如果结果不匹配，请 
更多“不完全多重共线性对OLS估计量的影响有哪些？”相关的问题
A.在严重多重共线性下，OLS估计量仍是最正确线性无偏估计量
B.多重共线性问题的实质是样本现象，因此可以通过增加样本信息得到改善
C.虽然多重共线性下，很难准确区分各个解释变量的单独影响，但可据此模型进展预测
D.如果回归模型存在严重的多重共线性，可不加分析地去掉某个解释变量从而消除多重共线性
A.各个解释变量对被解释变量的影响将难以准确鉴别
B.局部解释变量与随机误差项之间将高度相关
C.估计量的精度将大幅度下降
D.估计对于样本容量的变动将十分敏感
E.模型的随机误差项也将序列相关
本题需要使用ELEM 94-95中的数据， 也可参见计算机习题C 4.10。
(i) 利用所有数据， 将lavg sal对bs， lenrol， Istaff和lunch进行回归。报告bs的系数及其常用标准误和异方差-稳健标准误。你对
的经济显著性和统计显著性得到什么结论？
(ii)现在去掉四个bs＞0.5的观测，即平均福利(假设)占平均薪水50%以上的观测。bs的系数又是多少？利用异方差-稳健标准误来判断，它在统计上显著吗？
(iii)验证bs＞0.5的四个观测分别为68、1127、1508和1670。为它们各定义一个虚拟变量。(你可以称它们为d68、d1127、d 1508和d 1670.) 把它们添加到第(i) 部分的回归中， 验证其他变量的OLS系数及其标准
误与第(ii)部分中的结果相同。在5%的显著性水平上，这四个虚拟变量中哪个变量的t统计量在统计上显著不等于0？
(iv)在这个数据集中，验证第(iii)部分回归中具有最大学生化残差(该虚拟变量的t统计量最大)的数据点对OLS估计值具有很大的影响。(即利用除去具有最大学生化残差的数据点之外的所有观测进行OLS回归。)依次去掉bs＞0.5的每个观测都具有重要影响吗？
(v) 即便在大样本中， 就OLS对单个观测的敏感性而言， 你有何结论？
(vi) 在第(iji) 部分， 验证LAD估计量对包含这些观测不是很敏感。
A.可以用岭迹法选择合适的
B.岭回归估计为了处理自变量之间存在多重共线性的问题而引入的
C.具有稀疏化、选择变量的能力
D.岭回归得到的参数估计量是有偏的
A.当异方差出现时，最小二乘估计是有偏的和不具有最小方差特性
B.当异方差出现时，常用的t和
C.异方差情况下，通常的OLS估计一定高估了估计量的标准差
D.如果OLS回归的残差表现出系统性，那么说明数据中不存在异方差性
E.如果回归模型中遗漏一个重要变量，那么OLS残差必定表现出明显的趋势
F.检验失效
A.异方差性
B.自相关
C.不完全的多重共线性
D.完全的多重共线性
A.异方差性
B.序列相关
C.不完全的多重共线性
D.完全的多重共线性
