ols估计:计量经济学中的“OLS”是什么意思？

1.计量经济学中的“OLS”是什么意思？

意思是普通最小二乘法。普通最小二乘估计就是寻找参数β1、β2……的估计值，使上式的离差平方和Q达极小。式中每个平方项的权数相同，是普通最小二乘回归参数估计方法。在误差项等方差、不相关的条件下，普通最小二乘估计是回归参数的最小方差的线性无偏估计。用这种方法可以算出计量模型中的参数，它是计量经济学中最基本，计算很复杂，现在都是将数据输入软件，由程序来计算的。这是数学家高斯发明的方法，这个过程后来经过很多数学家改进。

2.如何使用EViews软件进行OLS估计参数

步骤1创建工作文件，在file菜单中，依次点击new->2这时弹出Workfile Create对话框，选择数据类型并填入起止日期，工作文件建立完毕 4创建和编辑数据，在命令窗口直接输入data Y X，5弹出Group窗口，将数据填入其中。7弹出Equation窗口，得到参数估计结果，该窗口中包含截距项、X前面的系数，标准误差、t统计量、p值、可决系数等。8点击Equation窗口中的Resid，可以得到模型的拟合图和残差图。9如何查看模型的方程式呢？

3.什么叫OLS方法

OLS方法即最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合，其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。时年24岁的高斯也计算了谷神星的轨道。奥地利天文学家海因里希·奥尔伯斯根据高斯计算出来的轨道重新发现了谷神星。

4.计量经济学中的普通最小二乘法（OLS）的4个基本假设条件是什么？

一、解释变量内生性检验首先检验解释变量内生性（解释变量内生性的Hausman 检验：使用工具变量法的前提是存在内生解释变量。所有解释变量均为外生变量，则认为不存在内生解释变量，应该使用OLS。reg ldi lofdiestimates store olsxtivreg ldi (lofdi=l.lofdi ldep lexr)estimates store ivhausman iv ols（在面板数据中使用工具变量，Stata提供了如下命令来执行2SLS:表示固定效应、随机效应等。详见help xtivreg）如果存在内生解释变量，则应该选用工具变量，工具变量个数不少于方程中内生解释变量的个数。2SLS的实质是把内生解释变量分成两部分。即由工具变量所造成的外生的变动部分，以及与扰动项相关的其他部分，把被解释变量对中的这个外生部分进行回归，从而满足OLS前定变量的要求而得到一致估计量，tptqtp二、异方差与自相关检验在球型扰动项的假定下。但如果扰动项存在异方差或自相关。面板异方差检验，xtserial enc invs exp imp esc mrl则存在一种更有效的方法：GMM之于2SLS正如GLS之于OLS，GMM还原为普通的工具变量法，过度识别时传统的矩估计法行不通；只有这时才有必要使用GMM，estat overid三、工具变量效果验证工具变量：工具变量要求与内生解释变量相关：但又不能与被解释变量的扰动项相关，故在实践上寻找合适的工具变量常常很困难，常用滞后变量。检验工具变量的有效性：（1） 检验工具变量与解释变量的相关性如果工具变量z与内生解释变量完全不相关：则无法使用工具变量法，这种工具变量被称为，弱工具变量。（weak instruments）后果就象样本容量过小“检验弱工具变量的一个经验规则是”F统计量大于10，则可不必担心弱工具变量问题，estat first（显示第一个阶段回归中的统计量）（2） 检验工具变量的外生性（接受原假设好）在恰好识别的情况下。无法检验工具变量是否与扰动项相关：在过度识别（工具变量个数>，内生变量个数）的情况下。则可进行过度识别检验（Overidentification Test）;检验原假设所有工具变量都是外生的，则认为至少某个变量不是外生的。Stata命令。estat overid四、GMM过程在Stata输入以下命令。

