1. 作业背景与核心目标解析第一次拿到高教版《计量经济学》的作业看到题目是1、2、5很多同学可能会觉得这只是简单的课后练习照着课本公式套一套就能完成。但根据我多年的学习和教学经验计量经济学的第一次作业其意义远不止于“完成题目”本身。它更像是一次“认知校准”目的是让你从之前学过的概率论、统计学思维正式切换到计量经济学特有的“因果推断”和“模型构建”的轨道上来。作业中的这三道题看似基础实则分别对应了计量经济学入门必须跨越的三道门槛理解随机性与期望、掌握核心估计方法OLS、以及初步建立模型解释与诊断的意识。很多初学者栽跟头不是因为题目多难而是没理解出题者的意图。比如第一题常涉及期望、方差、协方差的性质推导这其实是在考验你对随机变量和随机扰动项的理解是否扎实这是后续所有模型推导的基石。第二题关于普通最小二乘法OLS的推导或性质证明是让你亲手“搭建”一次这个最重要的工具理解其“最优”性从何而来而不仅仅是记住“β帽 (X‘X)^(-1)X‘y”这个公式。第五题往往结合了简单的数值计算或对估计结果的分析这是将抽象理论落到具体数据上的第一步你会第一次遇到“拟合优度R²”、“系数显著性t检验”这些概念并思考它们的实际含义。因此做这次作业切忌抱着“完成任务”的心态。你的核心目标应该是通过这三道题打通理论假设、数学推导与实际应用之间的任督二脉为后续学习更复杂的模型打下坚不可摧的基础。下面我就结合常见的作业题型和极易踩坑的地方带你深度拆解这次作业。2. 第一题随机性基础与期望方差运算的深坑第一题通常围绕随机变量、期望、方差、协方差的性质展开。例如证明OLS估计量的无偏性、推导误差项同方差假设下的方差表达式等。这里的关键不是记忆公式而是理解每一个等号成立的条件和背后的经济学直觉。2.1 从“假设”出发你的每一步推导都有前提以证明简单线性回归模型 Y_i β0 β1 X_i u_i 中OLS估计量 β1_hat 是无偏的为例。标准的推导起点是 β1_hat Σ[(X_i - X̄)(Y_i - Ȳ)] / Σ[(X_i - X̄)²] 然后将 Y_i β0 β1 X_i u_i 代入。最容易出错的地方就在这里很多同学代入后展开式子然后直接对各项求期望并认为 E(u_i) 0所以交叉项就没了最后得到 E(β1_hat) β1。看起来没错对吗但这里隐藏了一个关键假设解释变量 X 与随机扰动项 u 不相关即 Cov(X, u) 0。只有在满足这个假设通常源于“外生性”假设时我们才能将包含 X 和 u 的乘积项的期望进行拆分。如果你在推导中没有明确指出或运用这个条件证明在逻辑上是不完整的。注意在作业中你必须养成习惯在关键推导步骤后用括号注明所依赖的假设。例如写出“由于假设解释变量X与扰动项u不相关因此E[(X_i - X̄)u_i] 0”。这不仅是严谨性的体现更能帮助你深刻理解OLS的无偏性严重依赖于这个看似简单的假设。一旦这个假设被违背如遗漏变量偏差、联立方程偏差你手中的估计量就不再可靠。2.2 方差推导中的“陷阱”分清条件方差与无条件方差另一类常见题目是推导OLS估计量的方差比如 Var(β1_hat)。公式最终是 σ² / Σ[(X_i - X̄)²]其中 σ² Var(u_i)。推导过程需要用到方差的性质以及扰动项同方差、无自相关的假设。这里最大的“坑”在于对σ² 的理解。σ² 是扰动项 u_i 的方差并且是在条件于解释变量 X下的方差即 Var(u_i | X) σ²。这是一个很强的假设意味着无论 X 取什么值扰动项的波动幅度都是一样的。在推导中我们实际上是在计算条件方差Var(β1_hat | X)。很多教材和作业默认了这一点但如果你不明确指出可能会混淆“无条件方差”的概念。