2022年中南财经政法大学《计量经济学》复习总结.docx

《2022年中南财经政法大学《计量经济学》复习总结.docx》由会员分享，可在线阅读，更多相关《2022年中南财经政法大学《计量经济学》复习总结.docx（14页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第一章 导论1. 经济计量学的概念及其熟悉概念： 计量经济学是以经济理论为前提,以经济数据为基础,运用数学和统计学的方法,通过建立经济计量模型来讨论带有随机影响的社会经济现象的数量关系和规律的一门经济学科；讨论对象经济现象讨论目的揭示经济关系与经济活动数量规律核心内容建立和应用经济计量模型计量经济学是经济理论、统计学、数学三者的结合2. 明白计量经济学的内容体系理论计量经济学：主要是查找适当的方法,来测度由经济计量模型设定的经济关系式；应用计量经济学：以经济理论和事实为动身点,应用计量方法,解决经济系统运行过程中的理论问题或实践问题；3. 把握经济计量分析工作的四个步骤a. 建立模型模型方程的

2、种类随机方程,是依据经济行为构造的函数关系式,也常称它们为“行为方程”；非随机方程,是依据经济学理论或政策、法规而构造的经济变量恒等式,也常称它们“定义方程”、“制度方程”或“政策方程” ；变量的种类：从变量的性质区分：内生变量其数值由模型所打算的变量,是模型求解的结果外生变量其数值由模型以外打算的变量（相关概念：滞后内生变量、前定变量） 经济变量：内生变量前定变量：滞后变量外生变量外生经济变量政策变量 虚拟变量从变量的因果关系区分：被说明变量（因变量）要分析讨论的变量说明变量（自变量） 说明因变量变动主要缘由的变量（非主要缘由归入随机误差项）b. 估量参数参数估量的过程：收集模型所含经济变量

3、的数据；方程识别条件的讨论；说明变量间的相关程度,即多重共性的讨论；挑选适当的经济计量方法估量模型参数模型中数据的类型：时间序列数据,是指某一经济变量在各个时期的数值按时间先后次序排列所形成的数列；例如1980 2022 年间每年国民收入的数据构成这个变量的时间序列；截面数据, 是指在同一时点或时期上,不同统计单位的相同统计指标组成的数据；如 2022 年我国各省市人口数、企业数等；混合数据,是指兼有时间序列和截面数据两种成份的数据；虚拟变量数据,是经济计量学家为不能量化的定性变量而设定的；例如职业、性别、宗教信仰都是影响面包、猪肉、化妆品等特定商品消费量的因素；这类具有质量属性的因素,可在方

4、程中引进虚拟变量来近似反映其影响；虚拟变量的取值可为 1 或 0；c. 验证模型验证模型的三种准就：经济理论准就所估量的模型与经济理论是否相符统计准就检验参数估量值是否是抽样的偶然结果经济计量准就是否符合计量经济方法的基本假定d. 使用模型经济计量模型的主要用途：结构分析分析变量之间的数量比例关系（如：边际分析、弹性分析、乘数分析、比较静力分析） ,例：分析消费增加对GDP 的拉动作用经济猜测由预先测定的说明变量去猜测应变量在样本以外的数据,例：猜测股票市场价格的走势规划政策用模型对各种可供挑选的政策方案的实施后果进行模拟测算,从而对各种政策方案作出评判,例：分析道路收费政策对汽车市场的影响第

5、二 章一元线性回来模型1. 回来分析 的概念讨论被说明变量对说明变量的依靠关系,其目的是由给定的说明变量去估量被说明变量的总体均值几个概念：Y 的条件分布当说明变量Y 取某固定值时（条件） , Y 的值不确定, Y 的不同取值形成肯定的分布,即Y的条件分布；Y 的条件期望对于Y 的每一个取值, 对 Y 所形成的分布确定其期望或均值,称为 Y 的条件期望或条件均值回来线对于每个X 的取值,都有 Y 的条件期望与值对应,代表这些Y 的条件期望的点的轨迹所形成的的直线或曲线,成为回来线；回来函数：应变量Y的条件期望随说明变量X的变化而有规律的变化,假如把Y的条件期望表示为 X 的某种函数这个函数称为

