姓名： 班级： 学号：
（ 所有答案均做在答题纸上，试卷与答题纸均写名字，一起交回）
一、单选题（1分×20＝20分）。
1、双对数模型中，参数的含义是 （ ）。
A. Y关于X的增长率 B .Y关于X的发展速度
C. Y关于X的弹性 D. Y关于X 的边际变化
2、在下列各种数据中，以下不应作为经济计量分析所用数据的是（ ）。
A．时间序列数据 B. 横截面数据
C．计算机随机生成的数据 D. 虚拟变量数据
3、回归分析中使用的距离是点到直线的垂直坐标距离。最小二乘准则
是指（ ）。
A. 使达到最小值 B. 使达到最小值
C. 使达到最小值 D. 使达到最小值
4、 对于一个含有截距项的计量经济模型，若某定性因素有m个互斥的类型，为将其引入模型中，则需要引入虚拟变量个数为（ ）。
A. m B. m-1 C. m+1 D. m-k
5、 回归模型中具有异方差性时，仍用OLS估计模型，则以下说法正确的是（ ）。
A. 参数估计值是无偏非有效的 B. 参数估计量仍具有最小方差性
C. 常用F 检验失效 D. 参数估计量是有偏的
6、 在一元线性回归模型中，样本回归方程可表示为（ ）。
A. B.
C. D.
7、在经济发展发生转折时期，可以通过引入虚拟变量方法来表示这种变化。例如，研究中国城镇居民消费函数时。1991年前后，城镇居民商品性实际支出Y对实际可支配收入X的回归关系明显不同。现以1991年为转折时期，设虚拟变量，数据散点图显示消费函数发生了结构性变化：基本消费部分下降了，边际消费倾向变大了。则城镇居民线性消费函数的理论方程可以写作（ ）。
A. B.
C. D.
8、用于检验序列相关的DW统计量的取值范围是( )。
A. 0≤DW≤1 B.－1≤DW≤1
C. －2≤DW≤2 D.0≤DW≤4
9、对联立方程组模型估计的方法主要有两类，即（ ）。
A. 单一方程估计法和系统估计法
B. 间接最小二乘法和系统估计法
C. 单一方程估计法和二阶段最小二乘法
D. 工具变量法和间接最小二乘法
10、设为随机误差项，则一阶线性自相关是指（ ）。
11、在模型的回归分析结果报告中，有
，，则表明（ ）。
A、解释变量 对的影响是显著的
B、解释变量对的影响是显著的
C、解释变量和对的联合影响是显著的.
D、解释变量和对的影响是均不显著
12、关于联立方程组模型，下列说法中错误的是（ ）。
A. 结构式模型中解释变量可以是内生变量，也可以是前定变量
B. 简化式模型中解释变量可以是内生变量，
C. 简化式模型中解释变量是前定变量
D. 结构式模型中解释变量可以是内生变量
13、以下选项中，正确地表达了序列相关的是（ ）。
A. B.
C. D.
14、在分布滞后模型。
A、β1 ／（1-α） B、β1 C、β0 ／（1－α） D、β0
15、在具体运用加权最小二乘法时, 如果变换的结果是
则Var(u)是下列形式中的哪一种?( )
16、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阶
17、已知样本回归模型残差的一自相关系数接近于1，则DW统计量近似等于( )。
A. 0 B. 1 C. 2 D. 4
18、更容易产生异方差的数据为 ( )。
A. 时序数据 B. 修匀数据 C. 横截面数据 D. 年度数据
19、设M为货币需求量，Y为收入水平，r为利率，流动性偏好函数为，又设、分别是、的估计值，则根据经济理论，一般来说( )。
A.应为正值， 应为负值 B.应为正值， 应为正值
C.应为负值，应为负值 D.应为负值， 应为正值
20、以下是EVIEWS软件分析中的一个中间结果，据此可以判定模型存在（ ）。
| White Heteroskedasticity Test: | |||
| F-statistic | 9.186088 | Probability | 0. 00000 |
| Obs*R-squared | 4.077687 | Probability | 0.000000 |
C. 多重共线性问题 D. 序列相关问题
二、多项选择题（2分×5=10分）。
1、以下可消除异方差的方法是（ ）。
A 广义差分法 B 广义最小二乘法
C 加权最小二乘法 D 对数变换法 E 普通最小二乘法
2、下列哪些变量一定属于前定变量( )。
A. 内生变量 B. 随机变量 C. 滞后变量
D. 外生变量 E. 虚拟变量
3、古典线性回归模型的普通最小二乘估计量的特性有（ ）。
A. 无偏性 B. 线性性 C. 最小方差性
D. 不一致性 E. 有偏性
4、关于虚拟变量，下列表述正确的有（ ）。
A．是质的因素的数量化 B．取值为l和0
C．代表质的因素 D．在有些情况下可代表数量因素
E．代表数量因素
5、有关调整后的判定系数与判定系数之间的关系叙述正确的有（ ）。
A.与均非负
B.模型中包含的解释个数越多，与就相差越大.
