线性回归模型的参数估计量β^是一个随机向量Y的函数，即

在古典假设成立的条件下用OLS方法估计线性回归模型参数，则参数估计量具有（ ）的统计性质。 多重共线性的主要后果是参数估计量具有较大的方差，所以采取适当方法减小参数估计量的方差，可以消除模型中的多重共线性（） 回归模型在近似共线性下参数估计量的方差会增大，方差膨胀因子为1/1-r。（ ） 线性回归模型常用的参数估计方法是（ ） 线性回归模型常用的参数估计方法是(　　)。 若多元线性回归模型存在自相关问题.这可能产生的不利影晌的是（ ）。Ⅰ.模型参数估计值非有效Ⅱ.参数佑计量的方差变大Ⅲ.参数估计量的经济含义不合理Ⅳ.运用回归模型进行预测会失效 完全多重共线性下参数估计量 使用普通最小二乘法在对自回归模型进行估计时，若随机误差项满足经典线性回归模型的所有假定，则估计量是一致估计量的模型是（） 多元线性回归模型中，发现各参数估计量的t值都不显著，但模型的判定系数却很大，F统计量也很显著，这说明模型存在（）。 在多元经典线性回归模型中，参数的最小二乘估计量具、、，所以此时的最小二乘估计量又称BLUE估计量。 假设线性回归模型满足全部基本假设，则其参数的估计量具备（ ）。 假设线性回归模型满足全部基本假设，则其参数的估计量具备（） 对于一元线性回归模型，在经典线性回归的假定下，参数的最小二乘估计量是最小方差无偏估计。（ ） 在用普通最小二乘法估计回归模型时，存在异方差问题将导致（　　）。Ⅰ．参数估计量非有效Ⅱ．变量的显著性检验无意义Ⅲ．模型的预测失效Ⅳ．参数估计量有偏 在用普通最小二乘法估计回归模型时，存在异方差问题将导致（　　）。Ⅰ参数估计量非有效Ⅱ变量的显著性检验无意义Ⅲ模型的预测失效Ⅳ参数估计量有偏 在参数估计中，一个估计量的抽样分布的数学期望等于被估计的总体参数，我们说这个估计量具有： 参数估计量是以公式形式得到的参数估计结果，是非随机变量。参数估计是将具体的样本观察数据代入参数估计公式得到的参数估计结果，是具体的数值。() 采用OLS法估计具有异方差模型的参数估计量是无效的 参数估计量具有较大的方差是多重共线性的主要后果，所以采取适当方法减小参数估计量的方差，仍然没能消除模型中的多重共线性，也没能消除多重共线性造成的后果。（） OLS参数估计量具有如下统计性质，即、、。