广东金融学院计量经济学期末考试重难点复习课程

1、第二章1、变量间的关系分为函数关系与相关关系。相关系数是对变量间线性相关程度的度量。2、现代意义的回归是一个被解释变量对若干个解释变量依存关系的研究，回归的实质是由固定的解释变量去估计被解释变量的平均值。简单线性回归模型是只有一个解释变量的线 性回归模型。3、 总体回归函数（PRF是将总体被解释变量 Y的条件均值 E（Y XJ表现为解释变量 xA的某种函数。样本回归函数（SRF是将被解释变量 Y的样本条件均值 Y表示为解释变量 X的 某种函数。总体回归函数与样本回归函数的区别与联系。4、 随机扰动项Ui是被解释变量实际值 Y与条件均值E（Y XJ的偏差，代表排除在模型 以外的所有因素对 Y的影

2、响。5、 简单线性回归的基本假定：对模型和变量的假定、对随机扰动项u的假定（零均值假 定、同方差假定、无自相关假定、随机扰动与解释变量不相关假定、正态性假定）6、 普通最小二乘法（OLS）估计参数的基本思想及估计式；OLS估计式的分布性质及期 望、方差和标准误差；OLS估计式是最佳线性无偏估计式。7、对回归系数区间估计的思想和方法。8、拟合优度是样本回归线对样本观测数据拟合的优劣程度，可决系数是在总变差分解基础上确定的。可决系数的计算方法、特点与作用。9、 对回归系数假设检验的基本思想。对回归系数t检验的思想与方法；用 P值判断参数 的显著性。10、被解释变量平均值预测与个别值预测的关系，被解

3、释变量平均值的点预测和区间预测的方法，被解释变量个别值区间预测的方法。11、运用EViews软件实现对简单线性回归模型的估计和检验。第二章主要公式表1、总体回归函数Y 12Xi Ui E（Y Xj）12Xi2、样本回归函数AAAAAY 12Xi eY 12 Xi3、基本假定E(uJ 0 E(Y) iVar(uJ Var(YJ2Xi2Cov(Ui,Uj)N(0, 2)E(UiUj)0Cov(Ui,XJ0 Ui 4、最小一乘估计ANXiYx,Yx y2NXi2(X2i)2XiAX2YXiXYiAA1NX,2 (2Xi)1Y2X5、参数OLS估计式的期AE(k)k望6、参数OLS估计式的方Var(A

4、2)-2 丿2 Var( x,A) 2Xi2差J N2 片7、参数估计式的标准误SE(A2)7A) 1Xi2差xi2 SE(1 n2Xi82的无偏估计A22en 29、t检验统计里* tA2 2A2t( n 2)AAAASE( 2)SE(2 )8样本可决系数1 -A2 y2ei2A 2y 21 2e2 yi2 1 yi2 1 yi2yi9、参数估计的置信区间APAA2 tg SE( 2)2AAA2 切 SE( 2)110、平均值预测区间AYft 2h (xbYF t:iA1 (XfXnx2 jn11、个别值预测区间YfAYf mtn2(Xf X)2x第三章1、多元线性回归模型是将总体回归函数描

5、述为一个被解释变量与多个解释变量之间线性 关系的模型。通常多元线性回归模型可以用矩阵形式表示。2、 多元线性回归模型中对随机扰动项u的假定，除了零均值假定、同方差假定、无自相关假定、随机扰动与解释变量不相关假定、正态性假定以外，还要求满足无多重共线性假定。3、多元线性回归模型参数的最小二乘估计式；参数估计式的分布性质及期望、方差和标准误差；在基本假定满足的条件下，多元线性回归模型最小二乘估计式是最佳线性无偏估计 式。4、多元线性回归模型中参数区间估计的方法。5、多重可决系数的意义和计算方法，修正可决系数的作用和方法。6、 F检验是对多元线性回归模型中所有解释变量联合显著性的检验，F检验是在方差

6、分析 基础上进行的。7、多元回归分析中，为了分别检验当其它解释变量不变时，各个解释变量是否对被解释变量有显著影响，需要分别对所估计的各个回归系数作t检验。8、利用多元线性回归模型作被解释变量平均值预测与个别值预测的方法。第三章主要公式表1、多元线性回归模型E(YX1,X2,L Xk)12X2i3X3iUiLE(Y)kXkiX B12X2iY=X3 +U3X3iLkXki2、样本回归函数AYAA12 X2iA3 X3iLAk XkiAAAAY12X2i3 X3iLkXkieY=X卜+ eAY =AX B3、基本假定E(U)=02i kCov(Ui ,Uk) E(UiUk)n；Lr0 ,i kRa

