《《计量经济学》第四章精选题及答案》由会员分享,可在线阅读,更多相关《《计量经济学》第四章精选题及答案(10页珍藏版)》请在金锄头文库上搜索。
1、第四章:多重共线性二、简答题1、导致多重共线性的原因有哪些?2、多重共线性为什么会使得模型的预测功能失效?3、如何利用辅回归模型来检验多重共线性?4、判断以下说法正确、错误,还是不确定?并简要陈述你的理由。(1)尽管存在完全的多重共线性,OLS估计量还是最优线性无偏估计量(BLUE)。(2)在高度多重共线性的情况下,要评价一个或者多个偏回归系数的个别显著性是不可能的。(3)如果某一辅回归显示出较高的值,则必然会存在高度的多重共线性。(4)变量之间的相关系数较高是存在多重共线性的充分必要条件。(5)如果回归的目的仅仅是为了预测,则变量之间存在多重共线性是无害的。5、考虑下面的一组数据:Y-10-
2、8-6-4-20246810123456789101113579111315171921如果我们用模型:来对以上数据进行拟合回归。(1) 我们能得到这3个估计量吗?并说明理由。(2) 如果不能,那么我们能否估计得到这些参数的线性组合?可以的话,写出必要的计算过程。6、考虑以下模型: 由于和是的函数,那么它们之间存在多重共线性。这种说法对吗?为什么?7、在涉及时间序列数据的回归分析中,如果回归模型不仅含有解释变量的当前值,同时还含有它们的滞后值,我们把这类模型称为分布滞后模型(distributed-lag model)。我们考虑以下模型:其中Y消费,X收入,t时间。该模型表示当期的消费是其现期
3、的收入及其滞后三期的收入的线性函数。(1) 在这一类模型中是否会存在多重共线性?为什么?(2) 如果存在多重共线性的话,应该如何解决这个问题?8、设想在模型 中,和之间的相关系数为零。如果我们做如下的回归:(1)会不会存在且?为什么?(2)会等于或或两者的某个线性组合吗?(3)会不会有且?9、通过一些简单的计量软件(比如EViews、SPSS),我们可以得到各变量之间的相关矩阵:。怎样可以从相关矩阵看出完全多重共线性、近似多重共线性或者不存在多重共线性?三、计算题1、考虑消费函数 其中,C、Y、W依次表示消费、收入与财富。下面是假想数据。CYW7080810651001009901201273
4、951401425110160163311518018761202002252140220220115524024351502602686(1) 作C对Y和W的普通最小二乘回归。(2) 这一回归方程是否存在着多重共线性?你的判断依据是什么?(3) 分别作C对Y和W的回归,这些回归结果表明了什么?(4) 作W对Y的回归。这一回归结果表明了什么?(5) 如果存在严重的共线性,你是否会删除一个解释变量?为什么?2、下表给出了美国1971-1986年期间新客车出售的数据。年份Y197110227112.0121.3776.84.8979367197210872111.0125.3839.64.5582
5、153197311350111.1133.1949.87.388506419748775117.5147.71038.48.618679419758539127.6161.21142.86.168584619769994135.7170.51252.65.2288752197711046142.9181.51379.35.5092017197811164153.8195.31551.27.7896048197910559166.0217.71729.310.259882419808979179.3247.01918.011.289930319818535190.2272.32127.613.7
6、319827980197.6286.62261.411.209952619839179202.6297.42428.18.69198410394208.5307.62670.69.65198511039215.2318.52841.17.75198611450224.4323.43022.16.31Y新车出售量,未经季节调整数量;新车,消费者价格指数,1967年=100,未经季节调整;消费者价格指数,1967年=100,未经季节调整;个人可支配收入,10亿美元,未经季节调整;利率,百分数,金融公司票据直接使用;民间就业劳动人数(个人),未经季节调整。(1) 如果你决定使用表中全部回归元作为解释
7、变量,可能会遇到多重共线性吗?为什么?(2) 如果你这样认为的话,你准备怎样解决这个问题?明确你的假设并说明全部计算。(3) 制定适当的线性或者对数线性的模型,以估计美国对汽车的需求函数。第二部分:参考答案一、 术语解释1、多重共线性:对于经典线性回归模型(CLRM) 如果上式中某两个或多个解释变量之间出现了相关性,则称为存在多重共线性。依据解释变量之间共线性的程度不同,可以分为完全多重共线性和近似多重共线性。 2、完全多重共线性与近似多重共线性:所谓完全多重共线性,是指线性回归模型中的若干解释变量或全部解释变量之间具有严格的线性关系,也就是说,对于多元线性回归模型,若各解释变量的之间存在如下
