计量经济学 第二版庞皓 科学出版社第四章练习题解答.docx
《计量经济学 第二版庞皓 科学出版社第四章练习题解答.docx》由会员分享，可在线阅读，更多相关《计量经济学 第二版庞皓 科学出版社第四章练习题解答.docx（19页珍藏版）》请在冰点文库上搜索。
计量经济学第二版庞皓科学出版社第四章练习题解答
第四章
4.1假设在模型
中，
之间的相关系数为零，于是有人建议你进行如下回归：
（1）是否存在
？
为什么？
（2）
（3）是否有
？
练习题4.1参考解答：
（1）存在
。
因为
当
之间的相关系数为零时，离差形式的
有
同理有：
（2）
因为
，且
，
由于
，则
则
（3）存在
。
因为
当
时，
同理，有
4.2在决定一个回归模型的“最优”解释变量集时人们常用逐步回归的方法。
在逐步回归中既可采取每次引进一个解释变量的程序（逐步向前回归），也可以先把所有可能的解释变量都放在一个多元回归中，然后逐一地将它们剔除（逐步向后回归）。
加进或剔除一个变量，通常是根据F检验看其对ESS的贡献而作出决定的。
根据你现在对多重共线性的认识，你赞成任何一种逐步回归的程序吗？
为什么？
练习题4.2参考解答：
根据对多重共线性的理解，逐步向前和逐步向后回归的程序都存在不足。
逐步向前法不能反映引进新的解释变量后的变化情况，即一旦引入就保留在方程中；逐步向后法则一旦某个解释变量被剔出就再也没有机会重新进入方程。
而解释变量之间及其与被解释变量的相关关系与引入的变量个数及同时引入哪些变量而呈现出不同，所以要寻找到“最优”变量子集则采用逐步回归较好，它吸收了逐步向前和逐步向后的优点。
4.3下表给出了中国商品进口额Y、国内生产总值GDP、居民消费价格指数CPI。
表4.11中国商品进口额、国内生产总值、居民消费价格指数
年份
商品进口额
（亿元）
国内生产总值
（亿元）
居民消费价格指数（1985=100）
1985
1257.8
9016.0
100.0
1986
1498.3
10275.2
106.5
1987
1614.2
12058.6
114.3
1988
2055.1
15042.8
135.8
1989
2199.9
16992.3
160.2
1990
2574.3
18667.8
165.2
1991
3398.7
21781.5
170.8
1992
4443.3
26923.5
181.7
1993
5986.2
35333.9
208.4
1994
9960.1
48197.9
258.6
1995
11048.1
60793.7
302.8
1996
11557.4
71176.6
327.9
1997
11806.5
78973.0
337.1
1998
11626.1
84402.3
334.4
1999
13736.4
89677.1
329.7
2000
18638.8
99214.6
331.0
2001
20159.2
109655.2
333.3
2002
24430.3
120332.7
330.6
2003
34195.6
135822.8
334.6
2004
46435.8
159878.3
347.7
2005
54273.7
183084.8
353.9
2006
63376.9
211923.5
359.2
2007
73284.6
249529.9
376.5
资料来源：
《中国统计年鉴》，中国统计出版社2000年、2008年。
请考虑下列模型：
1）利用表中数据估计此模型的参数。
2）你认为数据中有多重共线性吗？
3）进行以下回归：
根据这些回归你能对数据中多重共线性的性质说些什么？
4）假设数据有多重共线性，但
在5%水平上个别地显著，并且总的F检验也是显著的。
对这样的情形，我们是否应考虑共线性的问题？
练习题4.3参考解答：
（1）参数估计结果如下
（括号内为标准误）
（2）居民消费价格指数的回归系数的符号不能进行合理的经济意义解释，且且CPI与进口之间的简单相关系数呈现正向变动。
可能数据中有多重共线性。
计算相关系数:
（3）最大的CI=108.812，表明GDP与CPI之间存在较高的线性相关。
（4）分别拟合的回归模型如下：
单方程拟合效果都很好，回归系数显著，可决系数较高，GDP和CPI对进口分别有显著的单一影响，在这两个变量同时引入模型时影响方向发生了改变，这只有通过相关系数的分析才能发现。
（5）如果仅仅是作预测，可以不在意这种多重共线性，但如果是进行结构分析，还是应该引起注意。
4.4自己找一个经济问题来建立多元线性回归模型，怎样选择变量和构造解释变量数据矩阵X才可能避免多重共线性的出现？
练习题4.4参考解答：
本题很灵活，主要应注意以下问题:
（1）选择变量时要有理论支持，即理论预期或假设；变量的数据要足够长，被解释变量与解释变量之间要有因果关系，并高度相关。
（2）建模时尽量使解释变量之间不高度相关，或解释变量的线性组合不高度相关。
4.5克莱因与戈德伯格曾用1921-1950年（1942-1944年战争期间略去）美国国内消费Y和工资收入X1、非工资—非农业收入X2、农业收入X3的时间序列资料，利用OLSE估计得出了下列回归方程：
括号中的数据为相应参数估计量的标准误差。
试对上述模型进行评析，指出其中存在的问题。
练习题4.5参考解答：
从模型拟合结果可知，样本观测个数为27，消费模型的判定系数
