博士计量经济学试题

一、简答题

1、 指出稳健标准误和稳健t统计量的适用条件。

答：稳健标准误和稳健t统计量的适用条件是样本容量较大的的场合。在大样本容量的情况下，一般在横截面数据分析中总是报告稳健标准误。在小样本情况下，稳健t统计量不那么接近t分布，从而可能导致推断失误。

2、 假设回归模型的随机误差项可能存在q〔q1〕阶自相关，应采用什么检验？其检验过程和检

验统计量是什么？ 答：如果模型：

yt01x1t2x2tptt的误差项满足：

t1t12t2qtqvt，其中vt是白噪声。

原假设H0: 10,20,…，q0 那么，以下两种答复都可以。

ˆt； 1〕、(1). yt对x1t,x2t,…,xpt( t1,2,,T)做OLS回归,求出OLS残差ˆt1,ˆt2,…，ˆt对x1t,x2t,…,xpt, ˆtq做OLS回归, (2). ( tq1,q2,,T),得到

R2；

ˆt1,ˆt2,…，ˆtq联合F检验统计量。假设F检验统计量大于临界值，则 (3). 计算(2)中的判定回归模型的随机误差项存在q〔q1〕阶自相关；否则，则判定判定回归模型的随机误差项不存在q〔q1〕阶自相关。

2〕、 完成了1〕中的〔1〕、〔2〕两步以后，运用布劳殊—戈弗雷检验〔Bresch Goldfery test〕

2ˆ2•q由于它在原假设H0成立时渐近服从分布。当LM大于临界值，LMTqR2，

则判定回归模型的随机误差项存在q〔q1〕阶自相关；否则，判定回归模型的随机误差项不存在q〔q1〕阶自相关。

3、 谬误回归的主要症状是什么？检验谬误回归的方法主要有哪些？在回归中使用非平稳的时间序

列必定会产生伪回归吗？

答：格兰杰〔Granger〕和纽博尔德〔Newbold〕认为在用时间序列数据进行回归估计时，如果R在

学习文档 仅供参考

2数值上大于德宾—沃特森统计量，则我们应当疑心有谬误回归存在。

检验谬误回归的方法主要是用DF和ADF检验考察回归的残差是否服从I(0)，进而判定变量之间的关系是否为协积的，从而检验出谬误回归的存在性。

回归中使用非平稳的时间序列不一定会产生谬误回归，比方两个协积的变量，虽然它们可以非平稳，但是不会产生谬误回归。

4、一般的几何滞后分布模型具有形式：yt1xii0tit， Et0，

covt,s2t,s， 01 。

如何对这类模型进行估计，才能获得具有较好性质的参数估计量？

答：对一般的几何滞后分布模型 yt01参数。为此，必须对模型形式进行变换：

1xii0tit，有限的观测不可能估计无限的

注意到： yt1011i0ixti1t1， 从而：

yt1yt101xtt1t1

yt01xt1yt1t1t1

由于yt1与t1相关，所以该模型不能用OLS方法进行估计，必须采用诸如工具变量等方法进行估计，才能获得具有较好性质的参数估计量。

5、假定我们要估计一元线性回归模型：

ytxtt， Et0， covt,s2t,s

但是担忧xt可能会有测量误差，即实际得到的xt可能是xtxtt，t是白噪声。如果已经知道存在与xt相关但与t和t不相关的工具变量zt，如何检验xt是否存在测量误差？

答：已知存在与xt相关但与t和t不相关的工具变量zt，用最小二乘法估计模型

ˆtxtaˆ0aˆ1zt。把残差ˆt作为解释变量放入回归方程xta0a1ztvt，得到残差v学习文档 仅供参考

ˆtut，用最小二乘法估计这个人工回归，对显著性假设运用通常的t检验。 ytxtv H0：0 〔xt与t之间没有相关性〕 H1：0 〔xt与t之间有相关性〕

ˆtut可推得ytxtvˆtut，即：tvˆtut。 注意，由ytxtvˆt替代t，对系数作OLS估计，当t检验显著时利用对ytxtt所做回归得到的残差就说明xt与t之间有相关性，即xt存在测量误差。否则就没有。

6、考虑一个单变量平稳过程

yt01yt10xt1xt1t 〔1〕 这里，tIID0,2 以及

11 。

由于〔1〕式模型是平稳的，yt和xt都将到达静态平衡值，即对任何t有： yEyt ， xExt 于是对〔1〕式两边取期望，就有

y01y0x1x ( 2) 也就是

y100xk0k1x (3) 1111 这里k1是y关于x的长期乘数， 重写(1)式就有：

yt011yt10xt01xt1t

011yt1k0k1xt10xtt (4)

