计量经济学课后答案第四、五章(内容参考)
《计量经济学》第五章精选题及答案
第五章 异方差二、简答题1．异方差的存在对下面各项有何影响？ （1）OLS 估计量及其方差； （2）置信区间；（3）显著性t 检验和F 检验的使用。
2．产生异方差的经济背景是什么？检验异方差的方法思路是什么？ 3．从直观上解释，当存在异方差时，加权最小二乘法（WLS ）优于OLS 法。
4．下列异方差检查方法的逻辑关系是什么？ （1）图示法 （2）Park 检验 （3）White 检验5．在一元线性回归函数中，假设误差方差有如下结构：()i i i x E 22σε=如何变换模型以达到同方差的目的？我们将如何估计变换后的模型？请列出估计步骤。
三、计算题1．考虑如下两个回归方程（根据1946—1975年美国数据）（括号中给出的是标准差）：t t t D GNP C 4398.0624.019.26-+= e s ：（2.73）（0.0060） （0.0736）R ²=0.999t t t GNP D GNP GNP C ⎥⎦⎤⎢⎣⎡-+=⎥⎦⎤⎢⎣⎡4315.06246.0192.25 e s ： （2.22） （0.0068）（0.0597）R ²=0.875式中，C 为总私人消费支出；GNP 为国民生产总值；D 为国防支出；t 为时间。
研究的目的是确定国防支出对经济中其他支出的影响。
（1）将第一个方程变换为第二个方程的原因是什么？（2）如果变换的目的是为了消除或者减弱异方差，那么我们对误差项要做哪些假设？ （3）如果存在异方差，是否已成功地消除异方差？请说明原因。
（4）变换后的回归方程是否一定要通过原点？为什么？（5）能否将两个回归方程中的R²加以比较？为什么？2．1964年，对9966名经济学家的调查数据如下：资料来源：“The Structure of Economists’Employment and Salaries”, Committee on the National Science Foundation Report on the Economics Profession, American Economics Review, vol.55, No.4, December 1965.（1）建立适当的模型解释平均工资与年龄间的关系。
计量经济学精要习题参考答案(第四版)
计量经济学（第四版）习题参考答案第一章 绪论1.1 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 我们在计量经济模型中列出了影响因变量的解释变量，但它（它们）仅是影响因变量的主要因素，还有很多对因变量有影响的因素，它们相对而言不那么重要，因而未被包括在模型中。
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 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。
2.3 原假设 120:0=μH备择假设 120:1≠μH 检验统计量()10/25XX μσ-Z ====查表96.1025.0=Z 因为Z= 5 >96.1025.0=Z ,故拒绝原假设, 即此样本不是取自一个均值为120元、标准差为10元的正态总体。
计量经济学第四版习题及参考答案
计量经济学第四版习题及参考答案The final revision was on November 23, 2020计量经济学（第四版）习题参考答案潘省初第一章 绪论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 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。
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。
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略，参考教材。
请用例中的数据求北京男生平均身高的99％置信区间NSS x ==45= 用=，N-1=15个自由度查表得005.0t =，故99%置信限为 x S t X 005.0± =174±×=174±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至厘米之间。