，F统计量为107.37，在0.05置信水平下查分子自由度为3，分母自由度为23的F临界值为3.028，计算的F值远大于临界值，表明回归方程是显著的。
模型整体拟合程度较高。
依据参数估计量及其标准误，可计算出各回归系数估计量的t统计量值：
除
外，其余的
值都很小。
工资收入X1的系数的t检验值虽然显著，但该系数的估计值过大，该值为工资收入对消费边际效应，因为它为1.059，意味着工资收入每增加一美元，消费支出的增长平均将超过一美元，这与经济理论和常识不符。
另外，理论上非工资—非农业收入与农业收入也是消费行为的重要解释变量，但两者的t检验都没有通过。
这些迹象表明，模型中存在严重的多重共线性，不同收入部分之间的相互关系，掩盖了各个部分对解释消费行为的单独影响。
4.6理论上认为影响能源消费需求总量的因素主要有经济发展水平、收入水平、产业发展、人民生活水平提高、能源转换技术等因素。
为此，收集了中国能源消费总量Y（万吨标准煤）、国民总收入（亿元）X1（代表收入水平）、国内生产总值（亿元）X2（代表经济发展水平）、工业增加值（亿元）X3、建筑业增加值（亿元）X4、交通运输邮电业增加值（亿元）X5（代表产业发展水平及产业结构）、人均生活电力消费（千瓦小时）X6（代表人民生活水平提高）、能源加工转换效率（%）X7（代表能源转换技术）等在1985-2007年期间的统计数据，具体如表4.2所示。
表4.121985~2007年统计数据
年份
能源消费
国民
总收入
国内生
产总值
工业
增加值
建筑业
增加值
交通运输邮电
增加值
人均生活
电力消费
能源加工
转换效率
y
X1
X2
X3
X4
X5
X6
X7
1985
76682
9040.7
9016
3448.7
417.9
406.9
21.3
68.29
1986
80850
10274.4
10275.2
3967
525.7
475.6
23.2
68.32
1987
86632
12050.6
12058.6
4585.8
665.8
544.9
26.4
67.48
1988
92997
15036.8
15042.8
5777.2
810
661
31.2
66.54
1989
96934
17000.9
16992.3
6484
794
786
35.3
66.51
1990
98703
18718.3
18667.8
6858
859.4
1147.5
42.4
67.2
1991
103783
21826.2
21781.5
8087.1
1015.1
1409.7
46.9
65.9
1992
109170
26937.3
26923.5
10284.5
1415
1681.8
54.6
66.00
1993
115993
35260
35333.9
14188
2266.5
2205.6
61.2
67.32
1994
122737
48108.5
48197.9
19480.7
2964.7
2898.3
72.7
65.2
1995
131176
59810.5
60793.7
24950.6
3728.8
3424.1
83.5
71.05
1996
138948
70142.5
71176.6
29447.6
4387.4
4068.5
93.1
71.5
1997
137798
77653.1
78973
32921.4
4621.6
4593
101.8
69.23
1998
132214
83024.3
84402.3
34018.4
4985.8
5178.4
106.6
69.44
1999
133831
88189
89677.1
35861.5
5172.1
5821.8
118.2
69.19
2000
138553
98000.5
99214.6
4003.6
5522.3
7333.4
132.4
69.04
2001
143199
108068.2
109655.2
43580.6
5931.7
8406.1
144.6
69.03
2002
151797
119095.7
120332.7
47431.3
6465.5
9393.4
156.3
69.04
2003
174990
135174
135822.8
54945.5
7490.8
10098.4
173.7
69.4
2004
203227
159586.7
159878.3
65210
8694.3
12147.6
190.2
70.71
2005
223319
183956.1
183084.8
76912.9
10133.8
10526.1
216.7
71.08
2006
246270
213131.7
211923.5
91310.9
11851.1
12481.1
249.4
71.24
2007
265583
251483.2
249529.9
107367.2
14014.1
14604.1
274.9
71.25
资料来源：
《中国统计年鉴》，中国统计出版社2000、2008年版。
要求：
1）建立对数多元线性回归模型，分析回归结果。
2）如果决定用表中全部变量作为解释变量，你预料会遇到多重共线性的问题吗？
为什么？
3）如果有多重共线性，你准备怎样解决这个问题？
明确你的假设并说明全部计算。
练习题4.6参考解答：
（1）建立对数线性多元回归模型，引入全部变量建立对数线性多元回归模型如下:
生成:
lny=log（y）,同样方法生成:
lnx1,lnx2,lnx3,lnx4,lnx5,lnx6,lnx7.
