1、单项选择题（每小题2分共20分）

2、判断题（每小题1分，共10分）

3、简答题（每小题4分共20分）

4、证明题（每小题10分，共10分）

5、计算题（每小题10分共10分）

6、分析应用题（烸小题10分，共30分）

本次考试主要涉及的知识点：

1、计量经济学内生变量的性质（三门学科的复合体）

2、计量经济学内生变量的建模四步骤（注意先后顺序）

   二、样本数据的收集（最为重要）

3、计量经济学内生变量的三种常用数据类型

时间序列数据、截面数据和虚变量数据

时間序列数据：一批按照时间先后排列的统计数据

截面数据：一批发生在同一时间截面上的调查数据

虚变量数据也称二进制数据一般取0或1

4、计量经济学内生变量模型必须通过的四级检验

5、计量经济学内生变量检验主要包括哪些检验

随机干扰项的序列相关性检验

解释变量的多偅共线性检验

6、计量经济学内生变量模型有哪些作用

   通过后者（解释变量X）的已知或设定值，去估计和（或）预测前者(被解释变量Y)的（总體）均值

2、为何要引入随机干扰项（P27）

3、理解OLS的前四个假设

5、理解OLS估计量的性质（与异方差性、序列相关性、多重共线性导致的后果相联系）（P36）

   在经典线性回归的假定下最小二乘估计量是具有最小方差的线性无偏估计量。线性性、无偏性、有效性（最小方差性）

6、无偏性的证明过程（P36）

7、为何要进行拟合优度检验判决系数的表达形式

1、多元模型与一元模型的主要区别

2、F统计量的表达形式（P68）

3、多元模型t统计量的表达形式（P70）

4、一元和多元模型随机干扰项μ方差的估计量的表达形式

（2）可决系数（判定系数）和调整后的可决系数

（3）方程的显著性检验

（4）变量的显著性检验

1、什么是异方差性，检验的总体思路；检验的常见方法；容易产生异方差性的数据

2、异方差性的后果（P96）

3、什么是序列相关性、检验的总体思路；检验的常见方法；容易产生序列相关性的数据

5、D-W统计量的范围；三个临界点的含义；（P109）

6、广义差分法和一阶差分法的联系和区别

7、什么是多重共线性检验的总体思路；多重共线性的后果

8、什么是随机解释变量问题？随机解釋变量产生的后果

   如果存在一个或多个随机变量作为解释变量则称原模型存在随机解释变量问题。分三种情况：

1、随机解释变量与随机幹扰项独立——后果：得到的参数估计量仍然是无偏一致估计量

2、随机解释变量与随机干扰项同期无关但异期相关——后果：得到的参数估计量有偏但却是一致的

3、3、随机变量与随机干扰项同期相关——后果：得到的参数估计量有偏且非一致

1、虚变量的设置原则（P145）

  每一萣性变量所需的虚拟变量个数要比该定性变量的类别数少1。

1、为什么要建立联立方程的计量经济学内生变量模型

1、生产函数是经验的产物（P218）

2、广义、狭义、中性技术进步的含义（P221）

   广义：除了要素质量的提高外还包括管理水平的提高等对产出量具有重要影响的因素，这些因素是独立于要素之外的

   中性：指劳动的产出弹性与资本的产出弹性同步增长

3、弹性的定义及在经济分析中的作用

1、根据普通最小二塖原理，所估计的模型已经使得拟合误差达到最小为什么还要讨论模型的拟合优度问题？

   采用普通最小二乘估计方法虽然保证了模型朂好地拟合了样本观测值，但是在一个特定的条件下做得最好的并不一定就是高质量的，普通最小二乘法所保证的的最好拟合是同一個问题内部的比较，拟合优度检验结果所表示的优劣是不同问题之间的比较

2、为什么计量经济学内生变量模型的理论方程中必须包含随機误差项？（P27）

    在总体回归函数中引入随机干扰项主要有以下几方面的原因：

1、代表未知的影响因素

3、代表众多细小影响因素

3、OLS的前四個经典假设

   假设1：解释变量Xi是确定性变量，不是随机变量而且在重复抽样中取固定值。

假设2：随机干扰项具有零均值同方差，不序列楿关性

假设3：随机干扰项与解释变量之间不相关

    假设4：随机干扰项服从零均值同方差，零协方差的正态分布

4、多元线性回归模型与一元線性回归模型的主要联系和区别

   1、解释变量的个数不同2、模型的经典假设不同，多元线性回归模型比一元线性回归模型多了“解释变量の间不存在线性相关关系”的假定3、多元线性回归模型的参数估计式的表达更为复杂。

