1、文檔編碼 : CY3C9X8X9J5 HV10A9O10P9S4 ZM3Y3V9J5K1計(jì)量經(jīng)濟(jì)學(xué)簡(jiǎn)答題整理 簡(jiǎn)答題 一,計(jì)量經(jīng)濟(jì)學(xué)的步驟 答 : 挑選變量與數(shù)學(xué)關(guān)系式 模型設(shè)定 確定變量間的數(shù)量關(guān)系 檢 估量參數(shù) 驗(yàn)所得結(jié)論的牢靠性 模型檢驗(yàn) 作經(jīng)濟(jì)分析與經(jīng)濟(jì)估計(jì) 模型應(yīng)用 二,模型檢驗(yàn) 答 : 所謂模型檢驗(yàn) , 就就是要對(duì)模型與所估量的參數(shù)加以評(píng)判 , 判定在理論上就是否有意義 , 在統(tǒng)計(jì)上就是否有足夠的可 靠性；對(duì)計(jì)量經(jīng)濟(jì)模型的檢驗(yàn)主要應(yīng)從以下四方面進(jìn)行 4,模型估計(jì)檢驗(yàn)； 三,模型應(yīng)用 :1 ,經(jīng)濟(jì)意義的檢驗(yàn)； 2,統(tǒng)計(jì)推斷檢驗(yàn)； 3,計(jì)量經(jīng)濟(jì)學(xué)檢驗(yàn)； 答 :1 經(jīng)濟(jì)結(jié)構(gòu)分析 , 就是

2、指用已經(jīng)估量出參數(shù)的模型 , 對(duì)所爭(zhēng)辯的經(jīng)濟(jì)關(guān)系進(jìn)行定量的考查 , 以說明經(jīng)濟(jì)變量之間的 數(shù)量比例關(guān)系； 2 經(jīng)濟(jì)估計(jì) , 就是指利用估量了參數(shù)的計(jì)量經(jīng)濟(jì)模型 , 由已知的或預(yù)先測(cè)定的說明變量 , 去估計(jì)被說明變量在所觀測(cè)的 樣本數(shù)據(jù)以外的數(shù)值； 3 政策評(píng)判 , 就是利用計(jì)量經(jīng)濟(jì)模型對(duì)各種可供挑選的政策方案的實(shí)施后果進(jìn)行模擬測(cè)算 , 從而對(duì)各種政策方案作出 評(píng)判； 4 檢驗(yàn)與進(jìn)展經(jīng)濟(jì)理論 , 就是利用計(jì)量經(jīng)濟(jì)模型去驗(yàn)證既有經(jīng)濟(jì)理論或者提出新的理論； 四,一般 OLS 方法的思想與它的運(yùn)算方法 答 : 計(jì)量經(jīng)濟(jì)學(xué)爭(zhēng)辯的直接目的就是確定總體回來函數(shù) Yi=B1+B2Xi+ui, 然而能夠得到的學(xué)

3、問來自總體的如干樣本的觀 測(cè)值 , 要用樣本信息建立的樣本回來函數(shù)盡可能“接近”地去估量總體回來函數(shù)；為此 , 可以以從不同的角度去確定建 立樣本回來函數(shù)的準(zhǔn)就 , 也就有了估量回來模型參數(shù)的多種方法；例如 , 用生產(chǎn)該樣本概率最大的原就去確定樣本回來 函數(shù) , 成為極大似然進(jìn)展 ; 用估量的剩余平方與的最小的原就確定樣本回來函數(shù)；稱為最小二乘法就； 為 了 使 樣 本 回 歸 函 數(shù) 盡 可 能 接 近 總 體 回 歸 函 數(shù) , 要 使 樣 本 回 歸 函 數(shù) 估 計(jì) 的 第 1 頁,共 32 頁計(jì)量經(jīng)濟(jì)學(xué)簡(jiǎn)答題整理 與 實(shí) 際 的 的 誤 差 盡 量 小 , 即 要 使 剩 余 項(xiàng) 越

4、小 越 好 ； 可 就 是 作 為 誤 差 有 正 有 負(fù) , 其 簡(jiǎn) 單 代 數(shù) 與 第 2 頁,共 32 頁計(jì)量經(jīng)濟(jì)學(xué)簡(jiǎn)答題整理 最小的準(zhǔn)就 , 這就就是最小乘準(zhǔn)就 , 即 min =min -min 五,簡(jiǎn)潔線性回來模型基本假定 答 :1 對(duì)模型與變量的假定 , 如 Y i12X iui第 3 頁,共 32 頁計(jì)量經(jīng)濟(jì)學(xué)簡(jiǎn)答題整理 假 定 解 釋 變 量 x 就 是 確 定 性 變 量 , 就 是 非 隨 機(jī) 的 , 這 就 是 因 為 在 重 復(fù) 抽 樣 中 就 是 取 一 組 固 定 的 值 , 或 者 雖 然 就 是 隨 機(jī) 的 , 但 與 隨 機(jī) 擾 動(dòng) 項(xiàng) 也就是不相關(guān) ; 假

5、定模型中的變量沒有測(cè)量誤差； 2 對(duì)隨機(jī)擾動(dòng)項(xiàng) u 的假定又稱高斯假定,古典假定 第 4 頁,共 32 頁計(jì)量經(jīng)濟(jì)學(xué)簡(jiǎn)答題整理 假定 1: 零均值假定 , 即在給定說明變量 的條件下 , 隨機(jī)擾動(dòng)項(xiàng) ui 的條 件期望或條件為零 E uiX i0假定 2: 同方差假定 , 即對(duì)于給定的每一 方差都等于某一常數(shù) 的條件下 , 隨機(jī)擾動(dòng)項(xiàng) ui 的條件 第 5 頁,共 32 頁計(jì)量經(jīng)濟(jì)學(xué)簡(jiǎn)答題整理 Var u i X E u i E u i X 22u, 或者說對(duì)于全部的 i 與 ji 不等于 j, ui 與 uj 的協(xié)方差 假定 3: 無自相關(guān)假定 , 即隨機(jī)擾動(dòng)項(xiàng) ui 的逐次值互不相關(guān) 為零

6、 假定 4: 隨機(jī)擾動(dòng) ui 與說明變量 Xi 不相關(guān) , 可表示為 假定 5: 對(duì)隨機(jī)擾動(dòng)項(xiàng)分布的正態(tài)性假定 , 即假定隨機(jī)擾動(dòng)項(xiàng) ui 聽從期望為零 , 方差為 2的正態(tài)分布 , 表示為 第 6 頁,共 32 頁計(jì)量經(jīng)濟(jì)學(xué)簡(jiǎn)答題整理 六, F 檢驗(yàn) 答 : 對(duì)回來模型整體顯著性的檢驗(yàn) , 所檢驗(yàn)假設(shè)的形式為 H0: 2= 3= = k=0 H1: jj=2,3, ,k 不全為零 在 H0 成立的條件下 , 統(tǒng)計(jì)量 F=ESS/k-1/RSS/n-k Fk-1,n-k 給定顯著性水平 , 在 F 分布表中查出自由度為 k-1 與 n-k 的臨界值 F k-1,n-k, 將樣本觀測(cè)值代入式運(yùn)算

7、 F F k-1,n-k 比較；如 F Fk-1,n-k, 就拒絕原假設(shè) H0: 2= 3= =k=0, 說明回來方程 值 , 然后將 F 值與臨界值 顯著 , 即列入模型的各個(gè)說明變量聯(lián)合起來對(duì)被說明變量有顯著影響 ; 反之； 七,多重共線性產(chǎn)生的后果 答 :1 ,完全多重共線性產(chǎn)生的后果 1 參數(shù)的估量值不確定 當(dāng)說明變量完全線性相關(guān)時(shí) OLS 估量式不確定 的影響 X2 與 X3 的影 從偏回來系數(shù)意義瞧 : 在 X2 與 X3 完全共線性時(shí) , 無法保持 X3 不變 , 去單獨(dú)考慮 X2 對(duì) Y 響不行區(qū)分 從 OLS 估量式瞧 : 可以證明此.2= 00時(shí) 2 參數(shù)估量值的方差無限大