25个雇员的随机样本的平均周薪为130元，试问此样本是否取自一个均值为120元、标准差为10元的正态总体 原假设 120:0=μH备择假设 120:1≠μH 检验统计量查表96.1025.0=Z 因为Z= 5 >96.1025.0=Z ,故拒绝原假设, 即 此样本不是取自一个均值为120元、标准差为10元的正态总体。
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 第五章习题答案
第五章异方差性5.2答案：（1）EVIEWS估计的结果为：Yˆi= 9.3475+0.6371X iT=(2.5691) (32.0088)R2 =0.9464 F=1024.564（2）首先，用Goldfeld-Quandt法进行检验。
将样本X按递减顺序排序，去掉中间1/4的样本，再分为两个部分的样本，即N1=N2=22。
分别对两个部分样本求最小二乘估计，在样本区为1—22的Eviews估计如下：样本区39—60的Eviews估计如下：得到两个部分各自的残差平方和，即∑e 12 =2495.840∑e 22 =603.0148求F 统计量为： F=∑∑e e 2221=2495.840/603.0148=4.1390给定α=0.05，查F 分布表，得临界值为F 0.05=(20,20)=2.12.比较临界值与F 统计量值，有F =4.1390>F 0.05=(20,20)=2.12，说明该模型的随机误差项存在异方差。
其次，用White 法进行检验结果如下：给定α=0.05，在自由度为2下查卡方分布表，得χ2=5.9915。
比较临界值与卡方统计量值，即nR2=10.8640>χ2=5.9915，同样说明模型中的随机误差项存在异方差。
（2）用权数W1=1/X，作加权最小二乘估计，得如下结果用White法进行检验得如下结果：F-statistic 3.138491 Probability 0.050925Obs*R-squared 5.951910 Probability 0.050999。
比较临界值与卡方统计量值，即nR2=5.9519<χ2=5.9915，说明加权后的模型中的随机误差项不存在异方差。
其估计的结果为：Yˆi= 10.3705+0.6309X iT=(3.9436) (34.0467)R2 =0.21144 F=1159.176 DW=0.95855.3答案：（1）EVIEWS估计结果：Yˆi= 179.1916+0.7195X iT=(0.808709) (15.74411)R2 =0.895260 F=247.8769 DW=1.461684 （2）利用White方法检验异方差，则White检验结果见下表：由上述结果可知，该模型存在异方差。
庞皓计量经济学练习题及参考解答第四版
庞皓计量经济学练习题及参考解答第四版目录1.简介2.练习题及解答–第一章：引言–第二章：回归分析的基本步骤–第三章：多元回归分析–第四章：假设检验和检定–第五章：函数形式选择和非线性回归–第六章：虚拟变量和联合假设检验–第七章：时间序列回归分析–第八章：面板数据回归分析–第九章：工具变量法–第十章：极大似然估计3.总结1. 简介《庞皓计量经济学练习题及参考解答第四版》是一本与《庞皓计量经济学》教材配套的习题集，旨在帮助读者巩固和加深对计量经济学理论和方法的理解。
本书第四版相比前三版进行了全面的修订和更新，更加贴近实际应用环境，同时也增加了一些新的内容。
本文档为《庞皓计量经济学练习题及参考解答第四版》的摘要，包含了各章节的练习题及参考解答。
2. 练习题及解答第一章：引言1.什么是计量经济学？计量经济学的研究范围是什么？–答案：计量经济学是运用统计学方法研究经济理论及实证问题的学科。
它主要研究经济学中的理论模型和假设是否能得到实证支持，对经济变量之间的关系进行定量分析和预测。
2.计量经济学中常用的方法有哪些？–答案：常用的计量经济学方法包括线性回归分析、假设检验、面板数据分析、时间序列分析等。
这些方法能够帮助研究者解决实际经济问题，预测经济变量，评估政策效果等。
第二章：回归分析的基本步骤1.请解释什么是回归分析？–答案：回归分析是一种研究因变量和自变量之间关系的统计方法。
通过建立一个数学模型来描述二者之间的函数关系，并利用样本数据对该函数关系进行估计和推断。
回归分析的基本思想是找到自变量对因变量的解释能力，并进行统计推断。
2.利用最小二乘法进行回归分析的基本思想是什么？–答案：基本思想是通过最小化预测值与实际观测值之间的差异，来确定最佳的参数估计值。