   1、两者参数估计的原理相同都包括模型的基本假定，模型的估计模型的检验，模型在预测方面的应用2、两者都存在两种表达方式。随机表达式确定表达式，3、模型的经典假设有楿同的地方解释变量与随机干扰项不相关，解释变量非随机随机干扰性具有零均值、同方差及不序列相关性。

5、什么是异方差性检驗的总体思路；检验的常见方法；容易产生异方差性的数据

    1、 异方差性：对于不同的样本点，随机干扰项的方差不再是常数而是互不相哃，则认为出现了异方差性

  2、检验的总体思路：检验异方差性，也就是检验随机干扰项的方差与解释变量观测值之间的相关性

 （P97）3、检驗的常见方法：图示检验法、帕克检验与戈里瑟检验、G-Q检验、怀特检验

 （P95） 4、数据：截面数据原因在于在不同样本点上解释变量以外的其他因素的差异较大。

6、异方差性的后果（P96）

   1、 参数估计量非有效（其普通最小二乘法参数估计量仍具有线性性、无偏性但不具有有效性）

7、什么是序列相关性、检验的总体思路；检验的常见方法；容易产生序列相关性的数据

  1、序列相关性：如果模型的随机干扰性违背了楿互独立的基本假设，即模型的随机干扰项不再相互独立或相互相关就称为存在序列相关性

  2、检验的总体思路：首先采用普通最小二乘法估计模型，以求得随机干扰项的“近似估计量”然后，通过分析这些“近似估计量”之间的相关性以达到判断随机干扰性是否具有序列相关性的目的

  3、检验的常见方法：图示法、回归检验法、杜宾-瓦森（Durbin-Watson）检验、拉格朗日乘数检验

  4、数据：时间序列数据。原因在于：茬不同样本点上解释变量以外的其他因素在时间上的连续性带来它们对被解释变量的影响的连续性。

   1、参数估计量非有效（其OLS参数估计量仍然具有线性无偏性但不具有有效性）

9、D-W统计量的范围；三个临界点的含义；（P109）

D.W.=0，完全一阶正相关

D.W.=4完全一阶负相关

10、广义差分法囷一阶差分法的联系和区别

11、什么是多重共线性？检验的总体思路；多重共线性的后果

      多重共线性：如果某两个或多个解释变量之间出现叻相关性则称为存在多重共线性

   检验的总体思路：1、检验多重共线性是否存在2、估计多重共线性的范围

   多重共线性的后果：1、完全共线性下参数估计量不存在2、近似共线性下普通最小二乘法参数估计量的方差变大3、参数估计量经济含义不合理（出现这种情况，首先怀疑是否存在多重共线性）4、变量的显著性检验和模型的预测功能失去意义

12、为什么要建立联立方程计量经济学内生变量模型

   经济现象是极为複杂的，其中诸原因之间的关系在很多情况下，不是单一方程所能描述的那种简单的单向因果关系而是相互依存，互为因果的这时，就必须用联立的计量经济学内生变量方程才能描述清楚所以，与单方程适用于单一经济现象的研究相比联立方程计量经济学内生变量模型适用于描述复杂的经济现象。

13、弹性分析的意义和在经济分析中的作用是什么

   弹性是某一变量的相对变化引起另一变量的相对变囮的度量，即变量的变化率之比在经济研究中，除了需要研究经济系统中变量绝对量之间的关系还要掌握变量的相对变化所带来的相互影响，以掌握经济活动的数量规律和有效地控制经济系统弹性分析是计量经济学内生变量模型结构分析的三个主要分析方法之一。

14、請说明区间估计的意义

   区间估计是指寻找一个以未知参数的点估计值为中心的区间，以使真实得未知参数以一定的概率落入该区间内區间估计是用来考察参数的点估计值与真实参数间的“接近”程度的。显然如果找到的区间越窄，同时真实参数落入区间的概率越大則说明点估计值越“接近”真实的未知参数。

第二章所有曾经在课堂上证明过的问题！

一元线性回归模型的参数估计

利用eviews软件分析放宽假設的经典模型

最早接触线性回归是在计量经濟学内生变量中。最简单最基础的即是一元线性回归模型通过一元线性回归可以衍生出了许多模型，所以学好一元线性回归是非常有必偠的是目前所有回归模型的基础。即使跳出统计、计量的领域到了数据挖掘、人工智能的领域，线性回归模型也是打好基础的重中之偅

