研究生试题及答案

研究生试题及答案1.单项选择题（每题2分，共20分）1.1在经典线性回归模型y=Xβ+ε中，若E(ε)=0且Var(ε)=σ²I，则下列关于OLS估计量β̂的陈述正确的是A.β̂是β的无偏估计，但不一定有效B.β̂是β的BLUEC.β̂的分布一定是正态分布D.β̂的方差矩阵为σ²(X'X)⁻¹X'答案：B1.2设随机变量X~N(0,1)，Y=X²，则Y的矩母函数M_Y(t)在t<1/2时为A.(1−2t)^(−1/2)B.(1−t)^(−1)C.exp(t²/2)D.1−2t答案：A1.3在两阶段最小二乘（2SLS）中，若第一阶段回归的R²极低，则最可能出现的后果是A.OLS与2SLS估计量数值接近B.弱工具变量偏差C.过度识别检验失效D.第一阶段F统计量过大答案：B1.4考虑面板数据模型y_it=α_i+βx_it+u_it，若α_i与x_it相关，则下列估计方法仍可获得β的一致估计的是A.混合OLSB.随机效应GLSC.固定效应组内估计D.一阶差分OLS答案：C1.5在生存分析中，若风险函数h(t)为常数，则对应的生存函数S(t)为A.exp(−λt)B.1−λtC.λexp(−λt)D.log(1+λt)答案：A1.6设某检验的势函数为π(θ)，则下列说法正确的是A.π(θ)在H₀下必等于显著性水平αB.π(θ)在H₁下必大于αC.π(θ)是θ的单调增函数D.π(θ)与样本量无关答案：A1.7在Bayes估计中，若损失函数为平方误差，则Bayes估计量为A.后验均值B.后验中位数C.后验众数D.先验均值答案：A1.8对于AR(1)过程x_t=φx_{t−1}+ε_t，|φ|<1，ε_t~iid(0,σ²)，则x_t的谱密度在频率λ=0处取值为A.σ²/(2π(1−φ)²)B.σ²/(2π)C.σ²/(1−φ²)D.0答案：A1.9在Bootstrap置信区间构造中，若采用百分位法，则区间端点直接由A.标准正态分位数确定B.Bootstrap统计量的经验分位数确定C.t分布分位数确定D.原始样本分位数确定答案：B1.10若某矩阵对策的支付矩阵存在鞍点，则A.双方必存在纯策略纳什均衡B.双方只能采用混合策略C.对策值必为0D.矩阵必为方阵答案：A2.多项选择题（每题3分，共15分；每题至少有两个正确答案，多选少选均不得分）2.1下列关于似然比检验（LR）、Wald检验（W）与拉格朗日乘子检验（LM）的说法正确的有A.三者在大样本下渐近等价B.对线性约束三者统计量数值恒等C.小样本下三者可能差异很大D.LM只需估计约束模型答案：ACD2.2在多重共线性诊断中，常用的指标包括A.方差膨胀因子VIFB.条件数κ(X'X)C.特征根倒数之和D.容忍度TOL答案：ABD2.3关于非参数回归核估计，正确的有A.窗宽h越大，估计曲线越光滑B.Epanechnikov核在MSE意义下最优C.高阶核可降低偏差但可能取负值D.多维情形下需采用乘积核或球对称核答案：ABCD2.4下列属于广义矩估计（GMM）优点的是A.允许误差项存在异方差与自相关B.可利用多于参数个数的矩条件C.一步GMM无需权重矩阵估计D.两阶段GMM具有渐近有效性答案：ABD2.5在MonteCarlo研究中，降低方差的技术有A.对偶变量法B.控制变量法C.重要性抽样D.拒绝抽样答案：ABC3.填空题（每空2分，共20分）3.1若X~Bin(n,p)，则其概率母函数为G(s)=________。答案：(1−p+ps)^n3.2在VAR(p)模型中，若特征方程det(I−A₁z−…−A_pz^p)=0的根均位于单位圆外，则该过程是________。答案：平稳3.3设样本x₁,…,x_n来自Exp(λ)，则λ的极大似然估计为________。答案：1/x̄3.4若随机变量X的累积量母函数为K_X(t)=μt+σ²t²/2，则X的偏度为________。答案：03.5在分位数回归中，检验对称性的原假设可写为β_0.5−(β_0.25+β_0.75)/2=________。答案：03.6若矩阵A满足A²=A，则称A为________矩阵。答案：幂等3.7对于双侧检验H₀:μ=μ₀，若p值为0.03，则在α=0.05水平下应________原假设。答案：拒绝3.8在生存函数S(t)与累积风险函数H(t)之间满足关系S(t)=________。答案：exp(−H(t))3.9若某估计量θ̂_n满足√n(θ̂_n−θ)→dN(0,I(θ)⁻¹)，则称θ̂_n为________估计量。答案：渐近有效3.10在Bootstrap-t方法中，首先需要计算________化统计量。答案：学生4.简答题（每题8分，共40分）4.1（封闭型）简述White检验的步骤，并说明其与原假设、备择假设的对应关系。答案：1.对原模型y=Xβ+u做OLS，得到残差e_i。2.