我们称(4)式为(1)式的误差修正机制〔Error-correction Mechanism〕表达式〔ECM〕。在〔4〕

式中我们可以发现长期均衡的正、负偏离对短期波动的作用是对称的。假设这种正、负偏离 对短期波动的作用不是对称的，那么模型应该如何设计与估计？

答：假设对误差修正〔ECM〕模型，假设发现长期均衡的正、负偏离对短期波动的作用是非对称的

话，模型可以设计如下：

ytxt12t1yt1k0k1xt1t

xt1yt1k0k1xt12t1yt1k0k1xt1t

学习文档 仅供参考

其中t10ytfxtytfxt为虚拟变量，表示Y偏离的方向。

当yt正偏离时，t1，误差修正项系数为12； 当yt为负偏离时，t0，误差修正项系数为1。 参数估计的方法可用MLE，也可用OLS。

7、检验计量经济模型是否存在异方差，可以用布罗歇—帕甘检验〔Breusch Pagan〕和怀 特〔White〕检验，请说明这二种检验的差异和适用性。

答：当人们猜测异方差只取决于某些解释变量时，布罗歇—帕甘检验〔Breusch Pagan〕比较适合使

用；当人们猜测异方差不仅取决于某些解释变量，还取决于这些自变量的平方和它们的交叉乘积项时，怀特〔White〕检验比较适合使用。虽然，有时使用布罗歇—帕甘检验无法检验出异方差的存在，但用怀特〔White〕检验却能检测出来。不过，怀特〔White〕检验要用掉很多自由度。 8、在模型设定时，如果遗漏重要变量，那么模型中保留下来的变量系数的OLS估计是无 偏和一致的吗？请举简例说明。

