在M3中異方差出現是因為隨著X變大，導致ε會隨著X的變化而變化，致使ε不是一個穩(wěn)定的常數。在忽略變量的例子里面，Cov(X1,x2)≠0，也會導致異方差出現，同時模型也不能通過增加樣本數來提高準確度，違反一致性，那么，在M3中，是不是只要出現了異方差的情況，在不修正模型的前提下，就都會出現違反一致性？
可以推導一下COV(X1,X2)≠0，為什么會出現違反一致性，以及出現b0、b1不準確的過程？
serial correlation and heteroskedasticity adjusted standard errors (HAC）Newey–West standard errors, and robust standard errors這三個是不是既修正了序列相關，又同時修正了異方差？
第二步，新方程式這里需要掌握計算方法？如果需要，該怎么計算？可否舉例說明
老師上課的時候表述為這里的點估計是不受影響的，那么會不會對區(qū)間估計產生影響？②這里是否可以理解為異方差對線性方程里面所有的斜率和截距都沒有影響？
表格中3為什么會出現多重共線性，4中為什么會出現序列相關，可以換個例子在詳細解答一下？沒搞懂
這里提到的相關性是否可以理解M1中線性假設條件5b，X1，X2之間或者X1的組合和X2的組合之間不具有強相關性，但是可能存在弱相關（不違反線性的假設條件）？
這里有個疑問，如果三因子模型增加了兩個限制，但是可以解釋數量為800，五因子模型沒有限制，可以解釋的數量為1000，這種情況又該怎么理解？
General linear F-test是單元回歸的F檢驗還是多元回歸的F檢驗？
這里的b1_CAP 是所有b1計算出來的平均值？
AIC 和 BIC是否具有統計學上的顯著性？還是跟R^2或者adjusted R^2一樣不能直接判決是否具有統計學上的顯著性？
這里是否可以理解為adjusted R^2 越大模型解釋力度的效果就越好？
多元線性回歸假設5a中說X 不隨機，殘差隨機 因此X與殘差之間的協方差=0，那么如果X隨機，殘差隨機，是否也可以推出X與殘差之間的協方差=0，是否也可以用來檢驗雙方之間的線性關系？
這里問一下，課程里面講的例子B1=1.1，B2=-0.2，說明1.1市場因子成正相關，-0.2成負相關，跟現實中實際市場分析時真實的情況一致（即市場因子跟真實情況正相關，跟規(guī)模因子負相關）？②考試的時候是否也會根據這種實際情況來考？
老師我覺得第一道題的第一問沒有描述錯誤啊，判定系數越高，模型擬合程度越好啊？
程寶問答
金程問答
