计量经济学第四章习题详解word精品
【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。
计量经济学(第四版)习题及参考答案解析详细版
计量经济学（第四版）习题参考答案潘省初第一章 绪论1.1 试列出计量经济分析的主要步骤。
一般说来，计量经济分析按照以下步骤进行：（1）陈述理论（或假说） （2）建立计量经济模型 （3）收集数据 （4）估计参数 （5）假设检验 （6）预测和政策分析 1.2 计量经济模型中为何要包括扰动项?为了使模型更现实，我们有必要在模型中引进扰动项u 来代表所有影响因变量的其它因素，这些因素包括相对而言不重要因而未被引入模型的变量，以及纯粹的随机因素。
1.3什么是时间序列和横截面数据? 试举例说明二者的区别。
时间序列数据是按时间周期（即按固定的时间间隔）收集的数据，如年度或季度的国民生产总值、就业、货币供给、财政赤字或某人一生中每年的收入都是时间序列的例子。
横截面数据是在同一时点收集的不同个体（如个人、公司、国家等）的数据。
如人口普查数据、世界各国2000年国民生产总值、全班学生计量经济学成绩等都是横截面数据的例子。
1.4估计量和估计值有何区别？估计量是指一个公式或方法，它告诉人们怎样用手中样本所提供的信息去估计总体参数。
在一项应用中，依据估计量算出的一个具体的数值，称为估计值。
如Y就是一个估计量，1nii YY n==∑。
现有一样本，共4个数，100，104，96，130，则根据这个样本的数据运用均值估计量得出的均值估计值为5.107413096104100=+++。
第二章 计量经济分析的统计学基础2.1 略，参考教材。
2.2请用例2.2中的数据求北京男生平均身高的99％置信区间NS S x ==45=1.25 用α=0.05，N-1=15个自由度查表得005.0t =2.947，故99%置信限为 x S t X 005.0± =174±2.947×1.25=174±3.684也就是说，根据样本，我们有99%的把握说，北京男高中生的平均身高在170.316至177.684厘米之间。
(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。
计量经济学第二版第四章课后习题
第四章课后习题 4.1 解1）存在22βˆαˆ=且33βˆγˆ=。
因为2X 和3X 之间的相关系数为零，即2X 和3X 相互之间不存在线性关系，两者是相互独立的，所以分别一元回归和二元回归两者的系数都不会发生变化。
利用公式证明如下：2）会。
3）如第一问解释，22βˆαˆ=，33βˆγˆ=是成立的，所以存在)αˆ()βˆ(22Var Var =，)αˆ()βˆ(33Var Var =。
4.2 解：根据我对多重共线性的认识，我认为任何一种逐步回归都存在弊端。
根据课本上对多重共线性的定义，不仅包括解释变量之间精确的线性关系，还包括解释变量之间近似的线性关系。
而逐步回归法是通过逐步筛选并剔除引起多重共线性的变量。
所以在采用逐步回归法时，难免会出现一些不符合要求的变量被剔除的情况，此变量岁引起多重共线性，但其对被解释变量也有一定的影响，直接剔除就是忽略其的影响，使得回归结果不够精确。
误差增大。
4.3解：将数据输入到Eviews中，可得如下图所示：图1注释：X2表示国内生产总值GDP，X3表示居民消费价格指数CPI。
利用软件，采用最小二乘法进行回归，结果如下图所示：图2 建立回归模型如下：i t X X Y μβββ＋＋＋33221ln ln ln =1）从回归结果中，可知此模型的参数1β=﹣3.06015，2β=1.656675，3β=﹣1.0570542） 利用软件求出lnx2和lnx3的相关系数，可得由上图可知lnx2，lnx3之间存在很强的线性相关性。
证实存在多重共线性。
根据题目要求分别进行三次回归：图3 图4 图5根据元以上回归结果可知，lnx2和lnx3在一元回归中分别对lny 影响显著，都通过了P 值法的检验；而在第三个回归结果中，可知lnx2和lnx3存在显著的线性关系，因为1C 没有通过P 值法检验，故修正后的模型为32ln 245971.2ln x x =。
故此题中存在严重的多重共线性。
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.。
计量经济学庞皓3版第四章练习题4.4参考解答
4.4 在本章开始的“引子”提出的“国内生产总值增加会减少财政收入吗？”的例子中，如果所采用的数据如表4.11所示表4.11 1978-2011年财政收入及其影响因素数据(资料来源：《中国统计年鉴2008》，中国统计出版社2008年版)试分析：为什么会出现本章开始时所得到的异常结果？怎样解决所出现的问题？ 【练习题4.4参考解答】 建议学生自己独立完成由于模型存在严重的多重共线性，导致模型的回归系数不稳定，且回归系数的符号与相关图的分析不一致。
一、财政收入理论模型建立由经济理论可知，一个国家或地区的经济发展是财政收入的来源,经济发展水平越高或者经济总量越大的地区,财政收入就越有充足的來源，一般地衡量一国的经济发展水平我们采用国内生产总值反映，故国内生产总值是影响财政收入的一个因素；税收是财政收入的主要形式,税收规模越大, 财政收入越多，税收收入是影响财政收入的一个重要因素；由以支定收财政理论可知，财政支出是政府为提供公共产品和服务,满足社会共同需要而进行的财政资金的支付，财政支出水平越高，政府提供公共产品与服务越多，需要的财政收入也越多，从这一角度而言，财政支出也是影响财政收入的一个因素。
下列的相关图分析也说明了这一点。