答：在模型设定时，如果遗漏重要变量，那么模型中保留下来的变量系数的OLS估计通常是有偏和

不一致的。例如，假定工资模型为：

wagei01educi2experi3abilii 如果估计时遗漏了变量abili，得到如下估计模型：

~educexper wagei01i2i 即使假定 educ,exper无关，我们也容易证明1与2也都是有偏和不一致的，且有：

~~~~~E[1]13~educeducabilii1nieduceducii1n2

由于30，并且变量educ与abil正相关，因此，1是正偏误和不一致的。

~二、综合题

1、为了比较A、B和C三个经济结构相类似的城市由于不同程度地实施了某项经济改革政策后的绩效差异，从这三个城市总计NANBNC个企业中按一定规则随机抽取nAnBnC个样本企业，得到这些企业的劳动生产率y作为被解释变量,如果没有其它可获得的数据作为解释变量，并且A城市全面实施这项经济改革政策，B城市部分实施这项经济改革政策，C城市没有实施这

学习文档 仅供参考

项经济改革政策。如何建立计量经济模型检验A、B和C这三个城市之间由于不同程度实施某项经济改革政策后存在的绩效差异？

解：把A、B两个城市中第i企业的劳动生产率yi写成如下模型： yiDAiDBii ，

~N0,2

i i1,2,,nA,nA1,,nAnB,nAnB1,,nAnBnC 〔1〕

这里，虚拟变量DAi可表示为：

D1,第i个企业来自于城市A 〔2〕

Ai其它0, D1,第i个企业来自于城市B 〔3〕

Bi其它0,于是，参数表示城市C企业的期望劳动生产率，而参数表示城市A企业的期望劳动生产率与城市C企业的期望劳动生产率之间的差异，即+表示城市A企业的期望劳动生产率；参数表示城市B企业的期望劳动生产率与城市C企业的期望劳动生产率之间的差异，即+表示B城市企业的期望劳动生产率，即：

,DAi1,DBi0 E(yi),DAi0,DBi1 〔4〕

,DAi0,DBi0要检验城市A企业的期望劳动生产率与城市B企业的期望劳动生产率之间的有无显著差异，改

写模型为：

yiDAi(DBiDAi)i ，

其中，；i~N0,2；

此时，有：

,DAi1,DBi0 E(y),DAi0,DBi1 〔5〕 i,DAi0,DBi0运用t检验看参数是否显著地不为0，否则就认为城市A企业的期望劳动生产率与城市B企业的期

学习文档 仅供参考

望劳动生产率之间无显著差异

2、用观测值y1,,y20和x0,x1,,x20估计模型

yt0xt1xt1et

得到的OLS估计值为

ˆ0.31.86 ˆ0.82.21 ˆ5.02.23  10ˆ225 R20.86 和 ˆ的t值较小，去掉滞后回归自变量x重新估计模型，这时，R为多少？ 括号内为t统计量。由于t112

解：去掉滞后回归自变量xt1后所估计的模型可以看作是无约束模型：

yt0xt1xt1et

在约束条件：R0 之下所得到的估计。这里，R0,0,1，,0,1 。 设无约束模型的OLS残差向量为e，带约束模型的OLS残差向量为eR，则有：

ˆ 21ˆ2225500 ee25，从而可得到：ee20201X令CXcij33， 则有 tˆ1ˆ01c22，从而可得到：c22ˆ10.0256 tˆ12注意到带约束模型的OLS残差平方和与无约束模型的残差平方和存在如下关系：

11ˆˆeeˆ215003.47503.47  eReReeRRXXRR1c22由 R12R2SSEeeee1， 可推得：SST SSTSST1R2eeee2ReRReR1RR1R2 同理，由R1 可推得：RR1SSTeeSST所以，RR1

2e503.47ReR1R210.240.86 ee5003、对线性回归模型：

yixi'i ， 〔i1,2,,n〕 ------------ 〔1〕

学习文档 仅供参考

满足 Exii0。假定 zi 可以作为xi合适的工具变量，且Var(|Z)2I，请导出工具变量估计量，并给出它的极限分布。

解：由于Exii0，所以参数向量的OLS估计将是不一致的。假定 zi 可以作为xi合适的工具变量，对模型进行变换：

ziyizixizii ----------------- 〔2〕 从而有：

zyii1Tizixizii ----------------- 〔3〕

i1i1TT根据： E[1z]0， V[Tiii1T1z]zz -------- 〔4〕 TTiiiii1i1T2T1T1T并且 plim(zixi)plim(zii)Mzx•00

Ti1Ti1ˆ所以运用OLS估计方法，可得： IVTTzixiziyi ----------------〔5〕 i1i1zii i11Tplimzizi

Ti1T1T11ˆ注意到：TzxIVTiii1T1由〔4〕和中心极限定理，可得：

