南京财经大学计量经济学练习册答案

南京财经大学计量经济学练习册答案篇一：南京财经大学计量经济学练习册答案一、题目概述（涵盖学科与章节）本套题目覆盖计量经济学基础章节中的线性回归模型、假设检验与模型诊断，难度由易到中偏难。题目包括：1）（基础）单方程普通最小二乘法（OLS）推导与估计：给定样本点，推导截距与斜率的OLS解析解，并解释无偏性条件。2）（中等）异方差的检验与修正：给定回归残差，应用White检验并用稳健标准误修正推断。3）（偏难）联立方程与工具变量（IV）估计：构造一个内生解释变量问题，解释识别条件并用两阶段最小二乘法（2SLS）推导估计量。每题均附答案与详尽解析。二、答案与解析题1（OLS解析解与无偏性）题目：样本(n)中观察到变量对（yi,xi），模型为yi＝β0＋β1xi＋ui。证明OLS解析解并写出样本估计式；在经典假设下说明β的无偏性。答案：OLS估计量：β1_hat＝Sxy／Sxx＝Σ(xix̄）（yiȳ）／Σ(xix̄）＾2；β0_hat＝ȳβ1_hatx̄。无偏性：在假设Eui|xi=0下，Eβ1_hat＝β1，Eβ0_hat＝β0。解析思路：1）从最小化残差平方和SSR(β0,β1)＝Σ(yiβ0β1xi)＾2对β0、β1分别偏导并令导数为0，得正规方程。解正规方程得到上述解析式。关键技巧是中心化变量（减去样本均值），便于计算。2）证明无偏性时，用yi表示为β0＋β1xi＋ui，代入β1_hat表达式，分子变为β1Sxx＋Σ(xix̄）ui，因此β1_hat＝β1＋Σ(xix̄）ui/Sxx。取条件期望E·｜x并用Eui|x=0，可得Eβ1_hat|x=β1，继而非条件期望亦为β1。β0_hat类似。关键点与陷阱：关键信息是条件独立假设Eui|xi=0；若违反，则估计有偏。常见误判是把Eui=0误认为足够，其实必须是条件零均值。步骤意图：最小化SSR用于得到一致的参数估计（在正态噪声下也是最大似然）。扩展与练习：尝试推导含常数项与不含常数项的区别；检验β1_hat方差表达式并构造t检验。题2（White检验与稳健标准误）题目：对回归yi＝β0＋β1xi＋ui估计后，残差存在异方差嫌疑。说明如何用White检验异方差并使用稳健标准误修正t检验。答案：White检验：回归残差平方u_hat_i^2对xi、xi^2（以及常数项）做辅助回归，计算TR^2（或nR^2），在大样本下服从自由度k-1的卡方分布，若显著拒绝同方差。稳健标准误：使用异方差一致的协方差矩阵估计（Sandwich估计）：Var(β_hat)＝（X'X)＾｛－1}X'ΩX（X'X)＾｛－1}，在实践中用u_hat_i^2替代Ω的对角元得到White稳健标准误。解析思路：1）White检验原理：在同方差的原假设下，u_hat_i^2与解释变量无关，因此将u_hat_i^2回归于一组回归变量，nR^2在大样本下近似卡方分布。2）稳健标准误来源：OLS在异方差情况下仍然一致但不再是最优，常规方差估计失效。Sandwich估计通过对Ω进行估计得到一致的标准误。关键点与陷阱：关键是选择辅助回归的解释变量（一般用原解释变量及其平方项、交互项以覆盖一般形式异方差）。误判常见点：把检验的小样本p值当作确定性结论；White检验对样本量较小时功效不足。步骤意图：先做White检验判断是否存在异方差，再决定是否使用稳健标准误以进行可靠推断。扩展练习：在实际数据上计算White检验的nR^2并用软件获得稳健t值；比较常规与稳健标准误的差异。题3（工具变量与2SLS）题目：考虑系统yi＝β0＋β1xi＋ui，假定Eui|xi≠0，存在一个外生工具变量zi满足Eui|zi=0且Cov(xi,zi)≠0。说明识别条件、写出2SLS估计步骤并给出估计量的表达，检验工具变量弱识别的问题。答案：识别条件：相关性（Cov(x,z)≠0）与外生性（Euiz＝0）。若工具数量与内生变量数相等则为恰好识别，更多工具为过识别。2SLS步骤：第一阶段：回归xi于z（及其他外生变量）得到预测值x_hat_i。第二阶段：用x_hat_i替代xi在原回归中进行OLS：yi＝β0＋β1x_hat_i＋residual。2SLS估计量（矩阵形式）：β_2SLS＝（X'P_ZX)＾｛－1}X'P_Zy，其中P_Z＝Z(Z'Z)＾｛－1}Z'是投影矩阵。弱识别检验：第一阶段F统计量（对工具的总体显著性）若小于临界值（常用10）表明弱工具，2SLS偏差大且推断不可靠。解析思路：1）阐明为何OLS失效（内生性导致偏差）：内生性意味着Cov(x,u)≠0，使估计与ui相关项不为零。