谈到模型之前，样本数据的类型也是值得探讨的按照数据截取的方向划分，有三类：

不同的数据类型对应的模型选择也大不相同，比如有专门的时间序列模型参见后续将要写的第二十二章内容面板数据模型，参见第八章
线性回归，一般研究的都是横截面数据(简稱截面数据)数据挖掘、人工智能重点模型大都也都是选择截面数据。

第二、三、八等章均是主要从统计的回归模型或者说计量经济学内苼变量的模型角度来讨论的第九章以后主要是从数据挖掘、人工智能的角度来讨论。
回归模型偏向对数值型变量的估值而挖掘模型更偏向判别离散结果，如这个图片中的数字是0-9中的哪一个

一，建立回归模型的方法论

凯恩斯设想：边际消费倾向
回归模型(或计量经济学内苼变量模型)的设定	非确定性模型-随机变量(误差项)： ${}_{}{}_{}$模型设置错误会产生选择性偏误
自然科学来自于实验、社会科学来自于非实验
统计学检驗：拟合优度、显著性
结构分析经济预测，政策评价检验与发展经济理论
根据结果给定建议或方案

备注1：预测检验的具体检验方法为：

• 利用扩大了的样本重新估计模型参数的新估计值，与原来估计值比较并检验二者差异的显著性;

• 将模型用于样本以外预测，将预测值与實际观测值进行比较并检验二者差异的显著性

备注2：结构分析的方法：

• 弹性分析，某一变量的相对变化引起的另一变量的相对变化即變量的变化率之比，比率关系

• 乘数分析某一变量的绝对变化引起的另一变量的绝对变化，即变量的变化之比倍数关系

• 比较静力分析，經济系统不同平衡位置之间的联系

(1) 总体回归函数 (又叫条件期望函数)

$$Xi?的条件下总体Y的均值与${}_{}$Xi?存在着某种函数关系f()。

备注：回归、回归方程、回归函数、回归模型不加以区分均代表相同意思。

(2) 当f()为一元线性假设时总体回归函数如下：

$$β0?、β1?分别是线性函数的截距、斜率，统称回归系数

(3) 对于线性的解释

$0_{}{}_{}$	$0_{}{}_{}{}^{}$
$0_{}{}_{}$	$0_{}{}_{}^{}$

两种解释中，我们定义所讨论的“线性回归模型”中的“线性”是指的针对于参数为线性即回歸系数为一次方出现的模型，因此对于解释变量X为非线性、可多次方出现的情况即后续要讨论的广义线性模型。

我们可以得到样本值與总体回归函数的差值

将其理解为两个组成部分

• $$Xi?)表示给定X后Y的平均值，代表系统性的或确定性的部分
• ${}_{}$ui?表示所有可能会影响到Y但是有没囿包括进回归模型中的那些变量的代替或代理变量代表随机或非系统性的部分
• 如果这些没有包括进模型的变量，与X不相关且对于模型起不到决定性作用，那么上述方程没有什么问题；如果相反则会出现omitted variables bias的情况

${}_{}{}_{}$

${}_{}{}_{}$

${}_{}{}_{}0$

通过样本数据样本回归模型的结果如下：

$\stackrel{}{}\stackrel{}{0_{}}\stackrel{}{{}_{}}{}_{}$

加入随机形式的表达如下：

$\stackrel{}{0_{}}\stackrel{}{{}_{}}{}_{}\stackrel{}{{}_{}}$

0 0 μi?的估计量，表示样本与总體的差异

每次总体抽样的结果不一样得到的样本回归函数也不同，那如何能够让样本回归函数尽可能的趋近于总体回归函数呢接下来峩们研究模型的参数估计。

三一元线性模型的估计量

最经典的线性回归模型的估计方法是普通最小二乘(Ordinary Least Squares, OLS)估计方法，除此之外还有极大似嘫(Maximum Likelihood)估计方法对于一般线性回归模型，二者得到的结果是相同的

备注：以上方法的估计量实际是点估计，与点估计对应的还有区间估計，但是区间估计需要有概率分布的信息

根据之前的说明，我们知道当用样本来估计总体时，将产生误差项

${}_{}\stackrel{}{{}_{}}\stackrel{}{{}_{}}\stackrel{}{0_{}}\stackrel{}{{}_{}}{}_{}\stackrel{}{{}_{}}$