计量经济学例题
计量经济学大题例题
计量经济学大题例题计量经济学大题例题的正文如下:计量经济学大题是考研数学三中一个重要的部分，其中涉及到大量的计算和分析。
下面，我们将通过几个例题来讲解计量经济学大题的解题方法。
例题 1:某公司预计未来两年会有 20% 的增长率，当前股价为10 元。
该公司预计未来三年会有 15% 的增长率，此时股价为 8 元。
假设市场对公司未来的增长前景持乐观态度，请问能否通过公司未来的增长率来判断公司的投资价值？解答：我们可以使用现值公式来解决这道题。
设该公司的未来两年和未来三年的现金流分别为 C1、C2 和 C3，则它们的现值分别为: C1=10×(1+20%)=12.10 元C2=8×(1+15%)=9.39 元C3=10×(1+15%)×(1+20%)=12.31 元因此，现值为 12.10 元的现金流比现值为 9.39 元的现金流更具有投资价值。
例题 2:假设某公司预计未来三年会有 20%、25% 和 30% 的增长率，此时市场对公司未来的增长前景持乐观态度，请问能否通过公司未来的增长率来判断公司的投资价值？解答：与上一个问题类似，我们可以使用现值公式来解决这道题。
设该公司的未来两年和未来三年的现金流分别为 C1、C2 和 C3，则它们的现值分别为:C1=10×(1+20%)=12.10 元C2=8×(1+25%)=9.75 元C3=10×(1+30%)=12.00 元因此，现值为 12.10 元的现金流比现值为 9.75 元的现金流更具有投资价值。
以上两道题是计量经济学大题中比较典型的例题，希望大家能够熟练掌握它们的解题方法。
同时，我们也可以通过不断练习来提高自己的解题能力，从而在考试中取得优异的成绩。
拓展:除了上述例题之外，计量经济学大题还有很多其他类型的例题，例如面板数据模型、自回归移动平均模型等。
下面，我们举一个例子来说明面板数据模型的解题方法。
计量经济学第三版例题stata解答
第二章例．1(p24)（1）表中E(Y|X=800)即条件均值的求法，将数据直接复制到stata中。
程序：sum y if x==800程序：sum y if x==1100程序：sum y if x==1400（2）图的做法：程序：twoway(scatter y x )(lfit y x ),title("不同可支配收入水平组家庭消费支出的条件散布图")xtitle("每一个月可支配收入（元）")ytitle("每一个月消费支出（元）")xtick(500(500)4000)ytick(0(500)3500)例．1（p37）将数据直接复制到stata 中程序：（1）total xiyireturn listscalars:r(skip) = 0 xiyi 4974750 1507821 1563822 8385678Total Std. Err. [95% Conf. Interval]Scatter 表示散点图选项，lfit 表示回归线，title表示题目，xtick 表示刻度，（500（500）4000）分别表示起始刻度，中间数表示以单位刻度，4000表示最后的刻度。
r(first) = 1r(k_term) = 0r(k_operator) = 0r(k) = 0r(k_level) = 0r(output) = 1r(b) = 4974750r(se) =g a=r(b) in 1total xi2return listg b=r(b) in 1di a/b.67(2)mean Yigen m=r(b) in 1mean Xig n=r(b) in 1di m-n*由此取得回归方程：Y=+例．2(p53)程序：（1）回归reg y x（2）求X的样本均值和样本方差:mean xMean estimation Number of obs = 31 Mean Std. Err. [95% Conf. Interval] x 11363.69 591.7041 10155.27 12572.11 sum x ,d（d表示detail的省略，那个命令会产生更多的信息）xPercentiles Smallest1% 8871.27 8871.275% 8920.59 8920.5910% 9000.35 8941.08 Obs 3125% 9267.7 9000.35 Sum of Wgt. 3150% 9898.75 Mean 11363.69Largest Std. Dev. 3294.46975% 12192.24 16015.5890% 16015.58 18265.1 Variance 1.09e+0795% 19977.52 19977.52 Skewness 1.69197399% 20667.91 20667.91 Kurtosis 4.739267di r(Var)（专门注意Var的大小写）例（P56）（1）reg Y XSource SS df MS Number of obs = 29 F( 1, 27) = 2214.60 Model 2.4819e+09 1 2.4819e+09 Prob > F = 0.0000 Residual 30259023.9 27 1120704.59 R-squared = 0.9880 Adj R-squared = 0.9875 Total 2.5122e+09 28 89720219.8 Root MSE = 1058.6 Y Coef. Std. Err. t P>|t| [95% Conf. Interval]X .4375268 .0092973 47.06 0.000 .4184503 .4566033 _cons 2091.295 334.987 6.24 0.000 1403.959 2778.632（2）图的绘制：twoway (line Y X year),title("中国居民可支配总收入X与消费总支出Y 的变更图")第三章例（p72）reg Y X1 X2Source SS df MS Number of obs = 31F( 2, 28) = 560.57Model 166971988 2 83485994.2 Prob > F = 0.0000Residual 4170092.27 28 148931.867 R-squared = 0.9756Adj R-squared = 0.9739Total 171142081 30 5704736.02 Root MSE = 385.92Y Coef. Std. Err. t P>|t| [95% Conf. Interval]X1 .5556438 .0753076 7.38 0.000 .4013831 .7099046X2 .2500854 .1136343 2.20 0.036 .0173161 .4828547_cons 143.3266 260.4032 0.55 0.586 -390.0851 676.7383例．1（p85）g lnP1=ln(P1)g lnP0=ln(P0)g lnQ=ln(Q)g lnX=ln(X)Source SS df MS Number of obs = 22 F( 3, 18) = 258.84 Model .765670868 3 .255223623 Prob > F = 0.0000 Residual .017748183 18 .00098601 R-squared = 0.9773 Adj R-squared = 0.9736 Total .783419051 21 .037305669 Root MSE = .0314 lnQ Coef. Std. Err. t P>|t| [95% Conf. Interval]lnX .5399167 .0365299 14.78 0.000 .4631703 .6166631 lnP1 -.2580119 .1781856 -1.45 0.165 -.632366 .1163422 lnP0 -.2885609 .2051844 -1.41 0.177 -.7196373 .1425155 _cons 5.53195 .0931071 59.41 0.000 5.336339 5.727561 drop lnX lnP1 lnP0g lnXP0=ln(X/P0)g lnP1P0=ln(P1/P0)reg lnQ lnXP0 lnP1P0Source SS df MS Number of obs = 22F( 2, 19) = 408.93Model .765632331 2 .382816165 Prob > F = 0.0000Residual .01778672 19 .000936143 R-squared = 0.9773Adj R-squared = 0.9749Total .783419051 21 .037305669 Root MSE = .0306lnQ Coef. Std. Err. t P>|t| [95% Conf. Interval]lnXP0 .5344394 .0231984 23.04 0.000 .4858846 .5829942lnP1P0 -.2753473 .1511432 -1.82 0.084 -.5916936 .040999_cons 5.524569 .0831077 66.47 0.000 5.350622 5.698515练习题13（p105）g lnY=ln(Y)g lnK=ln(K)g lnL=ln(L)reg lnY lnK lnLSource SS df MS Number of obs = 31 F( 2, 28) = 59.66 Model 21.6049266 2 10.8024633 Prob > F = 0.0000 Residual 5.07030244 28 .18108223 R-squared = 0.8099 Adj R-squared = 0.7963 Total 26.6752291 30 .889174303 Root MSE = .42554 lnY Coef. Std. Err. t P>|t| [95% Conf. Interval]lnK .6092356 .1763779 3.45 0.002 .2479419 .9705293 lnL .3607965 .2015915 1.79 0.084 -.0521449 .7737378 _cons 1.153994 .7276114 1.59 0.124 -.33645 2.644439第二问：test b_[lnk]+b_[lnl]==1第四章例．4 (P116)（1）回归g lnY=ln(Y)g lnX1=ln(X1)g lnX2=ln(X2)reg lnY lnX1 lnX2Source SS df MS Number of obs = 31 F( 2, 28) = 49.60 Model 2.9609923 2 1.48049615 Prob > F = 0.0000 Residual .835744123 28 .029848004 R-squared = 0.7799 Adj R-squared = 0.7642 Total 3.79673642 30 .126557881 Root MSE = .17277 lnY Coef. Std. Err. t P>|t| [95% Conf. Interval]lnX1 .1502137 .1085379 1.38 0.177 -.072116 .3725435 lnX2 .4774534 .0515951 9.25 0.000 .3717657 .5831412 _cons 3.266068 1.041591 3.14 0.004 1.132465 5.39967于是取得方程：lnY=++（2）绘制参差图：predict e, residg ei2=e^2scatter ei2 lnX2,title("图异方差性查验图")xtick(6ytick(0predict在回归结束后，需要对拟合值以及残差进行分析，需要使用（3）G-Q查验sort X2drop in 13 /19reg lnY lnX1 lnX2 in 1/12Source SS df MS Number of obs = 12F( 2, 9) = 12.79Model .19947228 2 .09973614 Prob > F = 0.0023Residual .070196863 9 .007799651 R-squared = 0.7397Adj R-squared = 0.6818Total .269669142 11 .024515377 Root MSE = .08832lnY Coef. Std. Err. t P>|t| [95% Conf. Interval]lnX1 .3983847 .0787908 5.06 0.001 .2201475 .5766219lnX2 .2347508 .1097475 2.14 0.061 -.0135153 .4830169_cons 3.141209 1.122358 2.80 0.021 .6022575 5.68016reg lnY lnX1 lnX2 in 13/24Source SS df MS Number of obs = 12 F( 2, 9) = 32.06 Model 1.36238223 2 .681191114 Prob > F = 0.0001 Residual .191197445 9 .021244161 R-squared = 0.8769 Adj R-squared = 0.8496 Total 1.55357967 11 .141234516 Root MSE = .14575 lnY Coef. Std. Err. t P>|t| [95% Conf. Interval]lnX1 -.113766 .1599622 -0.71 0.495 -.4756257 .2480937 lnX2 .6201685 .1116539 5.55 0.000 .3675898 .8727472 _cons 3.993643 1.884053 2.12 0.063 -.2683811 8.255668 di F=（能够用字母替代）2..7222222（4）怀特查验（从头把原始数据出入）reg lnY lnX1 lnX2predict e ,residg e2=e^2g lnX12=(lnX1)^2g lnX22=(lnX2)^2g lnX1X2=lnX1*lnX2reg e2 lnX1 lnX2 lnX12 lnX22 lnX1X2Source SS df MS Number of obs = 31F( 5, 25) = 9.83Model .035298411 5 .007059682 Prob > F = 0.0000Residual .017947599 25 .000717904 R-squared = 0.6629Adj R-squared = 0.5955Total .05324601 30 .001774867 Root MSE = .02679e2 Coef. Std. Err. t P>|t| [95% Conf. Interval]lnX1 -2.32907 1.116442 -2.09 0.047 -4.628426 -.0297138lnX2 -.4573069 .4540203 -1.01 0.323 -1.392379 .4777655lnX12 .1491144 .0581072 2.57 0.017 .0294404 .2687884lnX22 .0211007 .0133574 1.58 0.127 -.0064095 .0486109lnX1X2 .0193327 .0412645 0.47 0.643 -.0656532 .1043186_cons 10.24328 5.474522 1.87 0.073 -1.031707 21.51827reg e2 lnX1 lnX2 lnX12 lnX22Source SS df MS Number of obs = 31 F( 4, 26) = 12.62 Model .035140831 4 .008785208 Prob > F = 0.0000 Residual .018105178 26 .000696353 R-squared = 0.6600 Adj R-squared = 0.6077 Total .05324601 30 .001774867 Root MSE = .02639 e2 Coef. Std. Err. t P>|t| [95% Conf. Interval]lnX1 -1.851123 .4467273 -4.14 0.000 -2.769384 -.932862 lnX2 -.2581661 .1571598 -1.64 0.112 -.5812127 .0648806 lnX12 .1261597 .0307668 4.10 0.000 .0629176 .1894018 lnX22 .0172142 .0103109 1.67 0.107 -.0039802 .0384085 _cons 7.763275 1.375323 5.64 0.000 4.936257 10.59029 g lne2= ln(e2)reg lne2 lnX2 lnX22Source SS df MS Number of obs = 31F( 2, 28) = 3.55Model 29.2575216 2 