如果结果不匹配，请 
更多“本题利用INT QRT.RAW中的数据。”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。
本题利用JTRAIN3.RAW中的数据。
(i)估计简单回归模型
并用常用格式报告结论。基于这个回归，1976年和1977年的工作培训看上去对1978年的真实劳动工资有正的影响吗？
(ii)现在使用真实劳动工资的变化cre=re 78-re 75作为因变量。(由于我们假定1975年之前没有工作培训，所以我们没有必要对train进行差分。也就是说，如果我们定义ctrain=train 78-train75， 那么，由于train75=0，所以ctran=train78。)现在，培训的估计影响有多大？讨论它与第(i)部分估计值的比较。
(iii)利用通常的OLS标准误和异方差-稳健标准误求培训效应的95%置信区间，并描述你的结论。
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。
其中，因为滞后支出变量，第一个可用年份(基年)是1993年。
(i)用混合OLS估计模型， 并报告通常的标准误。为使得ai的期望值可以非零， 你应该与年度虚拟变量一起包含一个截距项。支出变量的估计效应是什么？求OLS残差
。
(ii)lunchit系数的符号在意料之中吗？解释系数的大小。你认为学区的贫穷率对考试通过率有很大的影响吗？
(iii)利用
的回归计算AR(1)序列相关的一个检验。你应该在回归中使用1994~1998年的数据。验证存在很强的正序列相关，并讨论为什么。
(iv)现在用固定效应法估计方程。滞后的支出变量仍显著吗？
(v)你为什么认为在固定效应估计中，注册学生人数和午餐项目变量不是联合显著的？
(i)有多少个州在1991年、1992年和1993年中至少处决了一个犯人？哪个州处决得最多？
(ii)利用1990年和1993两年的数据， 做一个mrd rte对d93、exec和unem的混合回归。你对exec系数如何解释？
(iii)仅利用1990~1993年的变化(对总共51个观测值) ， 用OLS估计以下方程
并以通常的格式报告结果。现在，处以死刑是否看起来具有威慑作用？
(iv)处决的变化至少可能部分地与预期谋杀率的变化有关， 因而△ exec与第(iii) 部分中的△u相关。假定△exec-1与△u不相关也许是合乎情理的。(毕竟， △exec-1 依赖于三年或更久以前进行的处决数。) 将△exec对△exec-1进行回归， 看它们是否充分相关：解释△exec-1的系数。
(v)用△exec-1作为△exec的Ⅳ， 重新估计第(iii) 部分中的方程。假定△mem是外生的。你从第(ii) 部分中得出的结论将怎样变化？
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？