8、的关系式: 式中是不全为零的常数,则称这些解释变量之间存在完全多重共线性。当各解释变量的之间存在如下的近似的线性关系: 则可以说上述解释变量之间存在近似多重共线性。还可以采用如下的方式,在近似线性关系式中,假设,则可将此近似线性关系表示为:其中为随机误差项。3、辅回归:在变量之间存在多重共线性的情况下,有一个解释变量能由其它解释变量近似的线性表示出来。为了找出哪个解释变量和其它变量有这种关系,我们可以将每个对其余变量进行回归,即这种回归叫做辅回归,它是相对于Y对各个X的主回归而言的。二、简答题1、答:经济数据中大量存在多重共线性这一现象,主要原因在于:经济领域很难象其它实验学科那样从控制性试验
9、中获得数据;此外,可能有经济变量结构上的原因,也有数据收集与模型设定方面的原因,具体的,有以下几种:(1)所使用的数据收集方法。我们只能在一个有限的范围内得到观察值,无法进行重复试验。(2)模型或从中取样的总体受到约束(经济变量的共同趋势)。(3)模型设定的偏误。(4)过度决定的模型。这种情况尤其容易发生在解释变量的个数大于观测值个数的情形。由于上述原因,实际应用中,解释变量之间总会存在一定程度的线性相关,因此,问题不是多重线性有无,而是多重共线性的严重程度。2、答:多元线性回归模型的一个重要应用是经济预测。对于模型如果给定样本以外的解释变量的观测值,就可以得到被解释变量的预测值但是,这只是被
10、解释变量的预测值的估计值而不是预测值。预测值仅以某一个置信水平位于以该估计值为中心的一个区间中。对于预测的置信区间,我们利用的是构造统计量,得到在给定的置信水平下的置信区间为显然,当解释变量之间存在多重共线性时, 非常大,故而的置信区间也很大,因此,模型的预测功能失效。3、答:辅回归是相对于Y对各个X的主回归而言的。在变量之间存在多重共线性的情况下,有一个解释变量能由其它解释变量近似的线性表示出来。为了找出哪个解释变量和其它变量有这种关系,我们可以将每个对其余变量进行回归,即,并计算相应的决定系数,分别记为。然后,我们在建立统计量:它服从自由度为k-2和n-k+1的F分布。其中n为样本大小,k
11、为包括常数项在内的解释变量个数。如果计算出的超过了相应自由度的临界值,则认为这个和其余的解释变量存在共线性;如果未超过临界值,则认为这个和其余的解释变量不存在共线性。这种辅回归模型检验不仅可以检验是否存在多重共线性,而且还可以得到多重共线性的具体形式。4、答:(1)错。如果变量之间存在完全的线性关系时,我们甚至无法估计其系数或者标准误。(2)错。在高度多重共线性的情况下,仍然可以得到一个或者多个显著的t值。(3)错。OLS估计量的方差有下式给出:从此式可以看出,一个很高的可被一个很低的或者很高的抵消掉。(4)错。如果一个模型只有两个回归元,两两之间的高度相关系数便表示存在多重共线性。但是在变量
12、之间存在多重共线性的前提下,可能是几个变量之间的关系。变量之间的相关系数较高是存在多重共线性的充分非必要条件。(5)不确定。如果观测到共线性在后来的样本数据中继续存在,或许无害。但如果不是这样,或者目的在于做出精确的估计的话,多重共线性便成为问题。如果仅仅要是预测的话,预测有效的前提条件是模型结构的稳定。5、答:(1)不能。通过对和的观察,我们可以知道它们存在以下的关系:,所以可知变量和是完全线性相关的。(2)把方程写成 其中。因此,我们可以唯一的估计出和,但无法估计出原始的,因为两个方程无法解出三个未知数。6、答:这种说法不正确。因为和都是的非线性函数,把它们包括在回归模型中并不违反经典性线
13、性回归模型的基本假设。多重共线性的相关是指的变量之间的线性相关。7、答:(1)是的。经济时间序列数据有同向变动的趋势。在这里,收入的滞后变量一般也可以相同的方向变动。(2)在遇到时间序列数据存在线性相关性时,我们一般都是采用一阶或者高阶差分变换来消除共线性。8、答:(1)是的。这是因为和之间的相关系数为0,所以系数的表达式、中的交叉乘积项消失,从而变成与和系数同样的表示式。(2)是它们的一个线性组合。证明如下: 因此有。(3)不是。原因如下: 。9、答:我们可以利用相关矩阵的行列式来判断多重共线性与否,可以利用R的行列式大小来判断多重共线性的强弱。(1) 若R的行列式为0时,则存在完全的共线性。(2) 若R的行列式很小接近于0时,则存在近似的共线性。(3) 若R的行列式为1时,则变量正交、不存在共线性。三、计算题1、解:(1)使用EViews软件进行回归Dependent Variable: SER01Method: Least SquaresDate: 07/02/06 Time: 19:32Sample: 1 10Included observations: 10VariableCoefficientStd. Errort-StatisticProb. C24.33698