实操心得在处理任何与方差相关的证明时先在草稿纸上写下核心假设1. 同方差Var(u_i | X) σ²2. 无自相关Cov(u_i, u_j | X) 0, i ≠ j。然后在每一步将方差算子作用于估计量表达式时心里默念“这是在给定X的条件下”。这样做出的推导才会清晰无误。3. 第二题亲手“锻造”OLS估计量——从几何视角理解第二题大概率围绕普通最小二乘法OLS本身。可能是推导正规方程组也可能是证明其最优线性无偏估计量BLUE的性质高斯-马尔可夫定理。死记硬背推导过程效果很差我强烈建议你从几何空间的角度来理解这会让你豁然开朗。3.1 几何推导最小化残差平方和的本质我们有一个因变量向量y(n×1)和由常数项和解释变量构成的矩阵X(n×k)。OLS寻找系数向量β使得预测值Xβ尽可能接近y。度量“接近”的标准是欧几里得距离的平方即残差向量e y - Xβ的长度平方最小化。在n维空间中X的列向量张成了一个子空间列空间。OLS要做的就是在列空间中找到一个点即Xβ使得它到真实点y的距离最短。根据几何知识最短距离是通过y向列空间做垂直投影得到的。也就是说残差向量e必须垂直于列空间中的每一个向量即X的每一列。用数学表达就是X‘e 0。将 e y - Xβ 代入立即得到X’(y - Xβ) 0整理后便是著名的正规方程组X‘Xβ X’y。如果 X‘X 可逆则 OLS 估计量为β_hat (X‘X)^(-1)X’y。为什么这个方法重要这种几何解释让你看到OLS不是一个神秘的数学魔术它只是在高维空间里寻找最短垂直距离的自然结果。当你从投影的角度理解正规方程组后续学习工具变量法IV或两阶段最小二乘法2SLS时你会理解它们无非是在不同的约束空间中进行投影。3.2 高斯-马尔可夫定理证明的关键步骤如果作业要求证明OLS是BLUE你需要证明在满足经典假设线性、无偏、球形扰动项的线性无偏估计量中OLS的方差最小。证明通常采用反证法或构造法。一个清晰且易于理解的证明思路是设定任意一个线性无偏估计量设 β~ C‘y 是另一个线性无偏估计量其中C是一个矩阵。利用无偏性条件由无偏性 E(β~) C‘Xβ β对所有 β 成立可推出C’X I。将OLS估计量纳入比较令D C - (X‘X)^(-1)X’。则 β~ β_hat D‘y。并且由C’X I可推出D‘X 0。计算并比较方差计算 Var(β~) Var(β_hat) σ²DD‘。因为DD‘是一个半正定矩阵所以 Var(β~) - Var(β_hat) 是一个半正定矩阵。这意味着 β_hat 的每一个分量的方差都不大于 β~ 对应分量的方差。避坑指南很多同学在第二步推导C’X I时感到困惑。记住无偏性要求对于所有可能的真实参数向量 β 都成立这迫使C’X必须等于单位矩阵。这是证明中的精髓一步。另外最后方差比较时要理解“半正定矩阵”的含义它保证了对角线上元素即各个系数的方差是非负的从而确立了OLS的最小方差性。4. 第五题从数字到洞察——第一次结果解读第五题通常会给出一组简单的数据或者一个已经估计好的模型输出可能是表格或简短描述让你进行计算或分析。这是你从“数学家”转向“经济学家”的第一步。4.1 计算题手算OLS与理解每一个数字题目可能给10对左右的 (X, Y) 数据让你手算 β0_hat 和 β1_hat。虽然繁琐但极其有价值。操作步骤与技巧列表计算建议画一个表格列包括X, Y, x_i (X_i - X̄), y_i (Y_i - Ȳ), x_i*y_i, x_i²。先计算X和Y的均值。公式应用β1_hat Σ(x_i*y_i) / Σ(x_i²)β0_hat Ȳ - β1_hat * X̄。