作全部变量对数线性多元回归,结果为:
从修正的可决系数和F统计量可以看出，全部变量对数线性多元回归整体对样本拟合很好，，各变量联合起来对能源消费影响显著。
可是其中的lnX3、lnX4、lnX6对lnY影响不显著,而且lnX2、lnX5的参数为负值，在经济意义上不合理。
所以这样的回归结果并不理想。
（2）预料此回归模型会遇到多重共线性问题,因为国民总收入与GDP本来就是一对关联指标；而工业增加值、建筑业增加值、交通运输邮电业增加值则是GDP的组成部分。
这两组指标必定存在高度相关。
解释变量国民总收入（亿元）X1（代表收入水平）、国内生产总值（亿元）X2（代表经济发展水平）、工业增加值（亿元）X3、建筑业增加值（亿元）X4、交通运输邮电业增加值（亿元）X5（代表产业发展水平及产业结构）、人均生活电力消费（千瓦小时）X6（代表人民生活水平提高）、能源加工转换效率（%）X7（代表能源转换技术）等很可能线性相关,计算相关系数如下:
可以看出lnx1与lnx2、lnx3、lnx4、lnx5、lnx6之间高度相关，许多相关系数高于0.900以上。
如果决定用表中全部变量作为解释变量，很可能会出现严重多重共线性问题。
（3）因为存在多重共线性，解决方法如下：
A：
修正理论假设，在高度相关的变量中选择相关程度最高的变量进行回归建立模型：
而对变量取对数后，能源消费总量的对数与人均生活电力消费的对数相关程度最高，可建立这两者之间的回归模型。
如
B：
进行逐步回归，直至模型符合需要研究的问题，具有实际的经济意义和统计意义。
采用逐步回归的办法，去检验和解决多重共线性问题。
分别作
对
的一元回归，结果如下:
一元回归结果：
变量
lnX1
lnX2
lnX3
lnX4
lnX5
lnX6
lnX7
参数估计值
0.316
0.315
0.277
0.297
0.273
0.421
8.73
t统计量
14.985
14.62
9.718
13.22
11.717
16.173
4.648
可决系数
0.914
0.911
0.818
0.893
0.867
0.926
0.507
调整可决系数
0.910
0.906
0.809
0.888
0.861
0.922
0.484
其中加入lnX6的方程调整的可决系数最大,以lnX6为基础,顺次加入其他变量逐步回归。
结果如下表:
变量
lnX1
lnX2
lnX3
lnX4
lnX5
lnX6
lnX7
lnX6
lnX1
-0.186
（-0.698）
0.666
（1.891）
0.920
lnX6
lnX2
-0.251
（-1.021）
0.753
（2.308）
0.922
lnX6
lnX3
0.061
（1.548）
0.341
（5.901）
0.927
lnX6
lnX4
-0.119
（-0.897）
0.585
（3.167）
0.921
lnX6
lnX5
-0.623
（-7.127）
1.344
（10.314）
0.977
lnX6
lnX7
0.391
（11.071）
0.924
经比较，新加入lnX5的方程调整可决系数改进最大,各参数的t检验也都显著，但是lnX5参数的符号与经济意义不符合。
若再加入其他变量后的逐步回归,若剔除不显著的变量和无经济意义的变量后,仍为第一步所建只包含lnX6的一元回归模型。
如果需要建立多元线性回归模型，则需寻找新的变量或改变模型形式。
例如,不取对数作全部变量多元线性回归,结果为:
可以看出还是有严重多重共线性。
作逐步回归:
分别作一元回归得到：
变量
X1
X2
X3
X4
X5
X6
X7
参数估计值
0.7333
0.7353
1.6655
13.1909
10.8980
678.0058
19332.30
t统计量
26.4698
25.3627
18.0257
25.9636
13.5147
22.4229
4.7024
0.9709
0.9684
0.9393
0.9697
0.8969
0.9599
0.5129
0.9695
0.9669
0.9364
0.9683
0.8920
0.9580
0.4897
以X1为基础加入其他变量,结果为:
X1
X2
X3
X4
X5
X6
X7
X1，X2
6.6399（0.0022）
-5.9308
（0.0054）
0.9785
X1，X3
0.5512
（0.0000）
0.4349
（0.0821）
0.9726
X1，X4
0.5040
（0.3356）
4.1326
（0.6580）
0.9683
X1，X5
1.0516
（0.0000）
-5.0269
（0.013）
0.9766
X1，X6
1.0075
（0.0088）
-255.80
（0.438）
0.9690
X1，X7
0.7499
（0.0000）
-813.44
（0.5988）
0.9684
注:
括号中为p值.
