计量经济学提纲

1．OLS估计量的重要性质？

用OLS法得出的样本回归线经过样本均值点;残差的均值总为零；对残差与解释变量的积求和，其值为零，即这两个变量不相关；对残差与被解释变量的估计值的积求和，其值为零。

2.参数最小二乘估计的性质？

线性性；无偏性；最小方差性。

3.OLS估计量的性质？

B1,b2是线性估计量；b1,b2是无偏估计量；误差方差的OLS估计量也是无偏的；b1,b2是有效估计量（最小方差性）

4.普通最小二乘法的定义及思想？

普通最小二乘法就是要选择参数b1、b2，使得残差平方和最小。用OLS法得出的样本回归线经过样本均值点;残差的均值总为零；对残差与解释变量的积求和，其值为零，即这两个变量不相关；对残差与被解释变量的估计值的积求和，其值为零。

5.古典线性回归模型的7个假定条件？

回归模型是参数线性的，但不一定是变量线性的；解释变量与扰动误差项无关；给定Xi，扰动项的期望或均值为零；ui的方差为常数，或同方差；无自相关假定，即两个误差项之间不相关；回归模型是正确设定的；正态性假定，即随机扰动项。

6.为什么会出现多重共线性？

1、解释变量都享有共同的时间趋势；

2、滞后变量的存在。一个解释变量是另一个的滞后，二者往往遵循一个趋势；

3、选择变量与变化区间时，变化口径不太大，变化区间窄。由于数据收集的基础不够宽，某些解释变量可能会一起变动；

4、某些解释变量间存在某种近似的线性关系；

5、利用截面数据建立模型也可能出现多重共线性；

6、样本数据自身的问题。

7．多重共线性的后果？

理论后果:在近似共线性的情况下，OLS的估计量仍然是无偏的；近似共线性并未破坏OLS 估计量的最小方差性；即使在总体回归方程中变量X之间不是线性相关的，但在某个样本中，X之间的可能是线性相关的。

理论后果:OLS估计量的方差和标准误差较大；置信区间变宽；t值不显著；R的平方值较高；OLS估计量及其标准误差对数据的微小变化非常敏感，即它们很不稳定；难以评估各个解释变量对回归平方和或者R的平方的贡献。

8.多重共线性的诊断？

R的平方较高，但解释变量t值统计显著的不多；解释变量两两高度相关；检查偏相关系数；从属回归或辅助回归；方差膨胀因子。

9.如何解决多重共线性?

从模型中删掉一个变量；获取额外的数据或新的样本；重新考虑模型；参数的先验信息；变

量变换；其他补救措施。

异方差的后果：

OLS估计量仍然是线性的；OLS估计量仍然是无偏的；OLS估计量不再具有最小方差性，即不再是有效的；OLS估计量的方差通常是有偏的；偏差的产生是由于ō的平方，不再是真实ō的平方的无偏估计量；建立在t分布和F分布之上的置信区间和假设检验是不可靠的。

异方差的诊断：如何知道存在异方差问题?

残差图形检验；帕克检验；格莱泽检验；怀特的一般异方差检验；其他检验方法。

异方差的补救措施？

当ō的平方已知时：加权最小二乘法；当ō的平方未知时，当误差方差与X成比例时，平方根变换；重新设定模型。

自相关的后果？

最小二乘估计量仍然是线性的和无偏的；但最小二乘的估计量不是有效的；OLS估计量的方差是有偏的；通常所用的t检验和F检验是不可靠的；计算得到的误差方差，是真实方差的有偏估计量，并且很可能低估了真实的方差；通常计算的R2不能测度真实的R2；通常计算的预测方差和标准误也是无效的。

自相关的诊断?

图形法；德宾沃森d检验；

自相关补救措施？

广义最小二乘法估计ρ值（一阶差分法；德宾沃森d统计量中估计ρ；从OLS残差et中估计ρ；）