[作业重点.docVIP

1. 估计凯恩斯宏观消费方程时，无论是利用名义GDP和名义总消费支出做回归还是用实际GDP和实际总消费支出做回归，得到的边际消费倾向非常相近。讨论是否这种情况下不存在虚假回归问题？ 答：可能存在虚假回归问题。虚假回归是指自变量和因变量在经济意义上因果关系建立的回归 2. 使用名义变量做回归与使用实际变量做回归得到的常数项在经济含义上是否有差别？ 答：实际变量把名义变量剔除价格变动因素就是实际变量 3. 估计线性方程与估计对数线性方程得到的参数在经济意义上有何差别？如何判断两者的优劣？ 答：估计线性模型表示一个变量的增减跟另一个变量的关系对数模型表示的是百分比变动的关系 4. 改变因变量或自变量的量纲对模型估计结果有何影响？ 答：改变因变量或自变量的量纲会改变模型解释变量的估计系数，但是t检验、F检验以及的拟合优度并不会变化。 讨论题： 1. 是否R2高但部分回归系数统计上不显著一定意味着存在严重的多重共线？ 答：不一定，假如模型中包含无关的解释变量也会提高模型的，无关的变量统计系数不显著但是没有和解释变量相关。 2. 是否存在多重共线性就无法得到可信的估计结果？ 答：不一定。多重共线性是指线性回归模型中的解释变量之间由于存在精确相关关系或高度相关关系参数估计量经济含义不合理变量的显著性检验失去意义而模型估计失真或难以估计准确 此外，如果存在多重共线性，但随机干扰项的方差很小，或变量变异程度很大等情况都可能得到较小的参数估计量的方差。此时即使有较严重的多重共线性也不会带来不良后果。因此只要回归方差估计的参数标准差较小，T统计值较大就没必要过于关心是否存在多重共线性的问题。 3. 在判断模型优劣时，R2和估计系数的符号正确性哪个更重要？ 答：应该是估计系数的符号正确性更为重要，因为拟合优度可以通过增加解释变量来提高，但是即使高，若估计系数不显著或者不符合经济含义、常识推断等时，这个模型也是不好的，没有意义的。 Describe how to obtain nonlinear least squares estimates of the parameters of the model y = αxβ +e. （描述如何获得非线性最小二乘估计模型的参数 答：由于α的非线性，常用的算法有两类，一类是法，另一类是法。法的思路是： 当β =1时，模型是线性。所以我们给β赋值为1，并对得到的线性模型进行OLS回归，得到参数的初始值，记为w0=（α0，β0 ）； 将非线性模型 y = αxβ +e.在给定初始值W0={ α0 ，β0}处应用泰勒一阶展开式展开，去掉高阶数用线性模型近似的表示，然后用OLS估计参数。 公式： The linearized model is Reduce to iterated regression of on 然后得出一组估计参数值W1={α1，β1}作为下次迭代的初始值，重复以上过程，直至收敛。 一个由两个方程组成的联立模型的结构形式如下（省略t-下标） （1）指出该联立模型中的内生变量与外生变量。 该联立模型中的内生变量是Pt,Nt，外生变量是St、At、Mt、X0（常数项） （2）分析每一个方程是否为不可识别的，过度识别的或恰好识别的？ 该模型包含g=2个内生变量：Pt、Nt；k=4个先决变量：X0（常数项）、St、At、Mt 该模型的结构参数矩阵为： （内生）Pt Nt X0 St At Mt （先决） 1.对于第一个结构方程来说，，所以=g-1；所以第一个结构方程可以识别，同时因为k=4，k1=3，g1=2；所以k-k1=1=g1-1，因此第一个结构方程恰好识别。 2.对于第二个结构方程来说，，所以=g-1；所以第一个结构方程可以识别，同时因为k=4，k2=2，g2=2；所以k-k2=2g2-1，因此第一个结构方程过度识别。 （3） 有与μ相关的解释变量吗？有与υ相关的解释变量吗？ 有。由于本联立方程中解释变量成为方程的内生变量，造成这些是内生变量的解释变量（Pt,Nt）与误差项μ、υ相关，也有可能造成μ和υ彼此相关。 （4）如果使用OLS方法估计α，β会发生什么情况？ 在这个联立方程的结构式中，由于解释变量（等号后边）包含内生变量（Pt,Nt），用OLS得到的结构参数估计量α和β是有偏的，并且是不一致的。 （5）可以使用间接最小二乘法（ILS）方法估计α吗？如果可以，推导出估计值。对β回答同样的问题。 间接最小二乘法适用于模型为恰好识别的情况。第一个方程属于恰好识别结构方程，可以采用此方法估计α，但是该方法不适用于过度识别结构方程，所以不能估计出β。 估计α步骤： 该方程简化模型为： 因为第一个