[高计二思考题.docVIP

第二部分 1、阐述双残差回归的步骤和其中体现的统计思想。 其中：，， 假设现在要求的是系数 （1）对进行回归，得到回归的残差记为。 （2）对进行回归，得到回归的残差记为 （3）对回归，得到的参数估计就是的估计值。 残差中扣除了中包含的的信息；残差扣除了中包含的的信息。因此双残差（、）回归仅反应了，在扣除了的影响，对的作用情况，同样说明了系数表示的是变量与的偏相关。 2、证明在线性回归中增加新的解释变量会使得可决系数增大即上述定理 构造R2统计量为 方差分解定理的扩展，得到如下的表达式： 两边取期望，由迭代期望定理得到： 由于回归方程的总离差平方和TSS是不变的，因此，上式说明，在回归式中增加新的变量会使得可决系数增大。 3、定义，，是中的部分解释变量。证明： ，它是一个对称等幂矩阵，的性质 第三部分 1、关于参数有两个相互独立的估计量,，它们的方差分别为，。问：当，为何值时，线性组合是关于参数的最小方差无偏估计？，，， 是无偏的，则有： 所以： 因为、相互独立，所以 代入，可得： 具有最小方差性，得到：，。 2、证明在古典假定下，利用OLS对线性回归方程估计得到的结果，是回归参数的最小方差无偏估计。 以下讨论都基于回归式 （1）无偏性 Ⅰ、若X为非随机，则直接取无条件期望，有： Ⅱ、若X为随机，则取条件期望得到： （2）有效性 Ⅰ、若X为非随机，则直接取方差得到： Ⅱ、若X为随机，则取条件方差得到： 此时根据方差分解定理 得到无条件方差为： 假设有另一个关于y的无偏估计，C是一个的矩阵，对应于，也是一个的矩阵。 是的无偏估计，因此有： 必有成立，且 令，。于是 （展开运算） 需要说明的一点是，在计量经济学中，估计量的性质，关注的最多的就是无偏性和一致性，而有效性的地位要略。因为计量经济学总是在寻求无偏估计的基础上不断的放宽假设条件，然后在新的条件下，在保证无偏性或是一致性的前途下改进估计量的有效性。 （3）最小均方误差预测 这是在不知道估计量是否无偏的情况下，根据均方误差最小原则进行的求解，得到一个最优估计的过程。其本质上就是最小二乘的估计原理。可以证明在该原则下求出的参数估计量表达式就是OLS表达式。需要注意的是，有效性的证明是在无偏性的前提下进行的。也就是说，有效性比较的是两个无偏估计量的方差大小，如果是有偏的估计量，那么就需要在偏离程度和方差大小两者之间做出权衡。，这最就是小均方误差原则体现的思想。 （4）方差的无偏估计 是对随机扰动项的方差进行的估计。要求估计量必须是无偏的。实际上就是对自由度进行了调整。在证明中需要用到有关矩阵的迹（trace）的性质，列举如下： 迹就是矩阵主对角线的元素之和，矩阵A的迹用符号来表示。一个标量（数）的迹就是它本身。 证明： 上式两边同取X的条件期望，得到： 由于是一个标量，因此它的迹等于它本身，方程两边同取迹，并交换和期望算子的位置，得到： M是关于X的矩阵，因此由条件期望的性质可以提出，进一步得到： 因此，有： 所以的无偏估计是3、对于自变量X是随机或非随机的争论，你有什么看法，在X随机和非随机这两个不同的假设条件下，参数的估计和估计的方差有什么不同？阐述其中体现的思想。 一个一般性的回归式为： 其中 是一个维的向量，的函数形式可以是线性的，也可以是非线性的。在初等计量的课程中，我们通常把X看作是非随机的变量，也就是说，向量X在回归中是被作为常数处理的，不具备随机变量的性质。扰动项是唯一的随机变量，由于的存在，使得Y成为一个随机数。所有的分析都是在以上的假定下展开的，初看来，这样的假定使得对问题的分析变得相对简单化；但是，仔细推敲，就可以发现这样的设定是不科学的，无论是解释变量X还是被解释变量Y都没有可能是一个非随机的常量，这样的假定与随机抽样的假定是相违背的。 一个简单的例子是，在截面数据中，在随机抽样的前提下，每个样本是按照一定的随机原则被抽中的，当这个样本被抽中时，用来描述样本特质（或者说是样本的某个属性）的X和Y也就被选定了。也就是说，属性X和Y也是从其自身的分布总体中抽出的样本，其本身也是一个随机变量。在时间序列数据中，由于时间序列只是样本的一次实现，没有实施随机抽样的可能，因此很容易被认为是非随机的。但是，由于隐藏在时间序列数据背后的数据生成过程（DGP）是未知的，所有的时间序列数据都是这个未知总体的一个样本实现，因此，时间序列数据也必定是一个随机序列，而不是一个确定的常量对于X是否随机问题争论不影响OLS估计的性质，其原因在于我们总是在条件期望的背景下讨论问题，而在X给定的情况下，X就可以被认为是非随机的。1、说明依概率收敛和依分布收敛的区