也就是说，最小二乘法通过选择一组参数，使得预测值与实际观测值之间的平方差最小化。
3.如何判断回归模型的拟合优度？–答案：拟合优度可以通过判断回归方程的决定系数R2来评估。
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(第四版)习题参考答案
计量经济学（第四版）习题参考答案潘省初第一章 绪论1.1 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 我们在计量经济模型中列出了影响因变量的解释变量，但它（它们）仅是影响因变量的主要因素，还有很多对因变量有影响的因素，它们相对而言不那么重要，因而未被包括在模型中。
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 NSS x ==45=1.25用=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。
2.3 原假设 120:0=μH备择假设 120:1≠μH 检验统计量()10/2510/25XX μσ-Z ====查表96.1025.0=Z 因为Z= 5 >96.1025.0=Z ,故拒绝原假设, 即 此样本不是取自一个均值为120元、标准差为10元的正态总体。
计量经济学课后习题答案汇总
计量经济学练习题第一章导论一、单项选择题⒈计量经济研究中常用的数据主要有两类：一类是时间序列数据，另一类是【 B 】A 总量数据B 横截面数据C平均数据 D 相对数据⒉横截面数据是指【A 】A 同一时点上不同统计单位相同统计指标组成的数据B 同一时点上相同统计单位相同统计指标组成的数据C 同一时点上相同统计单位不同统计指标组成的数据D 同一时点上不同统计单位不同统计指标组成的数据⒊下面属于截面数据的是【D 】A 1991-2003年各年某地区20个乡镇的平均工业产值B 1991-2003年各年某地区20个乡镇的各镇工业产值C 某年某地区20个乡镇工业产值的合计数D 某年某地区20个乡镇各镇工业产值⒋同一统计指标按时间顺序记录的数据列称为【B 】A 横截面数据B 时间序列数据C 修匀数据D原始数据⒌回归分析中定义【 B 】A 解释变量和被解释变量都是随机变量B 解释变量为非随机变量，被解释变量为随机变量C 解释变量和被解释变量都是非随机变量D 解释变量为随机变量，被解释变量为非随机变量二、填空题⒈计量经济学是经济学的一个分支学科，是对经济问题进行定量实证研究的技术、方法和相关理论，可以理解为数学、统计学和_经济学_三者的结合。
⒉⒊现代计量经济学已经形成了包括单方程回归分析，联立方程组模型，时间序列分析三大支柱。
⒋⒌经典计量经济学的最基本方法是回归分析。
计量经济分析的基本步骤是：理论（或假说）陈述、建立计量经济模型、收集数据、计量经济模型参数的估计、检验和模型修正、预测和政策分析。
⒍⒎常用的三类样本数据是截面数据、时间序列数据和面板数据。
⒏⒐经济变量间的关系有不相关关系、相关关系、因果关系、相互影响关系和恒等关系。
三、简答题⒈什么是计量经济学？它与统计学的关系是怎样的？计量经济学就是对经济规律进行数量实证研究，包括预测、检验等多方面的工作。
计量经济学是一种定量分析，是以解释经济活动中客观存在的数量关系为内容的一门经济学学科。
最新《计量经济学》第四章题及答案资料
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。
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 ⎛⎫ ⎪ ⎪= ⎪ ⎪ ⎪⎝⎭。
计量经济学课后题答案
第十三章面板数据模型一简单题1、简述面板数据模型的优点和局限性它能综合利用样本信息，同时反映应变量在截面和时序两个方向上的变化规律及特征。
由于面板数据模型在经济定量分析中，起着只用截面或只用时序数据模型不可替代的独特优点，而具有很高的应用价值。
总之：1．增加了样本容量；2. 可多层面分析经济问题局限性：模型设定错误与数据手机不慎引起较大的偏差；研究截面或者平行数据时，由于样本非随机性造成观测值的偏差，从而导致模型选择上的偏差。
2、你是如何理解面板数据的？在经济领域中，同时具有截面与时序特征的数据很多。
如统计年鉴中提供的各地区或各国的若干系列的年度（季度或月度）经济总量数据；在企业投资分析中，要用到多个企业若干指标的月度或季度时间序列数据；在城镇居民消费分析中，要用到不同省市反映居民消费和收入的年度时序数据。
