2025年大学三年级经济学上学期计量经济学试卷

2025年大学三年级经济学上学期计量经济学试卷考试时间：______分钟总分：______分姓名：______一、名词解释（每题3分，共15分）1.总体回归函数2.最小二乘法3.修正自由度4.多重共线性5.异方差二、简答题（每题6分，共30分）1.简述简单线性回归模型（SLR）的基本假设。2.解释什么是统计显著性与经济显著性，两者有何区别？3.在多元线性回归模型（MLR）中，出现多重共线性可能带来哪些问题？4.什么是异方差？简述异方差存在时，使用OLS估计量可能产生什么问题？5.解释模型设定偏误的含义，并说明其可能导致的后果。三、计算题（每题10分，共30分）1.考虑如下简单线性回归模型：Yi=β0+β1Xi+ui，假设根据样本数据估计得到以下结果：β0=5，β1=2，样本容量n=30，残差平方和SSE=50。计算Y与X之间的样本相关系数r。2.在一个包含常数项的三元线性回归模型中，得到如下估计结果（标准误已在括号中）：Ŷi=10+2Xi1+3Xi2-1.5Xi3（SE(β1)=0.5,SE(β2)=1.0,SE(β3)=0.8）。检验回归系数β1在5%的显著性水平下是否显著异于0。请写出检验步骤（包括原假设、备择假设、计算检验统计量、确定临界值或p值、做出结论）。3.假设对一个二元线性回归模型进行检验，发现F统计量为10，对应的p值为0.005。请解释该检验结果的经济含义。四、论述题（15分）试述在建立计量经济学模型时，为什么进行模型诊断（如检验异方差、多重共线性等）是必要的？如果忽略模型诊断直接进行估计和预测，可能会带来哪些潜在问题？试卷答案一、名词解释1.总体回归函数：描述因变量Y的期望值（或均值）如何依赖于一个或多个自变量X的函数关系，通常表示为E(Y|X)=β0+β1X+...+βkXk，其中β0,β1,...,βk是未知参数。2.最小二乘法：一种常用的参数估计方法，通过最小化因变量的观测值与模型预测值之间离差平方和（即残差平方和SSE）来估计回归模型中的参数β0,β1,...,βk。3.修正自由度：在估计方差时，为了解决自由度不足的问题而引入的调整。例如，在估计同方差OLS估计量标准误时，使用n-k-1作为自由度；在怀特（White）异方差一致标准误中，使用修正后的自由度计算。4.多重共线性：指多元线性回归模型中一个或多个自变量之间存在高度线性相关关系的现象。这会使得参数估计量方差增大、标准误变大，导致参数显著性检验困难，且解释系数经济含义时产生偏差。5.异方差：指回归模型的随机误差项u的方差不是常数，而是随着一个或多个自变量的取值变化而变化的现象。异方差会使得OLS估计量不再是最有效的（即不再是Best），其标准误估计不一致，导致基于标准误的假设检验和置信区间可能无效。二、简答题1.简单线性回归模型（SLR）的基本假设：*线性于参数（LinearityinParameters）：模型是Y与X的参数β0和β1的线性函数。*随机抽样（RandomSampling）：样本观测值是随机抽取的。*零条件均值（ZeroConditionalMean）：给定X，因变量Y的期望值为常数，即E(u|X)=0。这等价于E(Y|X)=β0+β1X。*同方差性（Homoscedasticity）：给定X，因变量Y的方差为常数，即Var(u|X)=σ²。这意味着所有观测值的随机扰动具有相同的方差。*无完全多重共线性（NoPerfectMulticollinearity）：自变量X不等于常数，且不存在精确的线性关系。2.统计显著性vs经济显著性：*统计显著性：指通过统计检验（如t检验、F检验）拒绝原假设（如参数系数等于0），认为参数估计量与零假设值之间存在显著差异。通常以p值或置信区间来判断，p值小于某个阈值（如0.05）表示统计显著。*经济显著性：指回归系数估计值的经济含义是否在现实中具有实际意义或重要性。即使系数在统计上显著，但如果其数值大小相对于变量本身或相关经济变量来说微不足道，或者其影响在经济决策中不明显，则认为缺乏经济显著性。*区别：统计显著性关注的是参数估计值与零的差异是否足够大以排除随机因素，而经济显著性关注的是参数估计值本身的大小和实际影响程度。3.多重共线性带来的问题：*参数估计量方差增大，标准误变大：导致t统计量变小，使得参数显著性检验更容易失败，难以拒绝原假设（β=0），即使参数本身可能显著不为零。*参数估计值不稳定：自变量数据轻微变动可能导致参数估计值发生较大变化。*难以区分单个自变量的独立影响：当自变量高度相关时，模型难以准确估计每个自变量对因变量的独立贡献。*系数经济含义解释困难或无意义：由于自变量间存在强相关性，估计出的系数可能无法反映真实的因果效应或边际影响。4.异方差的定义及其后果：*定义：异方差是指回归模型的随机误差项u的方差Var(u|X)随着自变量X的取值变化而变化，即Var(u|X)=h(X)，其中h(X)>0且不恒定。*OLS估计量的后果：*OLS估计量仍然是无偏的（Unbiased）：即E(β̂)=β。*OLS估计量不再是有效的（NolongerEfficient）：即存在其他线性无偏估计量（如GLS）的方差比OLS估计量的方差更小，OLS不再是最佳线性无偏估计（BLUE）。