可以发现加入X2、X5、X6、X7后参数的符号不合理,加入X4后并不显著。
只有加入X3后修正的可决系数有所提高,而且参数符号的经济意义合理,X3参数估计值的p值为0.0821，在10%的显著性水平下是显著的。
所以相对较为合理的模型估计结果可以为:
可是这里的lnX2和lnX5的参数符号为负,在经济意义上并不合理。
说明多重共线性影响仍然很严重。
可是，这里的X2的参数为负，是不合理的。
从经济意义上看，在各种回归结果中，选择X1和x3的估计检验结果为：
参数经济意义合理，其中的X3在
下是显著的。
相对说更为合理。
4.7在本章开始的“引子”提出的“农业的发展反而会减少财政收入吗？
”的例子中，如果所采用的数据如下表所示
表4.131978-2007年财政收入及其影响因素数据
年份
财政收入（亿元）CS
农业增加值（亿元）NZ
工业增加值（亿元）GZ
建筑业增加值（亿元）JZZ
总人口（万人）TPOP
最终消费（亿元）CUM
受灾面积（千公顷）SZM
1978
1132.3
1027.5
1607
138.2
96259
2239.1
50790
1979
1146.4
1270.2
1769.7
143.8
97542
2633.7
39370
1980
1159.9
1371.6
1996.5
195.5
98705
3007.9
44526
1981
1175.8
1559.5
2048.4
207.1
100072
3361.5
39790
1982
1212.3
1777.4
2162.3
220.7
101654
37148
33130
1983
1367
1978.4
2375.6
270.6
103008
4126.4
34710
1984
1642.9
2316.1
2789
316.7
104357
4846.3
31890
1985
2004.8
2564.4
3448.7
417.9
105851
5986.3
44365
1986
2122
2788.7
3967
525.7
107507
6821.8
47140
1987
2199.4
3233.0
4585.8
665.8
109300
7804.6
42090
1988
2357.2
3865.4
5777.2
810
111026
9839.5
50870
1989
2664.9
4265.9
6484
794
112704
11164.2
46991
1990
2937.1
5062.0
6858
859.4
114333
12090.5
38474
1991
3149.48
5342.2
8087.1
1015.1
115823
14091.9
55472
1992
3483.37
5866.6
10284.5
1415
117171
17203.3
51333
1993
4348.95
6963.8
14188
2266.5
118517
21899.9
48829
1994
5218.1
9572.7
19480.7
2964.7
119850
29242.2
55043
1995
6242.2
12135.8
24950.6
3728.8
121121
36748.2
45821
1996
7407.99
14015.4
29447.6
4387.4
122389
43919.5
46989
1997
8651.14
14441.9
32921.4
4621.6
123626
48140.6
53429
1998
9875.95
14817.6
34018.4
4985.8
124761
51588.2
50145
1999
11444.08
14770.0
35861.5
5172.1
125786
55636.9
49981
2000
13395.23
14944.7
4003.6
5522.3
126743
61516
54688
2001
16386.04
15781.3
43580.6
5931.7
127627
66878.3
52215
2002
18903.64
16537.0
47431.3
6465.5
128453
71691.2
47119
2003
21715.25
17381.7
54945.5
7490.8
129227
77449.5
54506
2004
26396.47
21412.7
65210
8694.3
129988
87032.9
37106
2005
31649.29
22420.0
76912.9
10133.8
130756
96918.1
38818
2006
38760.20
24040.0
91310.9
11851.1
131448
110595.3
41091
2007
51321.78
28095.0
107367.2
14014.1
132129
128444.6
48992
（资料来源：
《中国统计年鉴2008》，中国统计出版社2008年版）
试分析：
为什么会出现本章开始时所得到的异常结果？
怎样解决所出现的问题？
练习题4.7参考解答:
（1）根据样本数据得到各解释变量的样本相关系数矩阵如下：
样本相关系数矩阵
解释变量之间相关系数较高，特别是农业增加值、工业增加值、建筑业增加值、最终消费之间，相关系
升级会员 