我们将上述的企业、或地区等统称为个体，从行的方向看，是由若干个体在某个时期构成的截面观察值（截面样本），从列的方向看，是各时间序列。
这种具有三维（截面、时期、变量）信息的数据结构称为面板。
这是“面板”数据的由来，面板数据也称为时序截面数据或混合数据（Pooled Data）。
3、简述建立面板数据模型的过程。
（1）建立面板数据对象，即建立工作文件；（2）面板时序变量平稳性检验；（3）协整检验；（4）模型识别；（5）建立模型；（6）结论。
二填空题1、GDP界面变量是一维变量，面板变量为三维变量。
2、面板数据模型是无斜率系数非齐性、而截距齐性的模型。
3、面板数据模型识别包括效应模型识别和具体模型识别。
4、建立面板数据模型之前，要对面板变量进行平稳性检验和协整检验。
第十二章向量自回归(VAR)模型和向量误差修正(VEC)模型一简答题1、VAR模型的特点VAR模型不以经济理论为指导，它根据样本数据统计特征建模。
VAR模型对参数不施加零约束（如t检验），故称其为无约束VAR模型。
VAR模型的解释变量中不含t期变量，所有与线性联利方程组模型有关的问题均不存在。
计量经济学参考答案
第二章练习题及参考解答练习题2.1 参考解答:计算中国货币供应量(以货币与准货币M2表示)与国内生产总值(GDP)的相关系数为:计算方法: 2222()()i i i iXY i i i i n X Y X Y r n X X n Y Y -=--∑∑∑∑∑∑∑或 ,22()()()()ii X Y iiX X Y Y r X X Y Y --=--∑∑∑计算结果:M2 GDP M2 1 0.6 GDP0.61经济意义: 这说明中国货币供应量与国内生产总值(GDP)的线性相关系数为0.,线性相关程度相当高。
练习题2.2参考解答美国软饮料公司的广告费用X 与销售数量Y 的散点图为说明美国软饮料公司的广告费用X 与销售数量Y 正线性相关。
x y x 1 0.4 y0.41说明美国软饮料公司的广告费用X 与销售数量Y 的正相关程度相当高。
若以销售数量Y 为被解释变量,以广告费用X 为解释变量,可建立线性回归模型 i i i u X Y ++=21ββ 利用EViews 估计其参数结果为经t 检验表明, 广告费用X 对美国软饮料公司的销售数量Y 确有显著影响。
回归结果表明，广告费用X 每增加1百万美元, 平均说来软饮料公司的销售数量将增加14.40359(百万箱)。
练习题2.3参考解答: 1、 建立深圳地方预算内财政收入对GDP 的回归模型，建立EViews 文件，利用地方预算内财政收入（Y ）和GDP 的数据表，作散点图可看出地方预算内财政收入（Y ）和GDP 的关系近似直线关系，可建立线性回归模型： t t t u GDP Y ++=21ββ 利用EViews 估计其参数结果为即 ˆ20.46110.0850t tY GDP =+ （9.8674） (0.0033)t=(2.0736) (26.1038) R 2=0.9771 F=681.4064经检验说明,深圳市的GDP 对地方财政收入确有显著影响。
计量经济学课后思考题答案
第五章 异方差性思考题5.1 简述什么是异方差？为什么异方差的出现总是与模型中某个解释变量的变化有关？答 ：设模型为),....,,(....n 21i X X Y i i 33i 221i =μ+β++β+β=，如果其他假定均不变，但模型中随机误差项的方差为),...,,()(n 21i Var 2i i =σ=μ，则称i μ具有异方差性。
由于异方差性指的是被解释变量观测值的分散程度是随解释变量的变化而变化的，所以异方差的出现总是与模型中某个解释变量的变化有关。
5.2 试归纳检验异方差方法的基本思想，并指出这些方法的异同。
答：各种异方差检验的共同思想是，基于不同的假定，分析随机误差项的方差与解释变量之间的相关性，以判断随机误差项的方差是否随解释变量变化而变化。
其中，戈德菲尔德-跨特检验、怀特检验、ARCH 检验和Glejser 检验都要求大样本，其中戈德菲尔德-跨特检验、怀特检验和Glejser 检验对时间序列和截面数据模型都可以检验，ARCH 检验只适用于时间序列数据模型中。
戈德菲尔德-跨特检验和ARCH 检验只能判断是否存在异方差，怀特检验在判断基础上还可以判断出是哪一个变量引起的异方差。
Glejser 检验不仅能对异方差的存在进行判断，而且还能对异方差随某个解释变量变化的函数形式进行诊断。
