多元线性回归模型中，发现各参数估计量的t值都不显著,但模型的R2或adj-R2却很大，F值也很显著，这说明模型存在

假设线性回归模型满足全部基本假设，最小二乘回归得到的参数估计量具备()。 若多元线性回归模型存在自相关问题，可能产生的不利影响是（）。<br/>Ⅰ.模型参数估计量失去有效性<br/>Ⅱ.参数的OLS估计量的方差变大<br/>Ⅲ.参数估计一量的经济含义不合理<br/>Ⅳ.运用回归模型进行预测会失效 在多元经典线性回归模型中，参数的最小二乘估计量具、、，所以此时的最小二乘估计量又称BLUE估计量。 在古典假设成立的条件下用OLS方法估计线性回归模型参数，则参数估计量具有（ ）的统计性质。 在用普通最小二乘法估计回归模型时，存在异方差问题将导致（　　）。Ⅰ．参数估计量非有效Ⅱ．变量的显著性检验无意义Ⅲ．模型的预测失效Ⅳ．参数估计量有偏 在用普通最小二乘法估计回归模型时，存在异方差问题将导致（　　）。Ⅰ参数估计量非有效Ⅱ变量的显著性检验无意义Ⅲ模型的预测失效Ⅳ参数估计量有偏 回归模型y=Xβ+μ存在近似共线性，如果使用普通最小二乘法估计其中的参数，那么参数估计量的方差会（ ）。 回归模型在近似共线性下参数估计量的方差会增大，方差膨胀因子为1/1-r。（ ） 若模型出现序列相关性，仍釆用OLS估计模型参数，则会产生下列不良后果：除了（）Ａ参数估计量的线性和无偏性虽不受影响，但是参数估计量失去有效性；Ｂ模型的显著性检验失去意义；Ｃ模型的预测失效Ｄ多重共线性使得参数估计值不 稳定，并对于样本非常敏感 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，可以消除模型中的多重共线性（） 在用普通最小二乘法估计回归模型时，存在异方差问题将导致（）。<br/>Ⅰ参数估计量非有效<br/>Ⅱ变量的显著性检验无意义<br/>Ⅲ模型的预测失效<br/>Ⅳ参数估计量有偏 完全多重共线性下参数估计量 线性回归模型常用的参数估计方法是（ ） 线性回归模型常用的参数估计方法是(　　)。 当一个线性回归模型的随机误差项存在序列相关时，直接用普通最小二乘法估计参数，则参数估计量为（） 当回归模型中解释变量彼此正交时,多元回归估计量与一元回归模型的估计量相同 假设线性回归模型满足全部基本假设，则其参数的估计量具备（ ）。 假设线性回归模型满足全部基本假设，则其参数的估计量具备（） 参数估计量具有较大的方差是多重共线性的主要后果，所以采取适当方法减小参数估计量的方差，仍然没能消除模型中的多重共线性，也没能消除多重共线性造成的后果。（） 采用OLS法估计具有异方差模型的参数估计量是无效的