采用最小二乘原理进行多元参数估计时，当出现可决系数R2较大，模型参数的联合检验(F检验)显著性明显，但单个参数的t检验可能不显著，可以认为模型存在异方差问题。（ ）

普通最小二乘估计OLS是根据样本残差平方之和最小来估计参数的 koyck变换模型参数的普通最小二乘估计量是（ ）。 当回归直线对于所有数据点的偏差（）时，将估计参数的方法称为最小二乘估计法 普通最小二乘法 (Ordinary Least Squares，简记OLS)是一元线性回归模型的参数估计方法常采用（） 在古典假定都满足的条件下,多元线性回归模型的最小二乘估计为(__)估计 当一个线性回归模型的随机误差项存在序列相关时，直接用普通最小二乘法估计参数，则参数估计量为（） 根据最小二乘法估计回归方程参数的原理是（ ）。 使用最小二乘法获得的参数估计使得所有残差的平方和最小，因此是无偏有效估计。 为什么在对参数作最小二乘估计之前，要对模型提出古典假设？ 间接最小二乘法、两阶段最小二乘法的适用范围如何？要保证参数估计量的性质，需要满足什么前提？ 存在异方差时，普通最小二乘法通常会高估参数估计量的方差。 根据高斯—马尔可夫定理,在满足基本假定的前提下,普通最小二乘的参数估计量具有线性性、无偏性和有效性 回归模型y=Xβ+μ存在近似共线性，如果使用普通最小二乘法估计其中的参数，那么参数估计量的方差会（ ）。 对于满足基本假定的多元线性回归模型来说，普通最小二乘估计、极大似然估计与矩估计的结果是一样的，原理也是相同的。（） 当模型存在异方差时，加权最小二乘估计量具有（） 模型结构参数的普通最小二乘估计量具有线性性、无偏性、有效性，随机干扰项方差的普通最小二乘估计量也是无偏的。 加权最小二乘（WLS）估计量是（ ）估计量。 估计线性回归方程y=β0 +β1x中的回归参数β0、β1时，普遍采用的估计准则是最小二乘准则（） 估计线性回归方程y=β0 +β1x中的回归参数β0、β1时，普遍采用的估计准则是最小二乘准则（） 在回归分析中，估计回归系数的最小二乘法的原理是（）