14.6287608 Prob > F = 0.0423Residual 115.374726 28 4.12052593 R-squared = 0.2023Adj R-squared = 0.1453Total 144.632248 30 4.82107492 Root MSE = 2.0299lne2 Coef. Std. Err. t P>|t| [95% Conf. Interval]lnX2 -25.97629 9.860002 -2.63 0.014 -46.17359 -5.778992lnX22 1.701071 .6414051 2.65 0.013 .3872121 3.01493_cons 93.19585 37.65529 2.47 0.020 16.06249 170.3292. predict m ,xb（和书上直接以差残作为权数是有区别的，理论上不能能以残差直接作为权数）. predictnl n=exp(xb()). g wi=sqrt(n). vwls lnX1 lnX2,sd(wi)Variance-weighted least-squares regression Number of obs = 31 Goodness-of-fit chi2(28) = 73.28 Model chi2(2) = 263.97 Prob > chi2 = 0.0000 Prob > chi2 = 0.0000lnY Coef. Std. Err. z P>|z| [95% Conf. Interval]lnX1 .3177322 .0514579 6.17 0.000 .2168765 .4185879 lnX2 .428669 .0275805 15.54 0.000 .3746122 .4827257 _cons 2.338164 .4472981 5.23 0.000 1.461476 3.214852例（教师有标准答案）reg Y XSource SS df MS Number of obs = 29F( 1, 27) = 2214.60Model 2.4819e+09 1 2.4819e+09 Prob > F = 0.0000Residual 30259023.9 27 1120704.59 R-squared = 0.9880Adj R-squared = 0.9875Total 2.5122e+09 28 89720219.8 Root MSE = 1058.6Y Coef. Std. Err. t P>|t| [95% Conf. Interval]X .4375268 .0092973 47.06 0.000 .4184503 .4566033_cons 2091.295 334.987 6.24 0.000 1403.959 2778.632predict e,residtsset yeartime variable: year, 1978 to 2006delta: 1 unitline e year,title("残差相关图")xtick(1978(5)2006)ytick(-3000(1000)3000)scatter e e1,title("残差相关图")xtick(-2000(1000)3000)ytick(-3000(1000)3000)g T=_ng T2=T^2Source SS df MS Number of obs = 29 F( 2, 26) = 5380.77 Model 2.5061e+09 2 1.2531e+09 Prob > F = 0.0000 Residual 6054792.7 26 232876.642 R-squared = 0.9976 Adj R-squared = 0.9974 Total 2.5122e+09 28 89720219.8 Root MSE = 482.57 Y Coef. Std. Err. t P>|t| [95% Conf. Interval]X .1761519 .0259858 6.78 0.000 .1227374 .2295664 T2 21.65582 2.124183 10.19 0.000 17.2895 26.02215 _cons 3328.191 195.0326 17.06 0.000 2927.296 3729.086 reg Y X T2reg e X T2 e1Source SS df MS Number of obs = 28 F( 3, 24) = 64.94 Model 25597419.6 3 8532473.19 Prob > F = 0.0000 Residual 3153351.72 24 131389.655 R-squared = 0.8903 Adj R-squared = 0.8766 Total 28750771.3 27 1064843.38 Root MSE = 362.48 e Coef. Std. Err. t P>|t| [95% Conf. Interval]X -.1435191 .0335797 -4.27 0.000 -.2128242 -.074214 T2 11.04582 2.915754 3.79 0.001 5.028004 17.06365 e1 .6186482 .1467037 4.22 0.000 .3158666 .9214297 _cons 910.3409 172.739 5.27 0.000 553.8251 1266.857 g e2=e[_n-1]reg e X T2 e1 e2Source SS df MS Number of obs = 28F( 4, 23) = 46.69Model 25598535.3 4 6399633.84 Prob > F = 0.0000Residual 3152235.94 23 137053.737 R-squared = 0.8904Adj R-squared = 0.8713Total 28750771.3 27 1064843.38 Root MSE = 370.21e Coef. Std. Err. t P>|t| [95% Conf. Interval]X -.1421776 .0373799 -3.80 0.001 -.2195039 -.0648513T2 10.80845 3.973581 2.72 0.012 2.58847 19.02843e1 .6192203 .1499666 4.13 0.000 .3089908 .9294498e2 4.183503 46.36562 0.09 0.929 -91.73108 100.0981_cons 886.1107 321.3096 2.76 0.011 221.4311 1550.79prais Y X T2,rhotype(orrc)Prais-Winsten AR(1) regression -- iterated estimatesSource SS df MS Number of obs = 29F( 2, 26) = 1153.30Model 215943215 2 107971607 Prob > F = 0.0000Residual 2434113.93 26 93619.7664 R-squared = 0.9889Adj R-squared = 0.9880Total 218377329 28 7799190.31 Root MSE = 305.97Y Coef. Std. Err. t P>|t| [95% Conf. Interval]X .1896298 .0292979 6.47 0.000 .1294071 .2498524T2 20.79527 2.693162 7.72 0.000 15.25939 26.33114_cons 3118.169 329.4324 9.47 0.000 2441.011 3795.327rho .764553Durbin-Watson statistic (original) 0.442033Durbin-Watson statistic (transformed) 1.361658newey lnY lnX, lag(2)例（P140）g lnX1=ln(X1)g lnX2=ln(X2)g lnX3=ln(X3)g lnX4=ln(X4)g lnX5=ln(X5)g lnY=ln(Y)reg lnY lnX1 lnX2 lnX3 lnX4 lnX5Source SS df MS Number of obs = 25 F( 5, 19) = 202.68 Model .205495866 5 .041099173 Prob > F = 0.0000 Residual .003852744 