ˆ 的极限分布为正态N0,M分布，其中：MTzzZZIV22ˆ~N, 也就是，：MIVzz Ta

4、考虑如下受限因变量问题：

1〕、二元离散选择模型中的Logit模型，在给定xi，i1,2,,N条件之下yi1的条件概率为：

piPryi1|xiexpxi 1expxi在重复观测不可得的情况下，运用极大似然估计方法证明：

ˆypii1i1NNi

其中，xi1,xi1,xi2,ˆexpxiˆi,xip，p 。

ˆ1expxi学习文档 仅供参考

2〕、为什么利用观测所获得的正的数据yi*来估计Tobit模型是不合理的？

3〕、对Tobit模型： yixii，i1,2,,n以及i服从正态N0,2分布，

yiyi,若yi0； yi0,若yi0 ；

 求：〔1〕、Eyiyi0；

〔2〕、对重复观测不可得的情况详细说明Heckman提出的模型估计方法。 答案： 1〕、 证明：对Logit模型，其似然函数可写成如下形式：

LPyi1xii•Pyi0xiyi1N1yi ---------------- 〔1〕

〔1〕式的对数似然函数为：

lyilogFxi1yilog1Fxi ---------------- 〔2〕

i1N 〔2〕式关于参数的一阶导数为：

1yifxiNexpxilNyifxi xixiyixi

1Fxi1expxii1Fxii1ˆexpxi 于是，一阶条件为： yiˆ1expxii1Nxi0 -------------- 〔3〕

由〔3〕式可知： 由于xi1,xi1,xi2,ˆxyxpiiii1i1NNi ------------------ 〔4〕

,xip中第一分量为常数1，所以根据〔4〕式可得到：

ˆypii1i1NNi

2〕、假定我们考虑的Tobit模型为： yixii，i1,2,,n以及i服从正态

N0,2分布，满足yiyi,若yi0； yi0,若yi0 。

则有：Eyiy0xiEiixixiixi/

1xi/ 即：Eyiyi0xixi/xi/xixi

1xi/xi/学习文档 仅供参考

也就是仅仅考虑利用观测所获得的正的数据yi*来估计Tobit模型，所获得的参数的估计是有偏的，并且其数值大于xi，并且依赖于

• ，这就是仅仅运用正观测值子样本来估计Tobit 模

•型的不合理性。

3〕、我们知道，对于Tobit 模型有这样的结论：

xixix 〔1〕

Eyi|yi0xiiiiixi这里，ixixi ， ii ， 。 ii如果有关于i的估计，就可得到的一致估计。

James Heckman设计出了一种相比照较简单的两步估计法，但这个估计法能够得到的一致估计。

〔1〕在重复观测不可得的条件下，具体的估计步骤如下：

第一步，我们通过Probit模型来区分“yi*0”的观测和“yi*0”的观测，可以得到：

Pzi1xiPyi*0xiPixixixi，

运用极大似然估计方法有： LPzi1xiPzi0xii1Nzi1zi

＝

xi1xii1NiiNzi1zi 〔2〕

对数似然函数为： lzlnx1zln1x 〔3〕

iii1lNzixiˆ，这xixi0， 利用数值运算方法可以求得 根据：pbx1xi1iiˆ样就很容易获得i 。 ˆxˆxipbipbˆ之后，考虑下述模型： 第二步，我们在获得了i学习文档 仅供参考

ˆu ， 〔i1,2, yixiii,N〕 〔4〕

其中，我们假定ui满足高斯—马尔可夫条件。于是，运用OLS方法可以得到Tobit模型的参数估

ˆ。但是，需要注意的是，u完全可能不满足高斯—马尔可夫条件，出现序列相关或异方差的现计i象，因此，需要运用广义最小二乘法(GLS)或可行的广义最小二乘法(FGLS)。一般情况下，由OLS

方法得到的t 检验是有偏的。另外，Heckman的二步估计法不如Fair的极大似然估计法那样有效。因此，只要可能的话，最好采用极大似然估计法。

《计量经济学》博士研究生入学试题〔B〕解答

一、简答题

1、 说明随机游动过程和单位根过程的联系与差异？如何检验某个经济变量具有单位根？ 答：随机游动过程在形式上与单位根过程完全一样，但它们之间的本质性差异在t上。当t是白噪声时，我们就称该过程为随机游动过程〔random walk〕；当t是平稳过程时，该过程就是单位根过程。随机游动过程是单位根过程的一种特殊情形，它是非平稳过程。

如果某个经济变量的数据发生过程满足ytyt1ut ，假定随机干扰项ut独立同服从于均值为0，方差为的分布时，检验它是否具有单位根可以用迪基和富勒〔DF〕检验； 如果放宽对随机干扰项的限制，允许随机干扰项ut服从一个平稳过程，即ut的情况下，它是否具有单位根可以用增广的迪基和富勒〔ADF〕检验。 2、 协积的概念是什么？如何检验两个序列是协积的？

答：如果yt和xt都是非平稳I1过程变量，则我们自然会预期它们的差，或者诸如

