第一章绪论。
1.5 一个完整的计量经济模型应包括哪些基本要素？你能举一个例子吗？
答：一个完整的计量经济模型应包括三个基本要素：经济变量、参数和随机误差项。
例如研究消费函数的计量经济模型：
其中，为居民消费支出，为居民家庭收入，二者是经济变量；和为参数；是随机误差项。
1.6 假如你是**银行货币政策的研究者，需要你对增加货币**量促进经济增长提出建议，你将考虑哪些因素？你认为可以怎样运用计量经济学的研究方法？
答：货币政策工具或者说影响货币**量的因素有再贴现率、公开市场业务操作以及法定准备金率。所以会考虑再贴现率、公开市场业务操作以及法定准备金率。
选择这三种因素作为解释变量。货币**量作为被解释变量。从而建立简单线性回归模型。
1.8 如果要根据历史经验**明年中国的粮食产量，你认为应当考虑哪些因素？应当怎样设定计量经济模型？
答：影响中国的粮食产量的因素可以有农业资金投入、农业劳动力、粮食播种面积、受灾面积等。可建立如下多元模型：
其中，为中国的粮食产量，为农业资金投入，为农业劳动力，为粮食播种面积，为受灾面积。
1.11 为什么对已经估计出参数的模型还要进行检验？你能举一个例子说明各种检验的必要性吗？
答：模型中的参数被估计以后，一般说来这样的模型还不能直接加以应用，还需要对其进行检验。首先，在设定模型时，对所研究经济现象规律性的认识可能并不充分，所依据的经济理论对所研究对象也许还不能作出正确的解释和说明。
或者经济理论是正确的，但可能我们对问题的认识只是从某些局部出发，或者只是考察了某些特殊的样本，以局部去说明全局的变化规律，可能导致偏差。其次，我们用以估计参数的统计数据或其它信息可能并不十分可靠，或者较多地采用了经济突变时期的数据，不能真实代表所研究的经济关系，或者由于样本太小，所估计参数只是抽样的某种偶然结果。此外，我们所建立的模型、采用的方法、所用的统计数据，都有可能违反计量经济的基本假定，这也可能导出错误的结论。
1.12 为什么计量经济模型可以用于政策评价？其前提条件是什么？
答：所谓政策评价，是利用计量经济模型对各种可供选择的政策方案的实施后果进行模拟运算，从而对各种政策方案作出评价。前提是，我们是把计量经济模型当作经济运行的实验室，去模拟所研究的经济体计量经济模型体系，分析整个经济体系对各种假设的政策条件的反映。
在实际的政策评价时，经常把模型中的某些变量或参数视为可用政策调整的政策变量，然后分析政策变量的变动对被解释变量的影响。
1.10 你能分别举出三个时间序列数据、截面数据、面板数据、虚拟变量数据的实际例子，并分别说明这些数据的**吗？
答：时间序列数据：中国1981年至2010年国内生产总值，可从中国统计年鉴查得数据。
截面数据：中国2010年各省、区、直辖市的国内生产总值，中国统计年鉴查得数据。
面板数据：中国1981年至2010年各省、区、直辖市的国内生产总值，中国统计年鉴查得数据。
虚拟变量数据：自然灾害状态，1表示该状态发生，0表示该状态不发生。
第二章简单线性回归模型。
1、相关程度的度量：x和y的总体线性相关系数：
特点：总体相关系数只反映总体两个变量 x 和 y 的线性相关程度。
对于特定的总体来说，x 和y 的数值是既定的，总体相关系数是客观存在的特定数值。
总体的两个变量 x 和y的全部数值通常不可能直接观测，所以总体相关系数一般是未知的。
2、x和y的样本线性相关系数为：
注意： 是随抽样而变动的随机变量。
3、回归分析。
回归的古典意义：高尔顿遗传学的回归概念 ，(父母身高与子女身高的关系)子女的身高有向人的平均身高"回归"的趋势。
回归的现代意义：一个被解释变量对若干个解释变量依存关系的研究。
回归的目的（实质）：由解释变量去估计被解释变量的平均值。
被解释变量y的条件分布和条件概率：
当解释变量x取某固定值时（条件），y 的值不确定，y的不同取值会形成一定的分布，这是 y 的条件分布。 x取某固定值时，y 取不同值的概率称为条件概率。
被解释变量 y 的条件期望：对于 x 的每一个取值，对 y 所形成的分布确定其期望或均值，称为 y 的条件期望或条件均值，用表示。
回归线：对于每一个x的取值，都有y的条件期望与之对应，代表y的条件期望的点的轨迹形成的直线或曲线称为回归线。
回归函数：被解释变量y的条件期望随解释变量x的变化而有规律的变化，如果把y的条件期望表现为 x 的某种函数这个函数称为回归函数。