19 .000202776 R-squared = 0.9816 Adj R-squared = 0.9768 Total .209348611 24 .008722859 Root MSE = .01424 lnY Coef. Std. Err. t P>|t| [95% Conf. Interval]lnX1 .3811446 .050242 7.59 0.000 .275987 .4863022 lnX2 1.222289 .1351786 9.04 0.000 .9393566 1.505221 lnX3 -.0811099 .0153037 -5.30 0.000 -.1131409 -.0490789 lnX4 -.0472287 .0447674 -1.05 0.305 -.1409279 .0464705 lnX5 -.1011737 .0576866 -1.75 0.096 -.2219131 .0195656 _cons -4.173174 1.923624 -2.17 0.043 -8.199365 -.1469838 corr lnX1 lnX2 lnX3 lnX4 lnX5lnX1 lnX2 lnX3 lnX4 lnX5lnX1 1.0000lnX2 -0.5687 1.0000lnX3 0.4517 -0.2141 1.0000lnX4 0.9644 -0.6976 0.3988 1.0000lnX5 0.4402 -0.0733 0.4113 0.2795 1.0000 stepwise, pr : reg Y X1 X2 X3 X4 X5或stepwise, pe : reg Y X1 X2 X3 X4 X5（慢慢向前回归和慢慢向后回归）reg lnY lnX1 lnX2 lnX3Source SS df MS Number of obs = 25 F( 3, 21) = 320.34 Model .204871849 3 .068290616 Prob > F = 0.0000 Residual .004476761 21 .000213179 R-squared = 0.9786 Adj R-squared = 0.9756 Total .209348611 24 .008722859 Root MSE = .0146 lnY Coef. Std. Err. t P>|t| [95% Conf. Interval]lnX1 .3233849 .0108608 29.78 0.000 .3007987 .3459711 lnX2 1.290729 .0961534 13.42 0.000 1.090767 1.490691 lnX3 -.0867539 .0151549 -5.72 0.000 -.1182702 -.0552376 _cons -5.999638 1.162078 -5.16 0.000 -8.416312 -3.582964例．1（P151）reg X1 X2 ZSource SS df MS Number of obs = 31 F( 2, 28) = 1947.55 Model 323280649 2 161640324 Prob > F = 0.0000 Residual 2323912.12 28 82996.8616 R-squared = 0.9929 Adj R-squared = 0.9924 Total 325604561 30 10853485.4 Root MSE = 288.09 X1 Coef. Std. Err. t P>|t| [95% Conf. Interval]X2 -.470904 .1154633 -4.08 0.000 -.7074199 -.2343881 Z 1.460539 .0860022 16.98 0.000 1.284372 1.636707 _cons 132.7416 194.2843 0.68 0.500 -265.2317 530.7149 predict v,residreg Y X1 X2 vSource SS df MS Number of obs = 31F( 3, 27) = 1313.48Model 169977392 3 56659130.6 Prob > F = 0.0000Residual 1164688.99 27 43136.6292 R-squared = 0.9932Adj R-squared = 0.9924Total 171142081 30 5704736.02 Root MSE = 207.69Y Coef. Std. Err. t P>|t| [95% Conf. Interval]X1 .4502363 .042451 10.61 0.000 .3631339 .5373386X2 .4025897 .0638268 6.31 0.000 .2716278 .5335515v 1.191137 .1427031 8.35 0.000 .8983341 1.483939_cons 155.6975 140.1522 1.11 0.276 -131.871 443.266ivreg Y X2 (X1=Z)Instrumental variables (2SLS) regressionSource SS df MS Number of obs = 31F( 2, 28) = 513.69Model 166680210 2 83340105 Prob > F = 0.0000Residual 4461870.66 28 159352.524 R-squared = 0.9739Adj R-squared = 0.9721Total 171142081 30 5704736.02 Root MSE = 399.19Y Coef. Std. Err. t P>|t| [95% Conf. Interval]X1 .4502363 .0815915 5.52 0.000 .2831037 .6173688X2 .4025897 .122676 3.28 0.003 .1512992 .6538801_cons 155.6975 269.3743 0.58 0.568 -396.0907 707.4858reg Y X1 X2Source SS df MS Number of obs = 31F( 2, 28) = 560.57Model 166971988 2 83485994.2 Prob > F = 0.0000Residual 4170092.27 28 148931.867 R-squared = 0.9756Adj R-squared = 0.9739Total 171142081 30 5704736.02 Root MSE = 385.92Y Coef. Std. Err. t P>|t| [95% Conf. Interval]X1 .5556438 .0753076 7.38 0.000 .4013831 .7099046X2 .2500854 .1136343 2.20 0.036 .0173161 .4828547_cons 143.3266 260.4032 0.55 0.586 -390.0851 676.7383第4章练习8（P154）(1)回归rename var1 Xrename var2 Yreg Y XSource SS df MS Number of obs = 20 F( 1, 18) = 1048.91 Model 49342144 1 49342144 Prob > F = 0.0000 Residual 846742.352 18 47041.2418 R-squared = 0.9831 Adj R-squared = 0.9822 Total 50188886.4 19 2641520.34 Root MSE = 216.89 Y Coef. Std. Err. t P>|t| [95% Conf. Interval]X .755125 .0233157 32.39 0.000 .7061404 .8041095 _cons 272.3635 159.6772 1.71 0.105 -63.1059 607.8329（2）异方差判定(4种方式)predict e,residg e2=e^2scatter e2 Xi通过观测散点图可知残差有明显的扩大趋势ii 通过怀特检验，原假设为同方imtest,whiteWhite's test for Ho: homoskedasticityagainst Ha: unrestricted heteroskedasticitychi2(2) = 12.65Prob > chi2 = 0.0018Cameron & Trivedi's decomposition of IM-testSource chi2 df pHeteroskedasticity 12.65 2 0.0018Skewness 5.16 1 0.0232Kurtosis 1.85 1 0.1733Total 19.66 4 0.0006（3）解决异方差predict e,residualsg e2=e^2reg le2 XSource SS df MS Number of obs = 20F( 1, 18) = 7.80Model 18.3174302 1 18.3174302 Prob > F = 0.0120Residual 42.2889689 18 2.34938716 R-squared = 0.3022Adj R-squared = 0.2635Total 60.6063991 19 3.18981048 Root MSE = 1.5328le2 Coef. Std. Err. t P>|t| [95% Conf. Interval]X .0004601 .0001648 2.79 0.012 .0001139 .0008063_cons 6.825132 1.128446 6.05 0.000 4.454355 9.19591predict m,xbpredictnl h=exp(xb())reg Y X [w=1/h]Source SS df MS Number of obs = 20F( 1, 18) = 428.83Model 11254461.3 1 11254461.3 Prob > F = 0.0000Residual 472402.755 18 26244.5975 R-squared = 0.9597Adj R-squared = 0.9575Total 11726864.1 19 617203.372 Root MSE = 162Y Coef. Std. Err. t P>|t| [95% Conf. Interval]X .7399551 .0357325 20.71 0.000 .664884 .8150263_cons 359.3844 197.876 1.82 0.086 -56.33756 775.1064练习题9（p155）g lnX=ln(X)g lnY=ln(Y)reg lnY lnXSource SS df MS Number of obs = 28 F( 1, 26) = 3610.88 Model 45.5793477 1 45.5793477 Prob > F = 0.0000 Residual .328192471 26 .012622787 R-squared = 0.9929 Adj R-squared = 0.9926 Total 45.9075401 27 1.70027926 Root MSE = .11235 lnY Coef. Std. Err. t P>|t| [95% Conf. Interval]lnX .8544154 .0142188 60.09 0.000 .8251883 .8836426 _cons 1.588478 .1342196 11.83 0.000 1.312586 1.86437判定相关性：（通过e-t或DW值）predict e ,residline e yearscatter etsset yeartime variable: year, 1980 to 2007delta: 1 unitestat dwatsonDurbin-Watson d-statistic( 2, 28) = .3793231说明有正自相关性。
计量经济学经典习题参考答案
第一章练习题：一、选择题：1.下面属于截面数据的是：（ D ）A. 1991—2003年各年某地区20个乡镇的平均工业产值。
B. 1991—2003年各年某地区20个乡镇的各镇工业产值。
C. 某年某地区20个乡镇工业产值的合计数。
D. 某年某地区20个乡镇各镇的工业产值。
2.一个模型用于预测前必须经过的检验有：（ ABCD ） A. 经济准则检验。
B. 统计检验。
C. 计量经济学准则检验。
D. 模型预测检验。
E. 实践检验。
3.对计量经济模型的统计准则检验包括：（ BDE ） A.估计标准误差评价。
B.拟合优度检验。
C.预测误差程度评价。
D.总体线性关系显著性检验。
E.单个回归系数的显著性检验。
4.对计量经济模型的计量经济学准则检验包括：（ BCE ） A.误差程度检验。
B. 异方差检验。
C. 序列相关性检验。
D.超一致性检验E.多重共线性检验。
5.计量经济分析工作的四个步骤是：（BCDE ） A.理论研究。
B. 设定模型。
C. 估计参数。
D.检验模型. E.应用模型。
二、简答题：1.下面设计的计量经济模型是否合理，为什么？（不合理，GDP 在这里是定义方程）μ+⋅+=∑=i 31i iGDP ba GDP，其中，i GDP 是第一产业、第二产业和第三产业增加值。
μ为随机误差项。
第二章 练习题一、选择题：1.变量之间的关系可以分为两大类，它们是：（ A ）A.函数关系和相关关系B.线性相关关系和非线性相关关系C.正相关关系和负相关关系D.简单相关关系和复杂相关关系 2.相关关系是指：（ D ）A.变量间的非独立关系B.变量间的因果关系C.变量间的函数关系D.变量间的不确定的依存关系3.进行相关分析时，假定相关的两个变量 （ A ）A. 都是随机变量B.都不是随机变量C. 一个是随机变量，一个不是随机变量D. 随机的或非随机都可以4.参数β的估计量βˆ具有有效性是指 （ B ） A. ()0var =βˆ B. ()βˆvar 为最小 C. ()0=-ββˆ D. ()ββ-ˆ为最小 5.对于ii 10i e X βˆβˆY ++=，以σˆ表示估计标准误差，i Y ˆ表示回归值。
计量经济学练习题完整版
计量经济学试题1一 名词解释（每题5分，共10分） 1. 经典线性回归模型2. 加权最小二乘法（WLS ） 二 填空（每空格1分，共10分）1．经典线性回归模型Y i = B 0 + B 1X i + µi 的最小二乘估计量b 1满足E ( b 1 ) = B 1，这表示估计量b 1具备 性。
2．广义差分法适用于估计存在 问题的经济计量模型。
3．在区间预测中，在其它条件不变的情况下，预测的置信概率越高，预测的精度越 。
4．普通最小二乘法估计回归参数的基本准则是使 达到最小。
5．以X 为解释变量，Y 为被解释变量，将X 、Y 的观测值分别取对数，如果这些对数值描成的散点图近似形成为一条直线，则适宜配合 模型。
6．当杜宾-瓦尔森统计量 d = 4时，ρˆ＝ ，说明 。
7．对于模型i i i X Y μββ++=10，为了考虑“地区”因素（北方、南方两种状态）引入2个虚拟变量，则会产生 现象。
8. 半对数模型LnY i = B 0 + B 1X i + µI 又称为 模型。
9.经典线性回归模型Y i = B 0 + B 1X i + µi 的最小二乘估计量b 0、b 1的关系可用数学式子表示为 。
三 单项选择题（每个1分，共20分）1．截面数据是指--------------------------------------------------------------（ ）A ．同一时点上不同统计单位相同统计指标组成的数据。
B ．同一时点上相同统计单位相同统计指标组成的数据。
C ．同一时点上相同统计单位不同统计指标组成的数据。
D ．同一时点上不同统计单位不同统计指标组成的数据。