利用eviews 软件分别输入相关图命令：scat czzc czsr scat gdp czsr scat ssze czsr得财政支出与财政收入、国内生产总值与财政收入、税收收入与财政收入的相关图，如图一所示：图一 变量之间的相关图由相关图可知，财政支出、国内生产总值、税收收入分别与财政收入之间呈现出一种正的线性关系，综上所述，初步将财政收入理论模型定为线性回归模型：t t t t t u ssze GDP czzc czsr +++=4321ββββ＋其中，czsr 表示财政收入、czzc 表示财政支出、GDP 表示国内生产总值、ssze 表示税收收入、 u 表示随机扰动项二、数据收集和处理相关变量的数据均来源于《2012年中国统计年鉴》 三、模型估计在预设模型满足基本假定的前提条件下，我们运用最小二乘法估计回归模型，eviews软件估计回归模型的命令为Ls cszr c czzc gdp ssze得到回归模型估计结果，如图二所示图二 财政收入三元线性回归模型1根据图二数据，财政收入三元线性回归模型可用标准报告形式表示为：t t t t ssze GDP czzc rczs 1769.10253.00901.08540.221ˆ+-+-=（模型1） （0.0444） （0.0051） （0.0622） T= （2.0311） （-4.9980） （18.9327）2R =0.9999 2R =0.9998 F=53493.93 DW=1.4581四、模型检验1、经济意义及统计检验由图二及报告形式，可以看出尽管模型判定系数2R 高达0.9999，非常接近于1，模型拟合程度很高； F 统计量值达53493.93，其伴随概率接近于0，模型整体明显显著；回归系数的精确显著性水平均小于0.05；财政支出cczc 和税收总额ssze 的回归系数为正数，与理论分析相吻合，但GDP 的回归系数为负数，表明在其他解释变量不变的情况下，GDP 每增长一亿元，财政收入将减少0.0341亿元，这与前述的理论分析不吻合，也与相关图的分析不一致。
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。
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。
计量经济学练习题答案第四章
4_3(1)通过最小二乘估计得到各解释变量的系数、及假设检验结果如下：C -359.9942 4371.878 -0.082343 0.9351G 0.256960 0.016148 15.91251 0.0000R-squared 0.965618 Mean dependent var 29094.92Adjusted R-squared 0.962752 S.D. dependent var 32738.48S.E. of regression 6318.400 Akaike info criterion 20.44476Sum squared resid 9.58E+08 Schwarz criterion 20.58874Log likelihood -273.0042 F-statistic 337.0167Durbin-Watson stat 0.664387 Prob(F-statistic) 0.000000(2)GDP和CPI的相关系数为G IG 1 0.80I 0.80 1可见，GDP和CPI有很强的共线性。
(3)利用OLS估计lny=c1+lng，lny=c2+lni和lng=c3+lniC -3.750670 0.312255 -12.01156 0.0000R-squared 0.986423 Mean dependent var 9.484710Adjusted R-squared 0.985880 S.D. dependent var 1.425517S.E. of regression 0.169389 Akaike info criterion -0.642056Sum squared resid 0.717312 Schwarz criterion -0.546068Log likelihood 10.66776 F-statistic 1816.407Durbin-Watson stat 0.471111 Prob(F-statistic) 0.000000Variable Coefficient Std. Error t-Statistic Prob.C -6.854535 1.242243 -5.517871 0.0000LNI 2.939295 0.222756 13.19511 0.0000R-squared 0.874442 Mean dependent var 9.484710Adjusted R-squared 0.869419 S.D. dependent var 1.425517S.E. of regression 0.515124 Akaike info criterion 1.582368Sum squared resid 6.633810 Schwarz criterion 1.678355Log likelihood -19.36196 F-statistic 174.1108C -2.796381 0.882798 -3.167634 0.0040LNI 2.511022 0.158302 15.86227 0.0000 R-squared 0.909621 Mean dependent var 11.16214Adjusted R-squared 0.906005 S.D. dependent var 1.194029S.E. of regression 0.366072 Akaike info criterion 