用简明的理由说明以下命题是正确的、错误的或者不确定的。当身方差性出现时,[tex=2.071x1.0]gK8iXL/QdPRlpuLJxLDDvw==[/tex]估计量是有偏说的和非有效的。
错。估计量是无偏的,也不是有效的。
举一反三
- 用简明的理由说明以下命题是正确的、错误的或者不确定的。[br][/br]在异方差性的情况下,常用的[tex=2.071x1.0]gK8iXL/QdPRlpuLJxLDDvw==[/tex]法必定高估了估计量的标准误。
- 用简明的理由说明以下命题是正确的、错误的或者不确定的。[br][/br]如果[tex=2.071x1.0]gK8iXL/QdPRlpuLJxLDDvw==[/tex]回归的残差表现出系统模式,这就说明数据中存在异方差性。
- 用简明的理由说明以下命题是正确的、错误的或者不确定的。[br][/br]如果一个回归模型误设(比如说,漏掉一个重要变量),则[tex=2.071x1.0]gK8iXL/QdPRlpuLJxLDDvw==[/tex]残差必定表现出明显的样式。
- 考虑如下过原点的回归模型:[tex=8.429x1.214]RrZJRmGQOTmZN4fo/5rIU8mo2loSrMDE+hzphrfcJezlXcnddFYcDUUh114gF8WG[/tex][br][/br]告诉你 [tex=5.571x1.571]3H+sjXiy5vWVc5hoh6uvijad49E6YjNV/MpuTMSs1b5g8IasjjPRrsFrExFsvxmx[/tex] 和[tex=6.5x1.571]QpZIaJSHgnpf7cMOLrN/FoQFcI9DtQ1Y8QihDDXTMfkRrcwdZ2WkK8P6+/KYE8iO[/tex] 而且它们相互独立。若[tex=6.929x1.214]i482tRI6n4ShKjHhnI6eiMlU07u6rYVoyK4KcX+cEOc=[/tex], 计算 [tex=0.571x1.214]CyLt5nwVs0oLAbCn8AssqQ==[/tex]的加权最小二乘([tex=2.286x1.0]i9+T3+gy8KCJEXzXFt6PKQ==[/tex])估计量及其方差。若你此时不正确地假定了误差方差相同(比方都等于 [tex=1.0x1.214]+33urkkz3/Nyr4sGrqM3/w==[/tex] ), 那么 [tex=0.571x1.214]CyLt5nwVs0oLAbCn8AssqQ==[/tex]的[tex=2.071x1.0]gK8iXL/QdPRlpuLJxLDDvw==[/tex]估计量是什么? 其方差又是多少? 与用 [tex=2.286x1.0]i9+T3+gy8KCJEXzXFt6PKQ==[/tex]方法得到的估计量相比, 你能得 到什么一般性结论?
- 如果回归模型中的随机误差项存在异方差,则模型参数的OLS估计是()。 A: 无偏、有效估计量 B: 无偏、非有效估计量 C: 有偏、有效估计量 D: 有偏、非有效估计量
内容
- 0
自相关性,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: 参数估计量是有偏的 D: 常用t检验仍旧有效
- 1
自相关性,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检验仍旧有效 D: 参数估计量是有偏的
- 2
举反例说明下列命题是错误的。[br][/br]若 [tex=2.714x1.214]D3KsiugLKsFZHk5mv/6jJA==[/tex]则 [tex=2.071x1.0]YB2GZ5RQJNiL6O1hL/UROA==[/tex]
- 3
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
- 4
异方差性产生的后果主要包括: A: OLS估计量是有偏的。 B: OLS估计量仍是无偏的。 C: OLS估计量仍是有效的。 D: OLS估计量不再是有效的。 E: OLS估计量失去了最小方差性。 F: 模型的预测功能失效。 G: OLS估计假设检验仍然可靠。 H: OLS估计的假设检验不可靠。