2．参数估计量βˆ具备有效性是指------------------------------------------（ ） A ．0)ˆ(=βar V B.)ˆ(βarV 为最小 C ．0)ˆ(=-ββD.)ˆ(ββ-为最小 3．如果两个经济变量间的关系近似地表现为：当X 发生一个绝对量（X ∆）变动时，Y 以一个固定的相对量（Y Y /∆）变动，则适宜配合的回归模型是------------------------------------------------------------------------------------------- （ ）A ．i i i X Y μβα++= B.i i i X Y μβα++=ln C ．i ii X Y μβα++=1D.i i i X Y μβα++=ln ln 4．在一元线性回归模型中，不可能用到的假设检验是----------（ ） A ．置信区间检验 B.t 检验 C.F 检验 D.游程检验5．如果戈里瑟检验表明 ，普通最小二乘估计的残差项有显著的如下性质：24.025.1i i X e +=，则用加权最小二乘法估计模型时，权数应选择-------（ ）A ．i X 1 B. 21i X C.24.025.11i X + D.24.025.11i X +6．对于i i i i X X Y μβββ+++=22110，利用30组样本观察值估计后得56.827/)ˆ(2/)ˆ(2=-∑-∑=iiiY Y Y Y F ，而理论分布值F 0.05(2,27)=3.35，，则可以判断（ ）A ． 01=β成立 B. 02=β成立 C. 021==ββ成立 D. 021==ββ不成立7．为描述单位固定成本（Y ）依产量（X ）变化的相关关系，适宜配合的回归模型是：A ．i i i X Y μβα++= B.i i i X Y μβα++=ln C ．i ii X Y μβα++=1D.i i i X Y μβα++=ln ln 8．根据一个n=30的样本估计ii i e X Y ++=10ˆˆββ后计算得d=1.4，已知在95%的置信度下，35.1=L d ，49.1=U d ，则认为原模型------------------------（ ）A ．存在正的一阶线性自相关 B.存在负的一阶线性自相关 C ．不存在一阶线性自相关 D.无法判断是否存在一阶线性自相关9．对于ii i e X Y ++=10ˆˆββ，判定系数为0.8是指--------------------( ) A ．说明X 与Y 之间为正相关 B. 说明X 与Y 之间为负相关 C ．Y 变异的80%能由回归直线作出解释 D ．有80%的样本点落在回归直线上10. 线性模型i i i i X X Y μβββ+++=22110不满足下列哪一假定，称为异方差现象-------------------------------------------------------------------------------( )A ．0)(=j i ov C μμ B.2)(σμ=i ar V (常数) C ．0),(=i i ov X C μ D.0),(21=i i ov X X C11．设消费函数i i i X D Y μβαα+++=10，其中虚拟变量⎩⎨⎧=南方北方01D ，如果统计检验表明1α统计显著，则北方的消费函数与南方的消费函数是--（ ）A ．相互平行的 B.相互垂直的 C.相互交叉的 D.相互重叠的12. 在建立虚拟变量模型时，如果一个质的变量有m 种特征或状态，则一般引入几个虚拟变量：----------------------------------------------------------------（ ）A ．m B.m+1 C.m －1 D.前三项均可 13. 在模型i i iX Y μββ++=ln ln ln 10中，1β为---------------------（ ）A ．X 关于Y 的弹性 B.X 变动一个绝对量时Y 变动的相对量 C ．Y 关于X 的弹性 D.Y 变动一个绝对量时X 变动的相对量14．对于i i i e X Y ++=10ˆˆββ，以S 表示估计标准误差，iY ˆ表示回归值，则-------------------------------------------------------------------------------------------（ ）A ．S=0时，0)ˆ(=-∑ti Y Y B.S=0时，∑==-ni i i Y Y 120)ˆ( C ．S=0时，)ˆ(ii Y Y -∑为最小 D.S=0时，∑=-ni i i Y Y 12)ˆ(为最小 15．经济计量分析工作的基本工作步骤是-----------------------------（ ）A ．设定理论模型→收集样本资料→估计模型参数→检验模型B ．设定模型→估计参数→检验模型→应用模型C ．理论分析→数据收集→计算模拟→修正模型D ．确定模型导向→确定变量及方程式→应用模型16．产量（X ，台）与单位产品成本（Y ，元/台）之间的回归方程为：X Y5.1356ˆ-=，这说明-----------------------------------------------------------（ ）A ．产量每增加一台，单位产品成本平均减少1.5个百分点B ．产量每增加一台，单位产品成本减少1.5元C ．产量每增加一台，单位产品成本减少1.5个百分点D ．产量每增加一台，单位产品成本平均减少1.5元17．下列各回归方程中，哪一个必定是错误的------------------------（ ）A ．8.02.030ˆ=+=XY i i r X Y B. 91.05.175ˆ=+-=XY i i r X Y C ．78.01.25ˆ=-=XY ii r X Y D. 96.05.312ˆ-=--=XY ii r X Y18．用一组有28个观测值的样本估计模型i i i X Y μββ++=10后，在0.05的显著性水平下对1β的显著性作t 检验，则1β显著地不等于0的条件是统计量t 大于-------------------------------------------------------------------------------------（ ）A ．t 0.025(28) B. t 0.05(28) C. t 0.025(26) D. t 0.05(26)19．下列哪种形式的序列相关可用DW 统计量来检验（V t 为具有零均值、常数方差，且不存在序列相关的随机变量）---------------------------------（ ）A ．t t t V +=-1ρμμ B.t t t t V +⋅⋅⋅++=--121μρρμμ C. t t V ρμ= D. ⋅⋅⋅++=-12t t t V V ρρμ20．对于原模型t t t X Y μββ++=10，一阶差分模型是指------------（ ）A ．)()()(1)(1t tt t t t t X f X f X X f X f Y μββ++=B ．t t t X Y μβ∆+∆=∆1C ．t t t X Y μββ∆+∆+=∆10D ．)()()1(11101----+-+-=-t t t t t t X X Y Y ρμμρβρβρ四 多项选择题（每个2分，共10分）1．以Y 表示实际值，Yˆ表示回归值，i e 表示残差项，最小二乘直线满足------------------------------------------------------------------------------------------（ ）A ．通用样本均值点（Y X ,） B.ii Y Y ˆ∑=∑ C ．0),ˆ(=i i ov e Y C D.0)ˆ(2=-∑i i Y Y E ．0)ˆ(=-∑Y Y i2．剩余变差（RSS ）是指--------------------------------------------------（ ）A ．随机因素影响所引起的被解释变量的变差B ．解释变量变动所引起的被解释变量的变差C ．被解释变量的变差中，回归方程不能作出解释的部分D．被解释变量的总变差与解释变量之差E．被解释变量的实际值与回归值的离差平方和3. 对于经典线性回归模型，0LS估计量具备------------------------（）A．无偏性 B.线性特性 C.正确性 D.有效性 E.可知性4. 异方差的检验方法有---------------------------------------------------（）A．残差的图形检验 B.游程检验 C.White检验D.帕克检验E.方差膨胀因子检验5. 多重共线性的补救有---------------------------------------------------（）A．从模型中删掉不重要的解释变量 B.获取额外的数据或者新的样本 C.重新考虑模型 D.利用先验信息 E. 广义差分法五简答计算题（4题，共50分）1.简述F检验的意图及其与t检验的关系。
计量经济学试题与答案
计量经济学试题与答案一、选择题（每题5分，共25分）1. 以下哪个选项是计量经济学的基本任务？A. 建立经济模型B. 进行经济预测C. 分析经济现象的规律性D. 所有以上选项答案：D2. 以下哪个方法不属于计量经济学的研究方法？A. 最小二乘法B. 最大似然法C. 线性规划D. 广义矩估计答案：C3. 在线性回归模型中，以下哪个选项表示随机误差项的方差？A. σ²B. μC. εD. β答案：A4. 在计量经济学模型中，以下哪个选项表示解释变量与被解释变量之间的关系？A. 相关性B. 因果关系C. 联合分布D. 条件分布答案：B5. 在实证研究中，以下哪个选项可以用来检验模型的稳定性？A. 残差分析B. 异方差性检验C. 单位根检验D. 联合检验答案：C二、填空题（每题5分，共25分）1. 计量经济学是一门研究______、______和______的科学。