0.899213Sum squared resid 3.350216 Schwarz criterion 0.995201Log likelihood -10.13938 F-statistic 251.6117Durbin-Watson stat 0.099623 Prob(F-statistic) 0.000000 Lny、lng和lni的相关系数如下：LNG LNI LNYLNG 1 0.953740317415 0.993188514728LNI 0.953740317415 1 0.935115922429LNY 0.993188514728 0.935115922429 14_4利用OLS估计参数，结果如下：C -221.8540 130.6532 -1.698038 0.1030CZZC 0.090114 0.044367 2.031129 0.0540GDP -0.025334 0.005069 -4.998036 0.0000R-squared 0.999857 Mean dependent var 22572.56Adjusted R-squared 0.999838 S.D. dependent var 27739.49S.E. of regression 353.0540 Akaike info criterion 14.70707Sum squared resid 2866884. Schwarz criterion 14.89905Log likelihood -194.5455 F-statistic 53493.93Durbin-Watson stat 1.458128 Prob(F-statistic) 0.000000 为计税依据所以GDP越大，税收也会越多。
计量经济学第四章课后习题
中国能源消耗情况分析一、数据图形分析：图一 图二协方差矩阵（lny 与lnx ）LNX1 LNX2 LNX3 LNX4 LNX5 LNX6 LNX7 LNY LNX1 1.000000 0.999970 0.999725 0.996897 0.993628 0.997198 0.708411 0.956283 LNX2 0.999970 1.000000 0.999746 0.997179 0.993886 0.996818 0.709053 0.954224 LNX3 0.999725 0.999746 1.000000 0.997887 0.991722 0.995511 0.716060 0.955923 LNX4 0.996897 0.997179 0.997887 1.000000 0.989485 0.989932 0.708962 0.944844 LNX5 0.993628 0.993886 0.991722 0.989485 1.000000 0.994070 0.667196 0.931304 LNX6 0.997198 0.996818 0.995511 0.989932 0.994070 1.000000 0.685726 0.962121 LNX7 0.708411 0.709053 0.716060 0.708962 0.667196 0.685726 1.000000 0.712070 LNY0.9562830.9542240.9559230.9448440.9313040.9621210.7120701.000000协方差矩阵（lny 与x ）LNY X1 X2 X3 X4 X5 X6 X7 LNY 1.000000 0.972383 0.972994 0.970843 0.976252 0.954336 0.978077 0.716253 X1 0.972383 1.000000 0.999924 0.999470 0.998471 0.979294 0.996754 0.740635 X2 0.972994 0.999924 1.000000 0.999159 0.998662 0.980804 0.997243 0.743553 X3 0.970843 0.999470 0.999159 1.000000 0.998499 0.972904 0.994407 0.743665 X4 0.976252 0.998471 0.998662 0.998499 1.000000 0.974752 0.994885 0.755789 X5 0.954336 0.979294 0.980804 0.972904 0.974752 1.000000 0.986569 0.716553 X6 0.978077 0.996754 0.997243 0.994407 0.994885 0.986569 1.000000 0.726342 X70.716253 0.7406350.7435530.7436650.7557890.7165530.7263421.000000分析：将录入Eviews的数据Y,X1，X2，X3, X4,X5,X6,X7进行分析，通过每组数据随时间变化趋势可以发现，这八组数据都是逐年增长的，但增长速率有所变动。
【计量经济学】第四章精选题与答案解析
第四章：多重共线性二、简答题1、导致多重共线性的原因有哪些？2、多重共线性为什么会使得模型的预测功能失效？3、如何利用辅回归模型来检验多重共线性？4、判断以下说法正确、错误，还是不确定？并简要陈述你的理由。
(1)尽管存在完全的多重共线性，OLS 估计量还是最优线性无偏估计量（BLUE ）。
(2)在高度多重共线性的情况下，要评价一个或者多个偏回归系数的个别显著性是不可能的。
(3)如果某一辅回归显示出较高的2i R 值，则必然会存在高度的多重共线性。
(4)变量之间的相关系数较高是存在多重共线性的充分必要条件。
