中国商品进口额Y 、国生产总值GDP 、居民消费价格指数CPI 的数据。

表4.4 中国商品进口额、国生产总值、居民消费价格指数资料来源：《中国统计年鉴2017》考虑建立模型： i t t t u CPI GDP Y ++=ln ln ln 321βββ＋ (1)利用表中数据估计此模型的参数。

(2)你认为数据中有多重共线性吗？(3)进行以下回归：121ln ln t t i Y A A GDP v =+＋ 122ln ln t t i Y B B CPI v =+＋ 123ln ln t t i GDP C C CPI v =++ 根据这些回归你能对多重共线性的性质有什么认识?(4)假设经检验数据有多重共线性，但模型中32ˆˆββ和在5%水平上显著，并且F 检验也显著，你对此模型的应用有何建议?【练习题4.2参考解答】建立模型： i t t t u CPI GDP Y ++=ln ln ln 321βββ＋ (1)利用表中数据估计此模型的参数。

《计量经济学》第3章、第4章课后题答案

第三、四章习题09国贸1班张继云 1403.31）为分析家庭书刊年消费支出（Y）对家庭月平均收入（X）与户主受教育年数（T）的关系，做如图所示的线形图。

建立多元线性回归模型为Y i=β1+β2X+β3T+μi2) 假定所建立模型中的随机扰动项μi满足各项古典假设，用OLS法估计其参数，得到的回归结果如下。

可用规范形式将参数估计和检验结果写为Y = -50.01638+0.086450X+52.37031T（49.46026）（0.029363）（5.202167）t=（-1.011244）（2.944186）（10.06702）R2=0.951235 F=146.2974 n=183）对回归系数β3的t检验：针对H0：β3=0和H1：β3≠0，由回归结果中还可以看出，估计的回归系数β3的标准误差和t值分别为：SE(β3)= 5.202167, t(β3)= 10.6702。

当α=0.05时，查t分布表得自由度n-3=18-3=15的临界值t0.025（15）=2.131。

因为t(β1)= 10.6702> t0.025（16）=2.131,所以应该拒绝H0：β2=0。

这表明户主受教育年数对家庭书刊年消费支出有显著性影响。

4）所估计的模型的经济意义是当户主受教育年数保持不变时，家庭月平均收入每增加一元时将导致家庭书刊年消费支出增加0.086450元。

而当家庭月平均收入保持不变时，户主受教育年数每增加一年时将导致家庭书刊年消费支出增加52.37031元。

此模型可用于预测将来的家庭书刊年消费支出。

4.31）假定所建立模型中的随机扰动项μi满足各项古典假设，用OLS法估计其参数，得到的回归结果如下。

可用规范形式将参数估计和检验结果写为LnY t = -3.060638+1.056682lnGDP t－1.656536lnCPI t（0.337331）(0.092174) （0.214570）t = (-9.073096) (17.97182) （-4.924656）R2=0.992222 F=1275.739 n=232）数据中有多重共线性，居民消费价格指数的回归系数的符号不能进行合理的经济意义解释，且其简单相关系数呈现正向变动。

计量经济学第二版第四章课后习题答案

4.31)建立经济模型：i t t t CPI GDP Y μβββ+++=ln ln ln 321其中 Y 表示为商品进口额，GDP 表示为国内生产总值，CPI 表示为居民消费价格指数。

模型参数估计结果：t t t CPI GDP Y ln 057053.1ln 656674.1060149.3ln -+-=（0.337427）（0.092206）（0.214647）t= (-9.069059) (17.96703) (-4.924618)992218.02=R 991440.02=RF=1275.093(2)居民消费价格指数的回归系数的符号不能进行合理的经济意义解释，且CPI 与进口之间的简单相关系数呈现正向变动。

可能数据中有多重共线性。

计算相关系数:从上图可知， GDP 与CPI 之间存在较高的线性相关。

3）已知：i t t GDP A A Y 121ln ln μ++= i t t CPI B B Y 221ln ln μ++= i t t CPI C C GDP 321ln ln μ++=对以上三个模型分别进行回归，结果如下：t t GDP Y ln 218573.1090667.4ln +-=（0.384252） (0.035196)t= (-10.64579) (34.62222)982783.02=R 981963.02=R F=1198.698t t CPI Y ln 253662.1442420.5ln +-=（1.253662） (0.228046)t= (-4.341218) (11.68091)866619.02=R 860268.02=R F=136.4437t t CPI GDP 245971.2437984.1ln +-=（0.734328） (0.133577)t= (-1.958231) (16.81400)930855.02=R 927563.02=R F=282.7107单方程拟合效果都很好，回归系数显著，可决系数较高，GDP 和CPI 对进口分别有显著的单一影响，在这两个变量同时引入模型时影响方向发生了改变，这只有通过相关系数的分析才能发现。