2）工具变量的作用：用与u不相关但与x相关的外生变量替代x的部分变异，恢复一致估计。关键点与陷阱：关键在于工具的外生性不可由数据直接检验（需要理论与经济学判断），但过识别情形下可用Sargan/Hansen检验检验整体外生性。常见错误：用弱工具或把工具与被解释变量的相关性当作外生性的证据；忽视第一阶段力弱的后果。步骤意图：第一阶段是提取x中与z相关的部分；第二阶段用于恢复对β的一致估计。实际意义：IV方法在计量经济学中广泛用于政策评估、因果推断（例如教育对收入的因果效应）。练习建议：构造模拟数据验证OLS与2SLS估计差异；在有多个工具时执行Sargan检验并计算第一阶段F统计量。三、常见解题技巧与总结解线性回归题时始终先写出模型假设，标注哪些假定被利用。面对异方差问题，先检测再修正；掌握White检验与稳健标准误的区别与实现方式。内生性题目要区分相关性与外生性，工具变量的选择需从经济理论出发并辅以统计检验。推荐练习题：含不同分布误差的回归模拟、含交互项的异方差情形检验、构造弱工具的IV例子。篇二：南京财经大学计量经济学练习册答案一、题目概述（涵盖学科与章节）本篇侧重时间序列计量经济学及面板数据基础，题型涉及自回归模型（AR）、单位根检验、协整检验与固定效应/随机效应面板模型，难度覆盖中等至较难。题目包括：1）（中等）AR(1)模型估计与单位根判定：基于样本序列推导AR(1)的OLS估计并进行ADF检验。2）（较难）协整与误差修正模型（ECM）：给出两变量的长短期关系，构造ECM并解释系数含义。3）（中等）面板数据固定效应与随机效应模型：描述Hausman检验并给出模型选择建议。二、答案与解析题1（AR(1)估计与ADF检验）题目：令时间序列yt满足yt＝ρyt-1＋εt，给定T个样本，推导ρ的估计量并说明如何用ADF检验检验单位根H0:ρ=1。答案：ρ_hat由回归yt对yt-1的OLS估计得到：ρ_hat＝Σ(yt-1ȳ_{－1}）（ytȳ)／Σ(yt-1ȳ_{－1}）＾2（在含截距的回归中）。ADF检验实质上是在回归Δyt＝α＋γyt-1＋ΣδiΔyti＋ut中检验γ=0（因γ=ρ-1）。若不能拒绝γ=0，则存在单位根。解析思路：1）AR(1)参数估计与OLS等价：用滞后项作为解释变量，依赖弱依赖下的渐近性质。2）单位根检验：原始的DickeyFuller不包含滞后差分项，ADF通过加入滞后项消除残差自相关，保证检验统计量的正确性。关键点与陷阱：ADF检验的临界值与普通t分布不同，需使用DF表或软件输出。误判风险：忽视是否需包含趋势项或截距项（若序列有趋势应加入趋势项）。步骤意图：估计滞后系数以观察持续性，ADF用于判断序列平稳性从而决定后续建模方法。扩展练习：模拟含单位根与平稳序列，比较ADF检验的功效。题2（协整与误差修正模型）题目：给定两个非平稳I(1)序列yt和xt，若存在线性组合ytαxt为I(0)，说明如何建立误差修正模型并解释短期与长期系数。答案：协整关系意味着存在长期均衡yt＝αxt＋vt，其中vt为平稳误差修正项。ECM形式：Δyt＝φ（yt-1αxt-1)＋ΣβiΔxti＋ΣγjΔytj＋εt，其中φ为调整系数（负值表示偏离长期均衡时向均衡调整的速度），βi描述短期效应。解析思路：1）协整检验通常先用OLS估计长期关系的残差并对残差做ADF检验（EngleGranger两步法）。2）若残差平稳，则构建ECM以同时捕捉长期均衡与短期动态。关键点与陷阱：关键信息是两序列均为I(1)且线性组合I(0)；若其中一序列不是I(1)则协整框架不适用。常见错误：直接在非平稳水平数据上做回归并对系数作常规解释（伪回归问题）。步骤意图：首步检验长期关系，二步建短期模型并用残差项纠正偏离。实际意义：协整与ECM在宏观经济（如消费与收入、货币供给与价格水平）中用于识别长期均衡关系与短期波动调整机制。练习建议：对真实宏观数据做单位根、协整检验并估计ECM，观察调整系数的经济含义。题3（面板数据：固定效应与随机效应）题目：面板模型yit＝α＋βxit＋ci＋uit，其中ci为个体效应。解释固定效应（FE）与随机效应（RE）模型估计方法，给出Hausman检验并说明如何选择模型。答案：FE模型通过消除ci的影响（如时间差分或个体均值变换）得到一致估计：Δ或within变换后对β做OLS。RE模型假设ci与xit不相关，采用广义最小二乘（GLS）来提高效率。Hausman检验检验零假设（RE一致且有效，即Cov(xit,ci)＝0）对比FE与RE估计量的差异，统计量基于两者估计差的协方差，显著时拒绝RE，选择FE。