计算拟合值与残差对于每个i计算 Ŷ_i β0_hat β1_hat * X_i然后 e_i Y_i - Ŷ_i。验证一下 Σ e_i 是否等于0理论上应为0计算误差可能导致极小非零值。计算判定系数R²R² ESS / TSS (Σ(Ŷ_i - Ȳ)²) / (Σ(Y_i - Ȳ)²) 1 - (RSS / TSS)。同时计算残差平方和 RSS Σ e_i²。核心洞察通过手算你会真切感受到“最小二乘”的含义——你找到的这条直线确实使得所有数据点的垂直距离残差的平方和最小。同时观察R²的大小你能直观感受到模型解释了多少Y的波动。4.2 结果分析题超越数字本身的含义题目可能给出如下虚拟输出变量 系数估计 标准误 t统计量 p值 常数项 2.5 0.8 3.125 0.002 教育年限(X) 0.75 0.1 7.5 0.000 R² 0.65, n500问题通常是解释系数的经济含义判断显著性讨论拟合优度。标准答案与深度解读系数解释“在其他条件不变的情况下受教育年限每增加1年个人收入Y平均增加0.75个单位。” 务必强调“平均”和“其他条件不变”ceteris paribus这两个词这是因果解释的核心。显著性判断通常看p值。p值小于显著性水平如0.05则拒绝“系数为零”的原假设认为该变量有显著影响。上例中教育年限的p值为0.000高度显著。拟合优度R²0.65意味着模型解释了因变量65%的变异。这个值不算低但要注意在横截面数据中0.65已经是不错的解释力了。切勿盲目追求高R²尤其是在加入无关变量时R²虽然会上升但模型可能变得没有意义。极易忽略的要点常数项的解释常数项2.5代表当所有解释变量为0时Y的预测平均值。但很多时候解释变量为0没有经济意义如受教育年限为0此时常数项主要起调整回归线位置的作用其具体数值本身可能无需过度解读。标准误的意义它衡量了系数估计的精确度。标准误越小估计越精确。上例中教育年限系数为0.75标准误0.1这意味着真实系数有很大概率落在0.75 ± 2*0.1的区间内。这个区间置信区间比单点估计包含更多信息。样本量n的重要性n500是一个较大的样本这使得标准误更小t统计量更大更容易得到显著的结果。在小样本下即使效应存在也可能因为估计不精确而无法被检测到统计功效不足。5. 贯穿始终的思维计量不是数学是经济学完成这三道题技术上你可能已经达标。但要真正获得高分你需要展现出“计量经济学思维”。这意味着在你的作业解答中除了严谨的数学推导还需要有简短的经济学评论。如何在作业中体现这种思维在第一题证明后可以加一句备注“此证明依赖于X与u不相关的外生性假设。在实际经济问题中该假设常因遗漏变量、测量误差或双向因果关系而被违背导致OLS估计有偏。” 这表明你理解数学背后的经济学约束。在第二题讨论OLS性质后可以写道“高斯-马尔可夫定理确立了OLS在经典假设下的最优性。然而‘最优’仅限于线性无偏估计量类别中。如果放松同方差或无自相关假设广义最小二乘法GLS可能更有效。” 这展示了你的知识广度。在第五题分析最后不要只停留在数字上。可以尝试“尽管模型显示教育对收入有显著正向影响且解释力尚可但需注意可能存在能力偏差能力强的人既受教育年限长收入也高。若能力变量被遗漏在扰动项中且与教育相关则当前估计的0.75可能高估了教育的纯粹回报。” 这瞬间将你的作业水平从“会计算”提升到了“会思考”。6. 软件辅助验证与学习建议虽然第一次作业可能要求手算但我强烈建议你用统计软件如Stata, R, Python的statsmodels库对计算结果进行验证。这不仅能检查你的手算结果更是培养未来研究能力的关键一步。