C.只要模型中包括截距项在内的参数的个数大于1，则.
D.有可能大于
E.有可能小于0，但却始终是非负
三、判断题（1分×10=10分）。
1、简单线性回归模型与多元线性回归模型的基本假定是相同的。（ ）
2、在模型中引入解释变量的多个滞后项容易产生多重共线性。（ ）
3、D-W检验中的D-W值在0到4之间，数值越小说明模型随机误差项的自相关度越小，数值越大说明模型随机误差项的自相关度越大。（ ）
4、在计量经济模型中，随机扰动项与残差项无区别。（ ）
5、线性回归模型意味着因变量是自变量的线性函数。（ ）
6、自变量不存在两两高度相关表示不存在高度多重共线性。（ ）
7、自相关性在时间序列模型中是一个普遍的现象。（ ）
8、通过作（X,Y）的散点图可以初步判断是否存在自相关。（ ）
9、 一般当VIF＞10时，认为模型存在较为严重的多重共线性。（ ）
10、增加样本容量可以缓解多重共线性。（ ）
四、简答题（共25分）。
1、（6分） 对于多元线性计量经济学模型：
（1）叙述模型的基本假定；
（2）写出该模型的矩阵形式及各矩阵的含义；
（3）写出模型的最小二乘参数估计量的矩阵表达式；
（4）写出随机扰动项方差的无偏估计公式。
2、（6分）简述G-Q检验的适用条件及检验步骤。
3、（8分）简述联立方程模型结构型和简化型的特点。
4、（5分）可决系数为什么可以检验样本回归直线与样本观测点之间的拟合程度？
五、计算题（共18分）。
1、（9分）设生产函数为
（1）参数的经济含义是什么？
（2）你如何估计该生产函数？
（3）如果生产函数满足规模报酬不变假设，又如何估计？这种方法有什么优点？
2、（3分）将模型 进行适当的变换化为标准线性模型。
3、（6分）由经济理论分析认为,现期消费水平受过去和现在收入水平的影响,即认为消费水平可以用收入水平的无限分布滞后模型来表示,并且满足Koyck变换的假定条件,请对该模型用Koyck变换导出上述消费函数的适当模型.(yt表示现期消费水平,xt,xt-1,xt-2……分别表示现期和以前各期的收入水平)。
六、案例分析（共17分）。
1、根据以下EVIEWS软件的计算结果分析1982年到2003年我国居民消费与国内生产总值之间的数量关系，变量如下：
Y—居民消费 （单位：亿元）
I—国民生产总值GNP （单位：亿元）
P—商品零售价格指数 （1980年=100）
表一：
| Dependent Variable: Y | ||||
| Method: Least Squares | ||||
| Date: 06/03/05 Time: 11:10 | ||||
| Sample: 1982 2003 | ||||
| Included observations: 22 | ||||
| Variable | Coefficient | Std. Error | t-Statistic | Prob. |
| C | 67.32448 | 3.5131 | 0.172843 | 0.85 |
| I | 0.478846 | 0.006800 | 70.41431 | 0.0000 |
| R-squared | 0.995982 | Mean dependent var | 21544.57 | |
| Adjusted R-squared | 0.995782 | S.D. dependent var | 17494.88 | |
| S.E. of regression | 1136.280 | Akaike info criterion | 16.99542 | |
| Sum squared resid | 25822666 | Schwarz criterion | 17.09460 | |
| Log likelihood | -184.9496 | F-statistic | 4958.175 | |
| Durbin-Watson stat | 0.995982 | Prob(F-statistic) | 0.000000 | |
| Dependent Variable: Y | ||||
| Method: Least Squares | ||||
| Date: 06/03/05 Time: 11:41 | ||||
| Sample: 1982 2003 | ||||
| Included observations: 22 | ||||
| Variable | Coefficiet | Std. Error | t-Statistic | Prob. |
| C | -17848.67 | 4182.281 | -4.267688 | 0.0004 |
| P | 154.2949 | 15.22485 | 10.13441 | 0.0000 |
| R-squared | 0.837009 | Mean dependent var | 21547.02 | |
| Adjusted R-squared | 0.828860 | S.D. dependent var | 17492.18 | |
| S.E. of regression | 7236.359 | Akaike info criterion | 20.69813 | |
| Sum squared resid | 1.05E+09 | Schwarz criterion | 20.79732 | |
| Log likelihood | -225.6795 | F-statistic | 102.7063 | |
| Durbin-Watson stat | 0.142028 | Prob(F-statistic) | 0.000000 | |
| Dependent Variable: Y | ||||
| Method: Least Squares | ||||
| Date: 05/31/05 Time: 09:08 | ||||
| Sample: 1982 2003 | ||||
| Included observations: 22 | ||||
| Variable | Coefficient | Std.Error | t-Statistic | Prob. |
| C | 911.24 | 936.9328 | 0.972630 | 0.3430 |
| I | 0.494739 | 0.017601 | 28.10804 | 0.0000 |
