❶ 為什麼在計量經濟模型中存在隨機誤差項
好，一樓的解釋
不同意，因為一樓給出的例子是錯的。計量經濟學解決異常值問題並不是通過隨機擾動項，而是通過擴大樣本這種較為直接的方法，即雖然有一兩家單月支出較大，但是被茫茫的支出數額較平均的家庭大軍所淹沒，異常值不會對模型本身產生太大影響。
隨機擾動項
習慣稱之為隨機誤差項，包含的是模型主要變數以外的信息。
仍用居民支出舉例，如：
y=ax1+bx2+c+隨機誤差項..........(1)
y代表居民支出；x1代表居民收入；x2代表家庭財富；c是常數，即居民基本消費。這時，隨機誤差項代表的是：gdp、消費者價格指數、工業品價格指數、本幣匯率、大宗商品價格指數、房價均值、子女教育費均值等等等等。
知道，收入和財富是決定居民支出較為直接的變數，所以
將其引入模型中，而宏觀經濟情況和價格水平都是間接影響著居民支出的。如果
需要更詳細全面的模型，那麼
需要引入更多的變數；但引入更多變數的成本也較大，比如多重共線、自相關問題等等。所以模型利用隨機誤差項將該部分龐大而對因變數影響不大的變數們都統一在一起表示，並且由於這些變數們對因變數的影響有正有負亦可相互抵消，只是影響模型的設定全面性而已。雖然如此，任意將模型的變數放入隨機誤差項也是不對的，比如：上述模型可以改為：
y=ax1+c+隨機誤差項..........(2)
可以看到，家庭財富被挪入隨機誤差項，這是可以的，但是模型存在設定偏誤，即模型忽略了家庭富足，而收入不高，靠有錢的老爹過著花天酒地生活的人群，而這種人群
不能證明其是大還是小，就很有可能對模型產生較大影響。好吧，直接公布答案，通過很多學者的研究，在模型（1）中
得到的那條曲線更真實，所以
剛才說的那種靠爹吃飯的人還真不是少數。所以模型（2）是有問題的。當然這不證明模型（1）就完全沒有問題，模型（1）存在較為嚴重的多重共線問題，即收入和家庭財富是相關性非常高的。不管他，扯遠了，
是為了解釋隨機誤差項的含義，怎麼合理利用需要大量的閱讀……
如果
讓
從數學式上對隨機誤差項進行解釋，
只能說其期望值是0，方差好像是1，忘記了。剛才說的模型（2）至少就不符合期望值是0的假設，所以模型（2）是有問題的。當然這都是理論的假設前提，在這些前提下，模型是有效的，
也稱之為blue，如果前提被破壞，
就要對模型進行調整和修正以使之回歸blue的結果。所謂blue就是模型符合：無偏性、有效性、一致性。無偏性就是估計值的期望值等於實際值；有效性就是估計值是方差最小的；一致性就是估計值依概率收斂到實際值
❷ 從中介語理論和偏誤分析的角度談談如何對待偏誤以及如何糾正學生的偏誤請高手指點！
學生形成偏激自負的個性往往是由於：
（1）盲目的自行心。有些學生從小聽慣了表揚，沉溺於贊揚聲中，盲目自信，心理膨脹。
（2）不能正確評價自己。由於活動范圍的限制，有些學生不能真正理解「天外有天，人外有人」的含義，總是自以為是，以為自己是最好的，影響對自己的正確認識。
（3）認識問題偏頗。有些學生受家庭和一些書籍影響，習慣從一個固定視角看待一切事物。甚至是從灰色視角看問題。比如教師批評學生，本是出於為他好，可他偏認為是教師故意整人，老師的教育聽也聽不進去。
主要通過以下幾方面對其進行教育：
（1）學會正確評價自己，有個正常的自我體驗、自我認識才能免除偏激。
（2）應學會正確對待他人。青少年對待他人、看待問題容易片面，所以對該類學生硬碰硬不是最好的策略，應講情道理、提高認識。
（3）學會真誠待人，不要總對別人設防。教師要通過溝通交流彼此分享信息、情感，就能學會對人真誠。
（4）鍛煉自製力。許多同學偏執、自負是因為缺乏自製力造成的。因此，有意識的通過一些挫折，磨練學生的意志力，使其養成良好的自我控制能力，對於其將來步入社會時有好處。
❸ 計量經濟學模型設定偏誤在eviews中怎樣做
很多模型都可以計算標准誤的
❹ 設定誤差產生的原因是什麼好的計量經濟學模型具有哪些性質
1、設定誤差產生的原因是：
（1）模型的制定者不熟悉相應的理論知識；