2cjj0tj，在这种

etyt12xt一类的任何线性组合也是I1的。但是，有一种很重要的情形就是

这一情形我们称yt和xt是协积的。协积意味着yt和xtetyt12xt是一个平稳的I0过程。

学习文档 仅供参考

拥有相似的随机趋势，于是它们的差et就是平稳的，它们相互之间绝不会偏离太远。协积变量yt和

xt之间表现出一种定义为yt12xt的长期均衡关系，而et是均衡误差，表示对长期均衡关系

的一种短期偏离。

通过检验误差etyt12xt是否平稳，我们判断yt和xt之间是否协积。因为我们不能观

ˆtytˆ1ˆ2xt的平察et，所以就使用迪基—富勒〔DF〕检验，通过检验最小二乘估计的残差e稳性来替代。

3、在二元离散选择的模型中解释变量xik变化作用的符号与其系数k的符号有什么关系？为什么？ 至少写出二点关于Tobit模型与二元离散选择的模型的区别？

答：在Probit模型、Logit模型中的参数是无法直接解释的。我们可以通过如下微分来考察这些模型：

xi112expxixik 〔1〕

xik22Gxiexi1exiexiexiexi 2xxik1ei1exi2k 〔2〕

这里，xi表示标准正态密度函数。这些微分度量了xik变化的边际作用。xik变化的边际作用都依赖于xik的数值。在〔1〕和〔2〕两种情况下，xik变化作用的符号与其系数k的符号是相一致的。

Tobit模型与二元离散选择的模型的区别：〔1〕概率单位模型和Tobit 模型的区别是前者因变

量使用的是哑变量，后者因变量使用的是删尾的连续变量；〔2〕Tobit 模型中yi0要比yi0时

yiyi有更重的权数，因为有 Pryi0|xiPryi0|xi，这是其它离散选择模型所不具

备的。

4、海德拉斯〔Hildreth〕和卢〔Lu〕(1960) 检查分析了30个月度的时间序列观测数据〔从1951

年3月到1953年7月〕，定义了如下变量： cons = 每人冰激凌的消费量〔按品脱计〕 income = 每周平均的家庭收入〔按美元计〕 price = 每品脱冰激凌的价格〔按美元计〕 temp = 平均气温〔°F〕 1〕、用cons对income，price，tem和常数作线性回归模型，得到DW统计量的数值为，请说明模

型存在什么病态？

答：说明模型的随机误差项可能存在序列相关，因此，用cons对income，price，tem和常数作线

性回归模型所得到的参数估计可信度低。 2〕、上述模型中加入平均气温的一阶滞后项tem(-1)，得到DW1.5822，并且该项的系数估计为

学习文档 仅供参考

负，请说明加入该项的作用以及系数为负的经济含义。

答：模型中加入平均气温的一阶滞后项tem(-1)后，有助于改善随机误差项存在序列相关所带来的

干扰和影响；该项系数为负说明，如果上月的平均气温很高，当月趋于正常的话，当月每人冰激凌的消费量不会保持上个月的高水平，只会有所下降，并与当月的平均气温呈正向因果关系；反之也一样。 3〕、请写出2〕中模型的另一种表达式，说明该表达式中变量系数的符号，解释符号的经济意义。 答：假设const01pricet2incomet3tempt4tempt1t，且其参数满足： 10， 20， 30， 40 ，且有34，因为，一般当月的平均气温对每

人当月冰激凌的消费量影响最大。 我们可以把上述模型进行变形，即：

const01pricet2incomet(34)tempt4(tempttempt1)t 01pricet2incomettempttemptt

其中，各个变量的系数满足 10， 20， 0， 0 。

这说明每人月冰激凌的消费量受价格的抑制影响，而收入与当月的平均气温与每人冰激凌

消费量的走向一致，当月平均气温的变化量与每人冰激凌消费量的变化也是一致的。

4、 说明R和调整的R之间的差异，为什么在多变量线性回归模型的拟合评价中人们主要用R，

而不是一般的决定系数R呢？

N1ei2N(p1)i11SSE/Np1， 而 答： 由于R21N12SST/N1yiyN1i12222R21ei1Ni1N2i12yyiSSE SST因此，当模型中引入另外的回归变量时，无论这个变量是否合理，R值永远不会减小。R是用于修正自由度的拟合优度度量，即：

N1ei2N(p1)i11SSE/Np11N11R2

R21N12Np1SST/N1yiyN1i122学习文档 仅供参考

于是，当模型中引入另外的回归变量时，R值也许就会减小。因此，R并不依赖于模型中解释变量的个数，这也就是在多变量线性回归模型的拟合评价中人们主要用R，而不是用一般的拟合优度R。

2222ˆ估计 5、 对于一种简化的异方差模型，即假定：Vari/xi2hi2，这里假定hi可以被hi的。那么关于参数的可行的广义最小二乘估计〔FGLS〕量如何得到？它是否还具有广义最小二乘估计的优良性质？