5.简述ols估算，iv估算和gmm估算的区别

一、解释变量内生性检验首先检验解释变量内生性（解释变量内生性的Hausman 检验：使用工具变量法的前提是存在内生解释变量。Hausman 检验的原假设为：所有解释变量均为外生变量，如果拒绝，则认为存在内生解释变量，要用IV；反之，如果接受，则认为不存在内生解释变量，应该使用OLS。reg ldi lofdiestimates store olsxtivreg ldi (lofdi=l.lofdi ldep lexr)estimates store ivhausman iv ols（在面板数据中使用工具变量，Stata提供了如下命令来执行2SLS:xtivreg depvar [varlist1] (varlist_2=varlist_iv) （选择项可以为fe，re等，表示固定效应、随机效应等。详见help xtivreg）如果存在内生解释变量，则应该选用工具变量，工具变量个数不少于方程中内生解释变量的个数。“恰好识别”时用2SLS。2SLS的实质是把内生解释变量分成两部分，即由工具变量所造成的外生的变动部分，以及与扰动项相关的其他部分；然后，把被解释变量对中的这个外生部分进行回归，从而满足OLS前定变量的要求而得到一致估计量。tptqtp二、异方差与自相关检验在球型扰动项的假定下，2SLS是最有效的。但如果扰动项存在异方差或自相关，面板异方差检验：xtgls enc invs exp imp esc mrl,igls panel(het)estimates store heteroxtgls enc invs exp imp esc mrl,iglsestimates store homolocal df = e(N_g) - 1lrtest hetero homo, df(`df')面板自相关：xtserial enc invs exp imp esc mrl则存在一种更有效的方法，即GMM。从某种意义上，GMM之于2SLS正如GLS之于OLS。好识别的情况下，GMM还原为普通的工具变量法；过度识别时传统的矩估计法行不通，只有这时才有必要使用GMM，过度识别检验（Overidentification Test或J Test）：estat overid三、工具变量效果验证工具变量：工具变量要求与内生解释变量相关，但又不能与被解释变量的扰动项相关。由于这两个要求常常是矛盾的，故在实践上寻找合适的工具变量常常很困难，需要相当的想象力与创作性。常用滞后变量。需要做的检验：检验工具变量的有效性：（1） 检验工具变量与解释变量的相关性如果工具变量z与内生解释变量完全不相关，则无法使用工具变量法；如果与仅仅微弱地相关，。这种工具变量被称为“弱工具变量”（weak instruments）后果就象样本容量过小。检验弱工具变量的一个经验规则是，如果在第一阶段回归中，F统计量大于10，则可不必担心弱工具变量问题。Stata命令：estat first（显示第一个阶段回归中的统计量）（2） 检验工具变量的外生性（接受原假设好）在恰好识别的情况下，无法检验工具变量是否与扰动项相关。在过度识别（工具变量个数>内生变量个数）的情况下，则可进行过度识别检验（Overidentification Test），检验原假设所有工具变量都是外生的。如果拒绝该原假设，则认为至少某个变量不是外生的，即与扰动项相关。0HSargan统计量，Stata命令：estat overid四、GMM过程在Stata输入以下命令，就可以进行对面板数据的GMM估计。. ssc install ivreg2 （安装程序ivreg2 ）. ssc install ranktest （安装另外一个在运行ivreg2 时需要用到的辅助程序ranktest）. use "traffic.dta"（打开面板数据）. xtset panelvar timevar （设置面板变量及时间变量）. ivreg2 y x1 (x2=z1 z2),gmm2s （进行面板GMM估计，其中2s指的是2-step GMM）

6.满足多元回归模型基本假定时OLS估计量有哪些性质

1、随机误差项是一个期望值或平均值为0的随机变量；2、对于解释变量的所有观测值，随机误差项有相同的方差；4、解释变量是确定性变量，不是随机变量，5、解释变量之间不存在精确的（完全的）线性关系。

7.为什么当模型存在严重的多重共线性时，ols估计量将不具备一致性

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性造成便来那个选择不当，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。一是在完全共线性下参数估计量不存在，二是近似共线性下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；三是参数估计量经济意义不合理，如当2X和3X存在线性关系时，2X和3X前的参数并不能反映各自与被解释变量之间的结构关系；

8.存在异方差下，参数的OLS估计的方差增大，为什么又说OLS估计低估了估计量的标准差？考试题，请快速帮帮忙

同方差时标准误不随自变量变化，异方差时是变化的。但是大小是和你的抽样有关。普通最小二乘估计就是寻找参数β1、β2……的估计值,使上式的离差平方和Q达极小.式中每个平方项的权数相同,是普通最小二乘回归参数估计方法.在误差项等方差、不相关的条件下,普通最小二乘估计是回归参数的最小方差的线性无偏估计.用这种方法可以算出计量模型中的参数,它是计量经济学中最基本,