计量复习部分资料整理精要.docxVIP

判断并给出理由 1.由于两个变量Y和X之间的相关系数[-1,1],所以cov（Y,X）也是这个范围。 如果两个变量之间的相关系数为零，那就意味这两个变量之间不存在相关关系。 如果你将Y对做回归，那么截距和斜率分别是0和1. T检验要求估计量的抽样分布是正态分布。 即使clrm的干扰项不是正态分布ols估计量仍然是无偏的。 如果模型无截距项，则。 P值和检验统计量的尺度是一回事。 如果模型有截距项残差总和必为零。 如果一个虚拟假设不被拒绝，它就是真实的。 越大，的方差也越大。 一个随机变量的条件均值和无条件均值是一样的。 在双变量PRF中，如果斜率系数是0，则截距由样本均值来估计。 如果X对Y无影响，则和Y的无条件方差var（Y)=将是一样的。 尽管有完全多重共线性，OLS仍然是BLUE。 在高度多重共线性下，要评价一个或多个偏回归系数的个别显著性是不可能的。 如果某一辅助回归显示高的值，则高度共线性确定无疑。 变量两两高度相关并不表示由高度是多重共线性。 如果分析的目的仅仅是预测，则多重共线性是无害的。 其他条件不变，VIF越高，OLS估计量方差越大。 和VIF相比TOL是多重共线性更好的指标。 多元回归中，根据t检验，全部偏相关系数都是个别不显著，你就得不到一个高的。 在Y对X2，X3的回归中，假如X3的值很少变化，就会使var（）增大，在极端情况 下，如果全部的X3都相同，var（）将是无穷大。 当异方差出现时，OLS估计量有偏和非有效。 如果出现异方差性，则t检验和F检验无效。 在异方差情况下，OLS必定高估了标准误。 如果OLS残差表现出系统模式，则说明数据中存在异方差。 没有任何一般性异方差检验能独立于误差项与某一变量相关的假定。 如果回归模型误设，如少了一个重要变量，则OLS残差必定表现出明显样式。 如果模型不正确的漏掉了一个非恒定方差的回归元，则OLS残差将是异方差性的。 当出现自相关时，OLS估计量有偏且非有效。 DW检验假定的方差有同方差性。 用一阶差分消除自相关的方法是假定自相关系数。 如果一个是一阶差分形式回归，另一个是水平形式回归，那么这两个模型的是不能直接比较的。 一个显著的DW统计量不一定意味着一阶自相关。 在出现自相关是，通常的预报值的方差和标准误就不是有效的。 把一个或多个重要变量从回归模型排除出去可能导致一个显著的d值。 在AR（1）模式中，假设即可通过Berenblutt-Webb检验g统计量，又可以通过DW检验来侦察。 如果中有一常数项和一线性趋势项，就意味着原模型中有一线性项和二次趋势项。 所有计量经济模型本质上都是动态的。 如果某些分布滞后系数是正的，而另一些是负的，那么Koyck模型就没多大意义了。 如果用OLS估计Koyck和AE模型，则估计量有偏但一致。 在PAM模型中，OLS在有限样本中有偏。 在一个或多个随机回归元和一个自相关误差项同时出现时，工具变量法将得到无偏且一致无效的。 当滞后回归子作回归元出现时，用DW去侦察自相关实际上是无效的。 Dubin-h在大小样本中都是有效的。 Granger检验与其说是因果关系检验，不如说是领先滞后检验。 多重共线性 概念 完全的多重共线性：如果对于解释变量1，X2，X3……XK存在不全为0的数使得 Rank（X）k，数据矩阵X中，至少有一个向量可以由其他向量线性表出。 不完全多重共线性：实际生活中常见，对于解释变量1，X2，X3……XK存在不全为0的数使得，为随机变量，表明各解释变量间一种近似线性关系。 解释变量关系 ，解释变量间毫无关联，可直接用Y对每个X做回归估计参数。 ，完全共线性，模型参数无法估计。 ，实际中常见。 参数估计式 产生多重共线性原因 经济变量之间具有共同变化趋势 模型中包含滞后变量 横截面数据建模也可能产生多重共线性 样本数据自身原因 Multi-collinearity的后果 完全的Multi-collinearity，参数估计值为不定式， 不完全Multi-collinearity，共线性并不破坏最小方差性质。但是，这并不意味着，在任意给定的样本中，一个OLS估计量的方差一定是小的。仍然是BLUE，参数估计值的方差可能增大； 高度共线性使估计的标准误增加很快，t值迅速变小。因而，容易接受总体参数为零的虚拟假设；参数估计置信区间增大；假设检验容易做出错误判断；可能出现可决系数很高，但各参数t检验不显著，回归系数符号与经济意义相反； 多重共线性本质上是一种样本现象。即使总体不存在共线性，由于抽样方法或小样本问题也可能带来多重共线性问题 Multi-collinearity的侦察方法 简单相关系数法 一般而言，简单相