8、 OLS 估量式的方差成為無窮: V ar .2大 2,不完全多重共線性產(chǎn)生的后果 , 可以得到參數(shù)的估量值 , 但就是對(duì)計(jì)量經(jīng)濟(jì)分析可能會(huì)產(chǎn)生一系列的影響； 假如模型中存在不完全的多重共線性 1 參數(shù)估量值的方差增大 2 對(duì)參數(shù)區(qū)間估量時(shí) , 置信區(qū)間趨于變大 3 假設(shè)檢驗(yàn)簡(jiǎn)潔作出錯(cuò)誤的判定 4 可能造成可決系數(shù)較高 , 但對(duì)各個(gè)參數(shù)單獨(dú)的 t 檢驗(yàn)卻可能不顯著 , 甚至可能使估量的回來系數(shù)符號(hào)相反 , 得出完全 錯(cuò)誤的結(jié)論； 八,多重共線性的檢驗(yàn) 第 7 頁,共 32 頁計(jì)量經(jīng)濟(jì)學(xué)簡(jiǎn)答題整理 答 :1 ,簡(jiǎn)潔相關(guān)系數(shù)檢驗(yàn)法 , 即就是利用說明變量之間的線性相關(guān)程度去判定就是否存在莊重多重共

9、線性的一種簡(jiǎn)便方 法；判定規(guī)章 : 一般而言 , 假如每?jī)蓚€(gè)說明變量的簡(jiǎn)潔相關(guān)系數(shù) 零階相關(guān)系數(shù) 比較高 , 例如大于 0,8, 就可認(rèn)為存在著 較莊重的多重共線性；但要留意 : 較高的簡(jiǎn)潔相關(guān)系數(shù)只就是多重共線性存在的充分條件 , 而不就是必要條件； ； 2 ,方差擴(kuò)大 膨脹 因子法 體會(huì)規(guī)章 : 方差膨脹因子越大 , 說明說明變量之間的多重共性越莊重；反過來 , 方差膨脹因子越接近于 1, 多重共線性越 弱；體會(huì)說明 , 方差膨脹因子 10 時(shí), 說明說明變量與其余說明變量之間有莊重的多重共線性 , 且這種多重共線性可能 會(huì)過度地影響最小二乘估量； 3,直觀判定法 當(dāng)增加或剔除一個(gè)說明變量

10、 , 或者轉(zhuǎn)變一個(gè)觀測(cè)值時(shí) , 回來參數(shù)的估量值發(fā)生較大變化 , 回來方程可能存在莊重的多 重共線性； 從定性分析認(rèn)為 , 一些重要的說明變量的回來系數(shù)的標(biāo)準(zhǔn)誤差較大 , 在回來方程中沒有通過顯著性檢驗(yàn)時(shí) , 可初步判 斷可能存在莊重的多重共線性； 有些說明變量的回來系數(shù)所帶正負(fù)號(hào)與定性分析結(jié)果違反時(shí) , 很可能存在多重共線性； 說明變量的相關(guān)矩陣中 , 自變量之間的相關(guān)系數(shù)較大時(shí) , 可能會(huì)存在多重共線性問題； 4,逐步回來法 逐步回來的基本思想 : 將變量逐個(gè)的引入模型 , 每引入一個(gè)說明變量后 , 都要進(jìn)行檢驗(yàn) , 并對(duì)已經(jīng)選入的說明變量逐個(gè) 進(jìn)行 t 檢驗(yàn) , 當(dāng)原先引入的說明變量由于

11、后面說明變量的引入而變得不再顯著時(shí) , 就將其剔除； 以確保每次引入新的變 量之前回來方程中只包含顯著的變量；在逐步回來中 , 高度相關(guān)的說明變量 , 在引入時(shí)會(huì)被剔除；因而也就是一種檢測(cè) 多重共線性的有效方法； 九,異方差的后果 答 : 對(duì)參數(shù)估量式統(tǒng)計(jì)特性的影響 參數(shù)估量的無偏性仍舊成立 參數(shù)估量的無偏性僅依靠于基本假定中的零均值假定 即 Eui 0 ；所以異方差的存在對(duì)無偏性的成立沒有影響； 參數(shù)估量的方差不再就是最小的 同方差假定就是 OLS 估量方差最小的前提條件 , 所以隨機(jī)誤差項(xiàng)就是異方差時(shí) , 將不能再保證最小二乘估量的方差最 ?。?對(duì)模型假設(shè)檢驗(yàn)的影響 由于異方差的影響 ,

12、使得無法正確估量參數(shù)的標(biāo)準(zhǔn)誤差 , 導(dǎo)致參數(shù)估量的 t 統(tǒng)計(jì)量的值不能正確確定 , 所以 , 假如仍用 t 統(tǒng)計(jì)量進(jìn)行參數(shù)的顯著性檢驗(yàn)將失去意義； 對(duì)估計(jì)的影響 盡管參數(shù)的 OLS 估量量仍舊無, 并且基于此的估計(jì)也就是無偏的 , 但就是由于參數(shù)估量量不就是有效的 , 從而對(duì) Y 的測(cè)也將不就是有效的； 偏 預(yù) 十,異方差性的檢驗(yàn) 答 : 常用檢驗(yàn)方法 : 圖示檢驗(yàn)法相關(guān)圖形分析殘差圖形分析格的菲爾德 Glejser 檢驗(yàn) - 夸特檢驗(yàn) White 檢驗(yàn) ARCH 檢驗(yàn) 第 8 頁,共 32 頁計(jì)量經(jīng)濟(jì)學(xué)簡(jiǎn)答題整理 十一, WLS 方法 答 : 假如模型被檢驗(yàn)證明存在異方差性 , 就需要進(jìn)展新

13、的方法估量模型 , 最常用的方法就是加權(quán)最小二乘法； 加權(quán)最小二 乘法就是對(duì)原模型加權(quán) , 使之變成一個(gè)新的不存在異方差性的模型 , 然后接受一般最小二乘法估量其參數(shù)；在利用 Eviews 計(jì)量經(jīng)濟(jì)學(xué)軟件時(shí) , 加權(quán)最小二乘法詳細(xì)步驟就是 : 挑選一般最小二乘法估量原模型 , 得到隨機(jī)誤差項(xiàng)的近似 估量量 ; 建立 的數(shù)據(jù) 序列 ; 挑選加權(quán)最小二乘法 , 以 序列作為權(quán) , 進(jìn)行估量得到參數(shù)估量 第 9 頁,共 32 頁計(jì)量經(jīng)濟(jì)學(xué)簡(jiǎn)答題整理 量；實(shí)際上就是以 法估量新模型； 乘原模型的兩邊 , 得到一個(gè)新模型 , 接受一般最小二乘 十二,自相關(guān)的后果 答 :1 ,最小二乘估量量仍舊就是線性的

14、與無偏的； 2,最小二乘估量量不就是有效的 , 即 OLS 估量量的方差不就是最小 , 估量量不就是最優(yōu)線性無偏估量量 BLUE； 3, OLS 估量量的方差就是有偏的；用來運(yùn)算方差與 的 OLS 估量量標(biāo)準(zhǔn)誤的公式會(huì)莊重的低估真實(shí)的方差與標(biāo)準(zhǔn) , 從而 導(dǎo)致 t 值變大 , 使得某個(gè)系數(shù)表面上顯著不為零 誤 4, t 檢驗(yàn)與 F 檢驗(yàn)不就是可信的； , 但事實(shí)卻相反； 5,運(yùn)算得到的誤差方差 2 RSS/d, f , 殘差平方與 / 自由度 就是真實(shí) 的有偏估量量 , 并且很可能低估了真實(shí)的 2 2； 6,運(yùn)算的 R2 也不能真實(shí)的反映實(shí)際 R2； 7,運(yùn)算的估計(jì)方差與標(biāo)準(zhǔn)誤差通常就是無效的

15、 十三,自相關(guān)的檢驗(yàn) 答 :1 ,圖示法 ,作回來 ; ,運(yùn)算參差 et Y t Y .t ,作 et 的散點(diǎn)圖 : A,作 et-1,et 假如大部分落在第 I ,第象限 , 就 ut 存在正自相關(guān)； 假如大部分落在第 II ,第 IV 象限 , 就 ut 存在負(fù)自相關(guān)； B,按時(shí)間次序繪制 t,et 如 et 隨時(shí)間變化不斷變換符號(hào) , 說明隨機(jī)擾動(dòng)存在負(fù)自相關(guān) ; 如連續(xù)幾個(gè)為正 , 后邊幾個(gè)為負(fù) , 就隨機(jī)擾動(dòng)存在正自相 關(guān)； 2,杜賓瓦特森 Durbin-Watson 檢驗(yàn) 基本假定 : 1 回來式中有截距項(xiàng) 2 說明變量就是非隨機(jī)的 3 干擾項(xiàng)的模式為一階自回來模式 : u t u

