计量经济学第2、3章.docxVIP

2.2对于总体回归函数和样本回归函数的差别：样本回归函数是对总体回归函数的估计，我们通常得到的不可能是全部的总体，只能通过对样本的回归来估计总体，只能做到样本回归曲线无限逼近总体。这不是人为的区别，因为我们无法取到全部的总体，因而做不出总体回归曲线。2.3随机误差项ui是表示实际值Yi与期望值的离差，因为方程不能完全的解释总体，源于不确定性，所以就需要ui来表示。属于总体回归曲线，β1和β2是唯一的，ui只有一个。残差是表示实际值Yi与样本回归曲线对总体的估计值的偏差，估计与理论有偏差。是属于样本回归曲线，可以有很多个残差。2.4 虽然在回归分析中，我们可以用期望和方差等等来描述回归子的行为，但是我们还要考虑是否有其他的因素存在来影响回归子，需要综合考虑其他的因素，这样我们就可以进行更好的预测了。2.6模型a、 b、c 、e都线性于参数，并且模型c既线性于参数又线性于变量，所以模型a、b、c、e都是线性回归模型。对于模型d, 参数lnβ变化不是线性的，所以模型d 不是线性回归模型。2.7模型a.两边同时取对数，我们可以得到lnYi=β1+β2Xi+ui模型a是线性于参数，是线性回归模型模型b两边取倒数、移项。我们得到1/Yi -1=eβ1+β2Xi+ui），然后两边分别取对数，则可以得到Ln((Yi-1)/ Yi)= β1+β2Xi+ui线性与参数，所以模型b是线性回归模型。模型c无需变形，直接线性于参数，所以是线性回归模型模型d由于存在β1与指数e中β2的乘积项，所以不属于线性变化，该模型不是线性于参数，所以不是线性回归模型。模型e在模型中存在的β的三次项，所以不线性于参数，不是线性回归模型。2.8内在线性回归是指该线性回归模型是线性于参数。如果习题2.7d中的β2为0.8，那么该模型中只存在一个参数β1，所以该模型成为一个线性回归模型。2.13引言中图I-3所示的回归线是SPF，因为它是基于1960---2005年的观测数据，而不是全部总体。而回归线周围的散点 是实际数据，而散点与回归先之间的距离就是残差。除了GDP之外，还会影响个人消费支出的因素有：个人财富、市场利率、消费观以及政府政策等等。3.1（1）解：由于Yi=β1+β2Xi+ui, 所以E（Yi|Xi）=E(β1+β2Xi+ui|Xi)，因为β1和β2为真值、XI是非随机的，所以E（Yi|Xi）=β1+β2Xi+E(ui|Xi)，并且E(ui|Xi)=0，所以E（Yi|Xi）=β1+β2Xi（2）解：因为 cov(Yi,Yj)=E{[Yi-E(Yi)][ Yj- E(Yj)]} =E(ui,uj) = E(ui)E(uj)因为cov(ui,uj)=0 i?j，所以可以得到原式= E(ui)E(uj) =0（3）由于Yi=β1+β2Xi+ui, var(ui|Xi)= δ2所以var(Yi|Xi)=E(Yi-E(Yi))2=E(ui2)=δ23.3对于Yi=β1+β2Xi+ui情形1：β1=0，β2=1及E（ui）=0我们可以得到 E（Yi|Xi）=E(β1+β2Xi+ui|Xi)=E(Xi+ ui| Xi)由于E（ui）=0，所以可以得到E（Yi|Xi）=Xi情形2：β1=1，β2=0及E（ui）=（Xi-1）E（Yi|Xi）=E(β1+β2Xi+ui|Xi)= E(1+ ui| Xi)由于E（ui）=（Xi-1） E（Yi|Xi）= E(Xi| Xi)=Xi所以，如果没有假设E（ui）=0,就无法得到参数的估计值。因为在上面的两种情形下，虽然赋予参数不同的值，但得到的E（Yi|Xi）都是相等的。所以，同意马林伍得的观点，即E（ui|Xi）=0 非常重要。3.8由于X和Y的均值为（n+1）/2.所以X和Y之间的样本相关系数为所以同样N表示参与等级编排的单元或现象个数d表示编排给同一单元或现象的等级差)=所以并且所以带入 我们可以得到 =1- =1-3.9模型I：Yi=β1+β2Xi+ui模型ii：Yi=α1 +α2（Xi-）+ui的估计量== 因为 所以=Var(的估计量)= Var()= =所以，我们得到的估计量和不相同，并且它们的方差也不一样。（b） 同样=并且var（ 以及var（）=所以和的估计量相同，方差也相同。（C）如果模型I比模型ii好，则可能是当数据比较大时，易于计算。3.14解：两种情况均不会改变Y的残差值和拟合值。因为Yi=β1+β2Xi+ui，若每个X值都乘以2，则我们可以得到Yi=α1+α2Zi+ui 令Zi=2 Xi 因为所以= =所以这不会改变样本回归曲线，所以Y的残差和拟合值不会受影响。对于给每个X值都加上一个常数2，我们依据同样的方法也可以得到，样本回归曲线不会受到影响，Y的残差和拟合值不会受影响。3.21解：修正后