| P | -6.087634 | 6.187701 | -0.983828 | 0.3376 |
| R-squared | 0.996172 | Mean dependent var | 21547.02 | |
| Adjusted R-squared | 0.995769 | S.D. dependent var | 17492.18 | |
| S.E. of regression | 1137.743 | Akaike info criterion | 17.03760 | |
| Sum squared resid | 24594736 | Schwarz criterion | 17.18638 | |
| Log likelihood | -184.4137 | F-statistic | 2472.424 | |
| Durbin-Watson stat | 2.437584 | Prob(F-statistic) | 0.000000 | |
| White Heteroskedasticity Test: | |||
| F-statistic | 11.77917 | Probability | 0.000091 |
| Obs*R-squared | 16.16688 | Probability | 0.002803 |
| Dependent Variable: log Y | ||||
| Method: Least Squares | ||||
| Date: 06/07/05 Time: 09:19 | ||||
| Sample: 1982 2003 | ||||
| Included observations: 22 | ||||
| Variable | Coefficiet | Std. Error | t-Statistic | Prob. |
| C | -0.247358 | 0.126603 | -1.953810 | 0.0656 |
| Log I | 1.025782 | 0.044696 | 22.94999 | 0.0000 |
| Log P | -0.134487 | 0.100294 | -1.340930 | 0.1958 |
| R-squared | 0.998654 | Mean dependent var | 9.571161 | |
| Adjusted R-squared | 0.998513 | S.D. dependent var | 0.991400 | |
| S.E. of regression | 0.038236 | Akaike info criterion | -3.56398 | |
| Sum squared resid | 0.027778 | Schwarz criterion | -3.41510 | |
| Log likelihood | 42.20332 | F-statistic | 7049.365 | |
| Durbin-Watson stat | 0.185376 | Prob(F-statistic) | 0.000000 | |
| White Heteroskedasticity Test: | |||
| F-statistic | 1.388328 | Probability | 0.704460 |
| Obs*R-squared | 2.630715 | Probability | 0.7130 |
| Dependent Variable: log Y | ||||
| Method: Least Squares | ||||
| Date: 06/07/05 Time: 09:36 | ||||
| Sample(adjusted): 1983 2003 | ||||
| Included observations: 21 after adjusting endpoints | ||||
| Convergence achieved after 7 iterations | ||||
| Variable | Coefficiet | Std. Error | t-Statistic | Prob. |
| C | -0.392880 | 0.227157 | -1.729555 | 0.1018 |
| Log I | 1.016518 | （1） | 16.82304 | 0.0000 |
| Log P | -0.090906 | 0.139372 | （3） | 0.5230 |
| AR(1) | 0.3904 | 0.260549 | 1.498618 | 0.1523 |
| R-squared | 0.998779 | Mean dependent var | 9.7819 | |
| Adjusted R-squared | （2） | S.D. dependent var | 0.946715 | |
| S.E. of regression | 0.035881 | Akaike info criterion | -3.7576 | |
| Sum squared resid | 0.675556 | Schwarz criterion | -3.448619 | |
| Log likelihood | 42.29955 | F-statistic | 4635.414 | |
| Durbin-Watson stat | 1.817383 | Prob(F-statistic) | 0.000000 | |
（1）作者采用了什么方法来建立模型？这样做的目的是什么？（1分）
（2）写出据此初步拟定的样本回归方程。（1分）
2．表四对随机项的那条假定进行了检验？采用了什么方法进行该项检验？该方法基本的假定形式是什么？检验的结果如何？（2分）
3．表五对之前初步拟定的模型进行了何种变换？这样做的目的是什么？写出此时的样本回归方程。（3分）
4．表六又进行了什么操作？其结果如何？（1分）
5．（1）表七和表五又什么联系？表七的操作是否有效？（2分）
（2）写出最终的样本回归方程，对其进行统计检验（显著性水平α=0.05），并解释回归参数的经济意义。（4分）
6. 补充表七中空白（保留6位小数）（3分）
（1） （2） （3） 下载本文
