伍德里奇计量经济学导论视频网课！

伍德里奇计量经济学导论视频网课简介：

本文为相关资料节选，所有资料均源自攻关学习网，共包括42个高清视频（共54课时），及伍德里奇计量经济学导论考研历年真题题库，课后习题答案资料等，具体请查阅完整版，每年更新！

资料名称：伍德里奇《计量经济学导论》（第4版）精讲【教材精讲＋考研真题串讲】

注：完整版及相关真题题库见文末！

伍德里奇《计量经济学导论》（第4版）精讲【教材精讲＋考研真题串讲】老师简介：

闫晶晶，北京师范大学经济与工商管理学院西方经济学博士。本科和硕士均是数学专业出身，成绩一直名列前茅，具有扎实的数学功底，能够很好地将数学与经济学结合起来。闫老师多次担任计量经济学与宏观经济学助教，并在多个培训机构担任培训老师，具有丰富的授课经验，得到广大师生一直的好评。

授课特点：该老师授课思路清晰，善于化繁为简，通俗易懂。

张冠甲，中国人民大学经济学院经济学博士，主要从事组织经济学、新政治经济学等方面研究。在多家辅导机构、高等院校讲述经济学考研、考博等相关课程，教学经验丰富，理论功底雄厚。所授课程主要有中级微观经济学、高级微观经济学等，对理论把握到位，领悟透彻，教学经验丰富。

授课特点：准确把握教材主线索，简洁高效，重点突出，在讲授教材理论的同时注重对思想方法的总结。

伍德里奇《计量经济学导论》（第4版）精讲【教材精讲＋考研真题串讲】摘录：

函数形式设误遗漏一个关键变量能导致误差与某些解释变量之间的相关，从而通常导致所有的OLS估计量都是偏误和不一致的。在遗漏的变量是模型中一个解释变量的函数的特殊情形下，模型就存在函数形式误设的问题。遗漏函数自变量的函数并不是出现函数误设的唯一方式。

侦查误设函数形式的工具侦查工具为：联合排除性约束的F检验。通常，在模型中添加任何一个显著变量的平方项并进行一个联合显著性检验都是讲得通的。如果所增加的平方项是显著的，那就可以把它们放到模型中（代价是对模型的解释更复杂些）。

函数形式·线性回归的方法事实上也可以拟合一些非线性关系

·可以对RHS、LHS或两个都取对数

·可以使用x2的形式·可以使用x的交互项

·如何知道我们的函数形式是否正确？

函数形式（续）·首先用经济理论作为指导

·思考如何做出解释

·x变动的百分比（log形式）或常数项对，影响显著吗？

·对x（或xi2）的衍生形式或者x2（或交互项）有显著意义吗？

函数形式（续）已经知道如何进行联合排除性约束F检验，来检验是否有高阶项或者交互形式可纳入模型？检验或者加入额外的项可能是冗长的，加入以后可能会产生平方项的问题，事实上使用log形式会更好。

检验函数形式的一个办法就是拉姆齐回归设定误差检验（RESET）

非嵌套检验存在的问题

①不一定会出现一个明显好的模型。两个模型可能都被拒绝，也可能没有一个被拒绝。在后一种情形中，可以使用调整R2来进行选择。如果两个模型都被拒绝，则有更多的工作要做。重要的是知道使用这种或那种形式的实际后果：如果关键自变量对Y的影响没有多大差异，那么使用哪个模型实际上并不要紧。

②用戴维森-麦金农检验拒绝了式（d），这并不意味着式（c）就是正确的模型。模型（d）可能会因多种误设的函数形式而被拒绝。③在比较因变量不同的模型时，如何进行非嵌套检验。典型的情况就是，一个因变量是y，一个因变量是1og（y）。

用滞后因变量作为代理变量原因

①对于要控制哪些无法观测因素，至少都会有些模糊的认识，这样就能够选择代理变量。

②猜测一个或多个自变量与遗漏变量相关，可是无法得到遗漏变量的代理变量。则可以将较早时期的因变量值包括进来加以控制。这种方法对政策分析特别有用。

③虽然在横截面方程中使用一个滞后因变量提高了对数据的要求，但也为解释导致因变量现期差异的历史因素找到了一个简单方法，而这种现期差异用其他方法都很难解释。

（2）评价作为控制无法观测变量的一般方法，将滞后的y放到方程中的做法，谈不上完美无缺。但在估计政策变量对发生的各种结果的影响时，它可用于得到一个更好的估计值。添加y的滞后值并不是使用两年数据来控制遗漏变量的唯一办法。