以R语言为例验证手算第五题# 假设你的数据 X - c(10, 12, 11, 9, 13, 8, 12, 10, 11, 9) Y - c(25, 30, 28, 22, 33, 20, 31, 26, 29, 23) # 拟合线性模型 model - lm(Y ~ X) summary(model) # 查看详细的回归结果包括系数、标准误、t值、R²等 # 手动计算对比 n - length(X) mean_X - mean(X) mean_Y - mean(Y) beta1_hat - sum((X - mean_X) * (Y - mean_Y)) / sum((X - mean_X)^2) beta0_hat - mean_Y - beta1_hat * mean_X cat(手动计算系数: beta0 , beta0_hat, , beta1 , beta1_hat, \n)运行后对比summary(model)的输出与你手算的结果。完全一致会极大增强你的信心。不一致则要回头检查计算步骤。长期学习建议推导本与代码本准备两个笔记本。一个专门用于手推重要公式如今天的作业每一步写明条件另一个用于记录复现例题和作业的代码并注释每行代码的经济学含义。“假设”清单每学一个新模型首先罗列它的核心假设。做任何推导或分析前先核对假设是否被满足或近似满足。从“估计”到“推断”记住计量经济学的最终目的不是得到一个漂亮的估计值而是利用这个估计值结合其不确定性标准误对现实经济关系进行可靠的统计推断。作业中计算的t值、p值、置信区间都是推断的工具。第一次作业是一个完美的起点。它用看似基础的题目为你搭建了计量经济学最核心的思维框架从假设出发通过严谨的数学工具获得估计最后对结果进行审慎的经济学解释和推断。吃透这次作业后面的多元回归、异方差、序列相关等内容你都将发现它们是在这个基本框架上针对某个特定假设被违背而进行的修补和扩展。扎实走好这第一步后面的路会顺畅很多。
1. 作业背景与核心目标解析第一次拿到高教版《计量经济学》的作业看到题目是1、2、5很多同学可能会觉得这只是简单的课后练习照着课本公式套一套就能完成。但根据我多年的学习和教学经验计量经济学的第一次作业其意义远不止于“完成题目”本身。它更像是一次“认知校准”目的是让你从之前学过的概率论、统计学思维正式切换到计量经济学特有的“因果推断”和“模型构建”的轨道上来。作业中的这三道题看似基础实则分别对应了计量经济学入门必须跨越的三道门槛理解随机性与期望、掌握核心估计方法OLS、以及初步建立模型解释与诊断的意识。很多初学者栽跟头不是因为题目多难而是没理解出题者的意图。比如第一题常涉及期望、方差、协方差的性质推导这其实是在考验你对随机变量和随机扰动项的理解是否扎实这是后续所有模型推导的基石。第二题关于普通最小二乘法OLS的推导或性质证明是让你亲手“搭建”一次这个最重要的工具理解其“最优”性从何而来而不仅仅是记住“β帽 (X‘X)^(-1)X‘y”这个公式。第五题往往结合了简单的数值计算或对估计结果的分析这是将抽象理论落到具体数据上的第一步你会第一次遇到“拟合优度R²”、“系数显著性t检验”这些概念并思考它们的实际含义。因此做这次作业切忌抱着“完成任务”的心态。你的核心目标应该是通过这三道题打通理论假设、数学推导与实际应用之间的任督二脉为后续学习更复杂的模型打下坚不可摧的基础。下面我就结合常见的作业题型和极易踩坑的地方带你深度拆解这次作业。2. 第一题随机性基础与期望方差运算的深坑第一题通常围绕随机变量、期望、方差、协方差的性质展开。例如证明OLS估计量的无偏性、推导误差项同方差假设下的方差表达式等。这里的关键不是记忆公式而是理解每一个等号成立的条件和背后的经济学直觉。2.1 从“假设”出发你的每一步推导都有前提以证明简单线性回归模型 Y_i β0 β1 X_i u_i 中OLS估计量 β1_hat 是无偏的为例。