（2）對經濟問題本 身認識不夠或不熟悉前人的相關工作；
（ 3） 模型制定者缺乏相關變數的數據；
（4）解釋變數無法測量或數據本身存在測量誤差。
2、一個好的計量經濟學模型應當具有如下性質：
（1）隨機干擾項的期望值為0；
（2）消除了異方差，即總體回歸函數中的隨機誤差項滿足同方差性；
（3）解釋變數無多重共線性；
（4）消除了模型中由於慣性、設定偏誤、滯後等帶來的自行關。
❺ 如何理解樣本選擇偏差問題
1、在微觀計量經濟學中最常見的問題之一是樣本選擇問題。在一般的統計或計量經濟學研究中,用於估計所研究系統的參數的數據依賴於從總體中抽取的樣本。
2、如果所抽取的樣本是隨機的,即以類似「抽簽」的方式獲得的樣本,根據這些樣本數據所估計的各種參數能夠准確反映總體的相關特性,理論上,就是所估計的參數是無偏的和一致的。而且隨著抽取的樣本越大,其對事件的總體特徵分布的描述越是會准確。
3、但是,如果所抽取的樣本不是隨機的,那麼無論其選擇的樣本容量有多大,則根據這些樣本數據所估計的參數就不能准確反映所研究的總體性質的分布。但是,在不同的事件的研究中,大多數抽樣都不是隨機的,因為事件的總體總是會相當龐大,甚至是沒有邊界的。因此,多數的抽樣只能是在研究者所選擇的界定范圍和規則內進行,這就可能出現抽樣選擇的偏差，或是未把相關聯的變數放入抽樣,或是把不相乾的變數放入抽樣中。
❻ 計量經濟學都有哪些模型啊，具體怎樣運用
#計量經濟學的定義
計量經濟學是以一定的經濟理論和統計資料為基礎，運用數學、統計學方法與電腦技術，以建立經濟計量模型為主要手段，定量分析研究具有隨機性特性的經濟變數關系。主要內容包括理論計量經濟學和應用經濟計量學。
#計量經濟學的研究步驟和方法
確定變數和數學關系式-模型設定；分析變數間具體的數量關系-估計參數；檢驗所得結論的可靠性-模型檢驗；經濟分析和預測-模型應用
#分布滯後模型估計的困難有哪幾個
A．自由度問題。自由度過分損失，到時估計偏差增大，顯著性檢驗失效。
B．多重共線性問題。滯後變數常存在多重共線性。
C．滯後長度難以確定。
#工具變數法
1．與所代替的解釋變數高度相關
2．與隨機擾動項不相關
3．與其他解釋變數不相關，以免出現多重共線性
#虛擬變數的基本概念
虛擬變數是人工構造的取值為0和1的作為屬性變數代表的變數
#聯立方程模型的區別
A．聯立方程組模型由幾個單一方程組成。被解釋變數不只一個。
B．模型里有隨機方程，也有確定性方程，但必含有隨機方程。
C．被解釋變數和解釋變數之間不僅是單向因果關系，也可能互為因果。
D．解釋變數可能與隨機擾動項相關。
#非完全多重共線性後果：
1.參數估計量方差增大
2.對參數區間估計時，置信區間趨於變大
3.嚴重時，假設檢驗容易作出錯誤判斷
4.嚴重時，可能r2較大和f檢驗顯著性高，但t檢驗可能不顯著，得出錯誤結論
#多重共線性檢驗：
1．簡單相關系數檢驗
2．方差擴大因子法
3．直觀判斷，如回歸系數標准差大，或與經濟理論背離
4．逐步回歸法
#自相關：
經濟系統的慣性。經濟活動滯後效應。數據處理造成的相關。蛛網現象。模型設定偏誤。零均值，低估參數估計值的方差，對模型預測的影響，高估t，f，r2不可靠，對模型影響，降低預測精度。
#異方差：
模型中省略某些重要解釋變數。模型設定誤差。測量誤差的變化。截面數據中總體各單位的差異。無偏，一致，非有效，誇大估計參數的統計顯著性，對預測影響，Y的預測非有效。
❼ 修正違背假定的方法
違背基本假定 ：一般違背基本假定的方式有三種:異方差性、序列自相關性和多重共線性
下面介紹三種違背假定的含義及檢驗和修正方式
1、異方差性
修正
如果模型被證明存在異方差性,則需要發展新的方法估計模型,最常用的方
法是加權最小二乘法wS,也稱為廣義最小二乘法GLS。原理:對較小的殘差平
方賦予較大的權數,對較大的殘差平方賦予較小的權數,以對殘差提供信息的重
要程度做出一番矯正,提高參數估計的精度。
Eviews中異方差的修正方式:在主菜單選 Quick/ Estimate equation,輸入