16、 t 1 v t 4 回來模型中 , 滯后因變量被當(dāng)作說明變量； 5 沒有缺損數(shù)據(jù)； DW 檢驗(yàn)步驟 : 1 做 OLS 回來 , 得殘差； 2 運(yùn)算統(tǒng)計(jì)量 DW 第 10 頁,共 32 頁計(jì)量經(jīng)濟(jì)學(xué)簡(jiǎn)答題整理 3 對(duì)給定的樣本數(shù)量與說明變量數(shù)目 , 在給定顯著水平下 , 找出臨界值的下界與上界 dL, dU ； 4 依據(jù)下表的決策規(guī)章預(yù)備就是否接受原假設(shè)； 原假設(shè) 拒絕 決策 條件 LL無正自相關(guān) 無負(fù)0dd L自相關(guān) 無正或負(fù)拒絕 4 - d L d 的自相關(guān) 接受 dU d 4 -d 無正或負(fù)的自相關(guān) 不能確定 dLd d U4 d Ud =15, 這就是由于樣本假如再小 域 , 利用殘

17、差就很難對(duì)自相關(guān)的存在性做出比較正確的診 斷 DW 統(tǒng)計(jì)量的上, 下界表要求 DW 檢驗(yàn)不適應(yīng)隨機(jī)誤差項(xiàng)具有高階序列相關(guān)的檢只適用于有常數(shù)項(xiàng)的回來模型并且說明變量中不能含滯后的被說明變量 驗(yàn) 十四 , 線性回來模型經(jīng)典假設(shè) 1, 為什么要作基本假定？ 模型中有隨機(jī)擾動(dòng) , 估量的參數(shù)就是隨機(jī)變量 , 只有對(duì)隨機(jī)擾動(dòng)的分布作出假定 , 才能確定所估量參數(shù)的分布性 質(zhì) , 也才可能進(jìn)行假設(shè)檢驗(yàn)與區(qū)間估量 只有具備確定的假定條件 , 所作出的估量才具有較好的統(tǒng)計(jì)性質(zhì)； 2,基本假定的內(nèi)容 1 對(duì)模型與變量的假定 如 Y i 12X iui, 但與擾動(dòng)項(xiàng) u就是不相關(guān)的 假定說明變量 x 就是非隨機(jī)的

18、 , 或者雖然就是隨機(jī)的 假定說明變量 x 在重復(fù)抽樣中為固定值 假定變量與模型無設(shè)定誤差 2 對(duì)隨機(jī)擾動(dòng)項(xiàng) u 的假定 又稱高斯假定,古典假定 假定 1: 零均值假定 在給定 X 的條件下 , ui 的條件期望為零 E uiX i0假定 2: 同方差假定 在給定 X 的條件下 ,ui 的條件方差為某個(gè)常數(shù) 的平 方 Var u i X E u i E u i X 22假定 3: 無自相關(guān)假定 隨機(jī)擾動(dòng)項(xiàng) ui 的逐次值互不相關(guān) Eu j 0Covui , u j E ui Eui u j E ui u j 0 i j 假定 4: 隨機(jī)擾動(dòng) ui 與說明變量 X 不相關(guān) E Xi Covui

19、, Xi Eui Eui X i 假定 5: 對(duì)隨機(jī)擾動(dòng)項(xiàng)分布的正態(tài)性假定 即假定 ui 聽從均值為零,方差為 2的正態(tài)分布 第 11 頁,共 32 頁計(jì)量經(jīng)濟(jì)學(xué)簡(jiǎn)答題整理 ui N 0, 2十五,計(jì)量經(jīng)濟(jì)學(xué)模型的異方差 一,異方差性的實(shí)質(zhì) 異方差性的含義 二,產(chǎn)生異方差的緣由 二 模型的設(shè)定誤差 模型的設(shè)定主要包括變量的挑選與模型數(shù)學(xué)形式的確定； 模型中略去了重要說明變量經(jīng)常導(dǎo)致異方差 , 實(shí)際就就是模 型設(shè)定問題；除此而外 , 模型的函數(shù)形式不正確 , 如把變量間原先為非線性的關(guān)系設(shè)定為線性 , 也可能導(dǎo)致異方差； 三 數(shù)據(jù)的測(cè)量誤差 樣本數(shù)據(jù)的觀測(cè)誤差有可能隨爭(zhēng)辯范疇的擴(kuò)大 而增加 ,

20、或隨時(shí)間的推移逐步積存 , 也可能隨著觀測(cè)技術(shù)的提高而 逐步減?。?四 截面數(shù)據(jù)中總體各單位的差異 通常認(rèn)為 , 截面數(shù)據(jù)較時(shí)間序列數(shù)據(jù)更簡(jiǎn)潔產(chǎn)生異方差；這就是由于同一時(shí)點(diǎn)不同對(duì)象的差異 , 一般說來會(huì)大于同一 對(duì)象不同時(shí)間的差異；不過 , 在時(shí)間序列數(shù)據(jù)發(fā)生較大變化的情形下 , 也可能顯現(xiàn)比截面數(shù)據(jù)更莊重的異方差； 三 后果 對(duì)參數(shù)估量式統(tǒng)計(jì)特性的影響 一 參數(shù)估量的無偏性仍舊成立 參數(shù)估量的無偏性僅依靠于基本假定中的零均值假定 即 Eui 0 ；所以異方差的存在對(duì)無偏性的成立沒有影響； 二 參數(shù)估量的方差不再就是最小的 同方差假定就是 OLS 估量方差最小的前提條件 , 所以隨機(jī)誤差項(xiàng)就是

21、異方差時(shí) , 將不能再保證最小二乘估量的方差最 小； ,對(duì)參數(shù)顯著性檢驗(yàn)的影響 由于異方差的影響 , 使得無法正確估量參數(shù)的標(biāo)準(zhǔn)誤差 , 導(dǎo)致參數(shù)估量的 t 統(tǒng)計(jì)量的值不能正確確定 , 所以 , 假如仍用 第 12 頁,共 32 頁計(jì)量經(jīng)濟(jì)學(xué)簡(jiǎn)答題整理 t 統(tǒng)計(jì)量進(jìn)行參數(shù)的顯著性檢驗(yàn)將失去意義； ,對(duì)估計(jì)的影響 盡管參數(shù)的 OLS 估量量仍舊無, 并且基于此的估計(jì)也就是無偏的 , 但就是由于參數(shù)估量量不就是有效的 , 從而對(duì) Y 的測(cè)也將不就是有效的； 偏 預(yù) 四 異方差性的檢驗(yàn) 常用檢驗(yàn)方法 : 圖示檢驗(yàn)法 一 相關(guān)圖形分析方差描述的就是隨機(jī)變量取值的 與其均值的 離散程度； 由于被說明變量

22、 與隨機(jī)誤差項(xiàng) 有相同的方差 , 所以利 用分析 與 的相關(guān)圖形 , 可以初略地瞧到 的離散程度與 之間就是否有相關(guān)關(guān)系； 假如隨著 的增加 , 的離散程度為逐步增大 或減小 的變化趨勢(shì) , 就認(rèn)為存在遞增型 或遞減型 的異方差； Goldfeld-Quanadt 檢驗(yàn) 作用 : 檢驗(yàn)遞增性 或遞減性 異方差； 基本思想 : 將樣本分為兩部分 , 然后分別對(duì)兩個(gè)樣本進(jìn)行回來 , 并運(yùn)算兩個(gè)子樣的殘差平方與所構(gòu)成 的比 , 以此為 統(tǒng)計(jì)量來判定就是否存在異方差； 一 檢驗(yàn)的前提條件 1 ,要求檢驗(yàn)使用的為大樣本容量； 2 ,除了同方差假定不成立外 , 其它假定均中意； 二 檢驗(yàn)的詳細(xì)做法 第 1

23、3 頁,共 32 頁計(jì)量經(jīng)濟(jì)學(xué)簡(jiǎn)答題整理 White 檢驗(yàn) 一 基本思想 : 不需要關(guān)于異方差的任何先驗(yàn)信息 , 只需要在大樣本的情形下 , 將 OLS 估量后的殘差平方對(duì)常數(shù),說明變量,說明變 量的平方及其交叉乘積等所構(gòu)成一個(gè)幫忙回來 , 利用幫忙回來建立相應(yīng)的檢驗(yàn)統(tǒng)計(jì)量來判定異方差性； 五,異方差性的補(bǔ)救措施 主要方法 : 第 14 頁,共 32 頁計(jì)量經(jīng)濟(jì)學(xué)簡(jiǎn)答題整理 模型變換法 加權(quán)最小二乘法 模型的對(duì)數(shù)變換 第 15 頁,共 32 頁計(jì)量經(jīng)濟(jì)學(xué)簡(jiǎn)答題整理 在經(jīng)濟(jì)意義成立的情形下 , 假如對(duì)模型 : Y i= b 1+ b 2X i+ ui作對(duì)數(shù)變換 , 其變量 Yi 與 Xi 分別用

