A.cov(ut,us)?0(t?s)C.ut??1ut?1??2ut?2??tB.ut??ut?1??tD.ut??2ut?1??t

29. 在序列自相关的情况下，参数估计值仍是无偏的，其原因是（ ）

A. 无多重共线性假定成立

B. 同方差假定成立 C. 零均值假定成立

D. 解释变量与随机误差项不相关假定成立

30. 应用DW检验方法时应满足该方法的假定条件，下列不是其假定条件的为（ ）

A. 解释变量为非随机的

B. 被解释变量为非随机的

C. 线性回归模型中不能含有滞后内生变量 D. 随机误差项服从一阶自回归

31. 在下列引起序列自相关的原因中，不正确的是（ ）

A. 经济变量具有惯性作用 B. 经济行为的滞后性

C. 设定偏误 D. 解释变量之间的共线性 32. 在DW检验中，当d统计量为2时，表明（ ）

A. 存在完全的正自相关 B. 存在完全的负自相关

C. 不存在自相关 D. 不能判定

33. 在序列自相关的情况下，参数估计值的方差不能正确估计的原因是（ ）

A.E(ui2)??2C.E(xiui)?0B.E(uiuj)?0(i?j)D.E(ui)?0

34. 如果回归模型违背了无自相关假定，最小二乘估计量是( )

A．无偏的，有效的 B. 有偏的，非有效的

C．无偏的，非有效的 D. 有偏的，有效的 （2）多选

35. 如果模型中存在序列自相关现象，则有如下后果（ ）

A. 参数估计值有偏 B. 参数估计值的方差不能正确确定

C. 变量的显著性检验失效 D. 预测精度降低 E．参数估计值仍是无偏的

36. 在DW检验中，存在不能判定的区域是（ ）

A. 0﹤d﹤dl B. du﹤d﹤4-du C. dl﹤d﹤du D. 4-du﹤d﹤4-dl E．4-dl﹤d﹤4 37. 检验序列自相关的方法是（ ）

16

A. F检验法 B. White检验法 C. 图形法

D. ARCH检验法 E．DW检验法 F. Goldfeld-Quandt检验法

四、计算分析题

1.用家庭消费支出(Y)、可支配收入(X1)、个人财富(X2)设定模型如下：

Yi??0??1X1i??2X2i??i,回归分析结果为：

Dependent Variable: Y Method: Least Squares Included observations: 10

Variable C X1 X2

R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient 24.4070 -0.3401 0.0823

Std. Error 6.9973 0.4785 0.0458

t-Statistic 3.4881 -0.7108 1.7969

Prob. 0.0101 0.5002 0.1152

0.9615 Mean dependent var 111.1256 0.9505 S.D. dependent var 6.5436 Akaike info criterion 342.5486 Schwarz criterion -31.8585 F-statistic 2.4382 Prob(F-statistic)

31.4289 4.1338 4.2246 87.3336 0.000000

其中已知

d0.05(2.10)?L=0.697, d0.05(2.10)?U=1.641

（1）在0.05的显著性水平下，判断模型中随机误差项是否存在自相关性，要求

把DW检验的临界值和区域图画出来。

（2）计算随机误差项的一阶自相关系数的估计值。

2．某线性回归的结果如下：

Dependent Variable: Y Method: Least Squares Date: 11/17/11 Time: 20:45 Sample: 1981 1999 Included observations: 19 Variable C G

Coefficient 1.430711 0.271960

Std. Error 0.860619 0.170940

17

t-Statistic 1.662421 1.590969

Prob. 0.1159 0.1312

S R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.416152 0.023857 17.44372 0.0000 0.496602 -2.636977 -2.487855 603.6032 0.000000

0.986920 Mean dependent var 5.407480 0.985285 S.D. dependent var 0.060241 Akaike info criterion 0.058064 Schwarz criterion 28.05128 F-statistic 0.553242 Prob(F-statistic)