构造辅助回归：e_i²对常数项、原模型所有解释变量、它们的平方项与交叉项回归，得到R²。3.计算统计量LM=nR²，在原假设“同方差”下LM→dχ²(q)，q为辅助回归中除常数外解释变量个数。4.若LM>χ²_{1−α}(q)则拒绝同方差原假设，认为存在异方差。备择假设为方差函数是解释变量的某种线性组合形式。4.2（开放型）试述如何在面板数据中检验个体效应是否与解释变量相关，并比较Hausman检验与过度识别检验的异同。答案：1.设定模型y_it=α_i+βx_it+u_it。2.若怀疑α_i与x_it相关，需比较固定效应（FE）与随机效应（RE）。3.Hausman思想：在RE有效前提下，FE与RE估计量均一致；若RE无效，则FE仍一致而RE不一致。构造H=(β_FE−β_RE)'[Var(β_FE)−Var(β_RE)]⁻¹(β_FE−β_RE)→dχ²(k)。4.过度识别检验（如Arellano-Bond）利用GMM矩条件，检验工具变量有效性，与Hausman不同在于：Hausman比较两类估计量差异，过度识别检验考察样本矩是否接近零；二者均用χ²分布，但原假设与构造方式不同。4.3（封闭型）给出Cramér-Rao下界表达式，并说明其成立的条件。答案：Cramér-Rao下界：Var(θ̂)≥[I(θ)]⁻¹=[E(−∂²lnL/∂θ²)]⁻¹。成立条件：1.支撑集不依赖于参数；2.lnL对θ二次可微且积分与微分可交换；3.Fisher信息I(θ)非零有限。4.4（开放型）解释“弱工具变量”问题的经济含义，并提出两种检测及两种修正方法。答案：经济含义：工具变量与内生解释变量相关性极低，导致2SLS估计量分布高度非正态，显著性水平扭曲，置信区间覆盖率低。检测：1.第一阶段F统计量<10经验规则；2.Stock-Yogo临界值比较。修正：1.有限信息最大似然（LIML）对弱工具更稳健；2.采用更强力工具或增加工具变量数量提高第一阶段解释力。4.5（封闭型）写出Kruskal-Wallis检验的统计量公式，并说明其零分布。答案：H=[12/(N(N+1))]·Σ_{i=1}^k(R_i²/n_i)−3(N+1)，其中N=Σn_i，R_i为第i组秩和。零分布：H→dχ²(k−1)。5.计算与综合分析题（共55分）5.1（计算题，15分）设样本x₁,…,x_n来自密度f(x;θ)=θx^{θ−1},0<x<1,θ>0。(1)求θ的极大似然估计θ̂；(2)计算Fisher信息I(θ)；(3)构造θ的95%渐近置信区间。答案：(1)lnL=nlnθ+(θ−1)Σlnx_i，令导数为零得θ̂=−n/Σlnx_i。(2)∂²lnL/∂θ²=−n/θ²，I(θ)=n/θ²。(3)渐近分布√n(θ̂−θ)→dN(0,θ²)，故置信区间为θ̂±1.96·θ̂/√n。5.2（分析题，20分）某国1980Q1–2020Q4的GDP季度数据建立AR(2)：y_t=c+φ₁y_{t−1}+φ₂y_{t−2}+ε_t。估计得φ̂₁=1.05，φ̂₂=−0.35，残差方差σ̂²=0.81。(1)检验特征根是否位于单位圆外（α=0.05）；(2)计算无条件均值与方差；(3)若2021Q1、Q2预测值分别为102.3、103.1，求2021Q3点预测。答案：(1)特征方程z²−1.05z+0.35=0，根z=(1.05±√(1.05²−1.4))/2，模均小于1，故平稳。(2)均值μ=c/(1−φ₁−φ₂)，设c=2.0得μ=2/(1−1.05+0.35)=2/0.3=6.67；方差γ₀=σ²/(1−φ₁ρ₁−φ₂ρ₂)，其中ρ₁=φ₁/(1−φ₂)，ρ₂=(φ₁²+φ₂(1−φ₂))/(1−φ₂)，代入得γ₀=0.81/0.3025≈2.68。(3)ŷ_{T+3}=c+φ̂₁ŷ_{T+2}+φ̂₂ŷ_{T+1}=2+1.05×103.1−0.35×102.3≈104.2。5.3（综合题，20分）研究者欲评估“最低工资上调10%”对低技能就业的影响，收集2005–2015年200个县域面板数据。设模型：lnE_it=α_i+β₁lnMW_it+β₂X_it+u_it，其中E为低技能就业，MW为最低工资，X包括投资、人口结构等。(1)若MW被认为内生，请提出至少两种工具变量并论证其有效性；(2)写出采用两阶段最小二乘的具体步骤；(3)若Hausman检验p=0.008，解释结果并给出后续建议；(4)讨论如何检验工具变量过度识别约束。答案：(1)工具变量：a.相邻县最低工资的加权平均（政策外溢），满足相关性（政策模仿），且若不直接影本县就业则满足排他；b.省内最低工资政策虚拟变量与县产业结构交互项，政策变量外生，交互项通过产业结构影响本地MW但不直接冲击就业。(2)2SLS步骤：第一阶段：lnMW_it对工具变量Z_it与X_it回归，得拟合值lnMŴ_it；第二阶段：lnE_it对lnMŴ