5.3 什么是加权最小二乘法？它的基本思想是什么？答：以一元线性回归模型为例：12i i i Y X u ββ=++经检验i μ存在异方差，公式可以表示为22var()()i i i u f X σσ==。
选取权数 i w ，当2i σ 越小 时，权数i w 越大。
当 2i σ越大时，权数i w 越小。
将权数与 残差平方相乘以后再求和，得到加权的残差平方和：2i 21i 2i i X Y w e w )(**β-β-=∑∑，求使加权残差平方和最小的参数估计值**ˆˆ21ββ和。
这种求解参数估计式的方法为加权最小二乘法。
《计量经济学》第三版课后题答案
第一章绪论参考重点：计量经济学的一般建模过程第一章课后题〔1.4.5〕1.什么是计量经济学计量经济学方法与一般经济数学方法有什么区别答：计量经济学是经济学的一个分支学科，是以提醒经济活动中客观存在的数量关系为内容的分支学科，是由经济学、统计学和数学三者结合而成的穿插学科。
计量经济学方法提醒经济活动中各个因素之间的定量关系，用随机性的数学方程加以描述；一般经济数学方法提醒经济活动中各个因素之间的理论关系，用确定性的数学方程加以描述。
4.建设与应用计量经济学模型的主要步骤有哪些答：建设与应用计量经济学模型的主要步骤如下：(1)设定理论模型，包括选择模型所包含的变量，确定变量之间的数学关系和拟定模型中待估参数的数值范围；(2)收集样本数据，要考虑样本数据的完整性、准确性、可比性和—致性；(3)估计模型参数；(4)检验模型，包括经济意义检验、统计检验、计量经济学检验和模型预测检验。
5.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。
在经济意义检验中，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历和经济理论所拟订的期望值相符合；在统计检验中，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；在计量经济学检验中，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，以确定所建设的模型是否可以用于样本观测值以外的范围。
第二章经典单方程计量经济学模型：一元线性回归模型参考重点：1.相关分析与回归分析的概念、联系以及区别2.总体随机项与样本随机项的区别与联系3.为什么需要进展拟合优度检验4．如何缩小置信区间〔P46〕由上式可以看出〔1〕.增大样本容量。
样本容量变大，可使样本参数估计量的标准差减小；同时，在同样置信水平下，n越大，t分布表中的临界值越小。
计量经济学答案部分Word版
计量经济学答案部分Word版第一章导论一、单项选择题1-6: CCCBCAC二、多项选择题ABCD;ACD;ABCD三.问答题什么是计量经济学？答案见教材第3页四、案例分析题假定让你对中国家庭用汽车市场发展情况进行研究，应该分哪些步骤，分别如何分析？（参考计量经济学研究的步骤）第一步：选取被研究对象的变量：汽车销售量第二步：根据理论及经验分析，寻找影响汽车销售量的因素，如汽车价格，汽油价格，收入水平等第三步：建立反映汽车销售量及其影响因素的计量经济学模型第四步：估计模型中的参数；第五步：对模型进行计量经济学检验、统计检验以及经济意义检验；第六步：进行结构分析及在给定解释变量的情况下预测中国汽车销售量的未来值为汽车业的发展提供政策实施依据。
第二章简单线性回归模型一、填空题1、线性、无偏、最小方差性（有效性），BLUE。
2、解释变量；参数；参数。
3、随机误差项；随机误差项。
二、单项选择题1-4：BBDA;6-11：CDCBCA三、多项选择题1.ABC;2.ABC;3.BC;4.ABE;5.AD;6.BC四、判断正误：1. 错；2. 错；3. 对；4.错；5. 错；6. 对；7. 对；8.错五、简答题：1.为什么模型中要引入随机扰动项？答：模型是对经济问题的一种数学模型，在模型中，被解释变量是研究的对象，解释变量是其确定的解释因素，但由于实际问题的错综复杂，影响被解释变量的因素中，除了包括在模型中的解释变量以外，还有其他一些因素未能包括在模型中，但却影响被解释变量，我们把这类变量统一用随机误差项表示。
随机误差项包含的因素有：第一，未知影响因素的代表；第二，无法取得数据的已知因素的代表；第三，众多细小影响因素的综合代表；第四，模型的设定误差；第五，变量的观测误差；第六，经济现象的内在随机性。