6、回来函数；2. 一元线性回来模型回来函数分为：总体回来函数（PRF）和样本回来函数（ SRF） a.总体回来函数的表现形式均值形式： 假如 Y 的条件均值是说明变量 X 的线性函数, 可表示为（式 2.2）随机形式（个别值形式） ：对于肯定的, Y 的个别值分布在的四周,如令各个与条件均值差为,明显是随机变量,就有或（式 2.4）随机误差项：为随机或非系统性成分,代表全部可能影响Y ,但又未能包括到回来模型中来的被忽视变量的代理变量；有效估量量 ：在全部线性无偏估量量中具有最小方差的无偏估量量；b.样本回来函数的表现形式均 值 形 式 ： 样 本 回 归 函 数 如 果 是 线 性 函 数 ,

7、 可 表 示 为（ 式2.5 ）,随机形式：3. 最小二乘估量一般最小二乘法（ OLS ）基本思想：不同的估量方法可得到不同的样本回来系数和,所估量的也不同；抱负的估量方法应使与的差即剩余项越小越好因可正可负,所以可以取最小总体线性回来的经典假定（ 1）对随机扰动项 u 的假定假定 1：零均值假定在给定的条件下,的条件期望为零假定 2：同方差假定在给定的条件下,的条件方差为某个常数假定 3：无自相关假定随机扰动项的各次观测值互不相关假定 4：随机扰动与说明变量不相关假定 5：对随机扰动项分布的正态性假定即假定听从均值为零、方差为的正态分布（ 2）对模型和变量的假定假定 6： 正确地设定了回来模

8、型,即模型没有设定偏误假定 7：说明变量 X 是非随机的假定 8：对于多元回来模型,说明变量之间无完全的多重共线性；高斯 -马儿可夫定理（ G-M 定理）：在给定经典线性回来模型的假定下,最小二乘估量量是正确线性无偏估量量；判定系数（）：定义：说明平方和（ ESS）在总平方和（ TSS）中所占的比重称为判定系数（或可决系数）总变差（ TSS）：应变量 Y 的观测值与其平均值的离差平方和（总平方和）说明了的变差（ ESS）：应变量 Y 的估量值与其平均值的离差平方和（说明平方和）剩余平方和（RSS）：应变量观测值与估量值之差的平方和（残差平方和）含义：对回来线拟合优度的度量4. 把握回来系数显著

9、性检验t 检验方法假设：一般地,可假设为原假设 H0 ：备择假设 H1：例：在回来分析中,假如事先我们已有一些讨论成果认定边际消费倾向为 0.9,那么=0.9 这一声称的假设为虚拟假设,用 H0 表示,与之相对应的0.9 称为备择假设,用H1 表示T 检验：已知,即 t 听从自由度为n-2 的 t 分布；如原假设 Ho 成立,即,就如 X 对 Y 的影响不显著,就有=0 ,因此,通常设定的假设（时,）例： 讨论住房租金水平是否受到一个高校城里同学人数的影响；令rent 为一个高校城里住房的单位面积的平均月租金 ,pop 表示城市总人口 , avginc 表示城市人均收入,pctstu 表示同学

10、人数占总人口数的百分比；使用的模型为要求：1. 表述虚拟假设：在其它条件不变的情形下,相对于总人口,同学人数的多少对月租金没有显著影响；表述有显著影响的对立假设；原假设 Ho： =0备择假设 H1： 02. 你预期和具有什么样的符号？3. 利用 64 个高校城 1990 年的数据得到估量方程为“总人口增加 10将导致月租金提高约6.6%”,这个说法有什么不妥？不妥,总人口增加10将导致月租金提高约0.66%（ 0.066*0.1*100%=0.66% ）4. 在 5的显著性水平下检验各偏回来系数的显著性；T 检验且当样本容量较大（ n30）, t 大于 2.0,回来系数即判定为显著城市总人口：

