题目内容
（请给出正确答案）
(i)在计算机习题C10.5的工业区事件研究中，OLS残差对滞后残差的回归给出
。这对于OLS来说有何含义？
(ii)如果你想使用OLS，又想得到EZ系数的一个有效标准误，你将怎样做？
如果结果不匹配，请 联系老师 获取答案
更多“(i)在计算机习题C10.5的工业区事件研究中，OLS残差对…”相关的问题
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。]
，试以R1=0的极限情形来检验这个公式。r=R2时又怎样？
参考第3章习题14。现在，我们使用住房价格的对数作为因变量：
(i)你想在住房增加一个150平方英尺的卧室的情况下， 估计并得到price变化百分比的一个置信区间。以小数形式表示就是θ1=150β1+β2。使用HPRICE1.RAW中的数据去估计θ1。
(ii)用θ1和民β1表达β2，并代入log(price) 的方程。
(iii)利用第(ii)部分中的结果得到θ1的标准误，并使用这个标准误构造一个95%的置信区间。
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。
(1)设跳起来的高度为h,求通过导线的电量q:
(2)当m=10g,l=20cm,h=2.0m,B=0.10T时,求q的值.
使用LOANAPP.RAW中的数据。
(i)有多少个观测的obrat＞40，即其他债务负担超过其总收入的40%？
(ii)在第7章的计算机练习C8中，去掉obrat＞40的观测，重新估计第(ii)部分中的模型。white的系数估计值和：统计量将会怎样？
(ii)βwhite看起来对所使用的样本过度敏感吗？
读右上图回答问题(共12分) (1)此图是我国 工业区图。 (2)本工业区工业发展的有利条件是：资源丰富，有 油田、 煤矿、 铁矿;交通便利，重要的铁路枢纽有 ，重要的海港有 。不利条件是 不足。 (3)本区在丰富资源的基础上，形成了 等工业部门。
A.甲在机场圈定地区以内采矿
B.乙在铁路两侧一定距离以内采矿
C.丙在国家规定的自然保护区内采矿
D.丁在重要工业区附近一定距离以内采矿
且P(A)>0,证明:对每一个i(i=1,2,...,n)，
此式称作贝叶斯(Bayes)公式.
