选出不同类的单词. A. him B. her C. yours D. us 还要说一下原因 褓弑桀001E4 是宾格, yours是所有格,所以选C 为您推荐： 其他类似问题 这个是名词性物主代词 ABD 都是作为宾语人称代词 C不同类，A、B、D表示的人称的宾格，而C表示的是所有格 yours 你们的东西，其余的都是宾格 him：他的her：她的yours：你们的，你的us：我们的我觉得应该是选D 扫描下载二维码一般对于简单计量经济学，大家可能都知道什么经济意义检验、t检验（即t统计量）、回归系数、样本容量、R2、F统计量、DW值、P值等，这些对于常规统计分析，做这些就可以了。因此本文为大家准备了一些常规的计量基础知识，例如多重共线性、自相关、异方差等知识！首先先来熟悉下OLS回归出来的结果：Method选的的是OLS回归方法，即Ls(leastsquares)最小二乘法&R-sequared样本决定系数（R2），又称可决系数，值为0-1，反映的是整个方程的拟合效果大于0.9，最好了。AdjustR-seqaured调整修正后的可决系数S.E ofregression回归标准误差&Log likelihood对数似然比：残差越小，L值越大，越大说明模型越正确&Durbin-Watsonstat：DW统计量，主要判断方程的自相关，可以查Dw表，越接近于2越好Akaike infocriterion赤池信息量(AIC)（越小说明模型越精确）&Schwarz ctiterion:施瓦兹信息量（SC）（越小说明模型越精确）&Prob(F-statistic)相伴概率，F统计量的伴随概率，等于0，或者接近于0，说明方程的整体显著性。记住，t统计量只是各个变量对整个方程的显著性，经验值，绝对值大于2，说明显著。模型检验：&1）方程显著性检验（F检验）：模型拟合样本的效果，即选择的所有自变量对因变量的解释力度&F大于临界值则说明拒绝0假设。&Eviews给出了拒绝0假设(所有系统为0的假设)犯错误(第一类错误或α错误)的概率(收尾概率或相伴概率)p值，若p小于置信度(如0.05)则可以拒绝0假设，即认为方程显著性明显。&2）回归系数显著性检验（t检验）：检验每一个自变量的合理性&|t|大于临界值表示可拒绝系数为0的假设，即系数合理。t分布的自由度为n-p-1,n为样本数，p为系数位置&3）DW检验：检验残差序列的自相关性，检验基本假设2（随机误差相互独立）&残差：模型计算值与资料实测值之差为残差&0&=dw&=dl 残差序列正相关，du&dw&4-du 无自相关， 4-dl&dw&=4负相关 ，若不在以上3个区间则检验失败，无法判断&demo中的dw=0.141430 ，dl=1.73369,du=1.7786,所以存在正相关&一、& &多重共线性检验：1、简单相关系数矩阵法计算解释变量的简单相关系数矩阵。方法1：将解释变量选中，双击打开，点击Views/Correlation/click，即可得出相关系数矩阵（图2.2.2）。再点击顶部的Freeze按钮，可得到一个Table类型独立的object（图2.2.3）。修正我们采用逐步回归法进行修正。1、运用OLS方法逐一求Y对各个解释变量的回归。结合经济意义和统计检验选出拟合效果最好的一元线性回归方程。以下为7个方程。（注意：每次完成一个方程后，利用Freeze按钮，形成一个Table类型的object，并保存在Workfile中，需要时打开即可，这样可方便对比。）方程1：一、用OLS法估计模型。&二、自相关的检验1、&图示法：绘制et和et-1的相关图。在Worlfile中运用GENR命令生成序列E=RESID。运用Eviews主画面顶部的QUICK/GRAPH命令，生成散点图。三、DW检验推荐阅读学计量eviews的的看过来（多重共线性+异方差学习手册）模型评价&目的：不同模型中择优&1）样本决定系数R-squared及修正的R-squared&R-squared=SSR/SST 表示总离差平方和中由回归方程可以解释部分的比例，比例越大说明回归方程可以解释的部分越多。&Adjust R-seqaured=1-(n-1)/(n-k)(1-R2)&2）对数似然值(Log Likelihood,简记为L)&残差越小，L越大&3）AIC准则&AIC= -2L/n+2k/n, 其中L为 log likelihood,n为样本总量，k为参数个数。&AIC可认为是反向修正的L，AIC越小说明模型越精确。&4）SC准则&SC= -2L/n + k*ln(n)/n&用法同AIC非常接近&预测forecast&root mean sequared error(RMSE)均方根误差&Mean Absolute Error(MAE)平均绝对误差&这两个变量取决于因变量的绝对值，&MAPE(Mean Abs. Percent Error)平均绝对百分误差，一般的认为MAPE&10则认为预测精度较高&Theil Inequality Coefficient（希尔不等系数）值为0-1，越小表示拟合值和真实值差异越小。