11、 t=0.066/0.033=2显著城市人均收入： t=0.507/0.081=6.259显著同学人数： t=0.005/0.0017=2.941显著5. 把握回来分析结果的报告与评判报告：回来分析的结果,应当以清楚的格式予以表达,通常采纳如下格式Se = 52.91840.0149t = 3.021251.1354P = 0.01650.0000R2 = 0.9970评判：= 67.6376（ 1）经济理论评判；依据经济理论,边际消费倾向应为小于1 大于 0 的正数；在收入消费模型中,我们得到的边际消费倾向为 0.7616,与经济理论的描述是一样的；（ 2）统计上的显著性；必需对回来系数进行

12、显著性检验,判定回来系数的显著性；（ 3）回来分析模型的拟合优度,即说明变量X 在多大程度上说明了被说明变量Y 的变异（ 4）检验回来分析模型是否满意经典假定；6. 明白回来分析的应用猜测：对事物将来状态的估量第三章多元线性回来模型1. 多元总体回来模型的经典假定假定 1： 零均值假定,即E（ ） =0假定 2： 同方差假定假定 3：无序列相关假定假定 4：与每一个说明变量无关假定 5：无设定偏误假定 6：说明变量 X 之间无完全共线性2. 最小二乘估量调整的判定系数：为了排除说明变量个数对判定系数的影响,需使用调整后的判定系数式中, k 为包括截距项在内的模型中的参数个数；在二元回来模型中k

13、 3,在一元回来模型中k 2；所谓调整,就是指的运算式中的和都用它们的自由度（ n k）和 n 1去除；OLS 估量量的期望：偏回来系数的期望值在多元回来模型满意经典假定的条件下,一般最小二乘估量量是总体参数的无偏估量；即：j 1, 2, , k在多元回来分析中,假如回来模型的函数形式设定有误或遗漏了与包含在模型中的变量相关的重要说明变量,都会导致经典假定 Eui 0 不成立,即 Eui 0；如此,就使得最小二乘估量量不是总体参数的无偏估量,即；回来标准误的估量：由于干扰项不行观测,因此必需据样本结果估量；的无偏估量量为且其中正的平方根被称为回来标准误；G-M定理及意义 ：定义：在多元线性回来

14、模型的经典假定下,一般最小二乘估量量分别是的正确线性无偏估量量；即一般最小而成估量量,是全部线性无偏估量量中方差最小的；意义：当经典假定成立时, 我们不需要再去查找其它无偏估量量,没有一个会优于一般最小二乘估量量；也就是说, 假如存在一个好的线性无偏估量量,这个估量量的方差最多与一般最小二乘估量量的方差一样小,不会小于一般最小二乘估量量的方差；3. 多元回来模型的检验回来系数的显著性检验t 检验（多元回来中的t 检验决策规章与一元回来相同） 总体回来模型：在 听从正态分布及经典假定条件下,（决策规章：假设；运算原假设下t 的统计量；给定显著水平下,查 t 分布表临界值；判定拒绝或接受原假设）回

15、来模型的整体性检验F 检验多元回来模型的总体显著性就是对原假设进行检验；检验的目的就是判定被说明变量Y 是否与 X2, X3, , Xk在整体上有线性关系；即F 统计量与判定系数R2 的关系如下：（决策规章：设定假设；运算F 统计量；在给定显著水平下,查找分布表得临界值；判定接受或拒绝原假设）4. 回来模型的函数形式对数系数的经济含义,对线性模型的优点在进行某商品的市场需求分析时,我们知道价格是影响需求量的重要因素,我们设定如下模型,（Yi需求量, Xi价格）取对数可得： 令,就令就优点：（ 1）斜率系数度量了 Y 对 X 的弹性,也就是当说明变量X 变化 1% 时, Y 的变化百分比；（ 2