解析思路：1）FE的核心是允许ci与xit相关，牺牲对时间不变变量的估计；RE假设更强，但更有效率。2）Hausman检验需要估计两套模型并计算差异的加权二次型。关键点与陷阱：关键信息是个体效应是否与解释变量相关，这一点决定方法选择。常见错误：在面板数据短横截面T非常小时，不宜轻易相信RE的效率优势；忽略固定效应会导致偏差。步骤意图：先检验个体内相关性，若存在则用FE；否则可用RE以获得更小方差估计。实际意义：面板模型广泛用于企业面板、宏观区域面板数据分析，正确选择FE/RE直接影响政策建议的可靠性。练习建议：用一个真实面板数据集（如公司财务面板）分别估计FE与RE并做Hausman检验，比较系数差异与解释。篇三：南京财经大学计量经济学练习册答案一、题目概述（涵盖学科与章节）本篇聚焦高级回归技术与模型诊断，包括多重共线性、样本选择偏差（Heckman两步法）、非参数回归与预测评估，题目难度为中高等。题目包括：1）（中等）多重共线性的检测与处理：解释方差膨胀因子（VIF）与岭回归的原理与实现。2）（较难）样本选择偏差与Heckman两步法：构造选择模型并推导两步估计过程。3）（中等）非参数回归与交叉验证：核回归的直观解释与带宽选择方法。二、答案与解析题1（多重共线性、VIF与岭回归）题目：在回归X的多个解释变量高度相关的情形下，说明如何用VIF检测共线性并解释岭回归如何缓解估计不稳定性。答案：VIF定义为VIF_j＝1／（1R_j^2)，其中R_j^2为将第j个解释变量回归于其余解释变量得到的R^2。若VIF超过10（或更严格的5），表明严重共线性。岭回归通过在最小二乘目标函数加入惩罚项λΣβ_j^2，使得估计量β_ridge＝（X'X＋λI)＾｛－1}X'y，从而缓解X'X接近奇异时系数方差膨胀的问题。解析思路：1）VIF反映某个解释变量与其他变量的线性可预测程度。高VIF意味着估计方差放大，不利于单个系数的精确推断。2）岭回归引入偏差以交换较低方差（偏差方差权衡），在多重共线性严重时常常提高预测精度。关键点与陷阱：关键是理解VIF反映的是估计不稳定性而非模型整体的无效性；共线性不会使模型无一致性，但会导致方差过大。常见误判：盲目去掉重要变量以降低VIF，应考虑变量的经济含义与预测目标。步骤意图：先用VIF诊断，再根据目的选择处理方式（去除变量、合并变量、主成分或岭回归）。实际应用：在宏观变量高度相关时（例如货币、利率与通胀），岭回归或主成分回归常用于提高预测稳定性。练习建议：构造高度相关的模拟数据，比较OLS、岭回归与主成分回归在估计与预测上的表现。题2（样本选择偏差与Heckman两步法）题目：若观测到的因变量yi仅在选择方程di=1时可见，且di依赖于潜在的决定因子，说明Heckman两步法并推导选择修正项（InverseMillsRatio）。答案：模型设定：选择方程：di＝z_iγ＋vi，di＝1(di>0)；结果方程：yi＝x_iβ＋ui，仅在di=1时观察。第一阶段：对di用Probit回归估计γ_hat，计算每个被选中样本的InverseMillsRatio（IMR)λ_i＝φ(z_iγ_hat)／Φ(z_iγ_hat)（φ为标准正态密度，Φ为分布函数）。第二阶段：在观测样本中回归yi于x_i与λ_i，β_hat为选择修正后的估计，λ项系数捕获选择偏差（若显著表明存在选择问题）。解析思路：1）若Eui|di=1≠0会导致样本选择偏差。Heckman方法假定(vi,ui)共同正态，通过显式建模选择机制来估计选择项的期望并校正结果方程。2）IMR是条件期望Eui|di=1的函数，将其加到回归中以消除偏差。关键点与陷阱：模型识别最好有外生工具z中有至少一个不出现在x中（排除限制），以便稳定估计γ。没有排除限制仍可估计但识别弱。常见错误：把Probit估计器的系数直接解释为选择影响的边际效应而忽视其在生成IMR时的作用。步骤意图：第一阶段估计选择过程，第二阶段用IMR校正结果方程，使得β的一致估计成为可能。实际意义：常用于劳动经济学（例如工资样本仅对就业者可观察）与医疗数据（治疗结果仅对接受者可得）。练习建议：用模拟数据构造选择偏差情形，比较OLS与Heckman两步估计的差别并检验IMR显著性。题3（非参数回归与带宽选择）题目：说明核回归的基本思想、带宽选择的重要性以及如何用交叉验证选择带宽。答案：核回归基本思想：估计条件期望Ey|x通过局部加权平均，常用NadarayaWatson估计：m_hat(x)＝ΣK(（xxi)／h)yi／ΣK(（xxi)／h)，K为核函数，h为带宽。带宽h控制平