经济学家为什么要做出假设，为什么要做假设性的比喻

本文目录一览

1，为什么要做假设性的比喻
2，比较两样本均数时为什么要做假设检验
3，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
4，为什么要做假设检验假设检验可以回答什么问题
5，计量经济学没有抽样为什么要做假设检验

1，为什么要做假设性的比喻

假设是解决问题的前提,没了假设那些伟大的科学家发明家就不可能成功...假设是自己的一个意愿,是一种你的想法,然后就会想怎样把假设成为真理,慢慢推....

为什么要做假设性的比喻

2，比较两样本均数时为什么要做假设检验

假设检验的目的是用样本信息去推断总体信息，此处你两均值的比较，其实质是在比较两总体均值，两者样本均值只是为了比较两总体均值所依据的样本数据信息而已

因为要确定两样本差异是由两个总体本质上不同导致的，还是本来总体是相同的，由抽样误差导致的

比较两样本均数时为什么要做假设检验

3，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

4，为什么要做假设检验假设检验可以回答什么问题

简单点给你解释吧：两个常量之间的相等关系是绝对的，你可以绝对地区分“A等于B”但是，当在两个变量之间的话，就不存在“A等于B，或A不等于B”这种说法了。取而代之，可以用如下的说法“A有90%的可能等于B”，或者“在100次抽样中，A等于B的情况会出现90次”。这样，为了从“不确定性”的角度来刻画两个变量的关系，就产生了假设检验，它解决的问题是“在多大程度上，某量A会等于B”，其中的“等于”可以换成“大于”“小于”等等。当限定“程度”时，又可以解决如下问题“在90%的水平上，A会等于B吗？”这跟前面的提法等价。在如此的解释框架下，比如回归得到系数的假设检验，通常就是检验“在某个概率水平上，某个参数A是否等于0”等等。这么说，明白了吗。还不明白，我就没办法了，自己去补习知识吧。

相关系数的定义：度量两个随机变量间关联程度的量。相关系数的取值范围为(-1，+1)。当相关系数小于0时，称为负相关；大于0时，称为正相关；等于0时，称为零相关。所以要先假设检验

5，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 = =！