16、）斜率系数与变量X , Y 的测量单位无关；（ 3）当 Y 0 时,使用对数形式LnY 比使用水平值 Y 作为被说明变量的模型更接近经典线性模型；（ 4）取对数后会缩小变量的取值范畴,使得估量值对被说明变量或说明变量的反常值不会很敏锐；半对数线性模型系数的经济含义,对线性模型的优点（一）对数到线性模型在经济系统中,人们用 GDP、失业、进出口、投资、人口等指标的增长率来描述经济系统的进展状态；对数线性模型为我们供应了便利,该类对数线性模型为, Yt要讨论的经济现象,t时间变量；式中,被说明变量为对数形式,说明变量为线性形式,称为对数到线性的半对数模型；斜率系数的含义为：说明变量X 肯定量转变一

17、个单位时,被说明变量Y 的相对转变量；即（二）线性到对数模型类似于对数到线性的半对数模型,假如我们想测度说明变量的相对转变量对被说明变量的肯定转变量的影响,我们就需要使用说明变量是对数形式,被说明变量是线性形式的回来模型；倒数模型（双曲线模型）的三种形式（ 1）图可用来描述平均总成本曲线,单位固定成本随着产量X 的增加而下降；（ 2）图可用来描述宏观经济学中闻名的菲利普斯曲线（Phillips curve ）；在工资变化率Y随失业率 X 的变化中,存在两个明显不同的阶段；（ 3）可用来描述恩格尔支出曲线；如令Y 为对某一商品的支出, X为收入,就某些商品具有如下特性： （ 1）收入上存在一个临

18、界水平； （2）消费上有一饱和水平；第四章 违反经典假定的回来模型1. 异方差的概念、缘由、后果、检验及修正方法（WLS ）（一）概念在线性模型的基本假定中,关于方差不变的假定不成立,其他假定不变的情形称为异方差性；（二）缘由引起异方差的缘由仍有许多,如模型中省略了重要的说明变量,模型的函数形式设定不精确等都简洁产生异方差；一般情形下样本数据为截面数据时简洁产生异方差性；（三）后果 1 .参数估量量虽是无偏的,但不是最小方差线性无偏估量2 .参数的显著性检验失效3 回来方程的应用成效极不抱负,或者说模型的猜测失效；（四）检验一）残差图分析法：以残差为纵坐标,以其他相宜的变量为横坐标画散点图；常

19、用的横坐标有三种挑选：以为横坐标, i=1,2,. , n；比拟合优度为横坐标；以观测时间或序号为横坐标一般情形下,当回来模型满意全部假定时,以为纵坐标的残差图上的n 个点散布应是随机的、无任何规律；残差有肯定趋势就表示回来模型有肯定的异方差性；二）等级相关系数法又称斯皮尔曼 Spearman检验,既适用于大样本,也适用于小样本；将异方差性同误差项和某个说明变量之间的相关程度联系起来,从而将对异方差性的讨论转化为对它们之间相关程度的讨论；三个步骤：第一步,作Y关于 X 的一般最小二乘估量,求出的估量值,即的值；其次步,取的肯定值,即,把和按递增或递减的次序划分等级；算出等级相关系数第三步,做等

20、级相关系数的显著性检验；如 Xi和之间存在系统关系,就说明模型中存在异方差；在多元的情形下,需对每一个说明变量做等级相关系数检验；只有当每个说明变量检验都不存在异方差时模型中才不存在异方差；否就,模型中存在异方差；三）戈里瑟（ Glejser ）检验用残差肯定值对每个说明变量建立各种回来模型,并检验回来系数是否为 0；假如,就有异方差；这种方法不仅能检验出模型中存在的异方差,而且把异方差的表现形式找出来便于后面改进时使用；四）怀特 White 检验用残差平方对全部说明变量及其平方项和交叉乘积项进行线性回来,并检验各回来系数是否全部为0；对于两个说明变量的回来模型,怀特检验步骤如下：第一步,使用

