计量经济学复习重点

计量经济学复习重点 本次考试题型： 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（每小题 10 分，共 30 分） 本次考试主要涉及的知识点： 第一章 1、计量经济学的性质（三门学科的复合体） 统计学、经济理论、数学 2、计量经济学的建模四步骤（注意先后顺序） 一、理论模型的设计 1、确定模型所包含的变量 2、确定模型的数学形式 3、拟定理论模型中待估参数的理论期望值 二、样本数据的收集（最为重要） 三、模型参数的估计 四、模型的检验 3、计量经济学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 时间序列数据：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、计量经济学模型必须通过的四级检验 1、经济意义检验（具有一票否决权） 2、统计检验 3、计量经济学检验 4、模型预测检验 5、计量经济学检验主要包括哪些检验 随机干扰项的序列相关性检验 异方差性检验 解释变量的多重共线性检验 6、计量经济学模型有哪些作用 一、结构分析 经济学中的结构分析就是对经济现象中变量之间相互关系的研究 二、经济预测 三、政策评价 四、检验与发展经济理论 第二章 1、回归分析的实质 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（总体）均值 2、为何要引入随机干扰项（P27） 3、理解 OLS 的前四个假设 4、一元模型的计算 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 判决系数：R^2=ESS/TSS=1-RSS/TSS 8、TSS、RSS、ESS 三者之间的关系 TSS：总离差平方和 RSS：残差平方和 ESS：回归平方和 TSS=RSS+ESS 第三章 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 一元（P39） 多元（P61） 5、利用 eviews 软件求： （1）回归方程 （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 （5）是否存在自相关 第四章 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 4、序列相关性的后果 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？随机解释变量产生的后果 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干扰项独立――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 第五章 1、虚变量的设置原则（P145） 每一定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。 第六章 1、为什么要建立联立方程的计量经济学模型 第七章 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。 狭义：仅指要素质量的提高 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 4、区间估计的意义 简答题复习重点： 1、根据普通最小二乘原理，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，虽然保证了模型最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，是同一个问题内部的比较，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、为什么计量经济学模型的理论方程中必须包含随机误差项？ （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 2、代表残缺数据 3、代表众多细小影响因素 5、代表模型设定误差 6、变量的内在随机性 3、OLS 的前四个经典假设 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，不序列相关性 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线性回归模型的主要联系和区别 区别表现如下： 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“解释变量之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。 联系表现如下： 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、模型的经典假设有相同的地方。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，检验的总体思路；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， 而是互不相同，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、检验的常见方法：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） 2、变量的显著性检验失去意义 3、模型的预测失效 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相互独立的基本假 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