答案：经济模型、经济数据、经济预测2. 最小二乘法的原理是使______的平方和最小。
答案：回归残差3. 在线性回归模型中，回归系数的估计值是______的线性函数。
答案：解释变量4. 异方差性检验的方法有______检验、______检验和______检验。
答案：Breusch-Pagan检验、White检验、Goldfeld-Quandt检验5. 在实证研究中，单位根检验的目的是检验______。
答案：时间序列数据的平稳性三、计算题（每题20分，共40分）1. 设线性回归模型为：Y = β0 + β1X + ε，其中Y表示被解释变量，X表示解释变量，ε表示随机误差项。
给定以下数据：Y: 2, 3, 4, 5, 6X: 1, 2, 3, 4, 5求：回归系数β0和β1的估计值。
答案：首先，计算X和Y的均值：X̄ = (1 + 2 + 3 + 4 + 5) / 5 = 3Ȳ = (2 + 3 + 4 + 5 + 6) / 5 = 4然后，计算回归系数β1的估计值：β1̄= Σ[(Xi - X̄)(Yi - Ȳ)] / Σ[(Xi - X̄)²]= [(1-3)(2-4) + (2-3)(3-4) + (3-3)(4-4) + (4-3)(5-4) + (5-3)(6-4)] / [(1-3)² + (2-3)² + (3-3)² + (4-3)² + (5-3)²]= 4 / 10= 0.4最后，计算回归系数β0的估计值：β0̄ = Ȳ - β1̄X̄= 4 - 0.4 3= 2.2所以，回归系数β0和β1的估计值分别为2.2和0.4。
计量经济学题库(超完整版)及答案.详解
回答以下问题：（1）系数的符号是否正确，并说明理由；（2）为什么左边是 而不是 ；
（3）在此模型中是否漏了误差项 ；（4）该模型参数的经济意义是什么。
3．估计消费函数模型 得
t值（13.1）（18.7）n=19 R2=0.81
其中，C：消费（元）Y：收入（元）
2.8
1988
0.7
2.5
1989
2.3
2.3
1990
3.1
2.1
1991
3.3
2.1
1992
1.6
2.2
1993
1.3
2.5
1994
0.7
2.9
1995
-0.1
3.2
（1）设横轴是U，纵轴是P，画出散点图。根据图形判断，物价上涨率与失业率之间是什么样的关系？拟合什么样的模型比较合适？（2）根据以上数据，分别拟合了以下两个模型：
14.55127
0.0000
C
0.353191
0.562909
0.627440
0.5444
R-squared
0.954902
Mean dependent var
8.258333
Adjusted R-squared
0.950392
S.D. dependent var
2.292858
S.E. of regression
1988
3.6
7
1992
4.6
9
1996
5.8
12.4
根据以上数据估计货币供给量Y对国民收入X的回归方程，利用Eivews软件输出结果为：
Dependent Variable: Y
计量经济学例题
一、单项选择题4．横截面数据是指（A ）。
A ．同一时点上不同统计单位相同统计指标组成的数据B ．同一时点上相同统计单位相同统计指标组成的数据C ．同一时点上相同统计单位不同统计指标组成的数据D ．同一时点上不同统计单位不同统计指标组成的数据5．同一统计指标，同一统计单位按时间顺序记录形成的数据列是（C ）。
A ．时期数据B ．混合数据C ．时间序列数据D ．横截面数据9．下面属于横截面数据的是（ D ）。
A ．1991－2003年各年某地区20个乡镇企业的平均工业产值B ．1991－2003年各年某地区20个乡镇企业各镇的工业产值C ．某年某地区20个乡镇工业产值的合计数D ．某年某地区20个乡镇各镇的工业产值10．经济计量分析工作的基本步骤是（ A ）。
A ．设定理论模型→收集样本资料→估计模型参数→检验模型B ．设定模型→估计参数→检验模型→应用模型C ．个体设计→总体估计→估计模型→应用模型D ．确定模型导向→确定变量及方程式→估计模型→应用模型13．同一统计指标按时间顺序记录的数据列称为（ B ）。
A ．横截面数据B ．时间序列数据C ．修匀数据D ．原始数据14．计量经济模型的基本应用领域有（ A ）。
A ．结构分析、经济预测、政策评价B ．弹性分析、乘数分析、政策模拟C ．消费需求分析、生产技术分析、D ．季度分析、年度分析、中长期分析18．表示x 和y 之间真实线性关系的是（ C ）。
A ．01ˆˆˆt t Y X ββ=+B ．01()t t E Y X ββ=+C ．01t t t Y X u ββ=++D ．01t t Y X ββ=+19．参数β的估计量ˆβ具备有效性是指（ B ）。
A ．ˆvar ()=0βB ．ˆvar ()β为最小C ．ˆ()0ββ－＝D ．ˆ()ββ－为最小25．对回归模型i 01i i Y X u ββ+＝＋进行检验时，通常假定i u 服从（ C ）。
计量经济学例题
一、解：（1）首先计算实际GDP ，RGDP=GDP/INDEX ，得到如下数据：表1用log-lin 模型：log(RGDP)=b0+b1*year ，采用eviews 软件对表1中的数据进行回归分析，得到结果如表2所示表2Variable Coefficient Std. Error t-Statistic Prob.C -135.6453 7.229830 -18.76189 0.0000 YEAR 0.070307 0.003637 19.33267 0.0000R-squared 0.951623 Mean dependent var 4.126043 Adjusted R-squared 0.949077 S.D. dependent var 0.447198 S.E. of regression 0.100915 Akaike info criterion -1.658687 Sum squared resid 0.193492 Schwarz criterion -1.559208 Log likelihood 19.41621 F-statistic 373.7523 Durbin-Watson stat 0.248783 Prob(F-statistic) 0.000000得到模型为：log()135.64530.070307RGDP year =−+(18.76189)(19.3326)−结果表明：在1978—1998年间，Ln （RGDP ）的变化的95.1%可由year 的变化来解释。
在5%的显著性水平下，自由度n-k-1=19的t 统计量0.025(19) 2.093t =()00.02518.76189 2.09319t t =>= ()10.02519.3326 2.09319t t =>=，因此所有变量的参数显著不为零，并且年均增长率10.0703071b =<，经济意义是合理的。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一、单项选择题4．横截面数据是指（A ）。
A ．同一时点上不同统计单位相同统计指标组成的数据B ．同一时点上相同统计单位相同统计指标组成的数据C ．同一时点上相同统计单位不同统计指标组成的数据D ．同一时点上不同统计单位不同统计指标组成的数据5．同一统计指标，同一统计单位按时间顺序记录形成的数据列是（C ）。
A ．时期数据B ．混合数据C ．时间序列数据D ．横截面数据9．下面属于横截面数据的是（ D ）。
A ．1991－2003年各年某地区20个乡镇企业的平均工业产值B ．1991－2003年各年某地区20个乡镇企业各镇的工业产值C ．某年某地区20个乡镇工业产值的合计数D ．某年某地区20个乡镇各镇的工业产值10．经济计量分析工作的基本步骤是（ A ）。
A ．设定理论模型→收集样本资料→估计模型参数→检验模型B ．设定模型→估计参数→检验模型→应用模型C ．个体设计→总体估计→估计模型→应用模型D ．确定模型导向→确定变量及方程式→估计模型→应用模型13．同一统计指标按时间顺序记录的数据列称为（ B ）。
A ．横截面数据B ．时间序列数据C ．修匀数据D ．原始数据14．计量经济模型的基本应用领域有（ A ）。
A ．结构分析、经济预测、政策评价B ．弹性分析、乘数分析、政策模拟C ．消费需求分析、生产技术分析、D ．季度分析、年度分析、中长期分析18．表示x 和y 之间真实线性关系的是（ C ）。
A ．01ˆˆˆt t Y X ββ=+B ．01()t t E Y X ββ=+C ．01t t t Y X u ββ=++D ．01t t Y X ββ=+19．参数β的估计量ˆβ具备有效性是指（ B ）。
