1、模型设定偏误类型

偏误来源：不适当的解释变量或不适当的函数形式

2、什么是模型拟合不足？模型拟合不足会导致什么后果？它违背了7个假定中的哪一个？
漏掉了必要的解释变量就是模型拟合不足，会导致模型的OLS估计量是有偏的并且非一致，即残差项与真实值不同，我们估计的σ²也是错误的。

3、什么是模型过度拟合？模型拟合过度会导致什么后果？
模型包含了多余的解释变量，它与必要的解释变量总是存在一定的相关性，导致部分变化信息重复，模型过拟合会使估计量的方差增大。

4、如何检验模型过度拟合？如何检验模型拟合不足？分别可以基于之前讲过的哪些检验统计量？
过拟合检验：对一个解释变量进行t检验，多个解释变量进行F检验。那我根据p值，把不显著的解释变量都剔除得到的模型会是正确的吗？当然不会呀！检验结论不能拒绝变量系数为1时，并意味着变量系数的真实值就是1（就像猫猫不能拒绝你的猫条，并不意味着你可以撸它，所以拐猫，咳，养猫要从小）。因此，显著性检验不能作为模型设定时解释变量取舍的主要依据。
欠拟合检验：LM检验，在显著性水平α下，LM统计值大于相应的临界值X²，则拒绝原假设，反之，接受原假设（或者看p值，小于显著性水平α就拒绝原假设，反之，接受原假设）。

5、拉姆齐的RESET检验能用来干什么？其基本实现步骤是？
它既可以检验模型的函数形式，还能检验模型拟合不足。
基本实现步骤：
步1 对（1.1）式进行估计，以残差为纵坐标，被解释变量为横坐标作折线图，观察这条折线图，设定合适的函数关系进行拟合。
步2 将被解释变量与残差的拟合函数加入（1.1）式，建立新的辅助回归方程。
步3 对方程中新加入的解释变量进行联合显著性检验。

6、两个非嵌套的模型A和B，如何检验谁是更好的模型？
假设模型A为真：
步1 对模型B进行估计，建立辅助回归方程，将模型B中估计的被解释变量添加到模型A的方程中作为解释变量进行OLS估计。
步2 对辅助回归方程中模型B的被解释变量的系数进行显著性检验，它的显著性强就不能拒绝模型A为真的原假设。
不足：两个模型可能都被拒绝或者都被接受

7、样本数据的测量误差有哪几种情形？应该如何处理？
被解释变量存在测量误差和解释变量存在误差。被解释变量存在误差与过拟合相似，解释变量存在误差与欠拟合相似。处理就按过拟合和欠拟合来修正模型。