&偏差率(bias Proportion)，bp，反映预测值和真实值均值间的差异&方差率(variance Proportion)，vp，反映预测值和真实值标准差的差异&协变率(covariance Proportion)，cp，反映了剩余的误差&以上三项相加等于1。&预测比较理想是bp,vp比较小，值集中在cp上。&eviews不能直接计算出预测值的置信区间，需要通过置信区间的上下限公式来计算。如何操作？&其他&1)Chow检验&chow's breakpoint检验&零假设是：两个子样本拟合的方程无显著差异。有差异则说明关系中结构发生改变&demo中&Chow Breakpoint Test: 1977Q1&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&F-statistic&&&&&&& 2.42&&&&&&&&&&& Prob. F(3,174)&&&&&&&&&&&&&&& 0.3355&Log likelihood ratio&&&&&&& 8.78&&&&&&&&&&& Prob. Chi-Square(3)&&&&&&&&&&&&&&& 0.0291&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&p值&0.05，可拒绝0假设，即认为各个因素的影响强弱发生了改变。&问题是如何才能准确的找到这个或这几个断点？目前的方法是找残差扩大超出边线的那个点，但这是不准确的，在demo中1975Q2的残差超出，但是chow's breakpoint检验的两个p值都接近0.2，1976Q3开始两个p值才小于0.05，并且有逐渐减小之势。&chow's forecast检验&用断点隔断样本，用之前的样本建立回归模型，然后用这个模型对后一段进行预测，检验这个模型对后续样本的拟合程度。&0假设是：模型与后段样本无显著差异&demo中的1976Q4作为break point,得到两个p值为0，即认为两段样本的系数应该是不同的。&2）自变量的选择&testadd检验：&操作方法是: eqation name.testadd ser1 ser2 ...&0假设：应该将该变量引入方程&检验统计量：wald,LR&结果：通过两个p值(Prob. F,Prob Chi-sequare)看是否拒绝原假设&testdrop检验：&操作方法是: eqation name.testdrop ser1 ser2 ...&0假设：应该将该变量剔除&检验统计量：wald,LR&结果：通过两个p值(Prob. F,Prob Chi-sequare)看是否拒绝原假设&含定性变量的回归模型&分为：自变量含定性变量，因变量含定性变量。后一种情况较为复杂&建立dummy 变量(名义变量)：用D表示&当变量有m种情况时，需要引入m-1个dummy变量&处理办法：把定性变量定义成0.1.2等数值后和一般变量同样处理&常见问题及对策&1）多重共线性（multicollinearity）:&p个回归变量之间存在严格或近似的线性关系&诊断方法：&1.如果模型的R-sequared很大，F检验通过，但是某些系统的t检验没通过&2.某些自变量系数之间的简单相关系数很大&3.回归系数符号与简单相关系统符号相反&以上3条发生都有理由怀疑存在多重共线性&方差扩大因子(variance inflation factor VIFj)是诊断多重共线性的常用手段。&VIFj为矩阵(X’ X)-1第j个对角元素cjj=1/(1-R2j)(j=1,2…,p)&其中R2j为以作为cj因变量，其余p-1个自变量作为自变量建立多元回归模型所得的样本决定系数，所以R2j越大则说明自变量之间自相关性越大，此时也越大，可以认为VIFj&10(R2j&0.9)则存在多重共线性。&还可以使用VIFj的平均数作为判断标准，如果avg(VIFj)远大于10则认为存在多重共线性。&eviews里如何使用VIF法？--建立方程，然后手工建立scalar vif。demo中GDP和PR的vif为66，存在多重共线性? 只有一个自变量的方程是否会失效?此时dw值只有0.01远小于dl，说明GDP远远不是PR能决定的。结合testdrop将PR去除，两个p值为0，说明不能把PR去除。&在eviews中当自变量存在严重的多重共线性时将不能给出参数估计值，而会报错：nearly singular matrix&2）异方差性（Herteroskedasticity）&即随机误差项不满足基本假设的同方差性,异方差性说明随机误差中有些项对因变量的影响是不同于其他项的。&一般地，截面数据做样本时出现异方差性的可能较大，或者说都存在异方差性&若存在异方差性，用OLS估计出来的参数，可能导致估计值虽然是无偏的，但不是有效的。&（截面数据就是同一时间点上各个主体的数据，比如2007年各省的GDP数据放在一起就是一组截面数据&与之相对的是时间序列数据 如河北省从00年到07年的数据就是一组时间序列数据&两者综合叫面板数据 ）&00年到07年各省的数据综合在一起就叫面板数据&诊断方法：&1.图示法，以因变量作为横坐标，以残差项为纵坐标，根据散点图判断是否存在相关性。&(选择两个序列作为group打开，先选中的序列将作为group的纵坐标)&2.戈里瑟(Glejser)检验：&& ??&