计量经济学笔记.docVIP

1．创始人：费瑞希（R.Frisch）和丁伯根（J.Tinbergen） 2. 计量经济学定义：以经济理论和经济数据的事实为依据，运用数学、统计学的方法，通过建立数学模型来研究经济数量关系和规律的一门经济学科 3.步骤 模型设定——确定变量和数学关系式 估计参数——分析变量间具体的数量关系 模型检验——检验所得结论的可靠性 模型应用——做经济分析和经济预测 4.相关关系 当一个或若干个变量X取一定数值时，与之相对应的另一个变量Y的值不确定，但却按某种规律在一定范围内变化 5.回归分析 回归研究一个变量对另一个或多个变量的依存关系，用适当的数学模型去近似地表达或估计变量间的平均变化关系，目的在于根据已知的或固定的解释变量的数值，去估计所研究的被解释变量的总体平均值 6. 总体回归函数和样本回归函数 总体回归函数（population regression function，简称PRF）： 将总体被解释变量Y的条件均值表现为解释变量X的函数。 样本回归函数（sample regression function，简称SRF）： 将被解释变量Y的样本条件均值表现为解释变量X的函数。 总体回归函数 总体回归函数(PRF) 样本回归函数(SRF) 条件期望形式 个别值形式 7.“线性”的含义 8.随机扰动项 各个被解释变量的个别值与相应的条件均值的偏差，被称为随机扰动项 9.总体回归函数与样本回归函数的区别 = 1 \* GB3 ①总体回归函数未知，但唯一存在；样本回归函数可求，但有很多个，随抽样的变化而变化。 = 2 \* GB3 ②和是确定的常数，未知；和是随机变量。 = 3 \* GB3 ③随机扰动项 不能直接观测到；残差 可以求出。 10.残差项和随机扰动项区别 = 1 \* GB3 ①随机扰动项代表总体的误差，反应了未知因素、模型设定误差、变量观测误差；残差代表样本的误差 = 2 \* GB3 ②随机扰动项无法直接观测；残差的数值可以求出 11.随机扰动项的古典（高斯）假定 = 1 \* GB3 ①零均值假定 在给定解释变量的条件下，随机扰动项的条件均值为零， = 2 \* GB3 ②同方差假定 对于给定的每一个，随机扰动项 的条件方差都等于某一个常数， = 3 \* GB3 ③无自相关假定 给定任意两个X值： 和 （ ）， 和 之间的相关性为零， = 4 \* GB3 ④随机扰动项与解释变量不相关， = 5 \* GB3 ⑤对随机扰动项分布的正态性假定， 12.OLS估计相关表达式 总体随机扰动项的方差估计值 13.高斯—马尔科夫定理 在古典假定下,OLS估计式是最佳线性无偏估计式（BLUE）。 这一结论称为高斯—马尔可夫定理。 14.可决系数 可决系数可以衡量所估计的样本回归现对样本观测数据拟合的优劣程度，反映由样本回归做出解释的离差平方和在总离差平方和中的比重。其数值越大，说明样本回归线对样本值的拟合越好。可决系数随抽样而变化的随机变量 = 15.可决系数与简单线性相关系数的关系 可决系数在数值上等于简单线性相关系数的平方，但两者有着显著区别： 可决系数建立在回归分析的理论基础上，X是解释变量，Y是被解释变量，研究随机变量Y的变动中，由非随机变量X所解释的部分所占的比例；简单相关系数建立在相关分析的理论基础上，变量X和Y的地位平等，研究两变量间的线性相关关系。可决系数具有非负性，，简单线性相关系数， 16. 统计量 ，接受原假设，解释变量X对被解释变量Y无显著影响。 ，拒绝原假设，解释变量X对被解释变量Y有显著影响。 17.多元线性回归模型，偏回归系数 ，其中： 在多元线性回归模型中，回归系数 表示的是当控制其他解释变量不变的条件下，第j个解释变量的单位变动对被解释变量平均值的影响，这样的回归系数称为偏回归系数 18. 多元线性回归模型的古典假定 = 1 \* GB3 ①.零均值假定 = 2 \* GB3 ②.同方差和无自相关假定 ， = 3 \* GB3 ③.随机扰动项与解释变量不相关假定 = 4 \* GB3 ④无多重共线性假定 假定各解释变量之间不存在线性关系，即假定解释变量观测值矩阵X列满秩， = 5 \* GB3 ⑤.正态性假定 19.模型参数的OLS估计 20. 多元线性回归模型性质 古典假定下，多元线性回归模型的最小二乘估计式是最佳线性无偏估计（BLUE） ， 总体随机扰动项的方差估计值 21.多重可决系数，修正的可决系数 ， 22．F检验 检验总体上对模型中被解释变量与解释变量之间的线性关系是否显著成立 在成立的条件下， 接受原假设，被解释变量与所有的解释变量之间无显著的线性关系 拒绝原假设，被解释变量与所有的