1. 統計學中假設檢驗中的P值和計量經濟學中的p值是一個概念嗎
是一樣的，p值是犯第一類錯誤的概率，即H0為真，你卻拒絕的概率。
2. 計量經濟學中，f檢驗就是檢驗樣本回歸方程線性關系是否顯著的一種假設檢驗
首先看格蘭傑因果關系檢驗，x對y有影響，表現為X各滯後項前的參數整體不為零版，而Y各滯後權項前的參數整體為零。格蘭傑檢驗是通過受約束的F檢驗完成的。原假設前參數整體為零。題中F值很大，F分布表中最大的也就6106，在1%的顯著性水平下。所以可以肯定的說拒絕原假設，所以X2i和X3i對YI的聯合影響是顯著的，F的p值很小，其表示的是接受原假設的概率為零，所以百分百拒絕原假設，故影響是顯著的。另外題中沒有說F值是檢驗單個的，所以AB肯定是錯的。
3. 計量經濟學沒有抽樣為什麼要做假設檢驗
隨機擾動項在計量經濟學模型中占據特別重要的地位，也是計量經濟學模型區別於其它經濟數學模型的主要特徵。將影響被解釋變數的因素集進行有效分解，無數非顯著因素對被解釋變數的影響用一個隨機擾動項（stochasticdisturbanceterm）表示，並引入模型。顯然，隨機擾動項具有源生性。在基於隨機抽樣的截面數據的經典計量經濟學模型中，這個源生的隨機擾動項滿足Gauss假設和服從正態分布。在確定性模型中引入隨機擾動，並不是為了掩蓋確定性模型的不足之處。因此，如果所謂的未被解釋的隨機擾動並不是真正的不能被解釋的因素，模型就是不適當的。牢記這一點對計量經濟學是非常重要的。統計推斷的理論不像確定性理論那樣，會被僅僅一個不符實際的觀察否定。引入隨機要素後，對預期結果的描述從確切的表述轉化為可能性的描述，除非有占優證據（占優本身則是很難清楚界定的），很難否定隨機模型。當然，如果未被解釋的隨機擾動並不是真正的不能被解釋的因素，即使這樣的模型難以被否定，也是建模者自欺欺人。不幸的是，Greene的擔憂在很多情況下成了現實：在很多計量分析中，隨機誤差項成了確定性模型不足之處的遮羞布。在大部分計量經濟學教科書中，在第一次引入隨機擾動項的概念時，都將它定義為「被解釋變數觀測值與它的期望值之間的離差」，並且將它與隨機誤差項(stochasticerrorterm)等同。一個「源生」的隨機擾動項變成了一個「衍生」的誤差。而且在解釋它的具體內容時，一般都在「無數非顯著因素對被解釋變數的影響」之外，加上諸如「變數觀測值的觀測誤差的影響」、「模型關系的設定誤差的影響」等。將「源生」的隨機擾動變成「衍生」的誤差，有許多理由可以為此辯解。如果不對數據生成過程的理論結構作出假定，即進行模型總體設定，就無從開始模型研究。但不幸的是，相對於物理學，經濟學家對經濟現實所知較少，模型總體被研究者有限的知識所確定，因此誤差在所難免，只能將總體原型方程的誤差項設定為衍生性的。問題在於，關於隨機擾動項的Gauss假設，以及一般未包括於Gauss假設之中的正態性假設，都是基於「源生」的隨機擾動而成立的。如果存在模型設定誤差、變數觀測誤差等確定性誤差，並將它們歸入「隨機誤差項」，那麼它很難滿足這些基本假設，進而進行的統計推斷就缺少了基礎。補救的方法是檢驗，對於實際應用模型的隨機誤差項進行是否滿足基本假設的檢驗，其中最重要的是正態性檢驗。但是，在實際上，人們最容易忽視的正是最重要的是正態性檢驗。為什麼？一方面是主觀上的，認為正態性是由中心極限定理所保證的，無須檢驗。另一方面是客觀上的，如果進行了正態性檢驗，而檢驗表明確實不滿足正態性假設，又能怎麼樣？要麼放棄研究，要麼視而不見。
4. 對估計的經濟學模型進行的假設檢驗包括哪些類型
統計檢驗比較多，但來比較常用的源是T檢驗和F檢驗，前者是檢驗各解釋變數對被解釋變數的影響是否顯著；後者是對整個回歸方程總體性是否顯著進行檢驗。。。
計量經濟學檢驗主要是對放寬經典假設條件後對模型所進行的檢驗，包括多重共線性，隨機干擾項的異方差和序列相關性以及隨機解釋變數的確定性等方面，此外還有檢驗模型其他的一些計量經濟學性質，如格蘭傑因果檢驗，單位根檢驗等等。。。