(i)利用WAGE PRC.RAW中的数据,估计习题11.5中的分布滞后模型。用回归(12.14)来检验AR(1)序列相
关。
(ii)用迭代的科克伦-奥卡特方法重新估计这个模型。长期倾向的新估计值是多少?
(iii)用迭代C0求出LRP的标准误。(这要求你估计一个修正方程。) 判断LRP估计值在5%的水平上是否统计显著异于1?
关。
(ii)用迭代的科克伦-奥卡特方法重新估计这个模型。长期倾向的新估计值是多少?
(iii)用迭代C0求出LRP的标准误。(这要求你估计一个修正方程。) 判断LRP估计值在5%的水平上是否统计显著异于1?
第1题
本题利用INVEN.RAW中的数据;也可参见计算机习题C11.6。
(i)从加速数模型中求出OLS残差,并用回归来检验是否存在序列相关。p的估计值是多少?序列相关看起来是多大的问题?
(ii)用PW估计这个加速数模型,并将β1的估计值与OLS估计值进行比较。你为什么预期它们很相似?
第2题
相关。
(ii)如果你发现有序列相关的证据,用科克伦-奥卡特方法重新估计这个方程,并将所得结果与以前的结果进行比较。
第3题
A.异方差问题
B.序列相关问题
C.多重共性问题
D.参数过多难估计问题
第4题
的AR(1) 序列相关(用CONSUMP RAW) 。
(ii)在计算机习题C11.7中,你通过消费的增长对其一期滞后的回归,检验了持久收入假说。在做这个回归之后,再通过残差平方对的回归来检验异方差。你有何结论?
有证据表明方程存在AR(1)序列相关性。
第5题
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?
第6题
(i)将每个δj的公式代入分布滞后模型,并把它写成用γh表示的模型,h=0,1,2。
(ii)解释你用来估计γh的回归方程。
(iii)上面的多项式分布滞后模型是一般模型的一个约束形式。它受到了多少个约束?你如何来检验它们?(提示:用F检验。)
第7题
本题利用HSEINV.RAW中的数据。
(i)检验log(in vpc)是否有单位根, 模型中含有一个线性时间趋势和 log(in ypct)的两阶滞后, 显著性水平为5%。
(ii)用第(i)部分中的方法检验log(price)中的单位根。
(iii)给定第(i)部分和第(ii)部分中的结果,那么检验log(iv pc)和log(price)之间的协整还有意义吗?
第8题
本题利用LOANAPP.RAW中的数据。
(i)估计计算机习题C7.8第(iii) 部分中的方程, 计算其异方差-稳健的标准误。将的95%的置信区间与非稳健的置信区间相比较。
(ii)由第(i)部分的回归计算拟合值。其中有没有哪个估计值小于0?有没有哪个估计值大于1?而这些情况对加权最小二乘估计的应用意味着什么?
第9题
本题使用MINWAGE.RAW中的数据。使用232部门(男性用品部门) 中的时间序列。
(i)估计模型并检验误差中的AR(1)序列相关。假定回归元是严格外生的。误差中有正或负的序列相关吗?
(ii)利用12阶滞后, 求第(i) 部分中OLS估计值的尼威-韦斯特标准误。这个尼威-韦斯特标准误与通常的OLS标准误相比如何?
(iii)现在求出OLS的异方差-稳健标准误, 并与通常的标准误和尼威-韦斯特标准误进行比较。在这个应用研究中,序列相关和异方差哪个更成问题?
(iv)在原方程中用布罗施-帕甘检验验证误差表现出很强的异方差性。
(v)在第(i) 部分的方程中增加gm wage的1~12阶滞后。求出1~12阶滞后联合下检验的p值, 并与异方差-稳健检验的p值进行比较。对异方差的调整对这些滞后变量的显著性有何影响?
(vi)利用尼威-韦斯特方法,求第(v)部分中联合显著性检验的p值。你现在得到什么结论?
(vii)如果你不用g wage的这些滞后项, 长期倾向的估计值有很大的不同吗?
第10题
A.可能存在序列相关性的问题
B.解释变量与随机干扰项相关
C.对于无限期滞后模型,没有足够的样本
D.对于有限期滞后模型,没有先验准则确定滞后期的长度
E.滞后期较长的分布滞后模型,缺乏足够的自由度进行统计检验
第11题
本题用到CONSUMP RAW中的数据。
(i)在例16.7中,用15.5节的方法检验在估计式(16.35)时的那个过度识别约束。你的结论是什么?
(ii) 由于潜在的数据度量问题和信息滞后, 坎贝尔和曼昆(Campbell and Mankiw, 1990) 使用所有变量的二阶滞后值作为工具变量。只用 作为工具变量重新估计式(16.35)。这些估计值与(16.36)中的那些估计值相比如何?
(iii)将gvt对第(ii)部分的ⅣV回归,并检验8,与它们是否充分相关。这一点为什么重要?