计量经济复习大纲.docxVIP

第一章建模步骤建立一个理论学说收集数据时间序列数据：是按时间跨度收集得到的，可能是定量的也可能是定性的截面数据：一个或多个变量在某一时点上的数据集合合并数据：既包括时间序列数据又包括截面数据一种特殊的合并数据——面板数据又称纵向数据或围观面板数据：同一个横截面的跨期调查数据设定数学模型首先根据变量数据做出散点图，作为近似可以写出简单的数学模型，B1B2为参数B1为截距，即当A为0时，B的值B2为斜率，度量了单位A变动引起的B的变化率设立统计或经济计量模型把其他所有影响B的因素都包括在u里线性回归分析的主要目标就是解释一个变量与其他一个或多个变量之间的行为关系，并非完全精确。统计学无论有多么强，有多紧密，也不能建立起因果关系，因果关系的概念来自统计学之外的某个理论。估计经济计量模型参数普通最小二乘法核查模型的适用性：模型设定检验经济计量模型的检验准则有哪三方面？（1）经济意义准则；（2）统计检验准则；（3）计量经济检验准则7. 模型应用：1、检验经济理论；2、结构分析（乘数分析、弹性分析）；3、政策评价 4、预测?第二章回归的含义：回归分析用于研究一个变量与另一个变量或多个变量之间的关系，但它并不表明一定存在因果关系；即它并不意味着自变量是因，应变量是果。如果两者存在因果关系，那么一定是建立在某个经济理论基础上。回归分析的目的：根据自变量的取值，估计应变量的均值检验（建立在经济理论基础上的）假设根据样本外自变量的取值，预测应变量的均值可同时进行上述各项分析总之，分析因变量与解释变量之间的统计依赖关系，目的在于通过后者的已知或设定值去估计或预测前者的均值。回归分析关注的是在给定自变量取值条件下应变量的变化，因此，严格地说，回归分析是条件回归分析。回归分析和相关分析：共同点:都是研究非确定性变量间的统计依赖关系不同点:相关分析中，变量 x 变量 y 处于平等的地位；回归分析中，变量 y 称为因变量，处在被解释的地位，x 称为自变量，用于预测因变量的变化相关分析中所涉及的变量 x 和 y 都是随机变量；回归分析中，因变量 y 是随机变量，自变量 x是非随机的确定变量相关分析主要是描述两个变量之间线性关系的密切程度；回归分析不仅可以揭示变量 x 对变量 y 的影响大小，还可以由回归方程进行预测和控制古典线性回归模型（CLRM）的基本假定 :回归模型是参数线性的，而且是正确设定的解释变量X是非随机的变量，或者说解释变量X与扰动误差项u不相关对于给定Xi , 误差项ui的期望为0，即E(u|Xi ) = 0随机误差项ui的方差为常数，即var(ui) = σ2(同方差假定)误差项ui之间不相关，因此对所有的i≠j，cov(ui , uj) = 0(无序列相关假定)误差项ui服从正态分布总体回归线: 在给定解释变量X条件下被解释变量Y的期望轨迹，即条件均值的连线总体回归函数PRF：总体回归线的数学表达式。B1和B2称为参数，也称为回归系数B1为截距，B2为斜率——斜率系数度量了X每变动一单位，Y均值的变化率。随机干扰项来自哪些方面：1、变量的省略：由于人们认识的局限不能穷尽所有的影响因素或由于受时间、费用、数据质量等制约而没有引入模型之中的对被解释变量有一定影响的自变量。2、统计误差：数据搜集中由于计量、计算、记录等导致的登记误差；或由样本信息推断总体信息时产生的代表性误差。3、模型的设定误差：如在模型构造时，非线性关系用线性模型描述了；复杂关系用简单模型描述了；此非线性关系用彼非线性模型描述了等等。4、随机误差：被解释变量还受一些不可控制的众多的、细小的偶然因素的影响。若相互依赖的变量间没有因果关系，则称其有相关关系。线性回归模型随机干扰项的假定有哪些：（1）随机误差项的条件期望值为零。（2）随机误差项的条件方差相同。（3）随机误差项之间无序列相关。（4）自变量与随机误差项独立无关。（5）随机误差项服从正态分布。（6）各解释变量之间不存在显著的线性相关关系。样本回归函数SRF：实际上很少能获得整个总体的数据，通常，仅仅有来自总体的一个样本。在回归分析中，我们用SRF估计PRF。由于抽样的不同，每条直线之多是对真实总体回归线的近似，K个不同样本得到K条不同的SRL，所有SRL不可能相同。样本回归函数表示样本回归线残差项e的性质：它与u类似，可作为u的估计量，SRF中e的产生原因和PRF中u的产生原因相同。残差项e表示了Y的实际值与样本回归得到的估计值的差。关于“线性”回归一、变量线性：应变量的条件均值是自变量的线性函数二、参数线性：应变量的条件均值是参数B的线性函数，而变量之间并不一定是线性的。如果参数B2仅以一次方的形式出现，则称函数为参数线性本书中线性回归仅指参数线性（参数为一次方）的回归，而解释变量并不一定是线性的。参数估计：普通最