尔雅计量经济学_34课后答案(学习通2023完整答案)
95 min read尔雅计量经济学_34课后答案(学习通2023完整答案)
第1讲单元测试
1、尔雅回归分析中关于解释变量X和被解释变量Y的计量经济说法正确的是：
A、解释变量X和被解释变量Y都是学课习通随机变量
B、解释变量X和被解释变量Y都是后答非随机变量
C、解释变量X是案学非随机变量，被解释变量Y是完整随机变量
D、解释变量X是答案随机变量，被解释变量Y是尔雅非随机变量
2、以下模型属于线性回归模型的计量经济是：
A、
B、学课习通
C、后答
D、案学
E、完整
3、答案在回归方程中，尔雅G代表性别虚拟变量，男性则为1，否则为0。若G的定义改变为女性为1，否则为0，则回归方程应为：
A、
B、
C、
D、
4、以下关于计量经济学用途的说法正确的有：
A、分析个人消费与个人可支配收入之间的关系。
B、检验边际效用递减在现实中是否成立。
C、预测未来经济走势，如国内生产总值（GDP）。
D、描述商品价格与需求量之间的因果关系。
E、分析父母身高与子女身高之间的函数关系。
5、计量经济学可用于描述商品需求曲线，即需求量与价格的关系。
6、计量经济学只能做定量研究，不能做定性研究，如个人的职业选择。
7、回归分析考察的是解释变量与被解释变量之间的函数关系。
8、回归方程中，被解释变量等于其估计值与随机误差项之和。
9、残差指的是被解释变量的真实值与估计值之差。
10、数据不准确可能导致回归分析的结论存在偏误。
第2讲 普通最小二乘法
第2讲单元测试
1、讨论回归结果时不用花费太多时间去分析常数项的估计值，这主要依据的假设是：
A、误差项总体均值为0。
B、所有解释变量与误差项都不相关。
C、误差项与观测值互不相关 。
D、误差项具有同方差。
E、模型设定无误。
2、在关于身高和体重的模型中，新增QQ号码这个变量后，以下说法错误的是：
A、身高的参数估计值可能发生变化。
B、判定系数可能减小。
C、调整的判定系数可能减小。
D、QQ号码的参数估计值一定为0.
E、常数项的估计值可能发生变化。
3、一元回归方程的样本回归线必然通过的点为：
A、
B、
C、
D、
E、
4、以下关于最小二乘法的说法正确的有：
A、最小二乘法的目标是残差平方和最小。
B、所估计的对象是方程中的参数。
C、最小二乘法的目标是残差之和最小。
D、判定系数可以为负数
E、判定系数越大，模型越好。
F、判定系数并不是越大越好。
5、建立玉米产量Y对施肥密度F和降雨量R的回归方程，估计结果为。则以下说法正确的有：
A、常数项-120意味着玉米产量可能为负。
B、若变量F的参数真实值为0.20，则参数估计值-0.10表明OLS估计量是有偏的。
C、变量F的参数估计值的符号不符合预期，并不影响OLS估计量的BLUE性质。
D、若方程不满足所有古典假设，变量R的参数真实值也可能等于5.33。
6、最小二乘法的目标是误差项之和最小。
7、若所有解释变量对被解释变量没有影响，回归方程的判定系数一定为0。
8、若某解释变量在理论上对被解释变量没有影响，该解释变量的参数估计值一定为0.
9、若采用两组样本估计同一回归方程，参数估计值的差异体现了数据的随机性。
10、若解释变量之间存在完全多重共线性，则参数估计值无法获得。
11、随机误差项的总体均值为0以及随机误差项与解释变量不相关保证了参数估计量的无偏性。
12、若随机误差项服从t分布，则OLS估计量不再具有BLUE性质。
第5讲 多重共线性
第5讲单元测试
1、建立人均鸡肉消费量Y对鸡肉价格PC、牛肉价格PB、人均总收入XD、人均可支配收入YD的回归方程，采用年度数据的回归结果显示，方程存在多重共线性。以下关于多重共线性的补救措施正确的是
A、剔除鸡肉价格PC
B、剔除牛肉价格PB
C、剔除人均总收入XD或人均可支配收入YD
D、采用相对价格PC/PB或PB/PC替代PC和PB
E、增大样本容量
2、支配变量通常与被解释变量高度相关，以至于掩盖了方程中其他解释变量对被解释变量的影响。因此，回归分析中应避免使用支配变量。以下情形中，所涉及的变量属于支配变量的是
A、某棒球队每年参加比赛的次数都相同，在关于赢得比赛次数的方程中，该球队输掉比赛的次数。
B、某餐厅的各连锁店的销售额基本相同，在总销售额模型中，连锁店的个数。
C、总消费支出的方程中，可支配收入。
D、某汽车制造商（自己不制造轮胎）生产汽车数量的年度模型中，所购买的轮胎数量。
E、农业供给函数中，每亩地使用的化肥数量。
3、如果回归方程选取和为解释变量，由于是的函数，方程存在完全多重共线性。
4、多重共线性可能造成参数估计值的符号与预期不一致。
5、多重共线性指的是解释变量与被解释变量之间存在的线性关系。
6、几乎每一个回归方程都在某种程度上存在多重共线性问题。
第6讲 序列相关性
第6讲单元测试
1、序列相关性产生的后果主要包括：
A、OLS估计量是有偏的。
B、OLS估计量仍是无偏的。
