计量经济学作业第5章(含答案)
第五章习题讲解计量经济学庞皓
第五章习题答案练习题5.1参考答案（1）因为222()i i Var u X σ=，所以22()i i f X X =，所以取221i iW X =，用2i W 乘给定模型两端，得312322221i i iii i i Y X u X X X X βββ=+++ 上述模型的随机误差项的方差为一固定常数，即22221()()i i i iu Var Var u X X σ==（2）根据加权最小二乘法，可得修正异方差后的参数估计式为***12233ˆˆˆY X X βββ=--()()()()()()()***2****22232322322*2*2**2223223ˆii i i i i i i i i i i i i i i i iW y x W x W y x W x x W x W x W x x β-=-∑∑∑∑∑∑∑()()()()()()()***2****23222222332*2*2**2223223ˆii i i i i i i i i i i i i i i i i W y x W x W y x W x x W x W x W x x β-=-∑∑∑∑∑∑∑其中22232***23222,,i ii ii i iiiW X W X W Y XXYWWW ===∑∑∑∑∑∑******222333i i i i i x X X x X X y Y Y =-=-=-练习题5.2参考答案（注意：数据是竖着看）（1） 模型的估计Dependent Variable: Y Method: Least Squares Date: 05/16/11 Time: 01:14 Sample: 1 60Included observations: 60Variable Coefficient Std. Error t-Statistic Prob. C 9.347522 3.638437 2.569104 0.0128 X 0.6370690.019903 32.00881 0.0000R-squared0.946423 Mean dependent var 119.6667 Adjusted R-squared 0.945500 S.D. dependent var 38.68984 S.E. of regression 9.032255 Akaike info criterion 7.272246 Sum squared resid 4731.735 Schwarz criterion 7.342058 Log likelihood -216.1674 F-statistic 1024.564 Durbin-Watson stat1.790431 Prob(F-statistic)0.000000该模型样本回归估计式的书写形式为：22ˆ9.347522+0.637069t= (2.569104) (32.00881)R =0.946423 R =0.945500 F=1024.564 DW=1.790431i i Y X =（2）模型的检验1．Goldfeld-Quandt 检验。
【最新试题库含答案】庞皓计量经济学课后答案第五章
【最新试题库含答案】庞皓计量经济学课后答案第五章庞皓计量经济学课后答案第五章：篇一：计量经济学庞皓第二版第五章答案5.2 (1) 对原模型OLS回归分析结果：Dependent Variable: Y Method: Least Squares Date: 04/01/09Time: 15:44 Sample: 1 60Included observations: 60Variable C XR-squaredAdjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson statCoefficient 9.347522 0.637069Std. Error 3.638437 0.019903t-Statistic 2.569104 32.00881Prob.0.0128 0.0000 119.6667 38.68984 7.272246 7.342058 1024.564 0.0000000.946423 Mean dependent var 0.945500 S.D. dependent var 9.032255 Akaike info criterion 4731.735 Schwarz criterion -216.1674 F-statistic 1.790431 Prob(F-statistic)(2)White检验结果：White Heteroskedasticity Test: F-statistic Obs*R-squaredTest Equation:Dependent Variable: RESID Method: Least Squares Date: 04/01/09Time: 15:45 Sample: 1 60Included observations: 60Variable C X XR-squaredAdjusted R-squared S.E. of regressionCoefficient -10.03614 0.165977 0.001800Std. Error 131.1424 1.619856 0.004587t-Statistic -0.076529 0.102464 0.392469Prob.0.9393 0.9187 0.6962 78.86225 111.1375 12.142856.301373 Probability 10.86401 Probability0.003370 0.0043740.181067 Mean dependent var 0.152332 S.D. dependent var 102.3231 Akaike info criterionSum squared resid Log likelihood Durbin-Watson stat596790.5 Schwarz criterion -361.2856 F-statistic 1.442328 Prob(F-statistic)12.24757 6.301373 0.003370nR2=10.86401, 查表得?20.05(2)=5.99147，nR2 5.99147,所以拒绝原假设，表明模型中随机误差项存在异方差。