7、n k(X)=kCov(Xji,uJ 0(j1,2丄,k)Ui 2N(0,)4、最小二乘估计X Y=XX?= (X X)-1X Y5、参数OLS估计的期望AE( B)卩6、参数OLS估计的方差2eVar(?j)= ?25= J 严7、参数估计的标准误差ASE( j)阿28、的无偏估计2?e.n k9、参数估计的置信区间AAAAP j t 2jj上/ VCjj_ 110、多重可决系数R21 RSS 1I 2TSS(Y Y)211、修正的可决系数2 t2R2 1ej(n k)1e(Y Y)(n 1)n k (Y Y)212、F检验统计量F ESS(k 1) F(k 1 , n k) RSS(n k

8、)13、t检验统计量AAt*Aj A j_ t(n k)SE( j)忆14、点预测值Yf Xf?15、平均值预测区间AAAAYf t 2 JXf(XX)-1XfE(Yf) Yf t.2 JXf(XX)-1Xf16、个别值预测区间AAAYf t 2Xf(X X)-1XfYfYf t/2?J1 Xf(X X)-1Xf第四章1、 经典线性回归模型的假定之一是各个解释变量X之间不存在多重共线性。一般说来，多重 共线性是指各个解释变量 X之间有准确或近似准确的线性关系。2、 多重共线性的后果是：如果各个解释变量X之间有完全的共线性，则它们的回归系数是不 确定的，并且它们的方差会无穷大。如果共线性是高度的

9、但不完全的，则回归系数的估计是 可能的，但有较大的标准误差的趋势。结果回归系数不能准确地加以估计。不过，如果目的 是估计这些系数的线性组合用于预测，多重共线性不是严重问题。3、诊断共线性的经验方法主要有： （1）多重共线性的明显表现是可决系数 R2异常高而回归系 数在通常的t检验中在统计上不显著。（2）在仅有两个解释变量的模型中， 检查两个变量之间的 零阶或简单相关系数，一般说来高的相关系数通常可认为有多重共线性。 当模型中涉及多 于两个解释变量的情形时，较低的零阶相关也可能出现多重共线性，这时需要检查偏相关系数。（4）如果R2高而偏相关系数低，则多重共线性是可能的，这时会存在一个或多个解释变

10、量是多余的。如果 R2高而偏相关系数也高，则多重共线性难以识别。（5）在建模时，首先可以将每一个解释变量 Xi对其余所有解释变量进行辅助回归，并计算出相应的可决系数R2。较高的Ri2可能表明Xi和其余的解释变量高度相关，在不会引起严重的设定偏误的前提下，可考虑把Xi从模型中剔除。4、降低多重共线性的经验方法有：利用外部或先验信息；（2）横截面与时间序列数据并用；（3）剔除高度共线性的变量；（4）数据转换；（5）获取补充数据或新数据；（6）选择有偏估计量（如 岭回归）。经验方法的效果取决于数据的性质和共线性的严重程度。第四章主要公式表方差一膨胀因子（简称VIF）VIF11223多重共线性下参数估

11、计式的方差2var?22VIFX2iA21 2Var(j)/|C2A 22 VIF jXj1RjXj特征根的病态指数CIip:i-,ii0,1,2, ,kB的岭回归估计1B kXX klX Y第五章1、异方差性是指模型中随机误差项的方差不是常量，而且它的变化与解释变量的变动有 关。2、产生异方差性的主要原因有： 模型中略去的变量随解释变量的变化而呈规律性的变化、变量的设定问题、截面数据的使用，利用平均数作为样本数据等。3、 存在异方差性时对模型的OLS估计仍然具有无偏性，但最小方差性不成立，从而导致参数的显著性检验失效和预测的精度降低。4、 检验异方差性的方法有多种，常用的有图形法、Goldf

12、eld-Qunandt 检验、White检验、ARCH佥验以及Glejser检验，运用这些检验方法时要注意它们的假设条件。5、修正异方差性的主要方法是加权最小二乘法，也可以用变量变换法和对数变换法。变量变换法与加权最小二乘法实际是等价的。第五章主要公式表异方差性Var (u)2 iGoldfeld-Qu nan dt 检验的F统计量*F2 n el / -c2k2e2i2訂 e一c2k26White检验中的辅助函数?2x2t?3X3tQ2Q24X2t-5X3t?5X2tX3t（原模型只有两个解释变量）ARCH检验中的辅助函数?0?e2iL?p2e pGlejser检验中常用的辅助函 数ieXV