计量经济学第四章习题(龚志民)fixed

第四章多元线性回归模型的估计与假设检验问题4.1什么是偏回归系数？答：在总体回归函数12233k k Y X X X u ββββ=+++++中，系数2,,k ββ被称为斜率系数或偏回归系数。

（多元样本回归函数的系数亦称偏回归系数）4.2什么是完全多重共线性？什么是高度共线性（近似完全共线性）？答：对于解释变量123,,...k X X X X ，如果存在不全为0的数123,,...k λλλλ，使得112233...0k k X X X X λλλλ++++=则称解释变量之间存在着完全的多重共线性。

如果解释变量123,,...k X X X X 之间存在较大的相关性，但又不是完全共线性，则称解释变量之间存在不完全多重共线性。

4.3 多元回归方程中偏回归系数与一元回归方程中回归系数的含义有何差别？答：相同点：两者都表示当X 每变化一单位时，Y 的均值的变化。

不同点：偏回归系数是表示当其他解释变量不变时，这一解释变量对被解释变量的影响。

而回归系数则不存在其他解释变量，也就不需要对其他变量进行限制。

4.4 几个变量“联合显著”的含义是什么？答：联合显著的含义是，几个变量作为一个集体是显著的。

即在它们的系数同时为0的假设下，统计量超过临界值。

直观的意义是，它们的系数同时为零的可能性很小。

习题4.5下表中的数据23,,Y X X 分别表示每周销售量，每周的广告投入和每周顾客的平均收入（见DATA4-5）（1）估计回归方程12233()E Y X X βββ=++。

（2）计算拟合优度。

（3）计算校正拟合优度。

（4）计算2β的置信区间（置信水平为95%）。

（5）检验假设03H :0β=（备择假设13H :0β≠，显著性水平为5%）（6）检验假设03H :0β=（备择假设13H :0β>，显著性水平为5%）（7）检验建设023H :0ββ==（显著性水平为5%）。

答：（1）由eviews6.0输出结果：可知1ˆ109.4β=，23ˆˆ2.835714, 5.125714ββ== 回归方程为：23()109.4 2.835714 5.125714E Y X X =++（2）由输出结果可以得到拟合优度为0.910086。

第四章练习题及参考解答(第四版)计量经济学

因为 ()()()()()()()22332322222323ˆi iii ii iiii iy x x y x x xx x x x β-=-∑∑∑∑∑∑∑当23X X 与之间的相关系数为零时，离差形式的230i ixx =∑有 ()()()()223222222223ˆˆi i i i i iiiy x x y x xx x βα===∑∑∑∑∑∑ 同理有： 33ˆˆγβ= (2)会的。

(3) 存在 ()()()()2233ˆˆˆˆvar var var var βαβγ==且因为 ()()2222223ˆvar 1ix r σβ=-∑当 230r = 时， ()()()22222222223ˆˆvar var 1iix x r σσβα===-∑∑ 同理，有 ()()33ˆˆvar var βγ=4.2 表4.4给出了1995—2016年中国商品进口额Y 、国内生产总值GDP 、居民消费价格指数CPI 的数据。

表4.4 中国商品进口额、国内生产总值、居民消费价格指数资料来源：《中国统计年鉴2017》考虑建立模型： i t t t u CPI GDP Y ++=ln ln ln 321βββ＋ (1)利用表中数据估计此模型的参数。

计量经济学第四章习题(龚志民)fixed

如果解释变量123,,...k X X X X 之间存在较大的相关性，但又不是完全共线性，则称解释变量之间存在不完全多重共线性。

4.3 多元回归方程中偏回归系数与一元回归方程中回归系数的含义有何差别？答：相同点：两者都表示当X 每变化一单位时，Y 的均值的变化。

不同点：偏回归系数是表示当其他解释变量不变时，这一解释变量对被解释变量的影响。

而回归系数则不存在其他解释变量，也就不需要对其他变量进行限制。

4.4 几个变量“联合显著”的含义是什么？答：联合显著的含义是，几个变量作为一个集体是显著的。

即在它们的系数同时为0的假设下，统计量超过临界值。

直观的意义是，它们的系数同时为零的可能性很小。

习题4.5下表中的数据23,,Y X X 分别表示每周销售量，每周的广告投入和每周顾客的平均收入（见DATA4-5）（1）估计回归方程12233()E Y X X βββ=++。

（2）计算拟合优度。

（3）计算校正拟合优度。

（4）计算2β的置信区间（置信水平为95%）。