尽管存在着完全多重共线性,普通最小二乘估计量仍然是最优线性无偏估计量。A. 正确B. 错误

考查要点：本题主要考查对多重共线性及其对普通最小二乘估计量（OLS）性质影响的理解，特别是完全多重共线性情况下OLS估计量的存在性与最优性。

解题核心思路：

1. 完全多重共线性会导致数据矩阵$X$的秩不足，使得$X'X$不可逆，从而OLS估计量无法计算。
2. BLUE（最优线性无偏估计量）的成立依赖于高斯-马尔可夫定理的假设，其中解释变量需线性无关。完全多重共线性违反这一假设，因此OLS不再满足BLUE性质。

破题关键点：

• 明确区分完全多重共线性与近似多重共线性：前者导致模型不可估计，后者仅增加估计量方差。
• 理解OLS估计量公式$\hat{\beta} = (X'X)^{-1}X'y$对$X'X$可逆性的依赖。

完全多重共线性的定义是：模型中存在某两个或多个自变量之间存在精确的线性关系。此时，数据矩阵$X$的列向量线性相关，导致$X'X$矩阵秩亏（即不可逆）。OLS估计量的公式为：
$\hat{\beta} = (X'X)^{-1}X'y$
由于$X'X$不可逆，无法计算$\hat{\beta}$，因此OLS估计量不存在。

BLUE的条件：根据高斯-马尔可夫定理，OLS估计量在满足以下假设时为BLUE：

1. 误差项零均值；
2. 误差同方差且无自相关；
3. 解释变量外生且非随机；
4. 解释变量线性无关（无多重共线性）。

完全多重共线性违反第4条假设，导致OLS估计量无法存在，因此无法满足BLUE性质。