① 计量经济学：Yi=3+β1exp(β2X2i+ui) 1.将模型线性化 2.如果 β1*和β2*是通过线性化后所得的OLS
这是模型是指数型的，可以使用半对数模型。
对原模型：Yi=3+β1exp(β2X2i+ui)
将常数3移到左边：回Yi-3=β1exp(β2X2i+ui)
两边取对答数：ln(Yi-3）=ln(β1)+β2X2i+ui
此即线性化模型，其中，因变量是在原来的模型的因变量中减去3后取对数
则得到的模型与现线性模型y=a+bx+ui等价，这里y=ln(Yi-3) a=ln(β1) b=β2
使用OLS即可估计出a b再通过计算解出 β1 β2
② 急求一篇计量经济学的文章，最好有ols回归
发送给你2封邮件，十来篇相关论文了，查收下哈~ 希望对你有帮助！
以后还需要检索论文的话可以再向我或者其他举手之劳队员提问哦，举手之劳助人为乐！
——网络知道 举手之劳团队 队长：晓斌11蓝猫
③ 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
计量经济学中的普通最小二乘法（OLS）的4个基本假设条件分别为：
1、解释变量是确定变量，不是随机变量。
2、随机误差项具有零均值、同方差何不序列相关性。
3、随机误差项与解释变量之间不相关。
4、随机误差项服从零均值、同方差、零协方差的正态分布。
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。
(3)一元线性ols回归计量经济学扩展阅读：
在我们研究两个变量（x,y）之间的相互关系时，通常可以得到一系列成对的数据（x1，y1，x2，y2... xm，ym）；将这些数据描绘在x -y直角坐标系中，若发现这些点在一条直线附近，可以令这条直线方程。
在回归过程中，回归的关联式不可能全部通过每个回归数据点（x1，y1，x2，y2...xm，ym），为了判断关联式的好坏，可借助相关系数“R”，统计量“F”，剩余标准偏差“S”进行判断；“R”越趋近于 1 越好；“F”的绝对值越大越好；“S”越趋近于 0 越好。
R = [∑XiYi - m （∑Xi / m）（∑Yi / m)]/ SQR{[∑Xi2 - m （∑Xi / m)2][∑Yi2 - m （∑Yi / m)2]}
m为样本容量，即实验次数；Xi、Yi分别为任意一组实验数据X、Y的数值。
④ 计量经济学ols法回归结果中"值"指的哪个数值
这个问题说实话，模糊的让人不知道如何回答。
OLS 回归结果有很多值，每一个专值都有不同的检属验意义。
笼统的说，
1. 一般会看R 值，或者是有调整的R值。这个是数值是检验整个模型拟合的好坏。
2. 各个自变量的 系数值，这些数值是否在方向上是合乎预期的。其给出了这个自变量对因变量的影响的大小。
3. 系数值的P值。得到系数值后，在统计上是否显著，也是要考量的。如果P值一般大于0.1 就说明，自变量与因变量在统计上是没有联系。
4.有特别考察需要的，会看标准差值，如果标准差值过大，可能数据有需要调整的地方，如处理离群值。
5. 其他检验数据值，如 D-W 值，这个数值一般接近于2 是最好，如果过小或者过大，都说明模型存在自相关的问题。
以上仅是大多数实证分析会在文章中有说明的数值。
⑤ 计量经济学中的OLS是什么意思
OLS是ordinary least square的简称，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，使专上式属的离差平方和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，也是用的最多的方法。计算很复杂，你只要把原理搞清楚就可以了。现在都是将数据输入软件，由程序来计算的。
如果我没有记错的话，这是数学家高斯发明的方法，距今将近两百年历史，这个过程后来经过很多数学家改进。当然也有其局限性，当代的数学家又发明了一些新方法，比OLS要复杂很多。
⑥ 计量经济学 OLS模型问题
1.如果该变抄量与剩余的变量相关，小样本袭下，系数OLS估计量是有偏的，大样本也是非一致性的，主要是因为被剔除的解释变量包含在随机误差项里，这时解释变量与随机误差项相关，产生内生性问题；如果变量与剩余的变量无关，斜率项系数满足无偏性和一致性，但截距项系数却是有偏的2.我认为不对，虽然可决系数是判断模型总体拟合程度好坏的贯用方法，但在经济计量分析中，一个模型被估计出来后，衡量它质量高低最重要的是考察它的经济关系是否合理，有时即使可决系数很低，但模型一样可以通过显著性水平95%下的F检验，各解释变量系数估计通过t检验，且符合经济预期，只要满足古典假设条件，这样的回归方程还是可取的，所以在实际应用中，不必对可决系数过分苛求
⑦ 计量经济学 证明为什么ols模型是blue 高手进 仅限（（矩阵法））
矩阵法 您下载下来就好了 公式复制不了
⑧ 计量经济学中ols一阶拟合完以后残差不为正态分布
OLS法的使用前提之一是随机误差服从正态分布（即高斯分布）。但是，现实是复杂的，几乎不可能完全符合假设。那么，一个好的估计量应该对稍微偏离假设的情况有一定的免疫力。遗憾的是，OLS不具备这一特点。比如，当随机误差是非正态分布—尤其是长尾分布时，OLS估计量会对哪怕少数几个离群点（即异常数据）极度地敏感。也就是说少数几个离群点就会对拟合结果产生破坏性的影响，使OLS估计量成为很差的估计量。事实上，许多学者指出，长尾分布的随机误差比正态分布的随机误差更为常见。这种情况下，必须放弃OLS，寻求其它有效的估计方法。
稳健回归正是对这个问题进行补救措施。所谓稳健，就是指能够抵御异常数据对回归分析的不良影响。如果能够抵御，我们就可以说这种估计方法是稳健的。反之，如果不能抵御异常数据对回归分析的破坏，我们就可以说这种估计方法是不稳健。因为在回归分析中，异常数据主要表现的离群点。所以，简言之，稳健回归就是指能够检测离群点、并且在离群点存在的情况下能够提供可靠估计的一种回归方法。
简言之，残差不服从正态分布时，应该使用稳健回归。稳健回归有多种方法，最常用的是M估计量，可以用R软件实现。在R中，Huber回归通过Venables和Ripley (2002)开发的MASS程序包中的rlm()命令来实现。
（统计人刘得意原创，请勿复制转发）
⑨ 计量经济学问题求详解～
有点奇怪，这本书为什么对OLS估计量使用了矩阵形式，而在后面对OLS估计量内的方差估计量却使用标量容呢（注意beta下面的序号），如果题主所疑惑的C在前文没有任何交代，那么这本书则纯属误认子弟。其次，这本书似乎几个概念都没有搞清，比如参数OLS估计的方差那栏，估计量的方差本身应该是VAR（）,如果加了^符号，则表明是方差的估计量，之所以使用估计量，是因为误差的方差（sigma的平方）不知，用它的无偏估计量残差平方和除以自由度代替的，所以这栏准确的说应该叫OLS估计量的方差的估计量。
下面回答题主两个问题：
题主疑惑的两个C是一样的，上面那个是OLS估计量的方差的估计量，下面计算的是方差估计量的标准差，也就是上面的值开根号。
这里的C不太好看，也不易理解。事实上，接着OLS估计量的矩阵形式往下推演，在经典假设下（误差满足球形扰动），OLS估计量的方差矩阵应该[（X'X)^(-1)][sigma^2]（不满足前提假设，左边括号的内容有变），X是n*k的矩阵（k为beta参数的个数，n为样本数），X’是k*n的矩阵，C=[（X'X)^(-1)]是k*k的矩阵，于是Cjj可以看作C矩阵对角线的元素。