回归函数分为：总体回归函数和样本回归函数。
假如已知所研究的经济现象的总体的被解释变量y和解释变量x的每个观测值（通常这是不可能的！），那么，可以计算出总体被解释变量y的条件期望。
并将其表现为解释变量x的某种函数这个函数称为总体回归函数（prf）
本质：总体回归函数实际上表现的是特定总体中被解释变量随解释变量的变动而变动的某种规律性。
条件期望表现形式，例如y的条件期望是解释变量x的线性函数，可表示为：
个别值的表现形式（随机设定形式），对于一定的 （样本观测值） ，y的各个别值并不一定等于条件期望，而是分布在的周围，若令各个与条件期望的偏差为 ，显然是个随机变量，则有。
计量经济学中，线性回归模型的“线性” 有两种解释：
◆就变量而言是线性的——y的条件期望（均值）是x的线性函数。
◆就参数而言是线性的——y的条件期望（均值）是参数β的线性函数。
例如对变量、参数均为“线性”。
对参数“线性”，对变量”非线性”。
对变量“线性”，对参数”非线性”。
注意：在计量经济学中，线性回归模型主要指就参数而言是“线性”的，因为只要对参数而言是线性的，都可以用类似的方法去估计其参数，都可以归于线性回归。
随机扰动项的概念：在总体回归函数中，各个的值与其条件期望的偏差有很重要的意义。若只有 x 的影响， 与不应有偏差。
若偏差存在，说明还有其他影响因素。 实际代表了排除在模型以外的所有因素对 y 的影响。
性质：是其期望为 0 有一定分布的随机变量。
重要性：随机扰动项的性质决定着计量经济分析结果的性质和计量经济方法的选择。
引入随机扰动项的原因：①未知影响因素的代表(理论的模糊性)；②是无法取得数据的已知影响因素的代表(数据欠缺)；③是众多细小影响因素的综合代表(非系统性影响);④模型可能存在设定误差(变量、函数形式的设定）；⑤模型中变量可能存在观测误差(变量数据不符合实际)。⑥变量可能有内在随机性(人类经济行为的内在随机性)；
样本回归线：对于x的一定值，取得y的样本观测值，可计算其条件均值，样本观测值条件均值的轨迹，称为样本回归线。
样本回归函数：如果把被解释变量y的样本条件均值表示为解释变量x的某种函数，这个函数称为样本回归函数（srf）
条件均值的形式：样本回归函数如果为线性函数，可表示为。
和分别是样本回归函数的参数。
个别值（实际值）的形式：被解释变量y的实际观测值不完全等于样本条件均值 ，二者之差用表示， 称为剩余项或残差项，则。
特点：①样本回归线随抽样波动而变化：
每次抽样都能获得一个样本，就可以拟合一条样本回归线，（srf不唯一)
样本回归函数的函数形式应与设定的总体回归函数的函数形式一致。
本回归线只是样本条件均值的轨迹，还不是总体回归线，它至多只是未知的总体回归线的近似表现。
样本回归与总体回归的区别：①总体回归函数虽然未知，但是确定的一条；而由于从总体中每次都能获得一个样本，就可以拟合一条样本回归函数，所以它随抽样波动变化而变化，可以有多条。②总体中参数是确定的常数， 是随抽样而变化的随机变量。
③此外总体中的是不可直接观测的，样本中的只要是估计出样本回归的参数就可以计算的数值。
目的：计量经济分析的目标是寻求总体回归函数。即用样本回归函数srf去估计总体回归函数prf。
由于样本对总体总是存在代表性误差，srf 总会过高或过低估计prf。
要解决的问题：寻求一种规则和方法，使其得到的srf的参数和尽可能“接近”总体回归函数中的参数和的真实值。这样的“规则和方法”有多种，如矩估计、极大似然估计、最小二乘估计等。
其中最常用的是最小二乘法。
普通最小二乘估计。
1、古典假定，对随机扰动项u的假定：①零均值假定：在给定x的条件下， 的条件期望为零。
同方差假定： 在给定x的条件下， 的条件方差为某个常数 。
无自相关假定： 随机扰动项的逐次值互不相关
解释变量xi是非随机的，或者虽然xi 是随。
机的但与扰动项 ui 不相关 (从随机扰动角度看)
对随机扰动项分布的正态性假定，即假定服从均值为零、方差为的正态分布
说明：正态性假定并不影响对参数的点估计，所以有时不列入基本假定，但这对确定所估计参数的分布性质是需要的。且根据中心极限定理，当样本容量趋于无穷大时， 的分布会趋近于正态分布。
所以正态性假定有合理性）
用样本观测值xi和yi表现的和最小二乘法估计量。
离差形式：令得。