题目内容
（请给出正确答案）
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？
如果结果不匹配，请 联系老师 获取答案
更多“本题利用MURDER.RAW中的数据。(i)利用1990年和…”相关的问题
本题利用ATTEND.RAW中的数据。
(i)在例6.3的模型中，推出
(iii)假设你用(priGPA-2.59)·(atndrte-82)取代priGP4(atndrte-82)。你将如何解释atndrte和priGPA的系数。
本题使用WAGEI.RAW中的数据。
(i)利用方程(7.18)估计在Pdw=12.5时的性别差异。并与educ=0时估计的性别差异相比较。
(ii)做一个用以得到式(7.18)的回归，但用female·(educ-12.5)取代female·ed huc。你现在如何解释female的系数？
(ii)第(ii)部分中female的系数是统计显著的吗？与式(7.18)相比较并进行评论。
本题利用FERTIL3.RAW中的数据。
(i)将gfr对t和t2回归， 并保留残差， 便得到除趋势的gfrt即
。
(ii)将对方程(10.35)中所有变量(包括t和t2)回归。比较得出的R2与方程(10.35)中的R2有何不同。你有何结论？
(iii)在方程(10.35)中加入3后重新进行估计。这个新增变量在统计上显著吗？
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NBASAL.RAW中的数据。
(i)估计一个线性回归模型，将单场得分与联赛中打球经历和位置(后卫、前锋或中锋)联系起来。包括打球经历的二次项形式，并将中锋作为基组。以通常的形式报告结果。
(ii)在第(i)部分中，你为什么不将所有三个位置虚拟变量包括进来？
(iii)保持经历不变，一个后卫的得分比一个中锋多吗？多多少？这个差异统计显著吗？
(iv)现在，将婚姻状况加入方程。保持位置和经历不变，已婚球员是否更高效(就单场得分来说)？
(v)加入婚姻状况和两个经历变量的交互项。在这个扩展的模型中，是否存在有力的证据表明婚姻状况影响单场得分？
(vi)使用单场助攻次数作为因变量估计(iv)中的模型。与(iv)的结果有明显的差异吗？请讨论。
本题使用CRIME 3.RAW中的数据。
(iii)估计第(ii)部分中的方程。与式(13.22)比较调整R2。你最后会选用哪一个模型？
本题利用401KSUBS.RAW中的数据。
(i) 计算样本中nettfa的平均值、标准差、最小值和最大值。
(ii) 检验假设平均nettfa不会因为401(k) 资格状况而有所不同， 使用双侧对立假设。估计差异的美元数量是多少？
(iii)根据计算机习题C7.9的第(ii)部分，e401k在一个简单回归模型中显然不是外生的，起码它随着收入和年龄而变化。以收入、年龄和e40lk作为解释变量估计nettfa的一个多元线性回归模型。收入和年龄应该以二次函数形式出现。现在，估计401(k)资格的美元效应是多少？
(iv) 在第(iii) 部分估计的模型中， 增加交互项e401k·(age-41) 和e401k·(age-41)2 。注意样本中的平均年龄约为41岁，所以在新模型中，e401k的系数是401(k)资格在平均年龄处的估计效应。哪个交互项显著？
(v)比较第(iii)和(iv)部分的估计值，401(k)资格在41岁处的估计效应差别大吗？请解释。
(vi) 现在， 从模型中去掉交互项， 但定义5个家庭规模虚拟变量：fsize l， j size2，f size 3， f size 4和f size 5。对有5个或5个以上成员的家庭， fsize 5等于1。在第(iii) 部分估计的模型中， 增加家庭规模虚拟变量， 记得选择一个基组。这些家庭虚拟变量在1%的显著性水平上显著吗？
(vii) 现在， 针对模型
在容许截距不同的情况下， 做5个家庭规模类别的邹至庄检验。约束残差平方和SSR， 从第(vi) 部分得到，因为那里回归假定了相同斜率。无约束残差平方和SSRUR=SSR1+SSR2 +…+SSR5 ， 其中SSRf是从仅用家庭规模f估计的方程中得到的残差平方和。你应该明白，无约束模型中有30个参数(5个截距和25个斜率)，而约束模型中有10个参数(5个截距和5个斜率)。因此，带检验的约束个数是q=20，而且无约束模型的df为9275-30=9245。
本题要用到MLB1.RAW中的数据。
(i)使用方程(4.31)中所估计的模型，并去掉变量rbisyr。hrunsyr的统计显著性会怎么样？hrunsyr的系数大小又会怎么样？
(ii)在第(i) 部分的模型中增加变量runsyr(每年垒得分)，fldperc(防备率)和sbasesyr(每年盗垒数) 。这些因素中，哪一个是个别显著的？
(iii)在第(ii)部分的模型中， 检验bavg， fldperc和sbasesyr的联合显著性。
试利用循环队列编写求k阶菲波那契序列中前n+1项的算法，要求满足：其中max为某个约定的常数。(注意：fn≤max而fn+1＞max，本题所用循环队列的容量仅为k，则在算法执行结束时，留在循环队列中的元素应是所求k阶菲波那契序列中的最后k项)
(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？
本题使用GPA2.RAW中的数据。
(i)考虑方程
其中，colgpa表示累积的大学GPA，hsize表示高中毕业年级以百人计的规模，hsperc表示在毕业年级中学术排名的百分位，sat表示SAT综合分数，female是一个二值变量，而athlete也是一个运动员取值1的二值变量。你对这个方程中的系数有何预期？哪些你没有把握？
(ii)估计第(i)部分中的方程，并以通常的形式报告结果。估计运动员和非运动员之间GPA的差异是多少？它是统计显著的吗？
(ii)从模型中去掉sat并重新估计这个方程。现在，作为运动员的估计影响是多大？讨论为什么这个估计值不同于第(ii)部分的结论。
(iv)在第(i)部分的模型中，容许作为运动员的影响会因性别不同而不同。检验如下原假设：在其他条件不变的情况下，女生是否是运动员没有差别。
(v)sat对colgpa的影响会因性别不同而不同吗？讲出你的根据。