相應的方程說明和樣本,選擇LS- Least squares( NlS and ARMA),按 Options
按鈕,輸入權數序列進行估計。其中權數一般採用1/x或者x,看哪一種消
除異方差的效果更好。
2、序列相關性
如果模型的隨機干擾項違背了相互獨立的基本假設,稱為存在序列自相關性。
在實際經濟問題中,可能會因為經濟變數固有的慣性、模型設定的偏誤、數據處
理等問題而出現序列相關性。一般,對於採用時間序列數據作為樣本的計量經濟
(3)修正
對存在序列自相關的模型一般使用廣義差分法進行修正,可通過LM檢驗確
學問題,由於在不同樣本點上的解釋變數以外的其他因素在時間上的連續性,帶
定自相關的階數,然後通過OS方法估計出相關系數p:(以一階自相關為例)
ut= put-1+ Vt
其中u和u1-1分別為初步利用oLS方法得到的方程的殘差和殘差的一階滯後
項。由於 evIews中 resid會隨著方程估計的不同而變化,所以要通過
genr u= resid來生成殘差序列,再進行估計,得到後進行廣義差分變換,變換
後的模型形式為
Y-pYt-1=β1(1-p)+β2(X-pX-1)+v
因為轉換後的數據樣本量少了一個,可採用 Prais- Winsten變換將第一個樣
本觀測Y1√1-p2和X√1-P2補充到差分序列中。將相應變換後的數據進行0Ls
估計,檢驗通過後轉換成原回歸模型,其中常數項的估計值要相應的除以1-p。
以上方法,在樣本量足夠大時,也可通過在回歸中逐次引入AR(1),AR(2)…進
行0LS估計,直到達到滿意的結果為止。
來他們對被解釋變數的影響的連續性,所以往往存在序列相關性
3、多重共線性
多重共線性是指在多元回歸模型中,違背了經典基本假設中的第2條中的解
釋變數之間無共線性,即解釋變數之間存在一定的線性關系。一般由於經濟變數
之間存在共同的變化趨勢、模型解釋變數中包含有解釋變數的滯後項、模型解釋
變數選擇不當等問題易導致多重共線性的產生
(3)修正
般通過上述逐步回歸法可以找出引起多重共線性的解釋變數,將它排除出
去是最為有效的克服多重共線性問題的方法。但是有的時候在排除了某個變數後,
模型的經濟意義會發生變化。所以另外一種修正多重共線性的方法是差分法,對
每個序列均減去上期數據,對得到的差分序列進行模型的估計。另外,多重共線
性的主要後果是參數估計量具有較大方差,所以可用通過增大樣本量的方式減小
方差,消除多重共線性造成的後果
❽ 如何對測量誤差和設定誤差的後果進行分析
1、設定誤差產生的原因是： （1）模型的制定者不熟悉相應的理論知識； （2）對經濟問題本 身認識不夠或不熟悉前人的相關工作； （ 3） 模型制定者缺乏相關變數的數據； （4）解釋變數無法測量或數據本身存在測量誤差。 2、一個好的計量經濟學模型應當具有如下性質： （1）隨機干擾項的期望值為0； （2）消除了異方差，即總體回歸函數中的隨機誤差項滿足同方差性； （3）解釋變數無多重共線性； （4）消除了模型中由於慣性、設定偏誤、滯後等帶來的自行關。
❾ 工具變數估計中有多個內生變數和虛擬變數，如何輸入
計量經濟學中，如果我們擁有極其多和優質的數據，那麼如果所有的變數沒有違反經典假設。得到的估計參數將是無偏的，在大樣本之下將是一致的估計。我們來看一看經典假設： ols1：模型關於待估計的參數是線性的。 ols2：模型的數據來源問題。對於一般的橫截面數據是獨立同分布的。 ols3：E(uX)=0。無內生性假定。 ols4：X之間沒有完全多重的共線性。 ols5：Var(uX)=a^2（a是一個常數）。 ols6：殘差服從獨立的相同的正態分布。 其中的ols1----ols4都是要保證估計的參數是一致的。其中的第三個假定就是內生性假定。 現實情況的描述：關於計量經濟學中，我們需要估計偏效應。也就是說某一個自變數對因變數的影響問題。如果這個自變數和隨機誤差不相關，那麼我們得到的這個ols的估計參數將是一致的，也可以說是效果良好的。