对多元回归的不同看法

多元回归的一个结构松散而又更具一般性的方法是放弃用无法观测因素来设定模型。

滞后因变量作为代理变量不能找到合适代理变量时纳入一个滞后因变量有可能有助于解释遗漏变量的情况，也为解释导致因变量历史与现期差异找到了办法。显然，这必须是在认为历史与现期的差异是有关的前提下。

有测量误差时OLS的性质回归模型中使用经济变量不精确的度量时，模型就包含了测量误差。虽然0LS在一些特定的假定之下是无偏的，但在其他情况下它又是有偏误的。

1.代理变量与测量误差的差别

（1）概念不同。在代理变量情形中，是在寻找一个与无法观测变量多少有些联系的变量。在测量误差情形中，没有观测到的变量具有定义完好的定量含义，但模型对它测量的记录可能包含了误差。

（2）在测量误差问题中，被误测的自变量通常是主要的焦点之一；而在代理变量情形中，被遗漏变量的偏效应很少成为关注的核心，其他自变量的影响是研究关注的焦点。

数据缺失的影响：

（1）减小回归可用的样本容量。如果正确地标志了缺失的数据，那么回归软件包都会跟踪缺失的数据，并在回归计算时简单地把相应观测忽略掉。

（2）其他统计影响取决于数据缺失的原因。来自总体的可用随机样本的容量减小了。这使得估计量没那么准确，但也不会引入任何偏误：随机抽样假定MLR.2仍然成立。

2.非随机样本非随机抽样的某些特定类型，也并不会导致0LS的偏误和不一致性。

（1）在（没有假定MLR.2的）高斯-马尔可夫假定下，事实表明，样本可在自变量的基础上加以选择，而且不会导致任何统计问题。这就是基于自变量的样本选择，它是外生样本选择的一个例子。

（2）当样本选择以因变量y为基础时，情况就大不一样，这种情况被称为基于因变量的样本选择，也是内生样本选择的一个例子。如果基于因变量值高于或低于某给定值而选择样本的话，OLS在估计总体模型时就总会产生偏误。

（3）其他抽样模式通常是故意得到总体的非随机样本。

一个常见的数据搜集方法是分层取样总体被恰好分成互不重叠的几组或几层。然后，有些组比其总体比例更加频繁地取样，而有些组取样的比例则低于总体比例。是否需要特殊的方法，取决于分层是外生的（基于外生解释变量）还是内生的（基于因变量）。分层取样是非随机抽样的一个相当明显的例子。

3.异常观测

（1）异常数据

在某些应用研究中，特别是（但不仅仅是）在数据集较小时，OLS估计值会受到一个或几个观测的影响。如果将一个观测从回归分析中去掉，会使得0LS估计值发生“很大”的实际变化，那它就是一个异常数据。

异常数据的概念有些模糊，因为它要求将一次观测的变量值与样本中其余观测的变量值进行比较。要小心提防“异常”观测，因为它们可能对普通最小二乘估计值有很大的影响。OLS对异常观测敏感是因为它最小化了残差平方和：在最小二乘的最小化问题中，越大的（正或负）残差，其权数就越大。

（2）出现异常数据的原因①理论上而言，数据是来自给定总体（尽管其分布不同寻常，以致出现一些极端值）的一个随机样本，也可能来自一个不同的总体。

②实践上出现异常数据的原因：

a.在输入数据时出了差错。计算摘要统计量（特别是最小值或最大值）是避免这种错误的一个好主意。

b.在从一个很小的总体中抽样时，如果总体中的一个或几个元素在某个重要方面与总体中其他元素差别很大，那也可能出现数据异常的问题。

异常观测也能通过提高解释变量的变异（减小标准误）而提供重要信息。但在一个或几个数据点会显著改变结论时，应该分别在包括和不包括这些异常观测的情况下各报告一个OLS结果。有时也用使用了所有观测的OLS回归中的残差大小来定义异常数据，但这通常不是一个好办法，因为普通最小二乘估计值对残差平方和进行了调整，并使之尽可能小。某些函数形式对异常值就没有那么敏感，比如对数形式。因为对大多数经济变量来说，取对数会显著缩小数据的取值范围，而且所得函数形式能解释更宽泛的数据取值范围。

