1. 違背基本假設的計量經濟學模型是否不可估計
可以估計。
違背基本假設進行參數估計，這樣估計出來的擬合方程有兩點:
1.參數系數不符合先驗性預期
比如消費收入模型中收入的系數為負；或者系數在統計上不顯著；或者R-square非常小。
2.模型擬合程度很好，但是沒有解釋能力
比如你做一個魔獸dps-天氣模型。假設你的方程擬合度非常好，但是這樣的模型毫無意義。
違背基本假設的計量經濟學模型可以估計，但是所估計的參數的方差變大，參數不具有有效性，相關檢驗失效，預測精度下降。
而且不能使用普通最小二乘法進行估計，用最大似然估計法
線性回歸模型的基本假設有：
第一，隨機誤差項均值為零；
第二，隨機誤差方差常數；
第三，隨機誤差項之間無序列相關性；
第四，解釋變數之間無多重共線性；
第五，解釋變數與隨機誤差項不相關；
第六，隨機誤差項服從正態分布。
2. 計量經濟學中對經典假設條件的名詞解釋
單位根，數學術語，是指設n是正整數，當一個數的n次乘方等於1時，稱此數為n次「單位根」計量經濟學考試就是數學除了名詞解釋之外
3. 違背基本假設的計量經濟學模型是否就不可估計
可以估抄計。
違背基本假設襲進行參數估計，這樣估計出來的擬合方程有兩點:
1.參數系數不符合先驗性預期
比如消費收入模型中收入的系數為負；或者系數在統計上不顯著；或者R-square非常小。
2.模型擬合程度很好，但是沒有解釋能力
比如你做一個魔獸dps-天氣模型。假設你的方程擬合度非常好，但是這樣的模型毫無意義。
違背基本假設的計量經濟學模型可以估計，但是所估計的參數的方差變大，參數不具有有效性，相關檢驗失效，預測精度下降。
而且不能使用普通最小二乘法進行估計，用最大似然估計法
線性回歸模型的基本假設有：
第一，隨機誤差項均值為零；
第二，隨機誤差方差常數；
第三，隨機誤差項之間無序列相關性；
第四，解釋變數之間無多重共線性；
第五，解釋變數與隨機誤差項不相關；
第六，隨機誤差項服從正態分布。
4. 計量經濟學的經典假定
呵呵，多重共線性，異方差，自相關性的修正貌似大家還從來沒考慮過殘差的期望不為0的情況，你再想想最小二乘原則，可能出現殘差的期望不為0的情況嗎？
5. 計量經濟學中經典線性回歸的5個基本假定是什麼
零均值、同方差、無自相關、隨機擾動項與解釋變數不相關、正態性
6. 計量經濟學中的普通最小二乘法（OLS）的4個基本假設條件是什麼
計量經濟學中的普通最小二乘法（OLS）的4個基本假設條件分別為：
1、解釋變數是確定變數，不是隨機變數。
2、隨機誤差項具有零均值、同方差何不序列相關性。
3、隨機誤差項與解釋變數之間不相關。
4、隨機誤差項服從零均值、同方差、零協方差的正態分布。
通過最小化誤差的平方和尋找數據的最佳函數匹配。利用最小二乘法可以簡便地求得未知的數據，並使得這些求得的數據與實際數據之間誤差的平方和為最小。
最小二乘法還可用於曲線擬合。其他一些優化問題也可通過最小化能量或最大化熵用最小二乘法來表達。
(6)計量經濟學假設擴展閱讀：
在我們研究兩個變數（x,y）之間的相互關系時，通常可以得到一系列成對的數據（x1，y1，x2，y2... xm，ym）；將這些數據描繪在x -y直角坐標系中，若發現這些點在一條直線附近，可以令這條直線方程。
在回歸過程中，回歸的關聯式不可能全部通過每個回歸數據點（x1，y1，x2，y2...xm，ym），為了判斷關聯式的好壞，可藉助相關系數「R」，統計量「F」，剩餘標准偏差「S」進行判斷；「R」越趨近於 1 越好；「F」的絕對值越大越好；「S」越趨近於 0 越好。
R = [∑XiYi - m （∑Xi / m）（∑Yi / m)]/ SQR{[∑Xi2 - m （∑Xi / m)2][∑Yi2 - m （∑Yi / m)2]}
m為樣本容量，即實驗次數；Xi、Yi分別為任意一組實驗數據X、Y的數值。
7. 計量經濟學中回歸分析的經典假設
E(U) = 0 正態
E(XU) = 0 外生性
Var(U|X)= Sigma^2 同方差
E(X1X2) = 0 多重共線性
E(XX(-1)) = 0 序列相關性
怎麼表示我及不太清楚了
但是只有異方差，序列相關和內生性最重要.
8. 計量經濟學中的普通最小二乘法（OLS）的4個基本假設條件是什麼在線等
1. 解釋變數是確定變數，不是隨機變數
2. 隨機誤差項具有零均值、同方差何不序列相關性
3. 隨機誤差項與解釋變數之間不相關
4. 隨機誤差項服從零均值、同方差、零協方差的正態分布
9. 計量經濟學的基本假設
計量經濟學的來基本假設包括以下自個：
1，線性回歸模型是指對參數而言為線性的回歸模型。
2，隨機干擾項的條件均值為零。
3，隨機干擾項的條件方差恆定。
4，隨即干擾項之間不存在自相關性。
5，隨機干擾項與解釋變數不相關。
6，正確地設定了回歸模型。
10. 計量經濟學產生BLUE估計量的基本假定是什麼
最優線性無偏性(best linear unbiasedness property，BLUE)指一個估計量具有以下性質:
(1)線性，即版這個估計量是隨機變數權。
(2)無偏性，即這個估計量的均值或者期望值E(a)等於真實值a。
(3)具有有效估計值，即這個估計量在所有這樣的線性無偏估計量一類中有最小方差。
具有上述性質的估計量，被稱為最優線性無偏估計量。
高斯-馬爾科夫定理
在給定經典線性回歸模型的假定下，最小二乘估計量，在無偏線性估計量一類中，有最小方差，即它們滿足最優線性無偏性。