但是現實情況並不是這樣的，現實中的變數一般都是內生變數，也就是說兩個變數不是單方面的決定作用，而是相互決定的作用。那麼一般而言，只要我們測量有誤差或者是遺漏變數，那麼就可能存在內生性的問題，也就是我們沒有辦法得到一個一致性的估計。 代理變數和工具變數： 什麼是代理變數？——遺漏變數的解決方法。在一個方程中，假設：y=b0+b1*x1+……+bn*xn+u。方程中的變數x和隨機誤差不相關，或者是我們可以容忍某種程度上的相關性，那麼我們可以說我們對於參數的ols地估計值是滿意的，但是如果在u中我們能知道某些變數和x相關，而且這個遺漏的變數是比較重要的，那麼我們怎麼才能得到一個更加好的參數的估計量呢?我們如果能找到一個變數和在u中的遺漏的變數q相關，而且這個變數要和x不相關，那麼我們就可以把這個遺漏的變數加入到方程中進行回歸。假設我們找到可以在某種程度上反映q的一個變數，或者是一組變數z，那麼我們就可以把這個z放到方程中去做ols。得到的參數的估計值要比原先的好一些。但是這里存在問題，也就是z始終不是q，那麼在某種程度上沒有辦法完全代表q。這樣也會導致估計的參數存在一定的不一致，但是總是比原來那個沒有z條件下估計出來的參數要好一些。但是在一定的情況之下，我們能知道到底是過高的估計，還是過低的估計。因為q=a0+a1*x1+a2*x2……+an*xn+c1*z1+c2*z2……+ck*zk。把這個方程帶到原來的方程中（y=b0+b1*x1+……+bn*xn+c*q+u）。那麼我們可以得到關於bi的估計值是bi+ai。實際上這個估計值也是有偏的。 實際上參數的估計值的偏向取決於兩個因素，第一：遺漏變數q和z之間的關系，也就是協方差是正的還是負的。第二：取決於q和y的關系。如果：cov(q,z)>0且cov(q,y)>0，向上偏誤。如果：cov(q,z)>0且cov(q,y)<0，向下偏誤。如果cov(q,z)<0且cov(q,y)>0，向下偏誤。cov(q,z)<0且cov(q,y)<0，向上偏誤。 工具變數方法：工具變數法和代理變數方法是不同的，這個區別千萬要注意，理念也是不同的。一般而言，工具變數方法可以解決遺漏變數問題，也可以解決測量誤差問題。 現在先說測量誤差的解決方法：比如在一個回歸中，我們認為其中的一個變數xi有測量誤差，而且這個測量誤差和u相關，此時我們要找到一個變數z，滿足兩個條件：1、cov(xi,z)>0，2、cov(z,u)=0。滿足這兩個條件的情況之下，我們就是使用2sls方法進行回歸。首先xi對X（不包括xi）和工具變數集合進行回歸（工具變數不一定是一個，可能十多個，那麼工具變數就可能是一個集合），進行回歸，得到一個擬和的xi。此時做y對X（其中的xi用剛才那個回歸中的得到的擬和值來替代）。此時做出的回歸是一致的。 現在討論隱性變數的問題：如何利用工具變數的方法來解決隱性變數的問題？ 隱性變數的問題一般而言可以用上面說過的代理變數來解決，但是那樣的結果是有偏的，並且是不一致的。盡管比沒有用的時候好，但是如果條件允許，那麼我們可以用工具變數的方法來得到一個比代理變數還要好的結果。這個條件就是：如果知道隱性變數q沒有辦法准確測量或者沒有一個公認的測評標准，那麼我們可以利用其他與q相關的指標來進行工具變數，但是必須有兩個相關的可測的觀測值，並且這兩個觀測值不能有測量誤差。此時我們隨便利用一個觀測指標帶到方程中，就可以得到一個有測量誤差的回歸模型，此時問題就如同測量誤差的解決方法一樣來解決，假設q1,q2是不同的指標觀測值。那麼我們可以1、做q1對X和q2的回歸，得到擬和值。2、在做y 對X和q1的擬和值回歸。此時的得到的就是一致估計量。
❿ 經濟計量的內生性問題，為什麼隨機分配能解決選擇性偏誤問題
最簡單的例子就是wage~ecation，如果你能規定，隨機的，這批人只接受初中教育，另外一批人只接受高中教育， 另外一批人接受大學教育，這樣就可以剔除其他影響因素而不會出現 wage=》ec，ec=》wage。但是現實不能做這樣的實驗， 所以引入IV。