由此可见，随机误差项有十分丰富的内容，在计量经济研究中起着重要的作用，一定程度上，随机误差项的性质决定着计量经济方法的选择和使用。
计量经济学(数字教材版)课后习题参考答案
课后习题参考答案第二章教材习题与解析1、 判断下列表达式是否正确：y i =β0+β1x i ,i =1,2,⋯ny ̂i =β̂0+β̂1x i ,i =1,2,⋯nE(y i |x i )=β0+β1x i +u i ,i =1,2,⋯n E(y i |x i )=β0+β1x i ,i =1,2,⋯nE(y i |x i )=β̂0+β̂1x i ,i =1,2,⋯ny i =β0+β1x i +u i ,i =1,2,⋯ny ̂i =β̂0+β̂1x i +u i ,i =1,2,⋯n y i =β̂0+β̂1x i +u i ,i =1,2,⋯n y i =β̂0+β̂1x i +u ̂i ,i =1,2,⋯n y ̂i =β̂0+β̂1x i +u ̂i ,i =1,2,⋯n答案：对于计量经济学模型有两种类型，一是总体回归模型，另一是样本回归模型。
两类回归模型都具有确定形式与随机形式两种表达方式：总体回归模型的确定形式：X X Y E 10)|(ββ+= 总体回归模型的随机形式：μββ++=X Y 10样本回归模型的确定形式：X Y 10ˆˆˆββ+= 样本回归模型的随机形式：e X Y ++=10ˆˆββ 除此之外，其他的表达形式均是错误的2、给定一元线性回归模型：y =β0+β1x +u （1）叙述模型的基本假定；（2）写出参数β0和β1的最小二乘估计公式；（3）说明满足基本假定的最小二乘估计量的统计性质； （4）写出随机扰动项方差的无偏估计公式。
答案：（1）线性回归模型的基本假设有两大类，一类是关于随机误差项的，包括零均值、同方差、不序列相关、满足正态分布等假设；另一类是关于解释变量的，主要是解释变量是非随机的，如果是随机变量，则与随机误差项不相关。
（2）12ˆi iix yxβ=∑∑，01ˆˆY X ββ=- （3）考察总体的估计量，可从如下几个方面考察其优劣性：1）线性性，即它是否是另一个随机变量的线性函数； 2）无偏性，即它的均值或期望是否等于总体的真实值；3）有效值，即它是否在所有线性无偏估计量中具有最小方差；4）渐进无偏性，即样本容量趋于无穷大时，它的均值序列是否趋于总体真值； 5）一致性，即样本容量趋于无穷大时，它是否依概率收敛于总体的真值；6）渐进有效性，即样本容量趋于无穷大时，它在所有的一致估计量中是否具有最小的渐进方差。
计量经济学第四版李子奈课后答案
计量经济学第四版李子奈课后答案第一章：简介1.什么是计量经济学？它与其他学科有什么区别？计量经济学是经济学的一个重要分支，主要研究经济现象的数理模型、计量方法以及经济政策的评估方法。
它与其他学科的区别在于，计量经济学着重于将经济理论转化为具体的计量模型，并利用统计分析方法对经济数据进行验证和评估，以获得对经济问题的深入理解和预测能力。
2.请简要介绍计量经济学的基本步骤。
计量经济学的基本步骤包括以下几个方面：•确定经济理论模型：根据研究的经济问题和理论基础，构建适当的经济理论模型。
•收集数据：收集所需的经济数据，包括自变量和因变量的观测值。
•数据处理：对数据进行处理和清洗，包括缺失数据的处理、异常值的检测和处理等。
•模型估计：利用统计方法对经济模型的参数进行估计，获得合适的模型参数估计值。
•模型检验：利用统计检验方法对模型的合理性进行检验，包括参数的显著性检验、模型拟合优度的检验等。
•模型应用和预测：根据模型估计结果，应用模型进行实际问题的分析和预测。
第二章：线性回归模型1.请解释简单线性回归模型的含义。
简单线性回归模型是一种描述两个变量之间线性关系的模型。
它假设因变量（被解释变量）可以通过一个线性函数来解释，该线性函数包含一个自变量（解释变量）。
形式化地表示为：$y_i = \\beta_0 + \\beta_1x_i + u_i$，其中y i表示因变量的观测值，x i表示自变量的观测值，$\\beta_0$和$\\beta_1$表示模型的参数，u i表示误差项。
2.如何进行线性回归模型的估计和检验？线性回归模型的参数可以通过最小二乘法进行估计。
最小二乘法通过最小化观测值和模型估计值之间的差异，来获取最优的模型参数估计。
具体的估计方法可以通过计算样本数据的一阶矩和二阶矩来获得。
线性回归模型的检验可以通过对模型参数的显著性进行检验来进行。
通常使用t检验或F检验来判断模型参数的显著性。