13、；|e|vie 4v；忖A训X v一兀函数下的加权最小二乘? 1*Y勺X*估计?Wi(XiX*)(YY )Wi(Xi* X)2一兀函数下的对原模型的变设Y12XiUi 并且 var(Ui)i22f(Xi)换Y1XiUi则 J f(Xi)Jf(Xi)2 /Jf(Xi)Jf(xj对数变换的模型In Y1 2n XUi第六章1、当总体回归模型的随机误差项在不同观测点上彼此相关时就产生了自相关问题。2、时间序列的惯性、经济活动的滞后效应、模型设定错误、数据的处理等多种原因都可能导致出现自相关。3、在出现自相关时，普通最小二乘估计量依然是无偏、一致的，但不再是有效的。如果仍用OLS法计算参数估计值的方差

14、，将会低估存在自相关时参数估计值的真实方差。而且2 2会因低估真实的，导致参数估计值的方差被进一步低估。由于真实的低估和参数估计值方差的低估，通常的t检验和F检验都不能有效地使用，也使预测的置信区间不可靠，降低 了预测的精度。4、 随机误差项的自相关形式决定于其关联形式，可以为m阶自回归形式 m 1,2 m)， 即AR(m)。为了研究问题的方便和考虑实际问题的代表意义，通常将自相关设定为一阶自相关即AR(1濮式。用一阶自相关系数表示自相关的程度与方向。5、 由于ut不可观测，通常使用 ut的估计量et判断ut的特性。绘制et 1，et的散点图或 按照时间顺序绘制回归残差项 et的图形，可以判断

15、自相关的存在。判断自相关的存在最常用 的方法是依据et计算的DW统计量，但要注意 DW检验法的前提条件和局限性。6、 如果自相关系数是已知的，我们可以使用广义差分法消除序列相关。7、 如果自相关系数是未知的，我们可采用科克伦一奥克特迭代法或德宾两步法求得 的估计值，然后用广义差分法消除序列相关。第六章主要公式表1、自相关系数UtUt 1 /n2 、Ut 1)22Ut2、一阶自回归U t =Ut-1 + vt形式AR(1)3、m阶自回归Ut1Ut 12Ut 2mUt mVt形式AR(m)4、自相关时参2n t1XtXt 11n 2XtXt 2n 2 t 1数估计式的方u (12差Var(n?2)

16、t 1(12 Xtn2Xtt 12n2Xtt 12n 1 X1X n)n2Xtt 15、DW统计量n nDW(etet i)2 /e2t 2/ t 1?6、DW值与*的关系DW 2(1?)7、广义差分YtYt11(1)2(XtXt 1)utut 1第七章1、由于心理、技术以及制度等原因，经济变量之间的影响往往具有滞后效应，滞后变量模型 在经济分析中具有重要作用。分布滞后模型和自回归模型是两种常见的滞后变量模型。2、 分布滞后模型不能直接运用OLS方法进行估计，原因在于自由度损失、多重共线性和之后长度难于确定；克服这些困难的方法是采用变通估计方法，变通的估计方法有经验加权法、阿尔蒙法及库依克法。

17、3、 自回归模型的产生背景主要在于两个方面：一是无限分布滞后模型不能直接估计，为了估计模型而对滞后结构作出某种假定（如库依克假定），然后通过变换形成自回归模型；二是在模型中引入了预期因素，由于变量的预期值无法观测，因此对“期望模型”中预期的形成作出某种假定，最后变换成自回归模型，例如自适应预期模型、局部调整模型。4、 库依克模型、自适应预期模型与局部调整模型的最终形式为自回归结构。在这三个模型中，只有局部调整模型满足扰动项无自相关、与解释变量Xt及Yt 1不相关的古典假定，从而可使用最小二乘法直接进行估计；而库伊克模型与自适应预期模型不满足古典假定，如果用最小二乘法直接进行估计，则估计是有偏的

18、，且不是一致估计。5、 为了缓解扰动项与解释变量 Yl存在相关带来估计偏倚，克采用工具变量法；诊断一阶自回归模型扰动项是否存在自相关克采用德宾h-检验法。第七章主要公式表滞后变量模型一般形式YtXtM 1Xt 1Yt 22Xt 2qYtqs X t sUt分布滞后模型YtoXt1Xt 12 Xt 2sXt s Ut自回归模型YtXt1Yt 12Yt 2qYt qUt分布滞基本模型YtXt1Xt 12 Xt 2sXt sUt后模型的阿尔阿尔蒙变换i021丨2lm.mll0,1,2, ,s;m s蒙估计新模型Yt0Z0t1Z1t2Z2tmZmt Ut法乙tXt i2X23lXt3sX s基本模型Yt0 Xt1