在严重多重共线性下，OLS估计量仍是最佳线性无偏估计量。

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，可以消除摸型中的多重共线性。( ) 完全多重共线性产生的后果包括参数估计量的方差 如果回归模型中解释变量之间存在完全的多重共线性，则最小二乘估计量（ ） 存在严重的多重共线性时，参数估计的标准差（ ）。 如果多元回归的四个经典假设条件（参数线性，随机抽样，零条件均值，不存在完全多重共线性）满足，那么OLS估计量满足（） 如果多元回归的四个经典假设条件（参数线性，随机抽样，零条件均值，不存在完全多重共线性）满足，那么OLS估计量满足（） 如果模型中的解释变量存在完全的多重共线性，参数的最小二乘估计量是（ ） 什么是多重共线性？如何处理多重共线性？ 多重共线性对回归参数的估计有何影响？ 完全多重共线性和不完全多重共线性都是多重共线性,它们之间没有本质的区别 如果股指期货回归模型中解释变量之间存在完全的多重共线性，则最小二乘估计量（） 中国大学MOOC: 存在近似多重共线性时，参数的最小二乘估计量满足大样本性质 多重共线性 在任何情况下OLS估计量都是待估参数的最优线性无偏估计。（ ） 多重共线性的后果有哪些？对多重共线性的处理方法有哪些？ 逐步回归法既可以检验多重共线性，也可以修正多重共线性。 在不完全多重共线性下,对参数区间估计时,置信区间趋于（） 多重共线性的存在会降低普通最小二乘估计的方差 下述统计量可以用来检验多重共线性的严重性（ ）。 中国大学MOOC: 多重共线性的程度越（ ），参数估计值就越（ ）