24、 lnYi 與 lnXi 代替 , 即 : ln Yi = b1 + b2ln Xi + ui 對(duì)數(shù)變換后的模型通?？梢越档彤惙讲钚缘挠绊?: 運(yùn)用對(duì)數(shù)變換能使測(cè)定變量值的尺度縮??； 經(jīng)過對(duì)數(shù)變換后的線性模型 , 其殘差表示相對(duì)誤差往往比確定誤差有較小的差異； 留意 : 對(duì)變量取對(duì)數(shù)雖然能夠削減異方差對(duì)模型的影響 計(jì)量經(jīng)濟(jì)模型的自相關(guān)性 什么就是自相關(guān) , 但應(yīng)留意取對(duì)數(shù)后變量的經(jīng)濟(jì)意義； 自相關(guān) auto correlation, 又稱序列相關(guān) serial correlation 就是指總體回來模型的隨機(jī)誤差項(xiàng)之間存在相關(guān)關(guān) 系；即不同觀測(cè)點(diǎn)上的誤差項(xiàng)彼此相關(guān)； 緣由 1經(jīng)濟(jì)系統(tǒng)的慣性 自

25、相關(guān)現(xiàn)象大多顯現(xiàn)在時(shí)間序列數(shù)據(jù)中 緣由 2 經(jīng)濟(jì)活動(dòng)的滯后效應(yīng) , 而經(jīng)濟(jì)系統(tǒng)的經(jīng)濟(jì)行為都具有時(shí)間上的慣性； 滯后效應(yīng)就是指某一指標(biāo)對(duì)另一指標(biāo)的影響不僅限于當(dāng)期而就是連續(xù)如干期；由此帶來變量的自相關(guān)； 緣由 3數(shù)據(jù)處理造成的相關(guān) 由于某些緣由對(duì)數(shù)據(jù)進(jìn)行了修整與內(nèi)插處理 緣由 4蛛網(wǎng)現(xiàn)象 一個(gè)變量對(duì)另一個(gè)變量, 在這樣的數(shù)據(jù)序列中就會(huì)有自相關(guān)； 的反映不就是同步的 B1 B2*Pt-1 , 時(shí)滯確定的時(shí)間；商品供應(yīng)對(duì)價(jià)格的反映 : St ut 緣由 5模型設(shè)定偏誤 假如模型中省略了某些重要的說明變量或者模型函數(shù)形式不正確 項(xiàng)中 , 從而帶來了自相關(guān)；由于該現(xiàn)象就是由于設(shè)定失誤造成的自相關(guān) 三 相

26、關(guān)的表現(xiàn)形式 略 四 ,自自相關(guān)的后果 1 最小二乘估量量仍舊就是線性的與無偏的； , 都會(huì)產(chǎn)生系統(tǒng)誤差 , 這種誤差存在于隨機(jī)誤差 , 因此 , 也稱其為虛假自相關(guān)； 2 最小二乘估量量不就是有效的 , 即 OLS 估量量的方差不就是最小 , 估量量不就是最優(yōu)線性無偏估量量 BLUE； 3 OLS 估量量的方差就是有偏的；用來運(yùn)算方差 的 OLS 估量量標(biāo)準(zhǔn)誤的公式會(huì)莊重的低估真實(shí)的方差與標(biāo)準(zhǔn) , 從而導(dǎo) 與 誤 致 t 值變大 , 使得某個(gè)系數(shù)表面上顯著不為零 , 但事實(shí)卻相反； 4 t 檢驗(yàn)與 F 檢驗(yàn)不就是可信的； 5 運(yùn)算得到的誤差方差 2 RSS/d,f , 殘差平方與 / 自由度

27、 就是真實(shí) 2 的有偏估量量 , 并且很可能低估了真實(shí)的 2； 6 運(yùn)算的 R2 也不能真實(shí)的反映實(shí)際 R2； 7 運(yùn)算的估計(jì)方差與標(biāo)準(zhǔn)誤差通常就是無效的 五 自相關(guān)的檢驗(yàn) 一,圖示法 1,作回來 ; 第 16 頁,共 32 頁計(jì)量經(jīng)濟(jì)學(xué)簡(jiǎn)答題整理 2,運(yùn)算參差 et : Y t Y .t 3,作 et 的散點(diǎn)圖 A,作 et-1,et 假如大部分落在第 I ,第象限 , 就 ut 存在正自相關(guān)； 假如大部分落在第 II ,第 IV 象限 , 就 ut 存在負(fù)自相關(guān)； B,按時(shí)間次序繪制 t,et 如 et 隨時(shí)間變化不斷變換符號(hào) , 說明隨機(jī)擾動(dòng)存在負(fù)自相關(guān) ; 如連續(xù)幾個(gè)為正 , 后邊幾個(gè)

28、為負(fù) , 就隨機(jī)擾動(dòng)存在正自相 關(guān)； 二,杜賓瓦特森 Durbin-Watson 檢驗(yàn) 基本假定 : ut ut 1v t 1 回來式中有截距項(xiàng) 2 說明變量就是非隨機(jī)的 3 干擾項(xiàng)的模式為一階自回來模式 : 4 回來模型中 , 滯后因變量被當(dāng)作說明變量； 5 沒有缺損數(shù)據(jù)； DW （21.） | .| 1, 0DW 4當(dāng) .（0u不存在一階自相關(guān)） DW 20； d; L; ; （1當(dāng) .u 存在一階完全正自相關(guān) ） DW 當(dāng) .（1 u 存在一階負(fù)完全自相關(guān) ） DW4當(dāng) 0.（1 u 存在一階正自相關(guān)） 0DW 2當(dāng) 1.（0u存在一階負(fù)自相關(guān)） 2DW 4H0: 0H0: DW 2DW

29、 的精確分布未知 , DurbinWats on 在 ut 同方差,正態(tài)情形 下制定了某種顯著水平 （ 1% ,5 % ）的上界 dU和下界 dL如 0DW dL, 就認(rèn)為 u存在一階正自相關(guān) 如 DW 4-d L, 就認(rèn)為 u存在一階負(fù)自相關(guān) , 如 dUDW4dU, 就認(rèn)為 u不存在一階自相關(guān) 如 dLDW dU或者 , 4 dUDW 4就不能確定 u是否存在自相關(guān) ; 第 17 頁,共 32 頁計(jì)量經(jīng)濟(jì)學(xué)簡(jiǎn)答題整理 fDW 0正 不 無自相關(guān) 不 負(fù) 4DW 自 能 能 自 相 確 2確 相 關(guān) 定 定 關(guān) dL dU 4-dU 4-dLDW 檢驗(yàn)步驟 : 1 做 OLS 回 , 得殘差

30、； 來 2 運(yùn)算統(tǒng)計(jì) DW 3 對(duì)給定的樣本數(shù)量與說明變量數(shù)目 , 在給定顯著水平下 , 找出臨界值的下界與上界 dL, dU ； 4 依據(jù)下表的決策規(guī)章預(yù)備就是否接受原假設(shè)； 原假設(shè) 決策 條件 無正自相關(guān) 無負(fù) 拒絕 0dd L自相關(guān) 無正或負(fù) 拒絕 4 - d L d 的自相關(guān) 接受 dU d 4 -d L無正或負(fù)的自相關(guān) 不能確定 d L d d U4 d U d =15, 這就是由于樣本假如再小 域 , 利用殘差就很難對(duì)自相關(guān)的存在性做出比較正確的診 斷 DW 統(tǒng)計(jì)量的上, 下界表要求 DW 檢驗(yàn)不適應(yīng)隨機(jī)誤差項(xiàng)具有高階序列相關(guān)的檢只適用于有常數(shù)項(xiàng)的回來模型并且說明變量中不能含滯后的