标准的推导起点是 β1_hat Σ[(X_i - X̄)(Y_i - Ȳ)] / Σ[(X_i - X̄)²] 然后将 Y_i β0 β1 X_i u_i 代入。最容易出错的地方就在这里很多同学代入后展开式子然后直接对各项求期望并认为 E(u_i) 0所以交叉项就没了最后得到 E(β1_hat) β1。看起来没错对吗但这里隐藏了一个关键假设解释变量 X 与随机扰动项 u 不相关即 Cov(X, u) 0。只有在满足这个假设通常源于“外生性”假设时我们才能将包含 X 和 u 的乘积项的期望进行拆分。如果你在推导中没有明确指出或运用这个条件证明在逻辑上是不完整的。注意在作业中你必须养成习惯在关键推导步骤后用括号注明所依赖的假设。例如写出“由于假设解释变量X与扰动项u不相关因此E[(X_i - X̄)u_i] 0”。这不仅是严谨性的体现更能帮助你深刻理解OLS的无偏性严重依赖于这个看似简单的假设。一旦这个假设被违背如遗漏变量偏差、联立方程偏差你手中的估计量就不再可靠。2.2 方差推导中的“陷阱”分清条件方差与无条件方差另一类常见题目是推导OLS估计量的方差比如 Var(β1_hat)。公式最终是 σ² / Σ[(X_i - X̄)²]其中 σ² Var(u_i)。推导过程需要用到方差的性质以及扰动项同方差、无自相关的假设。这里最大的“坑”在于对σ² 的理解。σ² 是扰动项 u_i 的方差并且是在条件于解释变量 X下的方差即 Var(u_i | X) σ²。这是一个很强的假设意味着无论 X 取什么值扰动项的波动幅度都是一样的。在推导中我们实际上是在计算条件方差Var(β1_hat | X)。很多教材和作业默认了这一点但如果你不明确指出可能会混淆“无条件方差”的概念。实操心得在处理任何与方差相关的证明时先在草稿纸上写下核心假设1. 同方差Var(u_i | X) σ²2. 无自相关Cov(u_i, u_j | X) 0, i ≠ j。然后在每一步将方差算子作用于估计量表达式时心里默念“这是在给定X的条件下”。这样做出的推导才会清晰无误。3. 第二题亲手“锻造”OLS估计量——从几何视角理解第二题大概率围绕普通最小二乘法OLS本身。可能是推导正规方程组也可能是证明其最优线性无偏估计量BLUE的性质高斯-马尔可夫定理。死记硬背推导过程效果很差我强烈建议你从几何空间的角度来理解这会让你豁然开朗。3.1 几何推导最小化残差平方和的本质我们有一个因变量向量y(n×1)和由常数项和解释变量构成的矩阵X(n×k)。OLS寻找系数向量β使得预测值Xβ尽可能接近y。度量“接近”的标准是欧几里得距离的平方即残差向量e y - Xβ的长度平方最小化。在n维空间中X的列向量张成了一个子空间列空间。OLS要做的就是在列空间中找到一个点即Xβ使得它到真实点y的距离最短。根据几何知识最短距离是通过y向列空间做垂直投影得到的。也就是说残差向量e必须垂直于列空间中的每一个向量即X的每一列。用数学表达就是X‘e 0。将 e y - Xβ 代入立即得到X’(y - Xβ) 0整理后便是著名的正规方程组X‘Xβ X’y。如果 X‘X 可逆则 OLS 估计量为β_hat (X‘X)^(-1)X’y。为什么这个方法重要这种几何解释让你看到OLS不是一个神秘的数学魔术它只是在高维空间里寻找最短垂直距离的自然结果。当你从投影的角度理解正规方程组后续学习工具变量法IV或两阶段最小二乘法2SLS时你会理解它们无非是在不同的约束空间中进行投影。3.2 高斯-马尔可夫定理证明的关键步骤如果作业要求证明OLS是BLUE你需要证明在满足经典假设线性、无偏、球形扰动项的线性无偏估计量中OLS的方差最小。