黑客高手有哪些渠道可以找到 怎么联系黑客高手

本文目录一览：

• 1、有关计量经济学的两个问题
• 2、计量经济学导论中什么导致内生性的产生
• 3、经济学中的内生性和外生性是什么意思？
• 4、虚拟变量可能存在内生性问题吗
• 5、简述计量经济学模型中内生解释变量问题引起的后果

有关计量经济学的两个问题

1.如果该变量与剩余的变量相关，小样本下，系数OLS估计量是有偏的，大样本也是非一致性的，主要是因为被剔除的解释变量包含在随机误差项里，这时解释变量与随机误差项相关，产生内生性问题；如果变量与剩余的变量无关，斜率项系数满足无偏性和一致性，但截距项系数却是有偏的

2.我认为不对，虽然可决系数是判断模型总体拟合程度好坏的贯用方法，但在经济计量分析中，一个模型被估计出来后，衡量它质量高低最重要的是考察它的经济关系是否合理，有时即使可决系数很低，但模型一样可以通过显著性水平95%下的F检验，各解释变量系数估计通过t检验，且符合经济预期，只要满足古典假设条件，这样的回归方程还是可取的，所以在实际应用中，不必对可决系数过分苛求

计量经济学导论中什么导致内生性的产生

对于截面数据的讨论，一般产生内生性问题的原因有三个：遗漏变量问题、测量误差以及反向因果问题（联立性偏误）。

如果讨论时间序列，那么特别的，我们要考虑序列相关性。

经济学中的内生性和外生性是什么意思？

产生于经济模型内部的变量就是内生变量，内生变量之间往往相互影响，即体现互为变量与函数的关系；而外生变量来自于模型之外，往往是一些参数系数之类的，不会从模型内部得到。

内生变量解决的问题是自足性的，外生变量依靠模型本省是回答不了的，要借助外部数据。

完全消化理解，不是copy粘贴。

虚拟变量可能存在内生性问题吗

计量经济学中，如果我们拥有极其多和优质的数据，那么如果所有的变量没有违反经典假设。得到的估计参数将是无偏的，在大样本之下将是一致的估计。我们来看一看经典假设：

ols1：模型关于待估计的参数是线性的。

ols2：模型的数据来源问题。对于一般的横截面数据是独立同分布的。

ols3：E(u|X)=0。无内生性假定。

ols4：X之间没有完全多重的共线性。

ols5：Var(u|X)=a^2（a是一个常数）。

ols6：残差服从独立的相同的正态分布。

其中的ols1----ols4都是要保证估计的参数是一致的。其中的第三个假定就是内生性假定。

现实情况的描述：关于计量经济学中，我们需要估计偏效应。也就是说某一个自变量对因变量的影响问题。如果这个自变量和随机误差不相关，那么我们得到的这个ols的估计参数将是一致的，也可以说是效果良好的。但是现实情况并不是这样的，现实中的变量一般都是内生变量，也就是说两个变量不是单方面的决定作用，而是相互决定的作用。那么一般而言，只要我们测量有误差或者是遗漏变量，那么就可能存在内生性的问题，也就是我们没有办法得到一个一致性的估计。

代理变量和工具变量：

什么是代理变量？——遗漏变量的解决方法。在一个方程中，假设：y=b0+b1*x1+……+bn*xn+u。方程中的变量x和随机误差不相关，或者是我们可以容忍某种程度上的相关性，那么我们可以说我们对于参数的ols地估计值是满意的，但是如果在u中我们能知道某些变量和x相关，而且这个遗漏的变量是比较重要的，那么我们怎么才能得到一个更加好的参数的估计量呢?我们如果能找到一个变量和在u中的遗漏的变量q相关，而且这个变量要和x不相关，那么我们就可以把这个遗漏的变量加入到方程中进行回归。假设我们找到可以在某种程度上反映q的一个变量，或者是一组变量z，那么我们就可以把这个z放到方程中去做ols。得到的参数的估计值要比原先的好一些。但是这里存在问题，也就是z始终不是q，那么在某种程度上没有办法完全代表q。这样也会导致估计的参数存在一定的不一致，但是总是比原来那个没有z条件下估计出来的参数要好一些。但是在一定的情况之下，我们能知道到底是过高的估计，还是过低的估计。因为q=a0+a1*x1+a2*x2……+an*xn+c1*z1+c2*z2……+ck*zk。把这个方程带到原来的方程中（y=b0+b1*x1+……+bn*xn+c*q+u）。那么我们可以得到关于bi的估计值是bi+ai。实际上这个估计值也是有偏的。

实际上参数的估计值的偏向取决于两个因素，第一：遗漏变量q和z之间的关系，也就是协方差是正的还是负的。第二：取决于q和y的关系。如果：cov(q,z)0且cov(q,y)0，向上偏误。如果：cov(q,z)0且cov(q,y)0，向下偏误。如果cov(q,z)0且cov(q,y)0，向下偏误。cov(q,z)0且cov(q,y)0，向上偏误。

