题目内容
（请给出正确答案）
[单选题]
在多重线性回归中，若对某个自变量的值都乘以一个相同的常数k，则相应地偏回归系数()。
A.不变
B.都变为1/k倍
C.变为原来的k倍
D.改变，但数值不定
查看答案
如果结果不匹配，请 联系老师 获取答案
题目内容
（请给出正确答案）
如果结果不匹配，请 联系老师 获取答案
题目内容
（请给出正确答案）
A.不变
B.都变为1/k倍
C.变为原来的k倍
D.改变，但数值不定
如果结果不匹配，请 联系老师 获取答案
更多“在多重线性回归中，若对某个自变量的值都乘以一个相同的常数k，…”相关的问题
A.增加自变量后，模型包含的信息量增多，多重判定系数会随着自变量的增加而无限变大
B.增加自变量后，模型的预测误差会变小，从而减少残差平方和，此时回归平方和会变大
C.增加自变量后，各个自变量之前的相关关系更加紧密
D.增加自变量后，能使得所有自变量的系数显著
利用数据集GPA1.RAW。
(i)利用OLS估计一个将colGPA与hsGPA，ACT，skipped和PC相联系的模型。求OLS残差。
(ii)计算异方差性的怀特检验特殊情形。在对colGPA，和colGPA，的回归中，求拟合值。
(iii)验证第(ii)部分得到的拟合值都严格为正。然后利用权数1/h求加权最小二乘估计值。根据对应的OLS估计值，将逃课和拥有计算机之影响的加权最小二乘估计值与对应OLS估计值相比较。它们的统计显著性如何？
(iv)在第(iii)部分的WLS估计中，求异方差-稳健的标准误。换言之，容许第(ii)部分中所估计的方差函数可能误设(参见问题8.4)。标准误与第(iii)部分相比有很大变化吗？
利用VOLAT.RAW中的数据。
(i)证实sp500=log(sp500)和lip=log(ip)看来都包含了单位根。利用含四阶滞后变化的DF检验，在含和不含线性时间趋势的情况下分别进行检验。
(ii)做1sp500对lip的简单回归。评论：统计量和R的大小。
(iii)利用第(ii)部分的残差检验Isp500和lip是否协整。利用标准的DF检验和包含两阶滞后的ADF检验。你得到什么结论？
(iv)在第(ii)部分的回归中添加一个线性时间趋势，并利用第(iii)部分同样的检验来检验协整关系。
(v)看来股票价格与真实经济活动之间有长期均衡关系吗？
本题需要使用1993年的数据，尽管你仍需要首先获得谋杀率的滞后值mrdrte-1.
(i) 将mrd rte对exec和une lTY进行回归。exec的系数和：统计量是多少？这一回归能为死刑的震慑作用提供什么证据吗？
(ii)1993年得克萨斯州报告的死刑人数有多少？(实际上，这是当年和过去两年死刑人数之和。)这个人数与其他州相比如何？在第(i)部分的回归中增加表示得克萨斯州的虚拟变量。它的t统计量异常之大吗？由此看来，得克萨斯看上去是“异常数据”吗？
(iii)在第(i)部分的回归中增加谋杀率的滞后变量。
及其统计显著性又有何变化？
(iv)在第(ii)部分的回归中，得克萨斯看上去是“异常数据”吗？在回归中去掉得克萨斯对有何影响？
利用数据集401KSUBS.RAW。
(i)利用OLS估计e401k的一个线性概率模型，解释变量为inc，inc²，age，age²和male。求通常的OLS标准误和异方差-稳健的标准误。它们有重要差别吗？
(iii)对第(i)部分估计的模型求怀特检验，并分析系数估计值是否大致对应于第(ii)部分中描述的理论值。
(iv)在验证了第(i)部分的拟合值都介于0和1之间后，求这个线性概率模型的加权最小二乘估计值。它们与OLS估计值有重大差别吗？
A.y=abt
B.y=a+bt1+ct2
C.y=a+bt+ct2+dt3
D.y=at+bt
利用MIN WAGE.RAW中232部门的数据回答如下问题。
(i)证明l wage 232t 和lemp 232t 最好用I(1) 过程来刻画。使用分别包含g wage 232和gel up 232的一阶滞后以及一个线性时间趋势的ADF检验。对这些序列中存在单位根还存有疑问吗？
(ii)在使用和不使用时间趋势的情况下， 容许在增广恩格尔-格兰杰检验中使用两个滞后项， 将lemp 232t 对hr age 232t 进行回归并进行协整检验。你得到什么结论？
(iii)现在将lemp 232t 对真实工资率的对数In v age 232t =l wage 232t -lept 和一个时间趋势进行回归。你发现存在协整吗？与使用名义工资相比，使用真实工资时，它们更“接近”协整吗？
(iv)第(iii)部分的协整回归中可能遗漏了哪些因素？
(i) 估计一个将respond与resplast和avggift联系起来的线性概率模型。以通常的形式报告结果， 并解释变量resplast的系数。
(ii)过去捐助的平均水平看来会影响做出捐助响应的概率吗？
(iii) 在模型中增加变量propres p并解释其系数。(这里须注意， propresp增加1是最大可能变化。)
(iv) 在回归中增加propres p以后， resp last的系数有何变化？这讲得过去吗？
(v) 在模型中增加每年寄出邮件的数量mail year。它的估计影响有多大？为什么它不是邮件数量对响应的因果关系的一个较好的估计？
此题为判断题(对，错)。
A.向前选择法是从模型中没有自变量开始，然后将所有自变量依次增加到模型中
B.向后剔除法是先对所有自变量拟合线性回归模型，然后依次将所有自变量剔除模型
C.逐步回归法是将向前选择法和向后剔除法结合起来，但不能保证得到的回归模型一定就显著
D.逐步回归法选择变量时，在前面步骤中增加的自变量在后面的步骤中有可能被剔除，而在前面步骤中剔除的自变量在后面的步骤中也可能重新进入到模型中
