古扎拉蒂计量经济学基础第5版考研题库及详解资料|天天热文

2023-05-13 22:55:00 来源:哔哩哔哩

古扎拉蒂计量经济学基础第5版考研题库及详解资料

古扎拉蒂《计量经济学基础》(第5版)精讲【教材精讲+考研真题串讲】

古扎拉蒂《计量经济学基础》(第5版)课后习题详解


(相关资料图)

部分摘录:

按照布劳格的意见,“没有证明的逻辑,但有证反的逻辑。”他这句话的意思是什么?

答:作为对布劳格思想的一个说明,回想在检验统计量(比如t)并非统计显著时的假设检验,当t值小于临界值时,并不表示接受虚拟假设,而是表明不能拒绝该这个虚拟假设。这是因为,基于另外一个数据集,很有可能拒绝同样的虚拟假设。所以,当不能拒绝一个虚拟假设时,只表示手头上的样本还没有成为拒绝虚拟假设的理由。即不能拒绝一个虚拟假设,实际上也不能表明同意该项虚拟假设。

继续习题21。纯粹出于教学的目的,假定模型(2)是真实需求函数。

a.如果现在我们估计了模型(1),这时我们犯了什么类型的设定错误?

b.这种设定误差的理论性后果有哪些?用你掌握的数据作出说明。

答:a.因为根据上题检验,模型(2)才是真实的,因此模型(1)包含了无关变量,犯了多余一个变量的设定错误。

b.估计量将是无偏和一致的,误差方差的估计也是正确的,通常的置信区间和假设检验程序仍然有效,但它们的方差将变大。数据可参考第7章习题19,分析估计量和误差方差即可。

同时用阶条件和秩条件检查习题3中的模型是否可识别。

答:(1)对于例18.2,根据阶条件:总共有3个变量,有2个内生变量。对于消费函数,排除了1个变量,恰好等于2-1,因此是恰好识别的。对于收入恒等式,排除了0个变量,识别不足。根据秩条件,消费函数对应的矩阵行列式等于-1,因此可以识别,而收入恒等式对应一个零阶矩阵,不可识别。

(2)对于例18.3,根据阶条件,一共有5个变量,有2个内生变量。对于货币工资变化率函数,排除了2个变量,大于1,因此是过度识别的;对于价格变化率函数,排除了1个变量,因此恰好识别。根据秩条件,货币工资函数可以找到两个行列式不为零的矩阵,因此是过度识别的。价格函数可以找到1个行列式不为零的矩阵,恰好识别。

(3)对于例18.6,根据阶条件,一共有10个变量,6个内生变量。对于消费函数而言,排除了5个变量,恰好识别;对于投资函数,排除了6个变量,过度识别;对于劳动需求函数,排除了6个变量,过度识别;对于收入和支出的恒等式,排除了5个变量,恰好识别;对于收入和工资恒等式,排除了6个变量,过度识别;对于资本累计恒等式,排除了7个变量,过度识别。

参照第8章中讨论的儿童死亡率的例子。此例涉及儿童死亡率(CM)对人均GNP(即PGNP)和妇女识宇率(FLR)的回归。现在假设我们增加变量总人口出生率(TFR),得到如下回归结果。a.将这些回归结果与方程(8.1.4)中给出的结果相比较。你看到了什么变化?你又如何解释这些变化?b.值得在模型中增加变量TFR吗?为什么?c.既然所有的t系数都是个别统计显著的,我们能否说此时不存在共线性问题?

答:a.尽管人均GNP和FLR的系数和截距的数值都有所变化,但符号未变。此外,这些变量仍是统计显著的。这些变化来自TFR变量的引入,从而表明这些回归元之间可能存在某种共线性。b.由于TFR系数的t值高度显著(p值仅为0.0032),所以看来模型应包含TFR。由于一个妇女生育的子女数越多,儿童死亡率提高的可能性就越大,所以这个系数符号为正也说得通。c.不能,因为有存在共线性,但每个系数仍都是统计显著的情形。多重共线性的问题仍需要采用各种侦察手段。

在涉及诸如GNP、货币供给、价格、收入、失业等时间序列的数据中,一般都疑虑存在多重共线性,为什么?

答:经济变量通常受到诸如商业周期和时间趋势等类似因素的影响。因此,在回归分析中,使用诸如GNP和货币供给等变量时,应该预计到存在多重共线性的可能。

逐步回归。为决定一个回归模型的“最优”解释变量集,研究者常用逐步回归的方法。在此方法中,既可采取每次引进一个X变量逐步向前回归(stepwise forward regression)的程序,也可先把所有可能的X变量都放在一个多元回归中,然后逐一地把它们剔除逐步向后回归(stepwise backward regression)。加进或剔除一个变量,通常是根据F检验看它对ESS的贡献而作出决定的。根据你现在对多重共线性的认识,你赞成某种逐步程序吗?为什么?

答:不赞成。变量的添加应该基于经济理论,而不能仅基于多一个变量就能使ESS或R2增大。而且,如果变量有相关关系,那么添加或剔除一些变量会改变其他的系数值。

......

>>>本文为资料节选>>>完整版及相关资料均载于攻关学习网>>>每年更新!

>>>完整版>>>百度>>>攻关学习网>>>查找>>>

>>>或直接复制网址查找   

http://ggw.100xuexi.com

关键词:

推荐内容