t检验用于检验单个参数的显著性，而F检验用于检验多个参数的显著性。
- 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Yt关于X1t与 X2t回归，得到Ytˆ，再做如下回归：Y t =β+β1X1t+β2X2t+β3Y tˆ1-+μt试问：这一方法能否消除原模型中Yt-1与μt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Ytˆ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 *及μt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。
(2) 进一步假设μt与e t之间，以及它们与X t*之间无异期相关，那么E(X t-1νt)=0成立吗？X t与X t-1相关吗?(3) 由(2)的结论，你能寻找什么样的工具变量对变换后的模型进行估计?解答：（1）不能。
因为变换后的模型为Y t=β0+β1X t+（μt-β1e t）显然，由于e t与X t同期相关，则说明变换后的模型中的随机干扰项νt=μt-β1e t 与Xt同期相关。
(2) E(X t-1νt)=E[(X t-1*+e t-1)(μt-β1e t)]= E(X t-1*μt)-β1E(X t-1*e t)+E(e t-1μt) -β1E(e t-1e t)=0多数经济变量的时间序列，除非它们是以一阶差分的形式或变化率的形式出现，往往具有较强的相关性，因此，当Xt 与Xt-1直接表示经济规模或水平的经济变量时，它们之间很可能相关；如果变量是一阶差分的形式或以变化率的形态出现，则它们间的相关性就会降低，但仍有一定程度的相关性。
(3) 由(2)的结论知，E(X t-1νt)=0，即X t-1与变换后的模型的随机干扰项不相关，而且Xt 与Xt-1有较强的相关性，因此，可用Xt-1作为Xt的工具变量对变换后的模型进行估计。
6．一个对某地区大学生就业增长影响的简单模型可描述如下:gEMP t=β0+β1gMINI t+β2gPOP t+β3gGDP1t+β4gGDP t+μt式中，EMP为新就业的大学生人数，MINI为该地区最低限度工资，POP为新毕业的大学生人数，GDP1为该地区国内生产总值，GDP为该国国内生产总值；g 表示年增长率。
(1) 如果该地区政府以多多少少不易观测的却对新毕业大学生就业有影响的因素作为基础来选择最低限度工资，则OLS估计将会存在什么问题?(2) 令MIN为该国的最低限度工资，它与随机扰动项相关吗?(3) 按照法律，各地区最低限度工资不得低于国家最低工资，哪么gMIN能成为gMINI的工具变量吗?解答：(1) 由于地方政府通常是根据过去的经验、当前的经济状况以及期望的经济发展前景来定制地区最低限度工资水平，但模型中并不包含这些因素，而是被归结到了模型的随机干扰项中，因此gMINI与μ不仅异期相关，而且很可能是同期相关的，这将引起OLS估计量的偏误，甚至当样本容量增大时也不具有一致性。
(2) 全国最低限度工资的制定主要根据全国整体的情况而定，因此gMINI基本与上述模型的随机扰动项无关。
(3) 由于地方政府在制定本地区最低工资水平时往往会考虑全国最低工资水乎要求，因此gMINI与gMIN具有较强的相关性。
结合(2)知gMIN可以作为gMINI的工具变量使用。
第五章 多重共线性1．什么是多重共线性? 产生多重共线性的经济背景是什么? 答：对于多元回归模型： 0112212i i i k ki i Y X X X i nββββμ=+++++=，，，如果某两个或多个解释变量之间出现了相关性，则称为多重共线性。
产生多重共线性的经济背景是，经济变量在时间上有共同变化的趋势和经济变量之间较强的相关性。
另外，当模型中包含解释变量与其滞后解释变量时，由于解释变量本身前后期相关，也会产生多重共线性。
2．多重共线性的危害是什么? 为什么会造成这些危害?答：当存在完全的多重共线性时，模型的参数将无法估计，因为参数估计量(X'X)-1X'Y 中的(X'X)-1将不存在；当多重共线性程度很高时，(X'X)-1的分母将变得很小，因此参数估计量的方差σ2(X'X)-1将变大，相应的t 统计量值变小，显著性检验也失去意义，模型预测失去意义；另外，解释变量的参数不再反映各自与被解释变量之间的关系，而是反映它们对解释变量的共同影响，因而参数失去了应有的经济含义。