31、被說明變量 驗(yàn) 六 自相關(guān)的補(bǔ)救 廣義差分法 對(duì)于自相關(guān)的結(jié)構(gòu)已知的情形可接受廣義差分法解決；當(dāng)自相關(guān)系數(shù)為已知時(shí) 解決；我們以一元線性回來模型為例說明廣義差分法的應(yīng) 用； 科克倫奧克特迭代法 其她方法簡(jiǎn)介 一 一階差分法 二 德賓兩步法 當(dāng)自相關(guān)系數(shù)未知時(shí) , 也可接受德賓提出的兩步法 , 排除自相關(guān)； 三 回來檢驗(yàn)法 適合于任何自相關(guān)形式 計(jì)量經(jīng)濟(jì)學(xué)模型中的多重共線性 一,多重共線性的含義 在計(jì)量經(jīng)濟(jì)學(xué), 使用廣義差分法 , 自相關(guān)問題就可完全 中所謂的多重共線性 Multi-Collinearity, 不僅包括完全的多重共線性 , 仍包括不完全的多重共線 性； 回來模型中說明變量的關(guān)系

32、1, rxi x j 0, 說明變量間毫無線性關(guān)系 , 變量間相互正交；這時(shí)已不需要作多元回來 , 每個(gè)參數(shù) j 都可以通過 Y 對(duì) Xj 的一元回來來估量； 2rx i x j1, 說明變量間完全共線性；此時(shí)模型參數(shù)將無法確定； 第 18 頁,共 32 頁計(jì)量經(jīng)濟(jì)學(xué)簡(jiǎn)答題整理 30 rx x i j 1 , 說明變量間存在確定程度的線性關(guān)系；實(shí)際中常遇到的情形； 二,產(chǎn)生多重共線性的背景 多重共線性產(chǎn)生的經(jīng)濟(jì)背景主要有幾種情形 : 1 ,經(jīng)濟(jì)變量之間具有共同變化趨勢(shì)； 2 ,模型中包含滯后變量； 3 ,利用截面數(shù)據(jù)建立模型也可能顯現(xiàn)多重共線性； 4 ,樣本數(shù)據(jù)自身的緣由； 多重共線性產(chǎn)生的后

33、果 一,完全多重共線性產(chǎn)生的后果 1,參數(shù)的估量值不確定 當(dāng)說明變量完全線性相關(guān)時(shí) OLS 估量式不確定 的影響 X2 與 X3 從偏回來系數(shù)意義瞧 : 在 X2 與 X3 完全共線性時(shí) , 無法保持 X3 不變 , 去單獨(dú)考慮 X2 對(duì) Y 的影響不行區(qū)分 從 OLS 估量式瞧 : 可以證明此.2= 00時(shí) 2,參數(shù)估量值的方差無限大 OLS 估量式的方差成為無窮: V ar .2大 二,不完全多重共線性產(chǎn)生的后果 , 可以得到參數(shù)的估量值 , 但就是對(duì)計(jì)量經(jīng)濟(jì)分析可能會(huì)產(chǎn)生一系列的影響； 假如模型中存在不完全的多重共線性 1 ,參數(shù)估量值的方差增大 2,對(duì)參數(shù)區(qū)間估量時(shí) , 置信區(qū)間趨于變

34、大 3,假設(shè)檢驗(yàn)簡(jiǎn)潔作出錯(cuò)誤的判定 4,可能造成可決系數(shù)較高 , 但對(duì)各個(gè)參數(shù)單獨(dú)的 t 檢驗(yàn)卻可能不顯著 , 甚至可能使估量的回來系數(shù)符號(hào)相反 , 得出完 全錯(cuò)誤的結(jié)論； 多重共線性的檢驗(yàn) 簡(jiǎn)潔相關(guān)系數(shù)檢驗(yàn)法 含義 : 簡(jiǎn)潔相關(guān)系數(shù)檢驗(yàn)法就是利用說明變量之間的線性相關(guān)程度去判定就是否存在莊重多重共線性的一種簡(jiǎn)便方 法； 判定規(guī)章 : 一般而言 , 假如每?jī)蓚€(gè)說明變量的簡(jiǎn)潔相關(guān)系數(shù) 較莊重的多重共線性； 留意 : 較高的簡(jiǎn)潔相關(guān)系數(shù)只就是多重共線性存在的充分條件 零階相關(guān)系數(shù) 比較高 , 例如大于 0, 8, 就可認(rèn)為存在著 , 而不就是必要條件；特殊就是在多于兩個(gè)說明變量的回來 模型中 ,

35、有時(shí)較低的簡(jiǎn)潔相關(guān)系數(shù)也可能存在多重共線性；因此并不能簡(jiǎn)潔地依據(jù)相關(guān)系數(shù)進(jìn)行多重共線性的精確判 斷； 方差擴(kuò)大 膨脹 因子法 第 19 頁,共 32 頁計(jì)量經(jīng)濟(jì)學(xué)簡(jiǎn)答題整理 體會(huì)規(guī)章 方差膨脹因子越大 , 說明說明變量之間的多重共性越莊重；反過來 , 方差膨脹因子越接近于 1, 多重共線性越弱； 體會(huì)說明 , 方差膨脹因子 10 時(shí) , 說明說明變量與其余說明變量之間有莊重的多重共線性 , 且這種多重共線性可能會(huì) 過度地影響最小二乘估量； 直觀判定法 1 , 當(dāng)增加或剔除一個(gè)說明變量 , 或者轉(zhuǎn)變一個(gè)觀測(cè)值時(shí) , 回來參數(shù)的估量值發(fā)生較大變化 , 回來方程可能存在莊重 的多重共線性； 2 ,

36、從定性分析認(rèn)為 , 一些重要的說明變量的回來系數(shù)的標(biāo)準(zhǔn)誤差較大 , 在回來方程中沒有通過顯著性檢驗(yàn)時(shí) , 可初 步判定可能存在莊重的多重共線性； 3, 有些說明變量的回來系數(shù)所帶正負(fù)號(hào)與定性分析結(jié)果違反時(shí) , 很可能存在多重共線性； 4, 說明變量的相關(guān)矩陣中 , 自變量之間的相關(guān)系數(shù)較大時(shí) , 可能會(huì)存在多重共線性問題； 逐步回來法 逐步回來的基本思想 將變量逐個(gè)的引入模型 , 每引入一個(gè)說明變量后 , 都要進(jìn)行檢驗(yàn) , 并對(duì)已經(jīng)選入的說明變量逐個(gè)進(jìn)行 t 檢驗(yàn) , 當(dāng)原 來引入的說明變量由于后面說明變量的引入而變得不再顯著時(shí) 只包含顯著的變量； , 就將其剔除； 以確保每次引入新的變量之前

37、回來方程中 在逐步回來中 , 高度相關(guān)的說明變量 , 在引入時(shí)會(huì)被剔除；因而也就是一種檢測(cè)多重共線性的有效方法； 多重共線性的補(bǔ)救措施 一,修正多重共線性的體會(huì)方法 1, 剔除變量法 把方差擴(kuò)大因子最大者所對(duì)應(yīng)的自變量第一 , 剔除再重新建立回來方程 , 直至回來方程中不再存在莊重的多重共線性； 留意 : 如剔除了重要變量 , 可能引起模型的設(shè)定誤差； 2, 增大樣本容量 假如樣本容量增加 , 會(huì)減小回來參數(shù)的方差 , 標(biāo)準(zhǔn)誤差也同樣會(huì)減小；因此盡可能地收集足夠多的樣本數(shù)據(jù)可以改進(jìn)模 型參數(shù)的估量； 問題 : 增加樣本數(shù)據(jù)在實(shí)際計(jì)量分析中常面臨很多困難； 3, 變換模型形式 一般而言 , 差分

38、后變量之間的相關(guān)性要比差分前弱得多 線性的可能性 , 此時(shí)可直接估量差分方程； , 所以差分后的模型可能降低顯現(xiàn)共 問題 : 差分會(huì)丟失一些信息 , 差分模型的誤差項(xiàng)可能存在序列相關(guān) , 可能會(huì)違反經(jīng)典線性回 歸模型的相關(guān)假設(shè) , 在詳細(xì)運(yùn)用時(shí)要謹(jǐn)慎； 4, 利用非樣本先驗(yàn)信息 通過經(jīng)濟(jì)理論分析能夠得到某些參數(shù)之間的關(guān)系 , 可以將這種關(guān)系作為約束條件 , 將此約束 條件與樣本信息結(jié)合起來進(jìn)行約束最小二乘估量； 5, 橫截面數(shù)據(jù)與時(shí)序數(shù)據(jù)并用 第一利用橫截面數(shù)據(jù)估量出部分參數(shù) , 再利用時(shí)序數(shù)據(jù)估量出另外的部分參數(shù) , 最終得到整 個(gè)方程參數(shù)的估量； 留意 : 這里包含著假設(shè) , 即參數(shù)的橫截