21、一般最小二乘法估量模型,并获得残差其次步, 帮助回来, 将残差 ei 的平方对全部的说明变量及说明变量的平方与交叉积回来,求这个帮助回来的判定系数第三步,在无异方差的原假设下,可以证明,帮助回来的乘以样本容量n,渐近地听从自由度为帮助回来中说明变量个数 r（不包括常数项）的分布第四步,假如 n*选定显著水平临界值,就有异方差五）戈德菲尔德匡特Goldfeld-Quandt 检验（样本分段比检验）第一将样本按某个说明变量的大小次序排列,并将样本从中间截成两段；然后各段分别用一般最小二乘法拟合回来模型,并分别运算各段的残差平方和；（五）修正方法：寻求适当的补救方法,对原先的模型进行变换,使变换后的

22、模型满意同方差性假定,然后进行模型参数的估量,就可得到抱负的回来模型；加权最小二乘法 WLS ：一元回来模型已知时,假如每个观看值的误差项方差是已知的,使用为权数,对模型做变换,即可通过加权变换使原模型中的异方差误差项转换为同方差误差项,使加权变换后的模型满意最小二乘法的假定,从而使用一般最小二乘法估量参数,这种方法称为加权最小二乘法；未知时,一般情形下,我们可依据误差与说明变量或被说明变量的关系来确定变换的权数；一般我们先采纳戈里瑟检验方法确定ei与 Xi之间的关系；如之间为线性关系,对模型两边同时乘以,将异方差模型变为同方差模型；如之间为线性关系,挑选1/Xi 为权数,将异方差模型变为同方

23、差模型；2. 自相关 的概念、缘由、后果、检验（DW 检验）及补救方法（一）概念：假如一个回来模型,就我们称随机误差项之间存在着自相关现象（或者说不同时点的误差项之间存在相关） ,也称为序列相关；随机误差项一般会显现自相关的情形；（二）缘由遗漏了重要的说明变量；经济变量的滞后性；回来函数形式的设定错误也可能引起序列相关；蛛网现象Cobweb Phenomenon；对原始数据加工整理（三）后果（与异方差类似）参数的估量量是无偏的,但不是有效的；可能严峻低估误差项的方差；常用的检验和 t 检验失效；假如不加处理地运用一般最小二乘法估量模型参数,回来参数的置信区间和利用回来模型进行猜测的结果会存在较

24、大的误差（四）检验一）图示检验法图示法是一种直观的诊断方法,它是把给定的回来模型直接用一般最小二乘法估量参数,求出残差项et ,et 作为 ut随机项的真实估量值,再描画et 的散点图,依据散点图来判定et 的相关性；二）自相关系数法自相关系数的取值范畴是 -1 , 1 ,当接近于 1 时,说明误差序列存在正相关,当接近于 -时,说明误差序列存在负相关；三） DW 检验J.Durbin 杜宾 和 G.S.Watson 沃特森 于 1951 年提出的一种适用于小样本的检验方法；DW 检验只能用于检验随机误差项具有一阶自回来形式的序列相关问题；缺点和局限性： DW 检验有两个不能确定的区域,一旦D

25、W 值落在这两个区域,就无法判定；DW 统计量的上、下界表要求n 15,这是由于样本假如再小,利用残差就很难对自相关的存在性做出比较正确的诊断；DW 检验不适应随机误差项具有高阶序列相关的检验；只适用于有常数项的回来模型且说明变量中不能含滞后的被说明变量,并且说明变量是非随机的,数据中无缺失项四） LM 检验即拉格朗日乘数检验,也可用于检验回来方程的残差序列是否存在高阶自相关,而且在方程中存在滞后因变量的情况下, LM 检验仍旧有效,由Breusch 和 Godfrey于 1978 年提出,也称 BGGB 检验（五）补救措施一）差分法是将原模型变换为差分模型,分为一阶差分法和广义差分法；二）广