(5)如果回归的目的仅仅是为了预测，则变量之间存在多重共线性是无害的。
5、考虑下面的一组数据：12233i i i Y X X βββ=++来对以上数据进行拟合回归。
(1) 我们能得到这3个估计量吗？并说明理由。
(2) 如果不能，那么我们能否估计得到这些参数的线性组合？可以的话，写出必要的计算过程。
6、考虑以下模型：231234i i i i i Y X X X ββββμ=++++由于2X 和3X 是X 的函数，那么它们之间存在多重共线性。
这种说法对吗？为什么？ 7、在涉及时间序列数据的回归分析中，如果回归模型不仅含有解释变量的当前值，同时还含有它们的滞后值，我们把这类模型称为分布滞后模型（distributed-lag model ）。
我们考虑以下模型：12313233i t t t t t Y X X X X βββββμ---=+++++其中Y ——消费，X ——收入，t ——时间。
该模型表示当期的消费是其现期的收入及其滞后三期的收入的线性函数。
（1） 在这一类模型中是否会存在多重共线性？为什么？ （2） 如果存在多重共线性的话，应该如何解决这个问题？ 8、设想在模型12233i i i i Y X X βββμ=+++中，2X 和3X 之间的相关系数23r 为零。
如果我们做如下的回归：1221i i i Y X ααμ=++ 1332i i i Y X γγμ=++（1）会不会存在22ˆˆαβ=且33ˆˆγβ=？为什么？ （2）1ˆβ会等于1ˆα或1ˆγ或两者的某个线性组合吗？ （3）会不会有22ˆˆvar()var()βα=且33ˆˆvar()var()γβ=？ 9、通过一些简单的计量软件（比如EViews 、SPSS ），我们可以得到各变量之间的相关矩阵：2323232311 1k k k k r r r r R r r ⎛⎫ ⎪ ⎪= ⎪ ⎪ ⎪⎝⎭。
计量经济学(第四版)习题及参考答案解析详细版
计量经济学（第四版）习题参考答案潘省初第一章 绪论1.1 试列出计量经济分析的主要步骤。
一般说来，计量经济分析按照以下步骤进行：（1）陈述理论（或假说） （2）建立计量经济模型 （3）收集数据 （4）估计参数 （5）假设检验 （6）预测和政策分析 1.2 计量经济模型中为何要包括扰动项?为了使模型更现实，我们有必要在模型中引进扰动项u 来代表所有影响因变量的其它因素，这些因素包括相对而言不重要因而未被引入模型的变量，以及纯粹的随机因素。
1.3什么是时间序列和横截面数据? 试举例说明二者的区别。
时间序列数据是按时间周期（即按固定的时间间隔）收集的数据，如年度或季度的国民生产总值、就业、货币供给、财政赤字或某人一生中每年的收入都是时间序列的例子。
横截面数据是在同一时点收集的不同个体（如个人、公司、国家等）的数据。
如人口普查数据、世界各国2000年国民生产总值、全班学生计量经济学成绩等都是横截面数据的例子。
1.4估计量和估计值有何区别？估计量是指一个公式或方法，它告诉人们怎样用手中样本所提供的信息去估计总体参数。
在一项应用中，依据估计量算出的一个具体的数值，称为估计值。
如Y就是一个估计量，1nii YY n==∑。
现有一样本，共4个数，100，104，96，130，则根据这个样本的数据运用均值估计量得出的均值估计值为5.107413096104100=+++。
第二章 计量经济分析的统计学基础2.1 略，参考教材。
2.2请用例2.2中的数据求北京男生平均身高的99％置信区间NS S x ==45=1.25 用α=0.05，N-1=15个自由度查表得005.0t =2.947，故99%置信限为 x S t X 005.0± =174±2.947×1.25=174±3.684也就是说，根据样本，我们有99%的把握说，北京男高中生的平均身高在170.316至177.684厘米之间。
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ξ1 在经济计量模型中引入反映（）因素影响的随机扰动项，目的在于使模型更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。
β4 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。
中级计量经济学-第四章-习题以及解答思路（EViews）
中级计量经济学-第四章-习题以及解答思路（EViews）第4章习题一表1给出了1965~1970年美国制造业利润和销售额的季度数据。
假定利润不仅与销售额有关，而且和季度因素有关。
要求对下列二种情况分别估计利润模型：（1）如果认为季度影响使利润平均值发生变异，应如何引入虚拟变量？（2）如果认为季度影响使利润对销售额的变化率发生变异，如何引入虚拟变量？表1Quarterly 65-70Quick- Equation EstimationY c x @seas(1) @seas(2) @seas(3)Dependent Variable: YMethod: Least SquaresDate: 11/26/14 Time: 18:38Sample: 1965Q1 1970Q4Included observations: 24Variable Coefficient Std. Error t-Statistic Prob.C6868.0151892.766 3.6285590.0018 X0.0382650.011483 3.3322520.0035 @SEAS(1)-182.1690654.3568-0.2783940.7837 @SEAS(2)1140.294630.6806 1.8080380.0865 @SEAS(3)-400.3371636.1128-0.6293490.5366R-squared0.525596Mean dependentvar12838.54Adjusted R-squared0.425721S.D. dependentvar1433.284S.E. of regression1086.160Akaike infocriterion17.00174Sum squared resid22415107Schwarz criterion17.24716 Log likelihood-199.0208F-statistic 5.262563Durbin-Watson stat0.388380Prob(F-statistic)0.005024T和P在5%情况下都不通过，第二季度相对还好一点假设第二季度显著，结果的经济含义是什么？Y c x @seas(2) @seas(3) @seas(4)Dependent Variable: YMethod: Least SquaresDate: 11/26/14 Time: 18:47Sample: 1965Q1 1970Q4Included observations: 24Variable Coefficient Std. Error t-Statistic Prob.C6685.8461711.618 3.9061550.0009 X0.0382650.0114833.3322520.0035 @SEAS(2)1322.463638.4258 2.0714440.0522 @SEAS(3)-218.1681632.1991-0.3450940.7338@SEAS(4)182.1690654.35680.2783940.7837R-squared0.525596Mean dependentvar12838.54Adjusted R-squared0.425721S.D. dependentvar1433.284S.E. of regression1086.160Akaike infocriterion17.00174Sum squared resid22415107Schwarz criterion17.24716 Log likelihood-199.0208F-statistic 5.262563Durbin-Watson stat0.388380Prob(F-statistic)0.005024第二季度依旧显著影响四种都试一下（去掉一个季节），选一个最显著的124Dependent Variable: YMethod: Least SquaresDate: 11/26/14 Time: 18:51Sample: 1965Q1 1970Q4Included observations: 24Variable Coefficient Std. Error t-Statistic Prob.C6467.6781789.178 3.6148880.0018 X0.0382650.011483 3.3322520.0035 @SEAS(1)218.1681632.19910.3450940.7338 @SEAS(2)1540.632628.3419 2.4519000.0241 @SEAS(4)400.3371636.11280.6293490.5366R-squared0.525596Mean dependentvar12838.54Adjusted R-squared0.425721S.D. dependentvar1433.284S.E. of regression1086.160Akaike infocriterion17.00174Sum squared resid22415107Schwarz criterion17.24716 Log likelihood-199.0208F-statistic 5.262563Durbin-Watson stat0.388380Prob(F-statistic)0.005024134Dependent Variable: Y Method: Least SquaresDate: 11/26/14 Time: 18:52 Sample: 1965Q1 1970Q4 Included observations: 24Variable Coefficient Std. Error t-Statistic Prob.C8008.3091827.543 4.3820090.0003 X0.0382650.011483 3.3322520.0035 @SEAS(1)-1322.463638.4258-2.0714440.0522 @SEAS(3)-1540.632628.3419-2.4519000.0241 @SEAS(4)-1140.294630.6806-1.8080380.0865R-squared0.525596Mean dependentvar12838.54Adjusted R-squared0.425721S.D. dependentvar1433.284S.E. of regression1086.160Akaike infocriterion17.00174Sum squared resid22415107Schwarz criterion17.24716 Log likelihood-199.0208F-statistic 5.262563Durbin-Watson stat0.388380Prob(F-statistic)0.005024（2）Y=c+βx+α1D1X+α2D2X+α3D3XD1=1（第一季度）0（其他）Y c x @seas(1)*x @seas(2)*x @seas(3)*xDependent Variable: Y Method: Least SquaresDate: 11/26/14 Time: 19:00 Sample: 1965Q1 1970Q4 Included observations: 24Variable Coefficient Std. Error t-Statistic Prob.C6965.8521753.642 3.9722200.0008 X0.0373630.011139 3.3542150.0033 @SEAS(1)*X-0.0008930.004259-0.2095880.8362 @SEAS(2)*X0.0077120.003962 1.9465020.0665 @SEAS(3)*X-0.0022910.004041-0.5669850.5774R-squared0.528942Mean dependentvar12838.54Adjusted R-squared0.429771S.D. dependentvar1433.284S.E. of regression1082.323Akaike infocriterion16.99466Sum squared resid22257030Schwarz criterion17.24009 Log likelihood-198.9359F-statistic 5.333675Durbin-Watson stat0.418713Prob(F-statistic)0.004722Dependent Variable: Y Method: Least SquaresDate: 11/26/14 Time: 19:10 Sample: 1965Q1 1970Q4 Included observations: 24Variable Coefficient Std. Error t-Statistic Prob.C8008.3091827.543 4.3820090.0003 X0.0382650.011483 3.3322520.0035 @SEAS(1)-1322.463638.4258-2.0714440.0522 @SEAS(3)-1540.632628.3419-2.4519000.0241 @SEAS(4)-1140.294630.6806-1.8080380.0865R-squared0.525596Mean dependentvar12838.54Adjusted R-squared0.425721S.D. dependent 1433.284varS.E. of regression1086.160Akaike infocriterion17.00174Sum squared resid22415107Schwarz criterion17.24716 Log likelihood-199.0208F-statistic 5.262563Durbin-Watson stat0.388380Prob(F-statistic)0.005024Dependent Variable: Y Method: Least SquaresDate: 11/26/14 Time: 19:11 Sample: 1965Q1 1970Q4 Included observations: 24Variable Coefficient Std. Error t-Statistic Prob.C6965.8521753.642 3.9722200.0008 X0.0350720.011790 2.9746750.0078 @SEAS(1)*X0.0013980.0042410.3297360.7452 @SEAS(2)*X0.0100030.004068 2.4588230.0237 @SEAS(4)*X0.0022910.0040410.5669850.5774R-squared0.528942Mean dependentvar12838.54Adjusted R-squared0.429771S.D. dependentvar1433.284S.E. of regression1082.323Akaike infocriterion16.99466Sum squared resid22257030Schwarz criterion17.24009 Log likelihood-198.9359F-statistic 5.333675Durbin-Watson stat0.418713Prob(F-statistic)0.004722Dependent Variable: Y Method: Least SquaresDate: 11/26/14 Time: 19:11 Sample: 1965Q1 1970Q4 Included observations: 24Variable Coefficient Std. Error t-Statistic Prob.C6965.8521753.642 3.9722200.0008 X0.0364710.012353 2.9524150.0082 @SEAS(2)*X0.0086040.004237 2.0305390.0565 @SEAS(3)*X-0.0013980.004241-0.3297360.7452@SEAS(4)*X0.0008930.0042590.2095880.8362R-squared0.528942Mean dependentvar12838.54Adjusted R-squared0.429771S.D. dependent 1433.284varS.E. of regression1082.323Akaike infocriterion16.99466Sum squared resid22257030Schwarz criterion17.24009 Log likelihood-198.9359F-statistic 5.333675Durbin-Watson stat0.418713Prob(F-statistic)0.004722。