答：假定 Vari/xi2hi2，hi是已知的。于是，关于参数的广义最小二乘估计〔GLS〕量适

用于下述转换了的模型：

yix(i)i hihihi很明显，转换了的模型的随机扰动项具有同方差。这样，就产生了GLS估计量：

1NˆGLSN2hixixi'i1hi12iixyi

ˆ估计，则得到参数可行的广义最小二乘估计〔FGLS〕量，即由于hi可以被hiˆFGLSNˆ2'hixixii11Nˆ2xy hiiii1ˆ 显然，FGLS不再具有无偏性的性质，但一致性继续保持。

7、在美国有人对密歇根的Ann Arbor的大学生进行调查，认为男生和女生对空间〔用ROOMPER度量〕和距学校的距离〔用DIST度量〕具有不同的观点。试问如何利用租金〔用RENT度量〕数据对下述模型：

RENT12SEX3ROOMPER4DIST

用F检验法检验假设Var男Var女？

注：SEX为虚拟变量 ——〔1；如果是女生; 0；如果是男生〕。

答：假定被调查的男大学生和女大学生人数分别为N1和NN1，利用被调查的男大学生和女大学

生的数据分别对下述模型：

i3DISTii RENTi12ROOMPER学习文档 仅供参考

2ˆ男 进行OLS估计，得到ei1N121i2ˆ女， NN1i1e21iN13(NN1)3 。

2222于是，对原假设H0：男 和备择假设H1：男 。 女女2ˆ男22检验统计量为F2 在原假设H0：男 成立时服从FN13,NN13 女ˆ女分布。假设FF1N1,NN13 ，则拒绝原假设设H0，认为Var男Var女成立；否则，就认为Var男Var女不成立。

8、为了研究美国住房需求情况，我们利用对3120个家庭调查的截面资料资料，对以下回归模型：

logQ12logP3logY

其中 Q=3120个家庭中的任何一个家庭每年所需要的住房面积平方英尺数；

P=家庭所在地住房的价格； Y=家庭收入。

假设我们认为住房需求由两个方程组成，一个描述黑人的住房需求，另一个描述白人的住房需求，这个模型可以写成：

logQ12logP3logY ；白人家庭 logQ12logP3logY ；黑人家庭

我们希望对黑人需求方程的系数等于白人需求方程的系数的原假设进行检验。这个假设是联合假设： 11 22 33

为了对上述假设进行检验，我们首先对上述模型进行估计，并将每个方程的误差平方和相加，得到ESSUR13640。现在，假设原假设为真，则模型简化为 logQ12logP3logY 所有家庭

对这个模型进行估计，得到它的误差平方和ESSR13838。我们能否认为系数全相等是正确的？ 答：对于黑人需求方程的系数等于白人需求方程的系数的原假设进行检验，我们采用邹检验〔Chow test〕。在原假设成立时，FESSRESSUR3ESSUR3114~F3,3114，计算检验统计量

学习文档 仅供参考

FESSRESSUR3ESSUR3114198315.1，远大于5%显著性水平时F3,3114的临界值，所

136403114以拒绝黑人需求方程的系数等于白人需求方程的系数的原假设，它们之间存在显著差异。

二、综合题

1、假定模型的矩阵形式

yX，其中E0， EX0；

1〕、假定E2IT，求在Rr条件下，参数的最小二乘估计量。

Rr 2〕、假定E2IT且是正态向量N0,2IT，构造检验原假设H0：［qrank(R)］

的检验统计量，并说明该检验统计量服从F分布。 3〕、如何判断参数线性约束条件是否成立，请做说明。

R2k2R4)、证明：对模型显著性检验的统计量F，请说明原假设是什么？其中，

1R2Tk1是模型 yX 在无约束条件下作OLS估计所得到的拟合优度。 解：1〕、要求在约束条件Rr下，参数向量

的最小二乘估计量，目标是求向量函数

ˆ。 VyXyX2Rr到达最小时的参数向量R对上述函数求导可得：

dRrdV 2XyX2ddˆ2Rˆ0 〔1〕 2Xy2XXRˆ  R11ˆˆXX1Rˆ 〔2〕 XXXyXXROLSˆ因为， RRˆ所以，ˆRXX1Rˆ 〔3〕 rROLS11ˆˆRXX1R1RˆrRXXRROLSROLS

〔4〕

111ˆˆˆrR即 ROLSXXRRXXROLS 〔5〕

2〕、

根据上式中带约束参数向量的最小二乘估计公式，我们有：

ˆ RˆXX1RRXX1R1RˆrOLSOLS学习文档 仅供参考

 〔6〕

从而，可以得到带约束参数向量模型的最小二乘估计残差公式： eRRRˆOLSRˆr

ˆeeeeRrRXXRRXXXe

ˆr eXXXRRXXRRˆrRXXRRXXXXXXRRXXRReOLSXXXRRXXR111OLS111ROLSOLSOLSOLS111OLSOLS111111OLSr

整理以后可得到：

