为什么经济学家要做出假设，经济模型应该精确地刻画现实吗经济学家为什么要做出假设

来源：整理时间：2023-04-23 03:46:38 编辑：金融知识手机版

本文目录一览

1，经济模型应该精确地刻画现实吗经济学家为什么要做出假设
2，为说明均衡产出的概念经济学家构造了最简单经济体制为此需要先
3，为什么西方宏观经济学家通常假定产量是由总需求决
4，计量经济学没有抽样为什么要做假设检验

1，经济模型应该精确地刻画现实吗经济学家为什么要做出假设

这个其实不太可能，经济模型通常都是简化现实情况，以期用最简单的变量分析现实中某些特定现象，并构建模型对这种现象进行模拟，因此，这就不得不在构建模型之前进行假设，以控制一些无法解释的变量，减少干扰。当然大型模型可能纳入的变量很多，当然难度将会增大，假设就将更加严格

不明白啊 = =！

经济模型应该精确地刻画现实吗经济学家为什么要做出假设

2，为说明均衡产出的概念经济学家构造了最简单经济体制为此需要先

两部门经济假设条件：　　1、假设所分析的经济中不存在政府，也不存在对外贸易，只有家户部门和厂商。还假定企业投资是自主的，即不随利率和产量而变动。　　2、假设不论需求量为多少，经济制度均能以不变的价格提供相应的供给量。这在西方经济学中有时被称为凯恩斯定律。此外，还假定折旧和公司未分配利润为零。这样，GDP、NDP、NI和PI就都相等。　　3、两部门经济收入构成及储蓄-投资恒等式

支持一下感觉挺不错的

为说明均衡产出的概念经济学家构造了最简单经济体制为此需要先

3，为什么西方宏观经济学家通常假定产量是由总需求决

宏观经济学之所以通常假定产量决定于总需求，是从的行为上分析得出的。一般来说，的生产设备并不会100%的利用，同样，劳动力也不总处于充分就业状态。因此，一旦市场对产品的需求增加时，就会通过增加生产能力的利用率来增加生产。同样，当需求下降时，也会作出同样的反应，减少生产。因此，把经济社会作为一个整体看，可以把整个社会的产量看做是由总需求决定的。在短期内，总需求的波动会引起GDP的波动。

答：宏观经济学之所以假定产量决定于总需求，可以从企业的行为上做出回答。在正常条件下，大多数企业总是在有某种超额生产能力的情况下运转的。例如，美国制造业生产能力的平均利用率约为86%，一些机器闲置着作为备用品；另一些机器只在三班中开两班。同样，劳动力不总处于充分就业状态，即使是充分就业时，西方社会大约有5—6%的劳动力处于所谓自然失业率状态。因此，一旦市场对产品需求增加时，企业就有相当大余地通过增加生产能力和利用率来增加生产，企业可以把以前每年雇的人召回，或让一些工人加班加点，增加生产。同样，当需求下降时，企业也会做出同样反应，减少生产。因此，把经济社会作为一个整体看，可以把整个社会的产量看作是由总需求决定的。在短期内，总需求的波动会引起gnp的波动。~如果您认可我的回答，请及时点击【采纳为满意回答】按钮~~手机提问者在客户端上评价点【满意】即可~~~您的采纳是我前进的动力~~~如还有问题，可以【追问】~~~祝学习进步，更上一层楼！o(∩_∩)o~打字不易，如满意，望采纳。

为什么西方宏观经济学家通常假定产量是由总需求决

4，计量经济学没有抽样为什么要做假设检验

随机扰动项在计量经济学模型中占据特别重要的地位，也是计量经济学模型区别于其它经济数学模型的主要特征。将影响被解释变量的因素集进行有效分解，无数非显著因素对被解释变量的影响用一个随机扰动项（stochasticdisturbanceterm）表示，并引入模型。显然，随机扰动项具有源生性。在基于随机抽样的截面数据的经典计量经济学模型中，这个源生的随机扰动项满足Gauss假设和服从正态分布。在确定性模型中引入随机扰动，并不是为了掩盖确定性模型的不足之处。因此，如果所谓的未被解释的随机扰动并不是真正的不能被解释的因素，模型就是不适当的。牢记这一点对计量经济学是非常重要的。统计推断的理论不像确定性理论那样，会被仅仅一个不符实际的观察否定。引入随机要素后，对预期结果的描述从确切的表述转化为可能性的描述，除非有占优证据（占优本身则是很难清楚界定的），很难否定随机模型。当然，如果未被解释的随机扰动并不是真正的不能被解释的因素，即使这样的模型难以被否定，也是建模者自欺欺人。不幸的是，Greene的担忧在很多情况下成了现实：在很多计量分析中，随机误差项成了确定性模型不足之处的遮羞布。在大部分计量经济学教科书中，在第一次引入随机扰动项的概念时，都将它定义为“被解释变量观测值与它的期望值之间的离差”，并且将它与随机误差项(stochasticerrorterm)等同。一个“源生”的随机扰动项变成了一个“衍生”的误差。而且在解释它的具体内容时，一般都在“无数非显著因素对被解释变量的影响”之外，加上诸如“变量观测值的观测误差的影响”、“模型关系的设定误差的影响”等。将“源生”的随机扰动变成“衍生”的误差，有许多理由可以为此辩解。如果不对数据生成过程的理论结构作出假定，即进行模型总体设定，就无从开始模型研究。但不幸的是，相对于物理学，经济学家对经济现实所知较少，模型总体被研究者有限的知识所确定，因此误差在所难免，只能将总体原型方程的误差项设定为衍生性的。问题在于，关于随机扰动项的Gauss假设，以及一般未包括于Gauss假设之中的正态性假设，都是基于“源生”的随机扰动而成立的。如果存在模型设定误差、变量观测误差等确定性误差，并将它们归入“随机误差项”，那么它很难满足这些基本假设，进而进行的统计推断就缺少了基础。补救的方法是检验，对于实际应用模型的随机误差项进行是否满足基本假设的检验，其中最重要的是正态性检验。但是，在实际上，人们最容易忽视的正是最重要的是正态性检验。为什么？一方面是主观上的，认为正态性是由中心极限定理所保证的，无须检验。另一方面是客观上的，如果进行了正态性检验，而检验表明确实不满足正态性假设，又能怎么样？要么放弃研究，要么视而不见。

不明白啊 = =！