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 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。
(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。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
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 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：4.3199511048.160793.7302.8+ In+ InCP1996 11557.4 71176.6 327.9 1997 11806.5 78973.0 337.1 1998 11626.1 84402.3 334.4 1999 13736.4 89677.1 329.7 2000 18638.8 99214.6 331.0 2001 20159.2 109655.2 333.3 2002 24430.3 120332.7 330.6 2003 34195.6 135822.8 334.6 2004 46435.8 159878.3 I 347.7 2005 54273.7 183084.8 353.9 2006 63376.9 211923.5 359.2 2007 73284.6 249529.9 376.5 2008 79526.5 314045.4 398.7 2009 68618.4 340902.8 395.9 201094699.3 401512.8 408.9 2011113161.4472881.6431.0GDP 、式中， 为第 年中国商品进口额（亿元）；In GDP 为第 年国内生产总值（亿元）；In CPI 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 In GDP 、I nCPI 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：DependentVariablle: LPlYMethod: Least Squares Date 04^15717 Time: 19:54 Sample: 1985 2011Included observations: 27VariableCoefficient Std Error t-Statlstlc Prcr&.C-3.111465 0,453010 -€720125 MOWLNGDP 1338633 O.OSeSW 15105B2 0.0000LNCPI^0421791 C.233295-1.80797500332 R -squaredQ.9880'51 Wean dependentvar 3 484710 Adjusted R-squared 0 9870&5S.D. dependant var 1.4^5517 S.E. of regression 0,162189 Akaikeinfa criterion -0.695670 Sum squared resid Q.631326 Sctiwarz critE non -C.551S69 Log likelihood 12.39156 Hannan-Quinn criter 4).652857 F-statisticQ 92.2582Durbin-Watean stat€.522613Prab(F-statisbc^ 0 000000模型方程为:InY=-3.111486+1.3385331nGDP-0.4217911nCPI(0.233295) (-1.807975) F=992.2582=0.988051， =0.987055，可决系数很高，F 检验值为 992.2582，明显显著。
但是当 =0.05 （27-3）=2.064,不仅ln CPI 的系数不显著，而且，In CPI 的符号与预期相反，这表明可能存在严重的多重共线性。
计算各解释变量的相关系数，选择InGDPInCPI 数据，"view/correlation ”得相关系数矩阵。
由相关系数矩阵可以看出，各解释变量相互之间的相关系数较高，证实确实存在一定的多重共线性。
为了进一步了解多重共线性的性质，我们做辅助回归，即每个解释变量分别作为被解释变量都对剩余 的解释变量进行回归。
