计量经济学判断题.docxVIP

计量经济学判断题

一、模型设定与基本假定的辨析

计量经济模型的灵魂在于其设定的合理性与对基本假定的满足程度。判断题在此处的考查尤为频繁，旨在检验学习者是否真正理解模型构建的逻辑起点。

1.关于经典线性回归模型（CLRM）假定的理解

经典线性回归模型的若干基本假定是后续参数估计、假设检验的基石。对这些假定的准确把握至关重要。例如，“扰动项（误差项）的均值为零”是一个核心假定。判断题可能会问：“只要扰动项的均值为零，那么模型参数的OLS估计就是无偏的。”这个说法是否正确？答案是否定的。因为无偏性的成立还依赖于其他假定，如扰动项与解释变量不相关、解释变量非随机或虽随机但与扰动项独立等。仅仅均值为零这一个条件是不充分的。

再如，“经典线性回归模型要求解释变量之间不存在任何相关性。”这也是一个常见的错误表述。准确的说法是“不存在完全多重共线性”，即解释变量之间不能存在严格的线性关系。适度的相关性在多元回归中是普遍存在的，并非CLRM所禁止。

2.对“线性”的理解

“线性回归”中的“线性”究竟指什么？是对变量线性，还是对参数线性？判断题常在此处设置迷惑。正确的理解是，CLRM要求模型对参数具有线性性，而对解释变量则无此要求。例如，模型Y=β?+β?X+β?X2+u，尽管包含了解释变量的平方项，对变量而言是非线性的，但对参数β?,β?,β?而言却是线性的，因此它仍属于线性回归模型的范畴。若题目表述为“线性回归模型中，解释变量必须是线性的”，则该判断为错误。

二、参数估计与统计性质的把握

参数估计是计量经济学的核心内容之一，对估计方法及其性质的理解是判断题的另一大热点。

1.OLS估计量的性质

普通最小二乘法（OLS）因其良好的性质而被广泛应用。判断题可能会考查：“OLS估计量总是最优线性无偏估计量（BLUE）。”这一说法并不完全正确。OLS估计量具有BLUE性质，是有前提条件的——即满足CLRM的全部基本假定。一旦某些假定被违背（如存在异方差或自相关），OLS估计量可能不再是有效的，尽管在一定条件下仍可能是无偏的。

另一个常见考点是“无偏性”与“一致性”的区别。例如，“如果一个估计量是无偏的，那么它一定是一致的。”这种说法混淆了两者的概念。无偏性考察的是估计量的期望是否等于真实参数；而一致性考察的是随着样本容量增大，估计量是否依概率收敛于真实参数。无偏估计量不一定具有一致性，反之亦然，尽管在许多经典情形下两者可能同时成立，但逻辑上并无必然推导关系。

2.R2与调整后R2

判定系数R2衡量了模型对被解释变量变异的解释程度。但需注意其局限性。“R2值越高，模型的解释能力越强，因此模型越优秀。”这种说法在判断题中屡见不鲜，但过于绝对。高R2可能源于引入了过多的解释变量（即便它们在统计上不显著），或者模型设定本身存在问题（如遗漏了关键变量却包含了不相关变量）。调整后R2（AdjustedR2）试图对包含过多解释变量的情况进行惩罚，但它也并非评判模型优劣的唯一标准，模型的经济意义、理论基础以及预测能力同样重要。

三、假设检验的逻辑与应用

假设检验是进行统计推断的重要工具，其逻辑严密性决定了结论的可靠性。

1.原假设与备择假设的设定

判断题可能会涉及假设检验中两类错误的问题。“在假设检验中，当我们拒绝原假设时，我们可以肯定原假设一定是错误的。”这种表述忽略了假设检验的概率本质。拒绝原假设，只是表明在给定的显著性水平下，观察到的样本数据与原假设之间存在显著差异，我们有理由怀疑原假设的真实性，但这并不等同于“肯定原假设错误”，因为存在犯第一类错误（弃真错误）的可能性。

2.t检验与F检验的适用场景

“对单个回归系数的显著性检验应该使用F检验，而对多个回归系数的联合显著性检验应该使用t检验。”这显然颠倒了两者的适用范围。t检验适用于检验单个系数的显著性（H?:β?=0），而F检验则适用于检验一组系数的联合显著性（如H?:β?=β?=0）。

四、模型拓展与问题处理的认知

当基本假定不满足时，模型需要进行拓展或修正。对这些拓展模型的理解也是判断题的考查范围。

1.异方差性的影响

“存在异方差时，OLS估计量是有偏的。”这是一个常见的误解。实际上，在存在异方差的情况下，OLS估计量仍然是无偏的和一致的，但其不再具有最小方差性，即不再是有效的。此时，常用的t检验和F检验也可能失效。

2.多重共线性的后果

多重共线性（严格来说是高度多重共线性）的主要后果是使得参数估计量的方差增大，从而导致t统计量变小，难以拒绝原假设（即可能将重要的解释变量错误地判断为不显著）。但判断题可能会说：“多重共线性会导致参数估计量产生偏误。”这是不正确的。只要不存在完全多重共线性，OLS估计量依然是无偏的，只是