26、义最小二乘法 GLS 最具有普遍意义的最小二乘法；其中一般最小二乘法和加权最小二乘法是它的特例；3. 多重共线性的概念、缘由、后果、检验及补救措施（一）概念多元线性回来模型有一个经典假定,就是要求多元线性回来模型中的说明变量X之间无完全的共线性；假如某两个或多个说明变量之间显现了相关性,就称为多重共线性；分完全共线性和近似共线性；（二）缘由经济变量相关的共同趋势；模型中包含的滞后变量；样本资料的限制；利用截面数据建立模型也可能显现多重共线性；（三）后果严峻多重共线性情形的后果：多重共线性不转变参数估量量的无偏性多重共线性使参数最小二乘估量量的方差变大,即估量值的精度降低各个回来系数的值很难精确

27、估量,甚至可能显现符号错误的现象回来系数对样本数据的微小变化变得特别敏锐（四）检验一）方差膨胀（扩大）因子法VIF的大小反映了说明变量之间是否存在多重共线性,体会说明,当 10 时,就说明说明变量Xj与其余说明变量之间有严峻的多重共线性,且这种多重共线性可能会过度地影响最小二乘估量值；二） 直观判定法有些说明变量的回来系数所带符号与定性分析结果违反时,可能存在多重共线性问题；一些重要的说明变量在回来方程中没有通过显著性检验时,可初步判定存在着严峻的多重共线性；说明变量间的相关系数较大时,可能会显现多重共线性问题；当增加或剔除一个说明变量,或者转变一个观测值时,回来系数的估量值发生较大变化,我们

28、就认为回来方程存在严峻的多重共线性；对于采纳时间序列数据做样本,以多元线性形式建立的计量经济模型,往往存在多重共线性；三）特点根判别法特点根分析当矩阵X X 至少有一个特点根近似为零时,X 的列向量间必存在严峻多重共线性；四）逐步回来检验法将变量逐个的引入模型,每引入一个说明变量后,都要进行检验,并对已经选入的说明变量逐个进行t 检验,当原先引入的说明变量由于后面说明变量的引入而变得不再显著时,就将其剔除,以确保每次引入新的变量之前回来方程中只包含显著的变量；在逐步回来中,高度相关的说明变量,在引入时会被剔除,因而也是一种检测多重共线性的有效方法；（五）补救措施一）使用非样本先验信息假如据从前

29、的经济计量分析或经济理论分析已知模型中的共线性说明变量的参数间具有某种线性关系,就可利用此条件排除说明变量间的多重共线性；二）横截面与时间序列数据并用就是先利用横截面数据估量某一参数,将结果代入原方程后,再利用时间序列数据估量另一参数；三）剔除一些不重要的共线性说明变量当涉及说明变量较多时,大多数回来方程都受到多重共线性的影响；这时,最常用的方法是第一作说明变量的挑选,舍去一些说明变量；四）增大样本容量建立一个实际经济问题的回来模型,假如所收集的样本数据太少,也简洁产生多重共线性；从本质上讲,多重共线性是样本现象；五）逐步回来法用被说明变量对每一个所考虑的说明变量做简洁回来；以对被说明变量奉献

30、最大的说明变量所对应的回来方程为基础,按对被说明变量奉献大小的次序逐个引入其余的说明变量；六）使用有偏估量改进古典的最小二乘法,提出以采纳有偏估量为代价来提高估量量稳固性的方法,如岭回来法、主成分法、偏最小二乘法等；4. 随机说明变量问题的三种情形、缘由、后果及修正方法（IV ）假如存在一个或多个随机变量作为说明变量,就该模型称为随机说明变量问题；（一）三种情形（假设为随机说明变量）随机说明变量与随机误差项相互独立；即Cov（ X 2 t, ut） =0随机说明变量与随机误差项同期相关,即Cov（ X 2 t, ut） 0随机说明变量与同期误差项无关但异期有关,即Cov（ X 2t, ut）=

