4.1 异方差性产生的背景和原因 4.2 一元加权最小二乘估计 4.3 多元加权最小二乘估计 4.4 自相关性问题及其处理 4.5 异常值与强影响点 4.6 本章小结与评注

第一节 线性回归模型概述 第二节 一元线性回归模型的参 第六节 异方差性 第七节 序列相关性 第八节 多重共线性

实验一 Eviews 软件的基本操作.1 实验二 一元回归模型 .10 实验三 多元和非线性回归模型 .20 实验四 多重共线性 .29 实验五 异方差性 .38 实验六 自相关性 .49 实验七 滞后变量模型 .63 实验八 虚拟解释变量模型 .75 实验九 模型设定误差诊断与检验 .82 实验十 联立方程模型 .90 实验十一 平稳时间序列分析 .106 实验十二 非平稳时间序列分析（一） .118

4.1 异方差性产生的背景和原因 4.2 一元加权最小二乘估计 4.3 多元加权最小二乘估计 4.4 自相关性问题及其处理 4.5 异常值与强影响点 4.6 本章小结与评注

本章讨论加权最小二乘估计，异方差性和自相关一致协方差估计，两阶段最小二乘估计（TSLS），非线性最小二乘估计和广义矩估计（GMM）。这里的大多数方法在“联立方程系统”一章中也适用

1. Suppose the linear regression model is如果不恒成立,则称误差项是序列相关的(自相关的)。(serial correlation) 2.产生序列相关的原因及序列相关的影响 1)原因 (1)经济行为的惯性或冲击的惯性(SARS) (2)模型误设(Model misspecification) 2、序列相关对估计与检验的影响与异方差性类似

EViews中的大多数统计工具都是用来建立随机变量的条件均值模 型。本章讨论的重要工具具有与以往不同的目的建立变量的条件 方差或变量波动性模型。 我们想要建模并预测其变动性通常有如下几个原因:首先,我们 可能要分析持有某项资产的风险;其次,预测置信区间可能是时变性 的,所以可以通过建立残差方差模型得到更精确的区间;第三,如果 误差的异方差是能适当控制的,我们就能得到更有效的估计

 方法性工具  差分运算  延迟算子  线性差分方程  ARMA模型  AR模型（Auto Regression Model）  MA模型（Moving Average Model）  ARMA模型（Auto Regression Moving Average model）  平稳序列建模  序列预测  建模步骤  模型识别  参数估计  模型检验  模型优化  序列预测

第五节音位 音位是一种语言或方言中能区别意义的最小的语音单位。 一、音位的特征 例如:[a]】在汉语中不区别意义。 在法语中区别意义ptte(爪子)pate(浆糊) 1.音位是能区别意义的语音单位。 音素音质上的差别有两种性质: 一种是对立性差别汉语的/p/一/p/法语的/a/—ㄧ 一种是非对立性差别汉语的/a/—英语的/p//p/ 2音位是最小的语音单位。 3.音位总是属于某种特定的语言或方言的

一、行业特点 1.行业内包含了大量规模很小的厂商。 2.新厂商能够容易地进入该行业。 3.存在产品差别，但产品之间具有较高的替代性（但不是完全的替代）。产品差别主要包括以下几个方面：（1）产品本身的差别；