*基于OLS标准误的假设检验和置信区间无效：传统的t检验和F检验使用的OLS标准误是基于同方差假设计算得到的，在异方差存在时，这些标准误会被低估（或高估，取决于h(X)的形式），导致检验结果不准确（通常是过度拒绝原假设），置信区间过窄。5.模型设定偏误的含义及后果：*含义：模型设定偏误是指所估计的回归模型与真实的（潜在的）数据生成过程不符，即模型函数形式、变量选择、变量形式（线性/非线性）等方面存在错误。*后果：*产生偏误（Bias）：导致参数估计量（β̂）系统性偏离真实的参数值（β），使得OLS估计量不再具有无偏性（除非是特定形式的设定偏误，如包含无关变量）。*降低估计的有效性（ReducedEfficiency）：即使是无偏估计，若存在设定偏误，也可能不是最有效的估计量。*导致错误的统计推断：基于有偏估计量的假设检验（t检验、F检验）和置信区间可能严重偏离真实情况，得出错误的结论。*无法准确衡量变量关系：估计出的系数可能无法反映变量间真实的因果联系或影响程度。三、计算题1.计算样本相关系数r：*根据SLR估计结果Ŷi=β0+β1Xi，斜率β1=2。*样本相关系数r的计算公式为r=β1/sqrt(Var(Y)+Var(X))。*对于简单线性回归，系数β1的表达式也可以写为r=Cov(X,Y)/(sqrt(Var(X))*sqrt(Var(Y)))。*我们需要利用给出的信息β1=2和SSE=50来计算r。*总离差平方和TSS=SSE+SSR。由于是简单线性回归，SSR=β1²*Σ(Xi-X̄)²。这里我们没有Σ(Xi-X̄)²，但可以将其表示为Var(X)*n，因为Σ(Xi-X̄)²=n*Var(X)。*所以SSR=β1²*n*Var(X)=4nVar(X)。*TSS=SSE+SSR=50+4nVar(X)。*方差比Var(Y)/Var(X)可以用1+β1²来近似估计（在不考虑误差项方差的精确分解下），但这不直接帮助我们用SSE计算r。*另一个思路是利用r²=SSR/TSS。r²=(4nVar(X))/(50+4nVar(X))。*我们知道r²=(SSE/TSS)*(TSS/TSS)=SSE/TSS=50/(50+4nVar(X))。*因此，50/(50+4nVar(X))=(4nVar(X))/(50+4nVar(X))。*这意味着r²=β1²=4。*但是r²=β1²=4意味着r²=16，这是不可能的，因为r²的取值范围是[0,1]。*检查题目和思路：发现上述推导有误。SSE=50是残差平方和。正确的公式是r²=1-SSE/TSS。我们需要TSS。*TSS=Σ(Yi-Ȳ)²。在简单线性回归中，TSS=SSR+SSE=β1²*Σ(Xi-X̄)²+SSE=β1²*n*Var(X)+SSE。*所以TSS=4nVar(X)+50。*r²=1-SSE/TSS=1-50/(4nVar(X)+50)=(4nVar(X)+50-50)/(4nVar(X)+50)=4nVar(X)/(4nVar(X)+50)。*r=sqrt(r²)=sqrt(4nVar(X)/(4nVar(X)+50))。*关键信息缺失：我们没有n和Var(X)的值，无法直接计算出r的具体数值。题目可能存在错误或遗漏了必要信息。*如果假设题目可解：有时这类题目会隐含特定条件或简化。例如，如果假设TSS=SSE(即SSR=0，意味着模型完全拟合，这通常不现实)，那么TSS=50，r²=1-SSE/TSS=1-50/50=0，则r=0。或者如果假设Var(X)=Var(Y)，那么r=β1/sqrt(Var(X)/Var(X))=β1=2。但最标准的做法是指出信息不足。*标准答案处理：通常在信息不足时，题目本身可能不期望得到一个具体数值。若必须作答，可指出需要n和Var(X)的信息，或按常见简化假设计算（如Var(X)=Var(Y)）。这里按最直接依赖题设的公式给出：r=sqrt(4nVar(X)/(4nVar(X)+50))。但无法化简。2.检验β1的显著性：*原假设H₀：β1=0（X1对Y没有线性影响）*备择假设H₁：β1≠0（X1对Y有线性影响）*检验统计量：t=β̂1/SE(β̂1)=2/0.5=4。*自由度：df=n-k-1。题目未给n，但可以表示为df=n-4。通常需要知道n才能确定临界值或p值。*决策规则（使用p值）：查找t分布表或使用软件，根据df=n-4和计算得到的t统计量=4，找到对应的p值。由于是双尾检验，p值是两侧尾部面积之和。*决策规则（使用临界值）：查找t分布表，根据α=0.05和df=n-4，找到临界值t_crit。如果|t|>t_crit，则拒绝H₀。*结论：由于t=4通常远大于α=0.05水平下大多数常见自由度（如df=20,30,50等）的临界值（例如，df=30时，t_crit≈2.042），因此会拒绝原假设H₀。或者，查表可得，对于df趋于无穷大时，t=4对应的p值远小于0.05。*最终结论：在5%的显著性水平下，有足够的统计证据拒绝原假设，认为回归系数β1显著异于0。3.F检验结果的经济含义：*F统计量=10，p值=0.005。*F统计量的定义：F=MSR/MSE，其中MSR是回归平方和（SSR）/自由度（k=2，对于二元模型），MSE是残差平方和（SSE）/自由度（n-3，对于二元模