31、0Cov（ X 2t, ut-s） 0（ s0）（二）缘由省略说明变量的影响省略的说明变量同模型中某个说明变量相关易造成说明变量与说明误差项相关滞后被说明变量做说明变量联立方程模型中,假如一个变量在一个模型中作为被说明变量,而在另一个方程中作为说明变量,就使该变量成了随机说明变量；数据测量误差（三） 后果： 取决于随机说明变量与随机误差项是否相关假如随机说明变量与随机误差项相互独立,得到的参数估量量仍旧是无偏的,且是一样估量量假如随机说明变量与随机误差项同期不相关,但异期相关,得到的参数估量量有偏,但却是一样的假如随机说明变量与随机误差项同期相关,得到的参数估量量有偏但非一样（四）修正方法工具

32、变量法（ IV ）：在进行参数估量的过程中挑选适当的工具变量,替代回来模型中随机误差项相关性的变量；IV 估量量仍旧是有偏的,但却是一样估量量第五章虚拟说明变量模型1. 虚拟说明变量的概念给定某一质量变量某属性的显现为1,未显现为 0,称这样的变量为虚拟变量；虚拟变量主要是用来代表质的因素, 但是有些情形下也可以用来代表数量因素；例如在建立储蓄函数时, “收入” 明显是一个重要说明变量,虽然是“数量”因素,但是为了便利也可以用虚拟变量表示；2. 虚拟变量的设定原就,留意虚拟变量陷阱设定原就：假如只有一个质的因素,且具有m 个特点,那么假如是含有截距项的,就要引入m-1 个虚拟变量；不含有截距项

33、的,应当引入 m 个虚拟变量虚拟变量陷阱： 假如虚拟变量设定不当, 会使最小二乘法失效,称这种情形为虚拟变量陷阱；在有截距项的情形下, 假如一个质的因素有多少个特点就引入多少个虚拟变量是行不通的；3. 虚拟变量引入方法（一）截距变动（加法模型）一）包含一个虚拟变量的截距变动模型假设只有一个质的因素影响被说明变量的变化,而且这个因素仅有两种特点,这时候在有截距项的回来模型中只需要引入一个虚拟变量；例：用一个虚拟变量来表示这个质的因素,消费函数为式中, Yi= 第 i 个居民的消费水平, Xi= 第 i 个居民的收入水平, Di 为虚拟变量；我们用Di=1 表示正常年份这一特点,用 Di=0 来表

34、示非正常年份；就二者具有相同的斜率,但是截距不同；二）包含多个虚拟变量的截距变动模型许多质的因素往往不只具有两个特点,例如全世界的国家可以分为发达国家、进展中国家、不发达国家；例：模型,其中, Yt= 季度的消费, Xt= 季度的收入,对于四个季度,我们引入了三个虚拟变量 :就 四个季度的回来模型分别为（二）斜率变动（乘法模型）在实际问题中,斜率单独变动显现的情形一般比较少,它指的是转变了变动的速率；例：回来模型其中, Yi= 第 i 个家庭的消费水平, Xi= 第 i 个家庭的收入水平就（三）截距和斜率同时变动（混合模型）在多数情形下,质的因素不但对回来模型的截距有影响,而且仍会转变模型的斜

35、率；例：模型,式中, Yi= 第个家庭的消费水平,Xi= 第个家庭的收入水平就 1 和 3 分别表示城镇居民家庭和农村居民家庭的消费函数在截距和斜率上的差异；第六章 滞后变量模型1. 分布滞后模型的概念及系数含义滞后模型概念：在经济活动中,某一个经济变量的影响不仅取决于同期各种因素,而且也取决于过去时期的各种因素,有时仍受自身过去值的影响；人们把这些过去时期的变量,称作滞后变量,把那些包括滞后变量作为说明变量的模型称作滞后变量模型；分布滞后模型定义：假如一个回来模型不仅包含说明变量的现期值,而且仍包含说明变量的滞后值,就这个回来模型就是分布滞后模型；它的一般形式为有限分布滞后模型：滞后长度k