11ˆˆr0 〔7〕 eReReOLSeOLSROLSrRXXRROLS

也就是说，带约束参数向量模型的最小二乘估计残差平方和相对于无参数向量约束模型的最小二乘估计残差平方和会变大，即：

eReR要检验原假设H0：R我们构造F检验统计量： FOLSeUOLSeU 〔8〕

r是否成立，需要构造检验统计量。根据〔8〕式中所表达的性质，

eUOLSqeUOLS ， 这里 qrank(R)。

eUOLSNp1eUOLSRRee 〔9〕

当原假设H0：Rr成立并且误差向量不仅满足高斯—马尔柯夫条件，还满足正态分布时，

可以得到：F分布，即FeUOLSqeUOLS服从自由度为q,Np1的F

eUOLSNp1eUOLSRReeq,Np1。

3〕、对于给定的检验水平，假设FF1q,Np1时，说明带约束参数向量模型的最

LSeUOLS之间差小二乘估计残差平方和e与无参数向量约束模型的最小二乘估计残差平方和eUOReR异显著，此时，我们对参数向量的约束条件Rr不成立，也就是说在原始模型中并不存在参数之间的这种约束关系。因此，我们拒绝原假设H0。假设FF1q,Np1时，说明带约束参数向量模型的最小二乘估计残差平方和ee与无参数向量约束模型的最小二乘估计残差平方和RRLSeUOLS之间在统计上没有什么差异，此时，我们对参数向量的约束条件Rr是合理的，也就eUO是说在原始模型的参数之间确实存在着这种关系。因此，我们接受原假设H0。

学习文档 仅供参考

4〕、注意到无参数向量约束条件时模型的拟合优度〔或称决定系数〕RU 和参数向量带约束条件时模型的拟合优度〔或称决定系数〕RR 分别为：

2RU122SSER SSEU ,2RR1SSTUSSTU从而有：SSEU可以推得：SSER2SSTU，SSER1RR2SSTU 1RU22U SSEUeeeeRRRRUOLSUOLSURSST这样，残差形式的F检验统计量：

FeUOLSqeUOLS

eUOLSNp1eUOLSRR2q RRNp1ee又可以写成拟合优度形式的F检验统计量： F1R2UR2U2RUp因此，当对模型显著性检验的统计量F，则原假设指的是所有解释变量的系2Tp11RU2数都为零，即H0：12p0。也就是当H0成立时，有RR0。这时，对模型显著2RUp性检验的统计量F。 21RUTp1

2、对线性回归模型：

yX， 其中随机误差向量满足高斯-马尔可夫条件。

1)、 定义最小二乘估计量b.

2)、 如果X的第一列每个元素都是1, 证明最小二乘残差和为零，即3)、 令(1',2')'R达式。

K1K2ei0。

,b(b1',b2')', 和 X(X1,X2), 推导b1 和 b2的表

ˆ(GLS)方差形式。 4)、 如果E' 与单位矩阵不成比例，试推出b和2解：1〕、按照最小二乘的思想，我们定义该模型最小二乘估计量 bXXXy

1学习文档 仅供参考

注意，这时我们认为XX是可逆的矩阵。

2〕、令X,X111，其中， ，则根据残差向量的矩阵形式

11eyXbIXXXXy，可以得到：Xe0， 于是可推得：

ei0e Xe0 ， 即有：ei0 。 XeXeie11X1X1X1 ，M2I2X2X2X2X2 3〕、令M1I1X1X111 根据 yX11X22 -------------- 〔1〕

由〔1〕式左乘M1 ，可得：M1yM1X11M1X22M1 ------- 〔2〕

M1X2X2M1y --------- 〔3〕 注意到： M1X10 ，可得：b2X21M2X1X1M2y --------- 〔4〕 同理： M2X20 ，可得： b1X114〕、如果E' 与单位矩阵不成比例，则根据： VarbVarXXXyXXXVaryXXX

1112可得： Varb2XX1XXXX1

2由于E' 为对称正定矩阵，所以存在非奇异矩阵P，满足PPI，也就是

P1P1。根据这一性质，我们对模型进行变换：

22 PyPXP， 显然，VarPPPI 。因此，对变换了的模型运用最

小二乘估计，得到：

ˆGLSXPPXXPPyX1X 11X1y

ˆGLSX1X从而，Var1X1(2)1XX1X12X1X1。

3、假设年轻男性职员与年轻女性职员的工资之间存在着恒定的差异，为检验年轻男性职员与年轻女

性职员受教育的回报是否相同以及方便起见，在模型中只包含受教育水平和性别二个定性的解释变量。试设计模型既能表达存在恒定的工资差异，又能反映存在受教育回报上的差异，并对模型参数的估计及其所蕴涵的意义进行讨论。

学习文档 仅供参考

解：假设年轻男性职员与年轻女性职员的工资 (wage) 之间存在着恒定的差异，同时为方便起见，

在模型中只包含受教育水平 (edu) 和性别 (female) 二个定性的解释变量。为进行模型分析，我们把定性的解释变量转换为可进行定量分析的虚拟变量，即： femalei职员1,第i个被观测者是年轻女性