3．检验多重共线性的方法思路是什么? 有哪些克服方法?答：检验多重共线性的思路是通过各种方法来检验解释变量之间是否存在显著的相关关系。
多重共线性的克服方法有很多，主要可以由以下几种：利用逐步回归法排除引起共线性的变量、差分法、减少参数估计量的方差、利用先验信息改变参数的约束形式、增加样本容量等。
4．在研究生产函数时，得到以下两种结果： 1nYˆt =-5.04+ 0.8871nK t + 0.8931nL t(A)S.E.= (1.40) (0.087) (0.137) R 2=0.878 n=211n Yˆt =-8.57 + 0.0272t + 0.4601nK t + 1.2851nL t(B)S.E.= (2.99) (0.020) (0.333) (0.324) R 2=0.889 n=21 其中，Y=产量，K=资本，L=劳动，t=时间，n=样本容量。
请回答：(1) 验证模型(A)中所有的系数在统计上都是显著的(5％)； (2) 验证模型(B)中t 和lnK 的系数在统计上不显著(5％)； (3) 可能什么原因造成了(B)中lnK 的系数不显著;(4) 如果t 与lnK 的相关系数为0.98，你将如何判断并能得出什么结论? 解答: (1) 模型(A)中三个系数对应的t 统计量分别为:40.104.5-=-3.6 087.0887.0=10.195 137.0893.0=6.5182查t 分布临界值表得t 0.025(18)=2.101，模型(A)中三个系数t 统计量的绝对值均大于临界值2.101，因此所有的回归系数在统计上都是显著的。
(2) 模型(B)中t 和lnK 的系数对应的t 统计量分别为：0204.00272.0=1.3333 324.0460.0=1.4193查t 分布临界值表得t 0.025(17)=2.11，模型(B)中t 和lnK 的系数对应的t 统计量绝对值均小于临界值2.11，因此回归系数在统计上不显著。
(3) 造成模型(B)中lnK 系数不显著的原因是由于新变量t 的引入，t 与lnK 之间可能存在严重的多重共线性。
(4) t 与lnK 的相关系数为0.98，表明两者相关程度很高，模型(2)存在严重的多重共线性。
5．某地区供水部门利用最近15年的用水年度数据得出如下估计模型：Wˆ=-326.9 + 0.305HO + 0.363PO – 0.005RE – 17.87PR – 1.123RA (-1.7) (0.9) (1.4) (-0.6) (-1.2) (-0.8)R2=0.939 F=38.9其中，W(Water)—用水总量(百万立方米)，HO(House)—住户总数（千户），PO(Population)—总人口（千人），RE(Revenue)—人均收人(元)，PR(price)—价格(元／100立方米)，RA(rain)—降雨量(毫米)。
(1) 根据经济理论和直觉，预计回归系数的符号是什么(不包括常量)? 为什么? 观察符号与你的直觉相符吗?(2) 在10％的显著性水平下，请进行变量的t 检验与方程的F 检验。
t 检验与F 检验结果有相矛盾的现象吗?(3) 你认为估计值是①有偏的；②无效的或③不一致的吗? 详细阐述理由。
解答: (1) 在其他变量不变的情况下，一城市的人口越多或房屋数量越多，则对用水的需求越高。
所以可期望HO 和PO 的符号为正；收入较高的个人可能用水较多，因此RE 的预期符号为正，但它可能是不显著的；如果水价上涨，则用户会节约用水，所以可预期PR 的系数为负；如果降雨量较大，则草地和其他花园或耕地的用水需求就会下降，所以可以期望RA 的系数符号为负。
从估计的模型看，除了RE 之外，所有符号都与预期相符。
(2) t 统计量检验单个变量的显著性，F 统计量检验回归方程总体线性显著与否，是联合检验。
这里t 检验的自由度为15-5-1=9，在10％的显著性水平下的临界值为1.833。
可见，所有参数估计值的t 值的绝对值都小于该值，所以即使在10％的显著水平下这些变量也不是显著的。
这里，F 统计值的分子自由度为5，分母自由度为9。
10％显著性水平下F 分布的临界值为2.61。
显然计算的F 值大于该临界值，表明回归系数是联合显著的。
t 检验与F 检验结果相矛盾可能是由于多重共线性造成的。
HO 、PO 、RE 都是高度相关的，这将使它们的t 值降低且表现为不显著。
PR 和RA 不显著另有原因。
根据经验，如果一个变量的值在样本期间没有很大的变化，则它对被解释变量的影响就不能很好地被度量。
通常情况下水价与年降雨量在各年中没有太大。