Depe ndent \'a nable: LN^DP lleiriod: Least Squares Date: 04/15/17 Time 21:09Sample: 1985 2011 Induded obse nations: 27Variable Coefficient Std. Errort-StalisticProb C -2.796381 088279S 心 167634 0.0040 ILNCPI2.511022 0 158302 15.85227 0.0000 R-squared0.909021 Mean dependent var 11.16214 Adjusted R-squaredl 0.906005 S.D. d'ap&ndentv 呂i 1.194029 S.E. of regr@s&ian 0 366072 Akaike info ciiteirion 0.899213 Sunn SQuared resid 3.350216 sctiwarzcrit&rlDn0.995201 Log likelihood -i o.i393a Hannan-auim criler. 0.927755 F-siaustlc2S1 6117 Durtln-wat&on stat0.099623ProftfF-slatlstlc-0.000000Dependent Variable: LNCPI Method ：Squares□ate ： D4M5/17 Tima ： 21:10 Sample: 2011 Included oftseFvaDons: 27VariableCo@ffici@iTt std Error I^Statislic Prob. c1515402 0.2563^ 5&12301 0.0000 LNGDP0.382251 0.022S3715S62270.0000 R-squarsd0909621 M E an de pendeni va 『&5S6900 Adjusted R-squared 0.906005 S.D. dependent var 0.45351S S.E. &f regression 0.139042 AKaiKe info criterion -1036894 Sum squared Fesid 0.483317 Schwarz cnt&rion -0.940907 Log likelihood 15 99B08 Hannan-Qu inn cfiter -1 008352 F-slatistic 251.6117 Dii 「birvWK 営cm stat0.114568Pro6{F-s!atistic)0.000000(0.463010)t= (-6.720126) =0.988051 该模型 (0.088610) (15.10582) =0.987055时，_(n-k)=In GDP与InCPI的相关系数很高，证明存在多重共线性。
三、其他分析1.进行下面的回归① In = + lnGD +模型的估计结果为：In = + lnGD(0.312255) ( 0.027822)t = (-12.01156) (42.61933)=0.986423 =0.985880 F=1816.407② In = + lnCP +Dependent Variable: LNYMethod: Least SquaresDate: 04^2/17 Time ： 09112Sample: 19&5 2011induced observations: 27Variable Coefficient Std E TOT t-Statistic Prob.C854535 1 242243 -55178710.0000 LNQPI 2 9392950 222755 1319511aooooR-squared Q 874442Mean dependent9.4&4710Adjusted R*squ a r&S0 869419S.D. deps^d&ntvar 1 425517S E of regression 0.515124AKaiK& info errt&ri&ri 1.592363Sum squared「QEid 6 ms io Gchwan criterion 1 €73356Log likelihood-19.36196Hannan-Quinn criter.1,610910F>statistic174.1100Durbin-Watson stat O 137042Prot){F-statistic)Q.OOQOQO模型的估计结果为：In = + InCP(1.242243) ( 0.222756)t = ( -5.517871) ( 13.19511)Dependent Vsnable: LNQDP Method: Least Squares Date: 04/22/17 Time:09:14 Sample 1985 2011 In eluded oDservabons. 27VariableCoelTicierttStd. Error t-Statistic Pro b. C-2J96351 0^32796 '3.16763^ 0,0040 LNCPI2,511022 0.1563021S.052270,0000 R-squar^d0.909621 Mean dapend&nt var 1146214 Adjusted R-sqjared 0.9*06005 S D. dependent \^r 1.194029 SE of regressicn 0366072 Akai Ice info criterion 0.89921^ Sum squared resid 3.350216 Schwarz criterion 0.995201 Log likelitiood -10 13338 HannanOuinn criter. 0.927755 F-statistic251.6117Durtin-Watson stat0 099623ProD(F-statistic ：0.000000模型的估计结果为:t = (-3.167634) (15.86227 ) =0.909621=0.906005由此对多重共线性的认识： 由上面的几组拟合效果可知，单方程拟合效果都很好，可决系数分别为：0.986423和0.874442，可决系数较高，说明GDP 和 CPI 单个对商品进口额有显著的影响。