![](https://static.youtibao.com/asksite/comm/h5/images/m_q_title.png)
本题使用CRIME4.RAW。(i)在数据集中增加每个工资变量的对数,然后用一阶差分估计模型。问这些变
本题使用CRIME4.RAW。
(i)在数据集中增加每个工资变量的对数,然后用一阶差分估计模型。问这些变量的引入如何影响例13.9中那些司法变量的系数?
(ii)第(i)部分中的工资变量都有预期的符号吗?它们是联合显著的吗?试解释。
![](https://static.youtibao.com/asksite/comm/h5/images/solist_ts.png)
本题使用CRIME4.RAW。
(i)在数据集中增加每个工资变量的对数,然后用一阶差分估计模型。问这些变量的引入如何影响例13.9中那些司法变量的系数?
(ii)第(i)部分中的工资变量都有预期的符号吗?它们是联合显著的吗?试解释。
本题使用PHILLIPS.RAW中的数据。
(i)例11.5中,我们估计了如下形式的附加预期的菲利普斯曲线:
解释为什么这使得unemt-1成为unemt的一个好的Ⅳ候选者。
(iii)将unemt对unemt-1做回归。unemt与memt-1是否显著相关?
(iv)用IV估计附加预期的菲利普斯曲线。以通常形式报告结果,并将之与例11.5中的OLS估计值进行比较。
本题使用KIELMC.RAM中的数据。
(i)变量dist是从每个房屋到焚烧炉位置的英尺距离。考虑模型
(ii)估计第(i)部分中的模型并按通常的方式报告结果。解释y 81-log(dit)的系数。你得到什么结论?
(iii)在方程中增加age, age2, rooms, baths, log(int st), log(land) 和log(area)。现在, 你对焚烧?对房屋价值的影响会作出什么结论?
(iv)为什么在第(ii)部分log(dist)的系数为正并且统计显著, 而在第(ii)部分却不是这样?这说明了第(iii)部分中控制变量的什么?
本题利用HSE IN V.RAW中的数据。
(i)求出log(in vpc) 中的一阶自相关系数, 然后再求log(im pc) 除掉线性趋势后的自相关。对log(price) 做相同的计算。这两个序列中的哪个可能有单位根?
(ii)基于第(i)部分的结论估计方程:
并以标准形式报告结果。对系数β1作出解释,并判断它是否统计显著。
(iii)除掉log(inypc) 的线性趋势,然后在第(ii)部分的回归方程中使用除趋势的因变量(见10.5节), R2有何变化?
(iv)现在用作因变量。结果与第(ii) 部分相比有何不同?时间趋势还是显著的吗?为什么是 或不是?
利用PHILLIPS.RAW中的数据回答本题。
(i)利用整个数据集,用OLS估计静态菲利普斯曲线方程并以常用形式报告结果。
(ii)从第(i)部分中求OLS残差ut并通过ut对ut-1的回归中求出p。(在这个回归中包含一个截距项没问题。)有序列相关的强烈证据吗?
(iii)现在通过迭代普莱斯-温斯顿程序估计静态菲利普斯曲线模型。将β1的估计值与表12.2中得到的估计值相比较。添加以后的年份,估计值有很大变化吗?
(iv)不用普莱斯-温斯顿检验,而是使用迭代科克伦-奥卡特检验。p的最终估计值有多相似?β1的PW和CO估计值有多相似?
本题使用HTV.RAW中的数据。
(i)基于整个样木, 利用解释变量educ、abil、exper、nc、west、south和urban, 利用OLS估计log(wage)的一个模型。报告教育的估计回报及其标准误。
(ii)现在, 仅利用educ<16的人群来估计第(i) 部分中的方程。样本损失了多大的比例?现在, 多读一年书的估计回报是多少?它与第(i)部分中的结果相比如何?
(iii)现在, 去掉所有wage≥20的观测, 于是, 样本中剩下每个人每小时工资都不足20美元。做第(i) 部分中的回归, 并评论educ的系数。(由于正常的断尾回归模型都假定y是连续的, 所以理论上我们去掉wage≥20还是去掉wage>20都无所谓。但在这个应用研究中, 由于有些人正好每个小时挣20美元, 所以二者略有差异。)
(iv)利用第(ii) 部分中的样本, 应用断尾回归[上断点为log(20) ] .假定第(i) 部分中得到的估计值是一致的,这个断尾回归能够重新得到整个总体中的教育回报估计值吗?
本题利用TRAFFIC 2.RAW中的数据。前面的计算机习题C 10.11曾要求你分析这些数据。
(i)计算变量prc fat的一阶自相关系数。你认为prc fat包含单位根吗?失业率也一样吗?
(ii)估计一个将prc fal的一阶差分Aprcfat与计算机习题C10.11第(vi) 部分中同样变量相联系的多元回归模型,只是你还应该对失业率进行一阶差分。于是,模型中包含一个线性时间趋势、月度虚拟变量、周末变量和两个政策变量:不要将这些变量进行差分。你发现了什么有意思的结论吗?
(iii)评论如下命题:“在进行多元回归之前,我们总应该将怀疑具有单位根的时间序列进行一阶差分,因为这样做是一种安全策略,而且应该得到与使用水平值类似的结论。”[在回答这个问题时,最好先做(如果你还没有做过的话)计算机习题C10.11第(vi)部分中的回归。]
本题利用LOANAPP.RAW中的数据。
(i)估计计算机习题C7.8第(iii) 部分中的方程, 计算其异方差-稳健的标准误。将的95%的置信区间与非稳健的置信区间相比较。
(ii)由第(i)部分的回归计算拟合值。其中有没有哪个估计值小于0?有没有哪个估计值大于1?而这些情况对加权最小二乘估计的应用意味着什么?
本题要用到HTV.RAW中的数据。
(i)考虑一个加入了父母受教育程度变量的工资方程
表述原假设:父亲与母亲的受教育程度对log(wage)具有相同影响。
(ii)估计第(i)部分中的模型,同时谈谈你对β,和队大小的看法。
(iii)在5%的显著性水平上,相对于双侧备择假设,通过构造一个95%的置信区间来检验第(i)部分中的原假设。你得到的结论是什么?
本题利用MURDER.RAW中的数据。
(i)利用1990年和1993年的数据, 用混合OLS估计方程
(iv)做第(ii)部分中的同样回归,但求异方差-稳健的t统计量。结果如何?
(v)你认为的哪个1统计量更值得信赖, 是通常的!统计量还是异方差-稳健的1统计量?为什么?
本题利用WAGEPAN.RAW中的数据。
(i)考虑非观测效应模型
(iv)现在,容许是否加入工会的差别(与受教育水平一起)在不同时期有所变化,用FD估计这个方程。1980年加入工会与不加入工会的估计工资差别是多少?1987年呢?这个差别在统计上显著吗?
(v)检验工会关系差别在不同时期没有发生变化的虚拟假设,并根据你对第(iv)部分的回答讨论你的结论。