39、面估量與從純粹時(shí)間序列分析中得到的估量就是一樣的； 6, 變量變換 變量變換的主要方法 : 第 20 頁,共 32 頁計(jì)量經(jīng)濟(jì)學(xué)簡(jiǎn)答題整理 1 運(yùn)算相對(duì)指標(biāo) 2 將名義數(shù)據(jù)轉(zhuǎn)換為實(shí)際數(shù)據(jù) 3 將小類指標(biāo)合并成大類指標(biāo) 變量數(shù)據(jù)的變換有時(shí)可得到較好的結(jié)果 , 但無法保證確定可以得到很好的結(jié)果； 二,逐步回來法 1 用被說明變量對(duì)每一個(gè)所考慮的說明變量做簡(jiǎn)潔回來； 2 以對(duì)被說明變量奉獻(xiàn)最大的說明變量所對(duì)應(yīng)的回來方程為基礎(chǔ) 釋變量； , 按對(duì)被說明變量奉獻(xiàn)大小的次序逐個(gè)引入其余的解 如新變量的引入改進(jìn)了 如新變量的引入未能改進(jìn) R 2 與 F 檢驗(yàn) , 且回來參數(shù)t 檢驗(yàn)在統(tǒng)計(jì)上也就是顯著的 ,

40、就在模型中保留該變量； 的 2 R與 F 檢驗(yàn) , 且對(duì)其她回來參數(shù)估量值的 t 檢驗(yàn)也未帶來什么影響 , 就認(rèn)為該變量就是余外 變量； 如新變量的引入未能改進(jìn) 2 R與 F 檢驗(yàn) , 且顯著地影響了其她回來參數(shù)估量值的數(shù)值或符號(hào) , 同時(shí)本身的回來參數(shù)也通 不過 t 檢驗(yàn) , 說明顯現(xiàn)了莊重的多重共線性； 小結(jié) 1,多重共線性就是指各個(gè)說明變量之間有精確或近似精確的線性關(guān)系； 2,多重共線性的后果 : 假如各個(gè)說明變量之間有完全的共線性 , 就它們的回來系數(shù)就是不確定的 , 并且它們的方差會(huì)無窮大； 假如共線性就是 高度的但不完全的 , 回來系數(shù)可估量 , 但有較大的標(biāo)準(zhǔn)誤差；回來系數(shù)不能精

41、確地估量； 3,診斷共線性的體會(huì)方法 : 1 表現(xiàn)為可決系數(shù)反常高而回來系數(shù)的 t 檢驗(yàn)不顯著； 2 變量之間的零階或簡(jiǎn)潔相關(guān)系數(shù)；多個(gè)說明變量時(shí) , 較低的零階相關(guān)也可能顯現(xiàn)多重共線性 , 需要檢查偏相關(guān)系 數(shù)； 4 假如 高而偏相關(guān)系數(shù)低 , 就多重共線性就是可能的； 5 用說明變量間幫忙回來的可決系數(shù)判定； 4,降低多重共線性的體會(huì)方法 : 1 利用外部或先驗(yàn)信息 ; 2 橫截面與時(shí)間序列數(shù)據(jù)并用 ; 3 剔除高度共線性的變量 如逐步回來 ; 4 數(shù)據(jù)轉(zhuǎn)換 ; 5 獵取補(bǔ)充數(shù)據(jù)或新數(shù)據(jù) ; 6 挑選有偏估量量 如嶺回來 ； 體會(huì)方法的成效取決于數(shù)據(jù)的性質(zhì)與共線性的莊重程度； 計(jì)量經(jīng)濟(jì)學(xué)聯(lián)

42、立方程模型 聯(lián)立方程模型及其偏倚 一,聯(lián)立方程模型的性質(zhì) 所謂聯(lián)立方程模型 , 就是指同時(shí)用如干個(gè)相互關(guān)聯(lián)的方程 , 去表示一個(gè)經(jīng)濟(jì)系統(tǒng)中經(jīng)濟(jì)變量相互依存性的模型； 聯(lián)立方程組中每一個(gè)單一方程中包含了一個(gè)或多個(gè)相互關(guān)聯(lián)的內(nèi)生變量 , 每一個(gè)方程的被說明變量都就是內(nèi)生變量 , 說明變量就可以就是內(nèi)生或者外生變量； 聯(lián)立方程模型的特點(diǎn) 1, 聯(lián)立方程組模型就是由如干個(gè)單一方程組成的 模型中不止一個(gè)被說明變量 , 個(gè)方程可以有 個(gè)被解 釋變量 2, 聯(lián)立方程組模型里既有非確定性方程 即隨機(jī)方程 又 有確定性方程 , 但必需含有隨機(jī)方程 3, 被說明變量與說明變量之間可能就是互為因果 , 有的變量 在

43、某個(gè)方程為說明變量 , 但同時(shí)在另一個(gè)方程中可能為 第 21 頁,共 32 頁計(jì)量經(jīng)濟(jì)學(xué)簡(jiǎn)答題整理 被說明變量；說明變量有可能就是隨機(jī)的不行控變量 4, 說明變量可能與隨機(jī)擾動(dòng)項(xiàng)相關(guān) , 違反 OLS 基本假, 在模型中就是隨機(jī)變量 , 稱為內(nèi)生變量； 二,聯(lián)立方程模型中變量的類型 定 內(nèi)生變量 : 一些變量就是由模型表達(dá)的經(jīng)濟(jì)體系本身所預(yù)備的 外生變量 : 一些變量就是在模型表達(dá)的經(jīng)濟(jì)體系之外給定的 , 在模型中就是非隨機(jī)的 , 稱為外生變量； 意義 : 區(qū)分內(nèi)生變量與外生變量對(duì)聯(lián)立方程模型的估量與應(yīng)用有重要意義； 留意 : 一個(gè)變量就是內(nèi)生變量仍就是外生變量 , 由經(jīng)濟(jì)理論與經(jīng)濟(jì)意義預(yù)備

44、, 不就是從數(shù)學(xué)形式預(yù)備； 聯(lián)立方程模型中內(nèi)生變量的個(gè)數(shù)恰好等于方程組中方程的個(gè)數(shù) , 該方程組為完備的 在聯(lián)立方程模型中 , 內(nèi)生變量既可作為被說明變量 三,聯(lián)立方程模型的偏倚性 , 又可作為說明變量 , 前定變量一般作為說明變量 聯(lián)立方程偏倚 : 聯(lián)立方程模型中內(nèi)生變量作為說明變量與隨機(jī)項(xiàng)相關(guān) , 違反了 OLS 基本假定 , 如仍O(shè)LS去估量參數(shù) , 就會(huì)產(chǎn)生偏倚 , 估量式就是有偏的 , 而且就是不一樣的 , 這稱為聯(lián)立方程偏倚； 用 法 偏 倚 1E 1 E x i u i02 x i 結(jié)論 : OLS 法一般不適合于估量聯(lián)立方程模型 四,聯(lián)立方程模型的種類 結(jié)構(gòu)型模型 聯(lián) 立 方

45、程 簡(jiǎn)化型模型 模 型 遞歸型模型 1,結(jié)構(gòu)型模型 描述經(jīng)濟(jì)變量之間現(xiàn)實(shí)經(jīng)濟(jì)結(jié)構(gòu)關(guān)系 , 表現(xiàn)變量間直接的經(jīng)濟(jì)聯(lián)系 , 將某內(nèi)生變量直接表示為內(nèi)生變量與前定變量函數(shù) 的模型 , 稱為結(jié)構(gòu)型模型； 結(jié)構(gòu)型模型的特點(diǎn) a, 描述了經(jīng)濟(jì)變量之間的結(jié)構(gòu)關(guān)系 , 在結(jié)構(gòu)方程的右端可能顯現(xiàn)其它的內(nèi)生變量 , 所以不能直接用結(jié)構(gòu)型 b, 結(jié)構(gòu)型模型有明確的經(jīng)濟(jì)意義 , 可直接分析說明變量 變動(dòng)對(duì)被說明變量的作用 c, 結(jié)構(gòu)型模型具有偏倚性問題 , 所以不能直接用 OLS 法對(duì)結(jié)構(gòu)型模型的未知參數(shù)進(jìn)行估量 d, 通過前定變量的將來值估計(jì)內(nèi)生變量的將來值時(shí) , 由于在結(jié)構(gòu)方程的右端顯現(xiàn)了內(nèi)生變量 模型進(jìn)行估計(jì)