C、OLS估计量是有效的。
D、OLS估计量不再是有效的。
E、标准误的OLS估计量是有偏的。
F、OLS估计假设检验仍然可靠。
G、OLS估计的假设检验不可靠。
2、以下关于序列相关检验方法的说法正确的有：
A、序列相关检验首先要明确是纯序列相关还是非纯序列相关。
B、德宾-沃森d统计量的取值在-1和+1之间。
C、德宾-沃森d检验是双侧检验，即检验误差项是否存在序列相关。
D、德宾-沃森d检验假定误差项具有同方差性。
E、德宾-沃森d检验只能检验一阶序列相关。
3、设定偏误可能导致回归模型存在非纯序列相关。
4、若回归模型修正了非纯序列相关问题后，无需检验纯序列相关问题。
5、若德宾-沃森d检验未发现序列相关性，回归模型一定不存在序列相关性问题。
6、德宾-沃森d统计量仅在时间序列数据的回归模型中有意义。
第7讲 异方差性
第7讲单元测试
1、异方差性产生的后果主要包括：
A、OLS估计量是有偏的。
B、OLS估计量仍是无偏的。
C、OLS估计量仍是有效的。
D、OLS估计量不再是有效的。
E、标准误的OLS估计量是有偏的。
F、标准误的OLS估计量是无偏的。
G、OLS估计假设检验仍然可靠。
H、OLS估计的假设检验不可靠。
2、以下关于异方差性检验方法的说法正确的有：
A、异方差检验首先要明确是纯异方差还是非纯异方差。
B、Park检验中对t统计量进行检验时应采用单侧检验
C、Park检验采用的是双对数回归模型。
D、White检验中可包含解释变量的交叉项，也可不包含解释变量的交叉项。
E、异方差检验主要关注残差。
F、若异方差与解释变量完全没有关系，White检验也无能为力。
3、遗漏变量可能导致回归模型存在非纯异方差性。
4、横截面数据的回归更容易产生异方差。
5、异方差性的检验思路与序列相关性的检验思路是相似的。
6、若回归模型修正了非纯异方差性问题后，无需检验纯异方差性问题。
7、若Park检验和White检验均未检验出异方差性，回归模型一定不存在异方差问题。
8、异方差性是回归分析中普遍存在的问题，几乎每个方程都需要进行异方差性修正，因此，同方差不必包含在古典假设中。
学习通计量经济学_34
1. 理解OLS回归模型
OLS（Ordinary Least Squares）回归模型是一种最基本的线性回归模型，通过最小化残差平方和来拟合解释变量和被解释变量之间的关系。
OLS回归模型的表达式为：
y = β0 + β1x1 + β2x2 + ... + βkxk + ε
其中y是被解释变量，x1、x2、...、xk是解释变量，β0、β1、β2、...、βk是模型系数，ε表示误差项。
OLS回归模型的目标是最小化误差项ε的平方和，即最小化：
Q = ε1^2 + ε2^2 + ... + εn^2
其中n是样本数。
2. OLS回归模型的估计
OLS回归模型的系数可以通过最小二乘法进行估计。
最小二乘法的目标是最小化残差平方和，即最小化：
Q = (y1 - β0 - β1x11 - β2x21 - ... - βkxk1)^2 + (y2 - β0 - β1x12 - β2x22 - ... - βkxk2)^2 + ... + (yn - β0 - β1x1n - β2x2n - ... - βkxkn)^2
对Q求偏导并令偏导等于0，得到：
β = (X'X)^-1X'y
其中，X'是X的转置，X是自变量数据矩阵，y是因变量数据向量，β是系数估计向量。
3. OLS回归模型的性质
OLS回归模型具有一些重要的性质：
- OLS估计量是无偏的。
- OLS估计量是最小方差线性无偏估计量。
- OLS估计量满足高斯-马尔科夫定理。
- OLS估计量在一些前提条件下是最优的。
4. OLS回归模型的评价
OLS回归模型的评价可以通过多种指标进行：
- 决定系数（R-squared）：反映了模型拟合程度的好坏，取值范围在0和1之间，越接近1表示拟合程度越好。
- 调整决定系数（Adjusted R-squared）：与R-squared类似，但考虑了自变量个数对拟合程度的影响。
- 标准误差（Standard Error）：反映了残差的离散程度，标准误差越小表示模型的精度越高。
- 残差分布图（Residual Plot）：用于检验模型的合理性，残差应该随机分布并且无法预测。
5. OLS回归模型的拓展
OLS回归模型可以通过拓展进行改进，如：
- 多项式回归模型：可以通过增加高次项来拟合非线性关系。
- 岭回归模型：可以通过加入惩罚项来避免过拟合。
- lasso回归模型：可以通过加入L1惩罚项来进行变量筛选。
- 弹性网回归模型：可以同时加入L1和L2惩罚项，兼具lasso和岭回归的优点。
6. 结论
OLS回归模型是计量经济学中最基本的线性回归模型，具有无偏性和最小方差性等重要性质。通过多种指标对模型进行评价，可以判断模型的拟合程度和精度。同时，通过拓展可以对OLS回归模型进行改进，以适应实际问题的需要。
