35、序列相關情形下參數的估計(1)一階差分法：所謂差分就是考察變量的本期值與以前某期值之差，一階差分就是變量的本期值與前一期值之差。(2)廣義差分法。

36、多重共線性是指線性回歸模型中的若干解釋變量或全部解釋變量的樣本觀測值之間具有某種線性的關系。其產生的原因：(1)經濟變量之間往往存在同方向的變化趨勢。(2)經濟變量之間往往存在著密切的關聯程度。(3)在模型中采用滯后變量也容易產生多重共線性。(4)在建模過程中由于解釋變量選擇不當，引起了變量之間的多重共線性。

37、多重共線性產生的后果：(1)各個解釋變量對被解釋變量的影響很難精確鑒別。(2)由于存在多重共線性時，模型回歸系數估計量的方差會很大，這將使得進行顯著性檢驗時認為回歸系數的值與零無顯著差異。(3)模型參數的估計量對刪除或增添少量的觀測值以及刪除一個不顯著的解釋變量都可能非常敏感。

38、對多重共線性的檢驗

(1)簡單相關系數檢測法：兩變量間的簡單相關系數r是測定兩變量之間線性相關程度的重要指標，因此可用來檢驗回歸模型的解釋變量之間的共線程度。

(2)方差膨脹因子檢測法：所謂方差膨脹因子就是將存在多重共線性時回歸系數估計量的方差與無多重共線時回歸系數估計量的方差對比而得出的比值系數。如果某個解釋變量與其他所有解釋變量都不相關，則其方差膨脹因此為1;膨脹因子的值大于1，就意味著所考慮的解釋變量與其他解釋變量有一定程度的相關，即存在一定程度的多重共線性。經驗認為，方差膨脹因子大于5，多重共線性的程度就很嚴重。

(3)判定系數增量貢獻法：這是希爾(H.Theil)提出的一種方法，它是從解釋變量與被解釋變量的相關程度來檢測多重共線性的。

39、對多重共線問題的處理：(1)追加樣本信息;(2)使用非樣本先驗信息;(3)進行變量形式的轉化;(4)使用有偏估計：包括嶺回歸估計和主成分回歸估計。

40、由于許多經濟變量都難以十分精確地測量，所以模型中包含有觀測誤差的解釋變量是一種常見的情形。這種模型，通常稱為誤差變量模型。由于觀測誤差的隨機性，所以這種模型是一種典型的含有隨機解釋變量的模型。

41、工具變量法：模型參數的最小二乘估計不具備一致的原因在于解釋變量和隨機誤差項的相關。因此，若能找到一個解釋變量，該變量與模型中的隨機解釋變量高度相關，但卻不與隨機誤差項相關，那么就可用此變量和模型中的變量構造出模型相應回歸系數的一個一致估計量。這個變量就稱為是一個工具變量，這種估計方法就稱為是工具變量法。對于時間序列資料，一種常用的工具變量是隨機解釋變量的滯后值或被解釋變量的滯后值。對于截面數據資料，文獻中常見的一種較簡便的工具變量法是組平均法。

42、設定誤差主要有以下幾種：1.所設定的模型中遺漏了某個或某些與被解釋變量有關的解釋變量;2.所設定的模型中包括了若干與被解釋變量無關的某個或某些解釋變量;3.回歸方程的模型形式設定有誤。

43、質的因素通常表明某種“品質”或“屬性”是否存在，所以將這類品質或屬性量化的方法之一就是構造取值為“1”或“0”的人工變數。“1”表示這種屬性存在，“0”則表示這種屬性不存在。這種取值為1和0的變量稱為虛擬變量，又可稱為啞變量、二進制變量。