0，否则等教育0，第i个被观测者没有受过初育1，第i个被观测者受过初等教 edui

育2，第i个被观测者受过中等教育3，第i个被观测者受过高等教 由于本问题涉及的解释变量多于1个虚拟变量，因此，当被解释变量取为

logwage时，这些虚拟的解释变量系数就具有一种百分比的解释。

为检验年轻男性职员与年轻女性职员受教育的回报是否相同，考虑到加入解释变量交互项能够产生不同的斜率这一作用，我们设计如下模型：

logwagei00female11femaleiieduii --------- 〔1〕

在〔1〕式中代入femalei0，就会发现，年轻男性职员这一组的截距为0，而受过初等

教育的斜率为1。对于年轻女性职员这一组，代入femalei1；于是其截距为00，而受过初等教育的斜率为11。因此，0度量了年轻男性职员与年轻女性职员在截距上的差异，1度量了年轻男性职员与年轻女性职员在受过初等教育回报上的差异。 要估计模型〔1〕，我们可以把它改写成：

logwagei00femalei1edui1femalei•eduii ----------- 〔2〕 对模型〔2〕中我们可以用OLS方法估计出参数0,0,1,1。 对于0,1的取值可以分成如下四种情况：

〔1〕00，10； 〔2〕00，10； 〔3〕00，10；

〔4〕00，10 。

其中，情形〔1〕00，10说明，年轻女性职员组各种受教育水平的人的工资都比年

轻男性职员来得低，并且其工资差距随着教育水平的提高而扩大；情形〔2〕00，10学习文档 仅供参考

说明，年轻女性职员组的截距小于年轻男性职员组，但年轻女性职员组的斜率却大于年轻男性职员组，这意味着年轻女性职员在受教育水平低的时候，其工资比年轻男性职员来得低，但随着年轻女性职员受教育水平的提高，其工资水平会接近和超过年轻男性职员。情形〔3〕与情形〔4〕的解释相类似，这里略去。

4、投资学说中的资本存量调整原理认为人们根据最近的市场需求情况预期当前的需求量

Yt，然后根据生产技术关系确定最合适的资本存量Kt为：KtvYt，从而得到必

要的净投资量NItItKt1。

1〕、为什么这种投资计划当期内不一定能实现？

2〕、说明为什么实际净投资量NIt(ItKt1)vYtYt1？并说明由于Yt

不可观测，可以用什么来替代。

3〕、运用投资学说中的资本存量调整原理说明如下例子的建模思想，并诊断被估模型中可能存在什么病态。

1ScAcD1314It5.3590.4688GNPti0.1859Kti0.257444qi0t1i0ti〔〕 (-13.3) (4.1)

2 R0.996 267.2 DW1.157

其中：It= 第t期的投资；GNPt= 第t期的国内生产总值；Kt= 第t期的资本存量； Sc= 企业内部储蓄；Ac= 由于价格变动引起的企业库存的增减；

D= 企业的设备折旧额。

解：1〕、这种计划投资总量当期内不一定能实现，主要原因投资计划有可能受到以下因素的影响：第一，设备和人员是否合理利用；第二，资金筹集是否及时到位；第三，资本品的供给是否存在延迟；第四，各种可能的财务与经营风险是否存在。因此，当期内只能实现计划投资总量的一部分。 2〕、假定这一部分的比例为，则实际的净投资量为： NItItKt1(ItKt1)(KtKt1)YtYt1 ---------- 〔1〕 从而，实际的投资量ItYtKt1 --------------- 〔2〕

 〔1〕，〔2〕两式所表达的投资函数称为资本存量调整原理。这里，Yt，Kt和It分别为计划产出

学习文档 仅供参考

量，计划资本存量和计划投资量；与自有资金，利率等因素有关，为设备折旧率，为资本与产出比。

由于Yt为计划产出总量，它不可能被观察，但它的制定依据却是历史上产出的规律和变化。所以，我们用过去产出量的线性预测

aYi0iti来替代Yt。这样，我们就有：

ItaYi0itiKt1 --------------- 〔3〕

q 当然，实际当中我们会用有限的过去产出量最合理的线性预测

aYi0iti来来替代Yt。

3〕、该例子的建模思想依据的就是2〕中的模型〔3〕。其中Yt用动态有限的过去产出量的合理线

13性预测GNPti替代；为防止资本存量数值的波动对模型估计带来的不利影响，我们用资本存

4i014量的动态滑动平均Kti来替代Kt1；由于Sc= 企业内部储蓄，Ac= 由于价格变动引起的企业

4i1库存的增减，D= 企业的设备折旧额，所以

ScAcD就反映了企业内部资金的充分程qi0ti1度。当

ScAcD比较大，相应的投资量就较大， qi0ti1当

ScAcD比较小，相应的投资量就较小。 qi0ti1 注意到，被估模型的DW1.157，相对较小，我们判断可能存在随机误差序列之间序列相关的干扰，可以进行修正。

学习文档 仅供参考