（dλL=1.704 dλU=1.536）

判断模型中随机误差项是否存在自相关性，简述如何消除序列相关的方法。

五、问答题

1．什么是序列相关？ 2. 试述序列相关的影响。 3. 试述克服序列相关的方法。 4. 试述检验序列相关的方法

第八章 习 题

一、判断题

32. 存在多重共线性时，模型参数无法估计。（ ）

33. 多重共线性问题是随机扰动项违背古典假设引起的。（ ） 34. 方差膨胀因子可以检验多重共线性。（ ） 35. 工具变量法可以解决多重共线性问题。（ ） 36. 逐步回归法可以解决多重共线性问题。（ ）

二、名词解释 1．严格多重共线性 2．近似多重共线性 3．方差膨胀因子检验 4．删减解释变量法 5．分布估计参数法

三、选择题 （1）单选

1．多元线性回归模型中，发现各参数估计量的t值都不显著，但模型的

18

R2(或R2)很大,F值确很显著，这说明模型存在（ ）

A．多重共线性 B．异方差 C．自相关 D．设定偏误 2．逐步回归法既检验又修正了（ ）

A．异方差性 B.自相关性 C．随机解释变量 D.多重共线性

3．如果模型中解释变量存在完全的多重共线性，参数的最小二乘估计量是（ ）

A．无偏的 B. 有偏的 C. 不确定的 D. 确定的 4．简单相关系数矩阵方法主要用于检验（ ）

A．异方差性 B.自相关性 C．随机解释变量 D.多重共线性 5．设x1,x2为解释变量，则完全多重共线性是( )

A.C.1x1?x2?0B.x1ex2?021x1?x2?v?0(v为随机误差项）D.x1?ex2?02

6．设x1,x2为解释变量，则近似多重共线性是( )

A.C.1x1?x2?0B.x1ex2?021x1?x2?v?0(v为随机误差项）D.x1?ex2?02

7．检验近似多重共线性的方法是( )

A．VIF检验 B.邹检验 C．戈里瑟检验 D.DW检验 8．处理近似多重共线性的方法是( )

C．加入虚拟变量 D.删减解释变量

（2）多选

9．能够检验多重共线性的方法有（ ）

A．加权最小二乘法 B.异方差自相关稳健标准误

A. 简单相关系数矩阵法 B. t检验与F检验综合判断法 C. DW检验法 D. ARCH检验法 E. White 检验

10．如果模型中解释变量之间存在完全共线性，则会引起如下后果（ ） A.参数估计值确定 B.参数估计值不确定C. 参数估计值的方差趋于无限大 D. 参数的经济意义不正确 E.DW统计量落在了不能判定的区域

19

四、计算分析题

1.下面结果是利用某地财政收入对该地第一、二、三产业增加值的回归结果。根据这一结果试判断该模型是否存在多重共线性，说明你的理由。 Dependent Variable: REV Method: Least Squares Sample: 1 10

Included observations: 10

Variable

C GDP1 GDP2 GDP3

R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

2. 用家庭消费支出(Y)、可支配收入(X1)、个人财富(X2)设定模型如下：

Coefficient Std. Error t-Statistic 17414.63 14135.10 0.084857 0.093532 0.190517 0.151680

1.232013 0.907252 1.256048

-0.277510 0.146541 -1.893743

Prob. 0.2640 0.1071 0.3992 0.2558 63244.00 54281.99 20.25350 20.37454 320.4848 0.000001

0.993798 Mean dependent var 0.990697 S.D. dependent var 5235.544 Akaike info criterion 1.64E+08 Schwarz criterion -97.26752 F-statistic 1.208127 Prob(F-statistic)

Yi??0??1X1i??2X2i??i,回归分析结果为：

Dependent Variable: Y Method: Least Squares Included observations: 10

Variable C X1 X2

R-squared

Adjusted R-squared S.E. of regression Sum squared resid

Coefficient 24.4070 -0.3401 0.0823

Std. Error 6.9973 0.4785 0.0458

t-Statistic 3.4881 -0.7108 1.7969

Prob. 0.0101 0.5002 0.1152

0.9615 Mean dependent var 111.1256 0.9505 S.D. dependent var 6.5436 Akaike info criterion 342.5486 Schwarz criterion

20

31.4289 4.1338 4.2246