工具变量方法：工具变量法和代理变量方法是不同的，这个区别千万要注意，理念也是不同的。一般而言，工具变量方法可以解决遗漏变量问题，也可以解决测量误差问题。

现在先说测量误差的解决方法：比如在一个回归中，我们认为其中的一个变量xi有测量误差，而且这个测量误差和u相关，此时我们要找到一个变量z，满足两个条件：1、cov(xi,z)0，2、cov(z,u)=0。满足这两个条件的情况之下，我们就是使用2sls方法进行回归。首先xi对X（不包括xi）和工具变量集合进行回归（工具变量不一定是一个，可能十多个，那么工具变量就可能是一个集合），进行回归，得到一个拟和的xi。此时做y对X（其中的xi用刚才那个回归中的得到的拟和值来替代）。此时做出的回归是一致的。

现在讨论隐性变量的问题：如何利用工具变量的方法来解决隐性变量的问题？

隐性变量的问题一般而言可以用上面说过的代理变量来解决，但是那样的结果是有偏的，并且是不一致的。尽管比没有用的时候好，但是如果条件允许，那么我们可以用工具变量的方法来得到一个比代理变量还要好的结果。这个条件就是：如果知道隐性变量q没有办法准确测量或者没有一个公认的测评标准，那么我们可以利用其他与q相关的指标来进行工具变量，但是必须有两个相关的可测的观测值，并且这两个观测值不能有测量误差。此时我们随便利用一个观测指标带到方程中，就可以得到一个有测量误差的回归模型，此时问题就如同测量误差的解决方法一样来解决，假设q1,q2是不同的指标观测值。那么我们可以1、做q1对X和q2的回归，得到拟和值。2、在做y 对X和q1的拟和值回归。此时的得到的就是一致估计量。

简述计量经济学模型中内生解释变量问题引起的后果

1、比较普通最小二乘法、加权最小二乘法和广义最小二乘法的异同。

答：普通最小二乘法的思想是使样本回归函数尽可能好的拟合样本数据，反映在图上就是是样本点偏离样本回归线的距离总体上最小，即残差平方和最小。只有在满足了线性回归模型的古典假设时候，采用OLS才能保证参数估计结果的可靠性。

在不满足基本假设时，如出现异方差，就不能采用OLS。加权最小二乘法是对原模型加权，对较小残差平方和赋予较大的权重，对较大赋予较小的权重，消除异方差，然后在采用OLS估计其参数。

在出现序列相关时，可以采用广义最小二乘法，这是最具有普遍意义的最小二乘法。

最小二乘法是加权最小二乘法的特例，普通最小二乘法和加权最小二乘法是广义最小二乘法的特列。

6、虚拟变量有哪几种基本的引入方式? 它们各适用于什么情况?

答: 在模型中引入虚拟变量的主要方式有加法方式与乘法方式，前者主要适用于定性因素对截距项产生影响的情况，后者主要适用于定性因素对斜率项产生影响的情况。除此外，还可以加法与乘法组合的方式引入虚拟变量，这时可测度定性因素对截距项与斜率项同时产生影响的情况。

7、联立方程计量经济学模型中结构式方程的结构参数为什么不能直接应用OLS估计？

答：主要的原因有三：第一，结构方程解释变量中的内生解释变量是随机解释变量,不能直接用OLS来估计；第二，在估计联立方程系统中某一个随机方程参数时，需要考虑没有包含在该方程中的变量的数据信息，而单方程的OLS估计做不到这一点；第三，联立方程计量经济学模型系统中每个随机方程之间往往存在某种相关性，表现于不同方程随机干扰项之间，如果采用单方程方法估计某一个方程，是不可能考虑这种相关性的，造成信息的损失。

2、计量经济模型有哪些应用。

答：①结构分析，即是利用模型对经济变量之间的相互关系做出研究，分析当其他条件不变时，模型中的解释变量发生一定的变动对被解释变量的影响程度。②经济预测，即是利用建立起来的计量经济模型对被解释变量的未来值做出预测估计或推算。③政策评价，对不同的政策方案可能产生的后果进行评价对比，从中做出选择的过程。④检验和发展经济理论，计量经济模型可用来检验经济理论的正确性，并揭示经济活动所遵循的经济规律。

6、简述建立与应用计量经济模型的主要步骤。

答：一般分为5个步骤：①根据经济理论建立计量经济模型；②样本数据的收集；③估计参数；④模型的检验；⑤计量经济模型的应用。

7、对计量经济模型的检验应从几个方面入手。

答：①经济意义检验；②统计准则检验；③计量经济学准则检验；④模型预测检验。

1、在计量经济模型中，为什么会存在随机误差项？

答：①模型中被忽略掉的影响因素造成的误差；②模型关系认定不准确造成的误差；③变量的测量误差；④随机因素。这些因素都被归并在随机误差项中考虑。因此，随机误差项是计量经济模型中不可缺少的一部分。