36、为一个确定的数无限分布滞后模型：没有规定最大滞后长度系数含义：回来系数 0 称为短期 或即期 乘数,它表示说明变量X 变化一个单位对同期被说明变量Y 产生的影响； 1, 2,称为延期 或动态 乘数, 它们度量说明变量X 的各个前期值变动一个单位对被说明变量Y 的滞后影响；全部乘数的和称为长期 或总分布 乘数,表示 X 变动一个单位,由于滞后效应而形成的对 Y 总影响的大小；2. 有限分布滞后模型估量存在困难用 OLS 对分布滞后模型进行估量时存在的困难产生多重共线问题缺失自由度问题对于有限分布滞后模型,最大滞后期k 较难确定分布滞后模型中的随机误差项往往是严峻自相关的有限分布滞后模型估量的两种

37、方法：体会加权法：指依据观看及体会为滞后变量的系数指定权数,使滞后变量按权数的线性组合,构成新的变量, 然后用最小二乘法估量参数；步骤：依据体会确定滞后长度；确定的权数 ；利用第一组权数构造第一个新的序列；应用最小二乘法求系数的估量值、,并对估量方程进行统计检验及经济计量检验,登记相应统计量的取值；按同样的方法重新给定其次组、第三组等权数,并依次构造新的序列,建立新方程； 选优,依据最优权数就可以得到滞后变量对应系数的最优估量值；阿尔蒙多项式估量方法基本思想： 假如有限分布滞后模型中的参数的分布可以近似用一个关于i的低阶多项式表示, 就可以利用多项式削减模型中的参数；依据：数学分析的维斯特拉斯

38、定理,多项式可以靠近各种形式的函数；于是,阿尔蒙对模型中的系数用阶数适当的多项式去靠近；优缺点：优点克服了自由度不足的问题；阿尔蒙变换具有充分的柔顺性；可以缓解多重共线性问题缺点仍没有能够解决原模型滞后阶数k 应当取什么值为最好的问题；多项式中阶数 m 必需事先确定,而 m 的实际确定往往带有很大的主观性；并没能完全排除多重共线性问题对回来模型的影响；3. 自回来模型自适应预期经济理论假定（说明变量为不行观测变量）经济理论基础：影响被说明变量 Yt 的因素不是 Xt 而是 Xt+1 的预期假定：自适应预期假定预期形成是一个依据预期误差不断调整的过程,预期误差乘以预期调整系数就是两个时期预期值的

39、转变量不行观测变量的变换方法：引入预期调整系数,通过自适应预期假定,将自适应预期模型变换成一阶自回来模型部分调整模型的经济理论假定（被说明变量为不行观测变量）行为假定：模型所表达的不应是t 期说明变量观测值与同期被说明变量观测值之间的关系,而应是t 期说明变量观测值与同期被说明变量期望达到的水平之间的关系；不行观测变量的变换方法：引入部分调整系数,将部分调整模型变换成一阶自回来模型4. 自适应预期模型的估量（IV ）,部分调整模型的估量（OLS） 自适应预期模型的估量一般表达式：特点： 在模型中显现了滞后被说明变量Yt-1 作为 Yt 的说明变量, 而 Yt-1 是随机的,这就违反了说明变量是

40、非随机变量的经典假定,这一点与部分调整模型相同；模型中的随机误差项存在自相关,违反了经典假设条件；工具变量法（ IV ）：基本思想是挑选适当的一个外生变量或几个外生变量的组合作为工具变量,使得它同模型中随机说明变量高度相关、与随机误差项无关,且与模型中其它说明变量也无关,然后,对在原模型基础上求得的正规方程组,用该工具变量代替相应正规方程组中的随机说明变量；部分调整模型的估量由于部分调整模型滞后被说明变量与误差项同期不相关,因此可使用一般最小二乘法（OLS ）进行参数估量,得到有偏、一样的估量量；5. 明白格兰杰因果关系检验方法从统计上确认两个变量在时间上有先后关系,Granger 提出了一个比较简洁的检验方法；