证明通常采用反证法或构造法。一个清晰且易于理解的证明思路是设定任意一个线性无偏估计量设 β~ C‘y 是另一个线性无偏估计量其中C是一个矩阵。利用无偏性条件由无偏性 E(β~) C‘Xβ β对所有 β 成立可推出C’X I。将OLS估计量纳入比较令D C - (X‘X)^(-1)X’。则 β~ β_hat D‘y。并且由C’X I可推出D‘X 0。计算并比较方差计算 Var(β~) Var(β_hat) σ²DD‘。因为DD‘是一个半正定矩阵所以 Var(β~) - Var(β_hat) 是一个半正定矩阵。这意味着 β_hat 的每一个分量的方差都不大于 β~ 对应分量的方差。避坑指南很多同学在第二步推导C’X I时感到困惑。记住无偏性要求对于所有可能的真实参数向量 β 都成立这迫使C’X必须等于单位矩阵。这是证明中的精髓一步。另外最后方差比较时要理解“半正定矩阵”的含义它保证了对角线上元素即各个系数的方差是非负的从而确立了OLS的最小方差性。4. 第五题从数字到洞察——第一次结果解读第五题通常会给出一组简单的数据或者一个已经估计好的模型输出可能是表格或简短描述让你进行计算或分析。这是你从“数学家”转向“经济学家”的第一步。4.1 计算题手算OLS与理解每一个数字题目可能给10对左右的 (X, Y) 数据让你手算 β0_hat 和 β1_hat。虽然繁琐但极其有价值。操作步骤与技巧列表计算建议画一个表格列包括X, Y, x_i (X_i - X̄), y_i (Y_i - Ȳ), x_i*y_i, x_i²。先计算X和Y的均值。公式应用β1_hat Σ(x_i*y_i) / Σ(x_i²)β0_hat Ȳ - β1_hat * X̄。计算拟合值与残差对于每个i计算 Ŷ_i β0_hat β1_hat * X_i然后 e_i Y_i - Ŷ_i。验证一下 Σ e_i 是否等于0理论上应为0计算误差可能导致极小非零值。计算判定系数R²R² ESS / TSS (Σ(Ŷ_i - Ȳ)²) / (Σ(Y_i - Ȳ)²) 1 - (RSS / TSS)。同时计算残差平方和 RSS Σ e_i²。核心洞察通过手算你会真切感受到“最小二乘”的含义——你找到的这条直线确实使得所有数据点的垂直距离残差的平方和最小。同时观察R²的大小你能直观感受到模型解释了多少Y的波动。4.2 结果分析题超越数字本身的含义题目可能给出如下虚拟输出变量 系数估计 标准误 t统计量 p值 常数项 2.5 0.8 3.125 0.002 教育年限(X) 0.75 0.1 7.5 0.000 R² 0.65, n500问题通常是解释系数的经济含义判断显著性讨论拟合优度。标准答案与深度解读系数解释“在其他条件不变的情况下受教育年限每增加1年个人收入Y平均增加0.75个单位。” 务必强调“平均”和“其他条件不变”ceteris paribus这两个词这是因果解释的核心。显著性判断通常看p值。p值小于显著性水平如0.05则拒绝“系数为零”的原假设认为该变量有显著影响。上例中教育年限的p值为0.000高度显著。拟合优度R²0.65意味着模型解释了因变量65%的变异。这个值不算低但要注意在横截面数据中0.65已经是不错的解释力了。切勿盲目追求高R²尤其是在加入无关变量时R²虽然会上升但模型可能变得没有意义。极易忽略的要点常数项的解释常数项2.5代表当所有解释变量为0时Y的预测平均值。但很多时候解释变量为0没有经济意义如受教育年限为0此时常数项主要起调整回归线位置的作用其具体数值本身可能无需过度解读。标准误的意义它衡量了系数估计的精确度。标准误越小估计越精确。