当我们构造线性模型时,我们注意变量间的相关性。在相关矩阵中搜索相关系数时,如果我们发现3对变量的相关系数是(Var1和Var2,Var2和Var3,Var3和Var1)是-0.98,0.45,1.23.我们可以得出什么结论:()。
A.Var1和Var2是非常相关的
B.因为Va1r和Var2是非常相关的,我们可以去除其中一个
C.Var3和Var1的1.23相关系数是不可能的
A.Var1和Var2是非常相关的
B.因为Va1r和Var2是非常相关的,我们可以去除其中一个
C.Var3和Var1的1.23相关系数是不可能的
A.Var1和Var2具有很高的相关性
B.Var1和Var2存在多重共线性,模型可以去掉其中一个特征
C.Var3和Var1相关系数为1.23是不可能的
D.以上答案都不正确
只用一个解释变量,求组间估计量的方程为其中上横线表示不同时期的平均。由于我们已经在这个方程中包含了一个截距, 所以我们可以假定E(ai)=0。假设对所有时期都成立(因为在横截面中随机抽样,所以对所有的;也都成立)。
(iii)如果不同时期的解释变量不是很相关,对于时期数越多,组间估计量之间的不一致性越小的观点,第(ii)部分有何结论?
(iii)由(ii)可知,xit是两两不相关的,大小是不一致的,且随着T线性增长。符号依赖于xit与ai的协方差。
A.简化式方程的解释变量都是前定变量
B.简化式参数反映解释变量对被解释的变量的总影响
C.简化式参数是构造式参数的线性函数
D.简化式模型的经济含义不明确
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。]
A.X与Y有线性关系(多项式关系)
B.模型误差在统计学上是独立的
C.误差一般服从0均值和固定标准差的正态分布
D.X是非随机且测量没有误差的
A.各个解释变量对被解释变量的影响将难以准确鉴别
B.局部解释变量与随机误差项之间将高度相关
C.估计量的精度将大幅度下降
D.估计对于样本容量的变动将十分敏感
E.模型的随机误差项也将序列相关
在近来的一篇论文中,埃文斯和施瓦布(EvansandSchwab,1995)研究了就读于天主教高中对将来读大学的概率所产生的影响。为具体起见,令college为二值变量,如果读大学则等于1,否则为0。令CahHS也为二值变量,如果就读于天主教高中则等于1.一个线性概率模型是:
college=β0+β1CathHS+其他因素+u
其中其他因素包括性别、种族、家庭收入和父母的受教育程度。
(i)为什么CathHS可能与u相关?
(ii)埃文斯和施瓦布拥有关于每个学生在大二时进行的标准化测验成绩数据。我们用这些变量能做些什么,以改进就读于天主教高中在其余条件不变情况下的估计值?
(iii)令CathRel为二值变量,若学生是天主教徒则等于1。讨论它成为前面方程中CathHS的一个有效的ⅣV所需要的两个要求。其中哪个可加以检验?
(iv)不足为奇,作为天主教徒对是否就读于一所天主教高中有显著的影响。你认为CathRel作为CathHS的工具变量令人信服吗?
为了检验工作培训项目对工人以后工资的有效性,我们设定了模型
其中,train表示的虚拟变量,在工人参与这个项目时取值1.想象误差项包括了无法观测的工人能力。如果能力越低的工人被选派去参加这个项目的机会就越大,而且你使用了一个OLS分析,那么你认为β1的OLS估计量可能有什么样的偏误?
A.如果模型的R2很高,我们可以认为此模型的质量较好
B.如果模型的R2较低,我们可以认为此模型的质量较差
C.如果某一参数不能通过显著性检验,我们应该剔除该解释变量
D.如果某一参数不能通过显著性检验,我们不应该随便剔除该解释变量
A.如果模型的R2很高,我们可以认为此模型的质量较好
B.如果模型的R2较低,我们可以认为此模型的质量较差
C.如果某一参数不能通过显著性检验,我们应该剔除该解释变量
D.如果某一参数不能通过显著性检验,我们也不应该随便剔除该解释变量