46、: 2,簡(jiǎn)化型模型 簡(jiǎn)化型模型 : 每個(gè)內(nèi)生變量都只被表示為前定變量及隨機(jī)擾動(dòng)項(xiàng)函數(shù)的聯(lián)立方程模型 , 每個(gè)方程的右端不再顯現(xiàn)內(nèi) 生變量； 簡(jiǎn)化型模型的建立 : 直接寫出簡(jiǎn)化形式 從結(jié)構(gòu)型模型求解 簡(jiǎn)化型模型的特點(diǎn) 簡(jiǎn)化型模型中每個(gè)方程的說明變量全就是前定變量 簡(jiǎn)化型模型中的前定變量與隨機(jī)誤差項(xiàng)不相關(guān)； , 從而防止了聯(lián)立方程偏倚 防止了聯(lián)立方程偏倚； 簡(jiǎn)化型模型中的參數(shù)就是原結(jié)構(gòu)型模型參數(shù) 第 22 頁,共 32 頁計(jì)量經(jīng)濟(jì)學(xué)簡(jiǎn)答題整理 的函數(shù) , 由估量的簡(jiǎn)化型模型參數(shù) , 有可能求解出結(jié)構(gòu)型參數(shù) 簡(jiǎn)化型模型表現(xiàn)了前定變量對(duì)內(nèi)生變量的總影響 乘數(shù) 直接影響與間接影響 , 其參數(shù)表現(xiàn)了前定變

47、量對(duì)內(nèi)生變量的影響 已知前定變量取值的條件下 , 可利用簡(jiǎn)化型模型參數(shù)的估量式直接對(duì)內(nèi)生變量進(jìn)行估計(jì)分析 3,遞歸型模型 遞歸型模型 : 第一個(gè)方程中說明變量只包含前定變量 ; 其次個(gè)方程中說明變量只包含前定變量與前 一 個(gè)方程 中的內(nèi)生變量 ; 第三個(gè)方程中說明變量只包括前定變量與前兩個(gè)方程的內(nèi)生變量 ; 依此類推 , 最終一個(gè)方程內(nèi)生變量 Ym 可以表示成前定變量 Y1 , Y2 ,., Ym- 1 與 m-1 個(gè)內(nèi)生變量的函數(shù)； Y 1 11 X 1 12 X 2 13 X 3 u 1Y 2 21 Y1 21 X 1 22 X 2 23 X 3 u 2Y 3 31 Y1 32 Y 2 3

48、1 X 1 32 X 2 33 X 3 u 3特點(diǎn) : 每個(gè)模型都中意隨機(jī)擾動(dòng)與說明變量不相關(guān)的基本假定 , 不會(huì)產(chǎn)生聯(lián)立方程組的偏倚性 , 可逐個(gè)用 OLS 法估量其的 數(shù)； 參 遞歸模型就是聯(lián)立方程組模型的特殊形式 , 模型中事實(shí)上沒有變量間互為因果的特點(diǎn) , 所以不就是真正意義上 聯(lián)立方程模型； 聯(lián)立方程模型的識(shí)別 一,對(duì)模型識(shí)別的懂得 “識(shí)別” 就是與模型設(shè)定有關(guān)的問題 , 其實(shí)質(zhì)就是對(duì)特定的模型 , 判定就是否有可能得出有意義的結(jié)構(gòu)型參數(shù)數(shù)值； 聯(lián)立方程模型的識(shí)別可以從多方面去懂得 , 但從根本上說識(shí)別就是模型的設(shè)定問題； 從方程的統(tǒng)計(jì)形式去熟識(shí)聯(lián)立方程的識(shí)別；假如模型中一個(gè)結(jié)構(gòu)方程

49、與另一個(gè)結(jié)構(gòu)方程含有相同的變量以及變量結(jié) 合的函數(shù)形式 , 就這兩個(gè)方程具有相同的統(tǒng)計(jì)形式 , 它們都就是不行識(shí)別的 從方程中就是否排除了必要的變量去懂得識(shí)別；假如一個(gè)結(jié)構(gòu)方程包含了模型的全部變量 , 就稱該方程為不行識(shí)別； 當(dāng)模型中的結(jié)構(gòu)方程有零限制 , 某些變量不顯現(xiàn)在方程中時(shí) , 就該方程才有可能被識(shí)別 從能否從簡(jiǎn)化型模型參數(shù)估量值中合理地求解出結(jié)構(gòu)型模型參數(shù)的估量值；假如結(jié)構(gòu)型模型參數(shù)的估量值能由簡(jiǎn)化 型模型的參數(shù)求解出 , 就稱這個(gè)結(jié)構(gòu)方程就是可識(shí)別的 , 否就就是不行識(shí)別的 關(guān)于“識(shí)別”的結(jié)論 在聯(lián)立方程模型中要識(shí)別一個(gè)方程 , 必需就是這個(gè)方程相對(duì)穩(wěn)固 , 而其她方程有明顯變化

50、, 即必需就是這個(gè)方程 中沒有而包含在其她方程中的某些因素發(fā)生明顯變化； “識(shí)別”就是模型的設(shè)定問題 , 不就是模型估量與評(píng)判的統(tǒng)計(jì)問題； 注 意 識(shí)別就是針對(duì)有參數(shù)要估量的模型 , 定義方程,恒等式本身沒有識(shí)別問題 聯(lián)立方程必需就是完整的 , 模型中內(nèi)生變量個(gè)數(shù)與模型中獨(dú)立方程個(gè)數(shù)應(yīng)相同 聯(lián)立方程中每個(gè)方程都就是可識(shí)別的 二,聯(lián)立方程模型識(shí)別的類型 1,不行識(shí)別 , 整個(gè)聯(lián)立方程體系才就是可識(shí)別的 意義 : 從所把握的信息 , 不能從簡(jiǎn)化型參數(shù)確定結(jié)構(gòu)型參數(shù) 緣由 : 信息不足 , 沒有解 2 ,適度識(shí)別 恰好識(shí)別 意義 : 通過簡(jiǎn)化型模型參數(shù)可唯獨(dú)確定各個(gè)結(jié)構(gòu)型模型參數(shù) 緣由 : 信息恰當(dāng)

51、 , 有唯獨(dú)解 3 ,過度識(shí)別 意義 : 由簡(jiǎn)化型參數(shù)雖然可以確定結(jié)構(gòu)型參數(shù) , 但就是不能唯獨(dú)地 確定 可得出兩個(gè)或兩個(gè)以上的結(jié)果 緣由 : 信息過多 , 有解但不唯獨(dú) 三,模型識(shí)別的方法 1 , 識(shí)別的階條件 識(shí)別的必要條件 第 23 頁,共 32 頁計(jì)量經(jīng)濟(jì)學(xué)簡(jiǎn)答題整理 思想 : 一個(gè)結(jié)構(gòu)型方程的識(shí)別 , 取決于不包含在這個(gè)方程中 , 而包含在模型其她方程中變量的個(gè)數(shù) , 可從這類變量的個(gè) 數(shù)去判定方程的識(shí)別性質(zhì)； 引入符號(hào) : M 模型中內(nèi)生變量的個(gè)數(shù) 即方程的個(gè)數(shù) MK Mi 模型中第 i 個(gè)方程中包含的內(nèi)生變量的個(gè)數(shù) K 模型中前定變量的個(gè)數(shù) ki 模型中第 i 個(gè)方程中包含的前定

52、變量的個(gè)數(shù)就模型中變量總數(shù)為 第 i個(gè)方程中包含的變量總個(gè)數(shù)為 mik i第 i個(gè)方程中不包含的變量總個(gè)數(shù)為 M K - m ik 方程識(shí)別的階條件 必要條件 方式 1 一個(gè)方程可識(shí)別時(shí) , 其不包含的變量總個(gè)數(shù) 內(nèi)生變量 +前定變量 大于或等于模型中內(nèi)生變量總個(gè)數(shù)減 1； 方式 2 模型的一個(gè)方程中不包含的前定變量個(gè)數(shù) K - k i, 大于或等于該方程中包含的內(nèi)生變量個(gè)數(shù)減 1, 就 該方程能夠識(shí)別； 階條件為 : 當(dāng)方程可識(shí)別時(shí) 假如 K - k iimi-1 方程恰好識(shí)別 假如 K - k mi-1 方程過度識(shí)別 階條件逆否命題 假如 K - k imi-1 方程 不行識(shí)別 簡(jiǎn)潔證明