上例中教育年限系数为0.75标准误0.1这意味着真实系数有很大概率落在0.75 ± 2*0.1的区间内。这个区间置信区间比单点估计包含更多信息。样本量n的重要性n500是一个较大的样本这使得标准误更小t统计量更大更容易得到显著的结果。在小样本下即使效应存在也可能因为估计不精确而无法被检测到统计功效不足。5. 贯穿始终的思维计量不是数学是经济学完成这三道题技术上你可能已经达标。但要真正获得高分你需要展现出“计量经济学思维”。这意味着在你的作业解答中除了严谨的数学推导还需要有简短的经济学评论。如何在作业中体现这种思维在第一题证明后可以加一句备注“此证明依赖于X与u不相关的外生性假设。在实际经济问题中该假设常因遗漏变量、测量误差或双向因果关系而被违背导致OLS估计有偏。” 这表明你理解数学背后的经济学约束。在第二题讨论OLS性质后可以写道“高斯-马尔可夫定理确立了OLS在经典假设下的最优性。然而‘最优’仅限于线性无偏估计量类别中。如果放松同方差或无自相关假设广义最小二乘法GLS可能更有效。” 这展示了你的知识广度。在第五题分析最后不要只停留在数字上。可以尝试“尽管模型显示教育对收入有显著正向影响且解释力尚可但需注意可能存在能力偏差能力强的人既受教育年限长收入也高。若能力变量被遗漏在扰动项中且与教育相关则当前估计的0.75可能高估了教育的纯粹回报。” 这瞬间将你的作业水平从“会计算”提升到了“会思考”。6. 软件辅助验证与学习建议虽然第一次作业可能要求手算但我强烈建议你用统计软件如Stata, R, Python的statsmodels库对计算结果进行验证。这不仅能检查你的手算结果更是培养未来研究能力的关键一步。以R语言为例验证手算第五题# 假设你的数据 X - c(10, 12, 11, 9, 13, 8, 12, 10, 11, 9) Y - c(25, 30, 28, 22, 33, 20, 31, 26, 29, 23) # 拟合线性模型 model - lm(Y ~ X) summary(model) # 查看详细的回归结果包括系数、标准误、t值、R²等 # 手动计算对比 n - length(X) mean_X - mean(X) mean_Y - mean(Y) beta1_hat - sum((X - mean_X) * (Y - mean_Y)) / sum((X - mean_X)^2) beta0_hat - mean_Y - beta1_hat * mean_X cat(手动计算系数: beta0 , beta0_hat, , beta1 , beta1_hat, \n)运行后对比summary(model)的输出与你手算的结果。完全一致会极大增强你的信心。不一致则要回头检查计算步骤。长期学习建议推导本与代码本准备两个笔记本。一个专门用于手推重要公式如今天的作业每一步写明条件另一个用于记录复现例题和作业的代码并注释每行代码的经济学含义。“假设”清单每学一个新模型首先罗列它的核心假设。做任何推导或分析前先核对假设是否被满足或近似满足。从“估计”到“推断”记住计量经济学的最终目的不是得到一个漂亮的估计值而是利用这个估计值结合其不确定性标准误对现实经济关系进行可靠的统计推断。作业中计算的t值、p值、置信区间都是推断的工具。第一次作业是一个完美的起点。它用看似基础的题目为你搭建了计量经济学最核心的思维框架从假设出发通过严谨的数学工具获得估计最后对结果进行审慎的经济学解释和推断。吃透这次作业后面的多元回归、异方差、序列相关等内容你都将发现它们是在这个基本框架上针对某个特定假设被违背而进行的修补和扩展。扎实走好这第一步后面的路会顺畅很多。