A ．ˆvar ()=0βB ．ˆvar ()β为最小C ．ˆ()0ββ－＝D ．ˆ()ββ－为最小25．对回归模型i 01i i Y X u ββ+＝＋进行检验时，通常假定i u 服从（ C ）。
A ．2i N 0) σ（， B ． t(n-2) C ．2N 0)σ（， D ．t(n)26．以Y 表示实际观测值，ˆY 表示回归估计值，则普通最小二乘法估计参数的准则是使（ D）。
A ．i i ˆY Y 0∑（－）＝B ．2i i ˆY Y 0∑（－）＝C ．i i ˆY Y ∑（－）＝最小D ．2i i ˆY Y ∑（－）＝最小27．设Y 表示实际观测值，ˆY 表示OLS 估计回归值，则下列哪项成立（ D ）。
A ．ˆY Y ＝B ．ˆY Y ＝C ．ˆY Y ＝D ．ˆY Y ＝28．用OLS 估计经典线性模型i 01i i Y X u ββ+＝＋，则样本回归直线通过点___D______。
A ．X Y （，）B ． ˆX Y （，）C ．ˆX Y （，）D ．X Y （，） 29．以Y 表示实际观测值，ˆY 表示OLS 估计回归值，则用OLS 得到的样本回归直线i 01iˆˆˆY X ββ+＝满足（ A ）。
A ．i i ˆY Y 0∑（－）＝B ．2i i Y Y 0∑（－）＝C ． 2i i ˆY Y 0∑（－）＝D ．2i i ˆY Y 0∑（－）＝ 30．用一组有30个观测值的样本估计模型i 01i i Y X u ββ+＝＋，在0.05的显著性水平下对1β的显著性作t 检验，则1β显著地不等于零的条件是其统计量t 大于（ D ）。
A ．t 0.05(30)B ．t 0.025(30)C ．t 0.05(28)D ．t 0.025(28)31．已知某一直线回归方程的决定系数为0.64，则解释变量与被解释变量间的线性相关系数为（ B ）。
A ．0.64B ．0.8C ．0.4D ．0.3232．相关系数r 的取值范围是（ D ）。
A ．r ≤-1B ．r ≥1C ．0≤r ≤1D ．－1≤r ≤133．决定系数R 2的取值范围是（ C ）。
A ．R2≤-1B ．R2≥1C ．0≤R2≤1D ．－1≤R2≤134．某一特定的X 水平上，总体Y 分布的离散度越大，即σ2越大，则（ A ）。
A ．预测区间越宽，精度越低B ．预测区间越宽，预测误差越小C 预测区间越窄，精度越高D ．预测区间越窄，预测误差越大35．如果X 和Y 在统计上独立，则相关系数等于（ C ）。
A ．1B ．－1C ．0D ．∞38．回归模型i i i u X Y ++=10ββ中，关于检验010=β：H 所用的统计量)ˆ(ˆ111βββVar -，下列说法正确的是（ D ）。
A ．服从）（22-n χB ．服从）（1-n t C ．服从）（12-n χ D ．服从）（2-n t 46．回归分析中定义的（ ）。
A.解释变量和被解释变量都是随机变量B.解释变量为非随机变量，被解释变量为随机变量C.解释变量和被解释变量都为非随机变量D.解释变量为随机变量，被解释变量为非随机变量48.在由30n =的一组样本估计的、包含3个解释变量的线性回归模型中，计算得多重决定系数为0.8500，则调整后的多重决定系数为（ ）A. 0.8603B. 0.8389C. 0.8655D.0.832750.用一组有30个观测值的样本估计模型01122t t t t y b b x b x u =+++后，在0.05的显著性水平上对1b 的显著性作t 检验，则1b 显著地不等于零的条件是其统计量t 大于等于（ ）A. )30(05.0tB. )28(025.0tC. )27(025.0tD. )28,1(025.0F52．在多元线性回归模型中，若某个解释变量对其余解释变量的判定系数接近于１，则表明模型中存在（ ）A.异方差性B.序列相关C.多重共线性D.高拟合优度53.线性回归模型01122......t t t k kt t y b b x b x b x u =+++++ 中，检验0:0(0,1,2,...)t H b i k ==时，所用的统计量服从( )A.t(n-k+1)B.t(n-k-2)C.t(n-k-1)D.t(n-k+2)54. 调整的判定系数与多重判定系数 之间有如下关系( ) A.2211n R R n k -=-- B. 22111n R R n k -=--- C. 2211(1)1n R R n k -=-+-- D. 2211(1)1n R R n k -=---- 55．关于经济计量模型进行预测出现误差的原因，正确的说法是（ ）。
A.只有随机因素B.只有系统因素C.既有随机因素，又有系统因素D.A 、B 、C 都不对57.下列说法中正确的是：（ ）A 如果模型的2R 很高，我们可以认为此模型的质量较好B 如果模型的2R 较低，我们可以认为此模型的质量较差C 如果某一参数不能通过显著性检验，我们应该剔除该解释变量D 如果某一参数不能通过显著性检验，我们不应该随便剔除该解释变量61.Goldfeld-Quandt 方法用于检验（ ）A.异方差性B.自相关性C.随机解释变量D.多重共线性62.在异方差性情况下，常用的估计方法是（ ）A.一阶差分法B.广义差分法C.工具变量法D.加权最小二乘法63.White 检验方法主要用于检验（ ）A.异方差性B.自相关性C.随机解释变量D.多重共线性64.Glejser 检验方法主要用于检验（ ）A.异方差性B.自相关性C.随机解释变量D.多重共线性65.下列哪种方法不是检验异方差的方法（ ）A.戈德菲尔特——匡特检验B.怀特检验C.戈里瑟检验D.方差膨胀因子检验69．果戈德菲尔特——匡特检验显著，则认为什么问题是严重的（ ）A.异方差问题B.序列相关问题C.多重共线性问题D.设定误差问题72．DW 检验的零假设是（ρ为随机误差项的一阶相关系数）（ ）。
A ．DW ＝0B ．ρ＝0C ．DW ＝1D ．ρ＝174．DW 的取值范围是（ ）。
A ．-1≤DW ≤0B ．-1≤DW ≤1C ．-2≤DW ≤2D ．0≤DW ≤475．当DW ＝4时，说明（ ）。
A ．不存在序列相关B ．不能判断是否存在一阶自相关C ．存在完全的正的一阶自相关D ．存在完全的负的一阶自相关79．采用一阶差分模型一阶线性自相关问题适用于下列哪种情况（ ）。
A ．ρ≈0B ．ρ≈1C ．-1＜ρ＜0D ．0＜ρ＜183．同一统计指标按时间顺序记录的数据列称为（ ）。
A.横截面数据B.时间序列数据C.修匀数据D.原始数据84．当模型存在严重的多重共线性时，OLS 估计量将不具备（ ）A ．线性B ．无偏性C ．有效性D ．一致性85．经验认为某个解释与其他解释变量间多重共线性严重的情况是这个解释变量的VIF （ ）。
A ．大于B ．小于C ．大于5D ．小于586．模型中引入实际上与解释变量有关的变量，会导致参数的OLS 估计量方差（ ）。
A ．增大B ．减小C ．有偏D ．非有效88．如果方差膨胀因子VIF ＝10，则什么问题是严重的（ ）。
A ．异方差问题B ．序列相关问题C ．多重共线性问题D ．解释变量与随机项的相关性89．在多元线性回归模型中，若某个解释变量对其余解释变量的判定系数接近于1，则表明模型中存在( )。
A 异方差B 序列相关C 多重共线性D 高拟合优度90．存在严重的多重共线性时，参数估计的标准差（ ）。
A ．变大B ．变小C ．无法估计D ．无穷大91．完全多重共线性时，下列判断不正确的是（ ）。
A ．参数无法估计B ．只能估计参数的线性组合C ．模型的拟合程度不能判断D ．可以计算模型的拟合程度92．设某地区消费函数i i i x c c y μ++=10中，消费支出不仅与收入x 有关，而且与消费者的年龄构成有关，若将年龄构成分为小孩、青年人、成年人和老年人4个层次。
假设边际消费倾向不变，则考虑上述构成因素的影响时，该消费函数引入虚拟变量的个数为（ ）A.1个B.2个C.3个D.4个95．假设回归模型为i i i x y μβα++=，其中Xi 为随机变量，Xi 与Ui 相关则β的普通最小二乘估计量( )A.无偏且一致B.无偏但不一致C.有偏但一致D.有偏且不一致96．假定正确回归模型为i i i i x x y μββα+++=2211，若遗漏了解释变量X2，且X1、X2线性相关则1β的普通最小二乘法估计量( )A.无偏且一致B.无偏但不一致C.有偏但一致D.有偏且不一致97．模型中引入一个无关的解释变量( )A.对模型参数估计量的性质不产生任何影响B.导致普通最小二乘估计量有偏C.导致普通最小二乘估计量精度下降D.导致普通最小二乘估计量有偏，同时精度下降 101．如果一个回归模型中不包含截距项，对一个具有m 个特征的质的因素要引入虚拟变量数目为( )。