① 計量經濟學：Yi=3+β1exp(β2X2i+ui) 1.將模型線性化 2.如果 β1*和β2*是通過線性化後所得的OLS
這是模型是指數型的，可以使用半對數模型。
對原模型：Yi=3+β1exp(β2X2i+ui)
將常數3移到左邊：回Yi-3=β1exp(β2X2i+ui)
兩邊取對答數：ln(Yi-3）=ln(β1)+β2X2i+ui
此即線性化模型，其中，因變數是在原來的模型的因變數中減去3後取對數
則得到的模型與現線性模型y=a+bx+ui等價，這里y=ln(Yi-3) a=ln(β1) b=β2
使用OLS即可估計出a b再通過計算解出 β1 β2
② 急求一篇計量經濟學的文章，最好有ols回歸
發送給你2封郵件，十來篇相關論文了，查收下哈~ 希望對你有幫助！
以後還需要檢索論文的話可以再向我或者其他舉手之勞隊員提問哦，舉手之勞助人為樂！
——網路知道 舉手之勞團隊 隊長：曉斌11藍貓
③ 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。
(3)一元線性ols回歸計量經濟學擴展閱讀：
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。
④ 計量經濟學ols法回歸結果中"值"指的哪個數值
這個問題說實話，模糊的讓人不知道如何回答。
OLS 回歸結果有很多值，每一個專值都有不同的檢屬驗意義。
籠統的說，
1. 一般會看R 值，或者是有調整的R值。這個是數值是檢驗整個模型擬合的好壞。
2. 各個自變數的 系數值，這些數值是否在方向上是合乎預期的。其給出了這個自變數對因變數的影響的大小。
3. 系數值的P值。得到系數值後，在統計上是否顯著，也是要考量的。如果P值一般大於0.1 就說明，自變數與因變數在統計上是沒有聯系。
4.有特別考察需要的，會看標准差值，如果標准差值過大，可能數據有需要調整的地方，如處理離群值。
5. 其他檢驗數據值，如 D-W 值，這個數值一般接近於2 是最好，如果過小或者過大，都說明模型存在自相關的問題。
以上僅是大多數實證分析會在文章中有說明的數值。
⑤ 計量經濟學中的OLS是什麼意思
OLS是ordinary least square的簡稱，意思是普通最小二乘法。普通最小二乘估計就是尋找參數β1、β2……的估計值，使專上式屬的離差平方和Q達極小。式中每個平方項的權數相同，是普通最小二乘回歸參數估計方法。在誤差項等方差、不相關的條件下，普通最小二乘估計是回歸參數的最小方差的線性無偏估計。
用這種方法可以算出計量模型中的參數，它是計量經濟學中最基本，也是用的最多的方法。計算很復雜，你只要把原理搞清楚就可以了。現在都是將數據輸入軟體，由程序來計算的。
如果我沒有記錯的話，這是數學家高斯發明的方法，距今將近兩百年歷史，這個過程後來經過很多數學家改進。當然也有其局限性，當代的數學家又發明了一些新方法，比OLS要復雜很多。
⑥ 計量經濟學 OLS模型問題
1.如果該變抄量與剩餘的變數相關，小樣本襲下，系數OLS估計量是有偏的，大樣本也是非一致性的，主要是因為被剔除的解釋變數包含在隨機誤差項里，這時解釋變數與隨機誤差項相關，產生內生性問題；如果變數與剩餘的變數無關，斜率項系數滿足無偏性和一致性，但截距項系數卻是有偏的2.我認為不對，雖然可決系數是判斷模型總體擬合程度好壞的貫用方法，但在經濟計量分析中，一個模型被估計出來後，衡量它質量高低最重要的是考察它的經濟關系是否合理，有時即使可決系數很低，但模型一樣可以通過顯著性水平95%下的F檢驗，各解釋變數系數估計通過t檢驗，且符合經濟預期，只要滿足古典假設條件，這樣的回歸方程還是可取的，所以在實際應用中，不必對可決系數過分苛求
⑦ 計量經濟學 證明為什麼ols模型是blue 高手進 僅限（（矩陣法））
矩陣法 您下載下來就好了 公式復制不了
⑧ 計量經濟學中ols一階擬合完以後殘差不為正態分布
OLS法的使用前提之一是隨機誤差服從正態分布（即高斯分布）。但是，現實是復雜的，幾乎不可能完全符合假設。那麼，一個好的估計量應該對稍微偏離假設的情況有一定的免疫力。遺憾的是，OLS不具備這一特點。比如，當隨機誤差是非正態分布—尤其是長尾分布時，OLS估計量會對哪怕少數幾個離群點（即異常數據）極度地敏感。也就是說少數幾個離群點就會對擬合結果產生破壞性的影響，使OLS估計量成為很差的估計量。事實上，許多學者指出，長尾分布的隨機誤差比正態分布的隨機誤差更為常見。這種情況下，必須放棄OLS，尋求其它有效的估計方法。
穩健回歸正是對這個問題進行補救措施。所謂穩健，就是指能夠抵禦異常數據對回歸分析的不良影響。如果能夠抵禦，我們就可以說這種估計方法是穩健的。反之，如果不能抵禦異常數據對回歸分析的破壞，我們就可以說這種估計方法是不穩健。因為在回歸分析中，異常數據主要表現的離群點。所以，簡言之，穩健回歸就是指能夠檢測離群點、並且在離群點存在的情況下能夠提供可靠估計的一種回歸方法。
簡言之，殘差不服從正態分布時，應該使用穩健回歸。穩健回歸有多種方法，最常用的是M估計量，可以用R軟體實現。在R中，Huber回歸通過Venables和Ripley (2002)開發的MASS程序包中的rlm()命令來實現。
（統計人劉得意原創，請勿復制轉發）
⑨ 計量經濟學問題求詳解～
有點奇怪，這本書為什麼對OLS估計量使用了矩陣形式，而在後面對OLS估計量內的方差估計量卻使用標量容呢（注意beta下面的序號），如果題主所疑惑的C在前文沒有任何交代，那麼這本書則純屬誤認子弟。其次，這本書似乎幾個概念都沒有搞清，比如參數OLS估計的方差那欄，估計量的方差本身應該是VAR（）,如果加了^符號，則表明是方差的估計量，之所以使用估計量，是因為誤差的方差（sigma的平方）不知，用它的無偏估計量殘差平方和除以自由度代替的，所以這欄准確的說應該叫OLS估計量的方差的估計量。
下面回答題主兩個問題：
題主疑惑的兩個C是一樣的，上面那個是OLS估計量的方差的估計量，下面計算的是方差估計量的標准差，也就是上面的值開根號。
這里的C不太好看，也不易理解。事實上，接著OLS估計量的矩陣形式往下推演，在經典假設下（誤差滿足球形擾動），OLS估計量的方差矩陣應該[（X'X)^(-1)][sigma^2]（不滿足前提假設，左邊括弧的內容有變），X是n*k的矩陣（k為beta參數的個數，n為樣本數），X』是k*n的矩陣，C=[（X'X)^(-1)]是k*k的矩陣，於是Cjj可以看作C矩陣對角線的元素。