同时也能一定程度解决异方差现象。

③学生化残差是通过将原普通最小二乘残差除以其标准差估计值（以样本中的解释变量为条件）而得到的。

a.计算方法

定义一个虚拟变量，让它对那个观测（比方说观测h）取值为1，而对其他观测都取0，并把它与其他解释变量一起包含在回归中（使用所有观测）。这个虚拟变量的系数正好等于观测h的学生化残差。在经典线性模型假定下，这个t统计量服从看k-1分布。一个较大的t统计量值（绝对值）意味着相对其估计标准差而言，其残差较大。

b.使用学生化残差的一般性问题为了计算一个特定观测的残差，事实上所有其他观测都被用于估计回归线。

数据缺失小结如果一个观察缺失了其因变量或者一个自变量的数据，则其不可用用于多元回归分析。如果数据随机取得，则无非就是来自总体的可用随机样本的容量减少了。

如果数据系统性缺失就会产生问题，即：高收入的个体拒绝提供收入数据。

非随机样本如果样本依据x变量选取，则估计不会产生偏误

样本选取的过程是微妙的我们来看工人的工资-对工作的人来说，工资报价就是目前所挣的工资；对不工作的人来说，通常观察不到其工资报价。

异常值有时候某个样本的观察值与其他的特别不同，并将可能对结果产生影响有时候这样的异常值可能只是数据录入的错误-这就是我们为何要首先进行描述性统计有时观测值缺失与其他不相同，而不是由于误差或者错误导致

明显有额外的0进入或者遗漏的时候，修正观测值并非不理性

尽管仍然有人偏好将其放入或者踢出模型，放弃极端值并非不理性的可使用Stata来探测异常值

在现实经济运行中，许多经济变量在随时间的变化过程中往往存在共同的变化趋势，使之产生多重共线性；使用截面数据建立回归模型时，根据研究的具体问题选择的解释变量常常从经济意义上存在着密切的关联度；在建模过程中由于认识上的局限造成变量选择不当，从而引起变量之间的多重共线性；在模型中大量采用滞后变量也容易产生多重共线性。

多重共线性的危害有几个方面：

（1）在完全共线性下参数估计量不存在，理由是（xx）1不存在；

（2）近似共线性下OLS参数估计量非有效，理由是参数估计量的方差将可能变得很大；

（3）参数估计量经济意义不合理，如当X，与x存在线性关系时，x，与x，前的参数并不能反映各自与被解释变量之间的结构关系：

（4）变量的显著性检验失去意义，无论是t检验还是F检验，都与参数估计量的方差有关；

（5）是模型的预测功能失效。

检验多重共线性的方法思路：用统计上求相关系数的原理，如果变量之间的相关系数较大则认为它们之间存在多重共线性。克服多重共线性的方法主要有：排除引起共线性的变量，差分法，减少参数估计量的方差，利用先验信息改变参数的约束形式，增加样本容量，岭回归法等。

……

攻关学习网相关热门资料目录：

计量经济学考研题库【考研真题精选＋章节题库】

古扎拉蒂《计量经济学基础》（第5版）课后习题详解

李子奈《计量经济学》（第5版）全套资料【笔记＋题库】

伍德里奇《计量经济学导论》（第6版）笔记和课后习题详解

李子奈《计量经济学》（第3版）精讲【教材精讲＋经典习题串讲】

李子奈《计量经济学》（第5版）笔记和典型题（含考研真题）详解

庞皓《计量经济学》（第4版）配套题库【考研真题精选＋章节题库】

李子奈《计量经济学》（第5版）配套题库【考研真题精选＋章节题库】

伍德里奇《计量经济学导论》（第4版）精讲【教材精讲＋考研真题串讲】

古扎拉蒂《计量经济学基础》（第5版）精讲【教材精讲＋考研真题串讲】

李子奈《计量经济学》第5版全套资料复习笔记典型习题考研真题详解章节题库

……

>>>本文为资料节选汇编>>>完整版载于攻关学习网>>>每年更新！

>>>资料查找>>>同名网站/公众号【攻关学习网】>>>查找>>>

>>>或直接点击/复制/搜一搜/下方网址查找  

http://ggw.100xuexi.com