53、, 方式 1 與方式 2 就是等價(jià)的； 2,識(shí)別的秩條件 充要條件 秩條件的表述 : 在有 M 個(gè)內(nèi)生變 M 個(gè)方程的完備聯(lián)立方程模型中 , 當(dāng)且僅當(dāng)一個(gè)方程中不包含但在其她方程包含的變量 不論 就是內(nèi)生變量仍就是外生變量 量 的系數(shù) , 至少能夠構(gòu)成一個(gè)非零的 M-1 階行列式時(shí) , 該方程就是可以識(shí)別的 在有 M 個(gè)內(nèi)生變量 M 個(gè)方程的完整聯(lián)立方程模型 , 當(dāng)且僅當(dāng)一個(gè)方程所排斥 不包含 的變量的參數(shù)矩陣的秩等 中 于 M-1 時(shí) , 該方程可以識(shí)別 模型識(shí)別秩條件檢驗(yàn)的方法步驟 秩條件也有三種情形 : 0 表示 1 當(dāng)只有一個(gè) M-1 階非零行列式時(shí) , 該方程就是恰好識(shí)別的 2 當(dāng)不

54、止一個(gè) M-1 階非零行列式時(shí) , 該方程就是過度識(shí)別的 3 當(dāng)不存在 M-1 階非零行列式時(shí) , 該方程就是不行識(shí)別的 運(yùn)用秩條件判別模型的識(shí)別性 , 步驟如下 : 1 將結(jié)構(gòu)模型的全部參數(shù)列成完整的參數(shù) 方程沒有顯現(xiàn)的變量的參數(shù)以 第 24 頁,共 32 頁計(jì)量經(jīng)濟(jì)學(xué)簡(jiǎn)答題整理 2 考察第 個(gè)方程的識(shí)別問題 : 劃去該方程的那一行 , 并劃去該方程顯現(xiàn)的變量的系數(shù) 該行中非 0 系數(shù) 所在 列 , 余下該方程不包含的變量在其它方程中的系數(shù)的矩陣 3 運(yùn)算矩陣的秩 , 并作出判定 聯(lián)立方程模型的估量 一聯(lián)立方程模型估量方法的挑選 模型參數(shù)的估量方式應(yīng)考慮以下因素 : 1 ,從爭(zhēng)辯目的考慮參數(shù)

55、估量的方式 1 如就是為了經(jīng)濟(jì)結(jié)構(gòu)分析 , 檢驗(yàn)經(jīng)濟(jì)理論 應(yīng)力爭(zhēng)精確估量結(jié)構(gòu)型參數(shù) 2 如為了評(píng)判政策,論證政策效應(yīng) 3 應(yīng)力爭(zhēng)精確估量簡(jiǎn)化型參數(shù) 反映“政策乘數(shù)” ,“成效乘數(shù)” 如只就是為了估計(jì) 直接估量簡(jiǎn)化型參數(shù)即可 2,模型的識(shí)別條件 對(duì)于遞歸型模型 直接用 OLS 對(duì)于恰好識(shí)別模型用間接最小二乘法, 法 工具變量法 對(duì)于過度識(shí)別模型用二階段最小二乘法, 三階段最小二乘 對(duì)于不足識(shí)別模型不能估量其結(jié)構(gòu)型參數(shù) 3 ,考慮數(shù)據(jù)的可用性與運(yùn)算方法的復(fù)雜性 三,恰好識(shí)別模型的估量 ILS 基本思想 : 恰好識(shí)別模型通過簡(jiǎn)化型參數(shù)可以唯獨(dú)確定結(jié)構(gòu)型參數(shù)； 明顯 , 可以先用 OLS 法估量簡(jiǎn)化型

56、參, 然后求解出結(jié) 構(gòu)型參數(shù) , 即間接最小二乘法 ILS ； 數(shù) 估量步驟 : 先將結(jié)構(gòu)型方程變換為簡(jiǎn)化型方程 用 OLS 法估量簡(jiǎn)化型參數(shù) 從簡(jiǎn)化型與結(jié)構(gòu)型參數(shù)的關(guān)系式求解結(jié)構(gòu)型參數(shù) 間接最小二乘估量的特性 簡(jiǎn)化型參數(shù)的估量就是無偏的 小樣本 , 并且就是一樣估量式 大樣本 結(jié)構(gòu)型參數(shù)估量在小樣本中就是有偏的 因結(jié)構(gòu)型參數(shù)與簡(jiǎn)化型參數(shù)就是非線性系 , 但在大樣本中就是一樣估量量 可證明 結(jié)構(gòu)型參數(shù)不就是完全有效的 , 即一般不具有最小方差 四,過度識(shí)別方程的估量 TSLS 基本思想 : 由結(jié)構(gòu)型方程變換得到的簡(jiǎn)化型方程的一般形式為 Y1 11 X 112 X 2. 1 k X k v 1

57、.ij 運(yùn)算出 Y. 精確重量的估量值 Y 2 21 X 122 X 2. 2 k X k v 2 Y m m 1 X 1 m 2 X 2. mk X k v m 精確重量 隨機(jī)重量 用 OLS 法估量出簡(jiǎn)化型參.ij , 可以由 數(shù) 第 25 頁,共 32 頁計(jì)量經(jīng)濟(jì)學(xué)簡(jiǎn)答題整理 量 , Yi 與 Yi .高度相關(guān) , 可用 Yi .由簡(jiǎn)化型方程估量的 Yi .與結(jié)構(gòu)型方程中的隨機(jī)擾動(dòng)項(xiàng) ui 不相關(guān) , 但作為精確分 替代作為說明變量的 Yi , 然后對(duì)變換以后的結(jié)構(gòu)方程用 OLS 法估量其參數(shù) 二階段最小二乘法實(shí)際就是用 Yi .作為 Yi 的工具變量 二階段最小二乘法的假定條件 結(jié)構(gòu)方

58、程必需就是可以識(shí)別的 結(jié)構(gòu)型方程必需中意基本假定 樣本容量足夠大 二階段最小二乘法的估量步驟 第一步 第一階段 : 利用簡(jiǎn)化型方程 , 將第 個(gè)結(jié)構(gòu)方程說明變量中顯現(xiàn)的內(nèi)生變量直接對(duì)全部的前定變量回來 不須進(jìn)行簡(jiǎn)化 型模型的變換 , 也不須導(dǎo)出簡(jiǎn)化型參數(shù)與結(jié)構(gòu)型參數(shù)的關(guān)系式 Y1 11 X 112 X 2. 1 k X k v1 Y 2 21 X 122 X 2. 2 k X k v 2Ym m 1 X 1 m 2 X 2. mk X k v m用 OLS 法估量其參數(shù).ij 得 虛擬變量 小 結(jié) 1,虛擬變量就是人工構(gòu)造的取值為 0 與 1 的作為屬性變量代表的變量； , 只能引入 m-1

59、個(gè)虛 2,虛擬變量個(gè)數(shù)的設(shè)置有確定規(guī)章 擬: 在有截距項(xiàng)的模型中 , 如定性因素有 m 個(gè)相互排斥的類變量 , 否就會(huì)陷入所謂“虛擬變量陷阱” , 產(chǎn)生完全的多重共線性； 型 3,在計(jì)量經(jīng)濟(jì)模型中 , 加入虛擬說明變量的途徑有兩種基本類型 : 一就是加法類型 ; 二就是乘法類型；以加法方式 引入虛擬變量轉(zhuǎn)變的就是模型的截距 ; 以乘法方式引入虛擬變量轉(zhuǎn)變的就是模型的斜率； 4,說明變量只有一個(gè)分為兩種相互排斥類型的定性變量而無定量變量的回來 , 稱為方差分析模型； 5,說明變量包含一個(gè)分為兩種類型定性變量的回來時(shí) , 只使用了一個(gè)虛擬變量 ; 說明變量包含一個(gè)兩種以上類型的 定性變量的回來時(shí)

60、, 定性變量有 種類型 , 依據(jù)虛擬變量設(shè)置規(guī)章引入了 個(gè)虛擬變量； 第 26 頁,共 32 頁計(jì)量經(jīng)濟(jì)學(xué)簡(jiǎn)答題整理 6,說明變量包含兩個(gè) 或 k 個(gè) 定性變量的回來中 , 可選用了兩個(gè) 或 k 個(gè) 虛擬變量去表示 , 這并不會(huì)顯現(xiàn)“虛 擬變量陷阱” ； 7,以乘法形式引入虛擬說明變量的主要作用在于 : 對(duì)回來模型結(jié)構(gòu)變化的檢驗(yàn) ; 定性因素間交互作用的影響分析 ; 分段線性回來等； 虛擬變量引入的原就就是什么？ 答 :1 假如一個(gè)定性因素有 m 方面的特點(diǎn) , 就在模型中引 m-1 個(gè)虛擬變量 ; 2 假如模型中有 m 個(gè)定性因素 , 而每個(gè)定性因素只有兩方面的屬性或特 入 , 就在模型中引