计量经济学课后答案第五章 异方差性汇总
第五章课后答案5.1（1）因为22()i i f X X =，所以取221iiW X =，用2i W 乘给定模型两端，得 312322221i i ii i i i Y X u X X X X βββ=+++ 上述模型的随机误差项的方差为一固定常数，即22221()()i i i iu Var Var u X X σ==（2）根据加权最小二乘法，可得修正异方差后的参数估计式为***12233ˆˆˆY X X βββ=-- ()()()()()()()***2****22232322322*2*2**2223223ˆi i i i i i i i i i i i i i i i i iW y x W x W y x W x x W x W x W x x β-=-∑∑∑∑∑∑∑()()()()()()()***2****23222222332*2*2**2223223ˆii ii i i iii i i ii i i i i iW y x W x W y x W x x Wx W x W x x β-=-∑∑∑∑∑∑∑其中22232***23222,,iii i i i iiiW XW X W Y X X Y WWW ===∑∑∑∑∑∑******222333i i i i i x X X x X X y Y Y=-=-=- 5.2（1）2222211111 ln()ln()ln(1)1 u ln()1Y X Y X Yu u X X X u ββββββββββ--==+≈=-∴=+[ln()]0()[ln()1][ln()]11E u E E u E u μ=∴=+=+=又（2）[ln()]ln ln 0 1 ()11i i iiP P i i i i P P i i E P E μμμμμμμ===⇒====∑∏∏∑∏∏不能推导出所以E 1μ（）=时，不一定有E 0μ（ln ）= (3) 对方程进行差分得：1)i i βμμ--i i-12i i-1lnY -lnY =(lnX -X )+(ln ln 则有：1)]0i i μμ--=E[(ln ln5.3（1）该模型样本回归估计式的书写形式为：Y = 11.44213599 + 0.6267829962*X (3.629253) (0.019872)t= 3.152752 31.5409720.944911R =20.943961R = S.E.=9.158900 DW=1.597946 F=994.8326（2）首先，用Goldfeld-Quandt 法进行检验。
《计量经济学》第五章习题及参考答案.doc
第五章经典单方程计量经济学模型：专门问题一、内容提要本章主要讨论了经典单方程回归模型的几个专门题。
第一个专题是虚拟解释变量问题。
虚拟变量将经济现象中的一些定性因素引入到可以进行定量分析的回归模型，拓展了回归模型的功能。
本专题的重点是如何引入不同类型的虚拟变量来解决相关的定性因素影响的分析问题，主要介绍了引入虚拟变量的加法方式、乘法方式以及二者的组合方式。
在引入虚拟变量时有两点需要注意，一是明确虚拟变量的对比基准，二是避免出现“虚拟变量陷阱”。
第二个专题是滞后变量问题。
滞后变量包括滞后解释变量与滞后被解释变量，根据模型中所包含滞后变量的类别又可将模型划分为自回归分布滞后模型与分布滞后模型、自回归模型等三类。
本专题重点阐述了产生滞后效应的原因、分布滞后模型估计时遇到的主要困难、分布滞后模型的修正估计方法以及自回归模型的估计方法。
如对分布滞后模型可采用经验加权法、Almon多项式法、Koyck方法来减少滞项的数目以使估计变得更为可行。
而对自回归模型，则根据作为解释变量的滞后被解释变量与模型随机扰动项的相关性的不同，采用工具变量法或OLS 法进行估计。
由于滞后变量的引入，回归模型可将静态分析动态化，因此，可通过模型参数来分析解释变量对被解释变量影响的短期乘数和长期乘数。
第三个专题是模型设定偏误问题。
主要讨论当放宽“模型的设定是正确的”这一基本假定后所产生的问题及如何解决这些问题。
模型设定偏误的类型包括解释变量选取偏误与模型函数形式选取取偏误两种类型，前者又可分为漏选相关变量与多选无关变量两种情况。
在漏选相关变量的情况下，OLS估计量在小样本下有偏，在大样本下非一致；当多选了无关变量时，OLS估计量是无偏且一致的，但却是无效的；而当函数形式选取有问题时，OLS估计量的偏误是全方位的，不仅有偏、非一致、无效率，而且参数的经济含义也发生了改变。
在模型设定的检验方面，检验是否含有无关变量，可用传统的t检验与F检验进行；检验是否遗漏了相关变量或函数模型选取有错误，则通常用一般性设定偏误检验（RESET检验）进行。
计量经济学(庞浩)第五章练习题参考解答说课讲解
第五章练习题参考解答练习题5.1 设消费函数为i i i i u X X Y +++=33221βββ式中，i Y 为消费支出；i X 2为个人可支配收入；i X 3为个人的流动资产；i u 为随机误差项，并且222)(,0)(i i i X u Var u E σ==（其中2σ为常数）。
试回答以下问题：(1)选用适当的变换修正异方差，要求写出变换过程；(2)写出修正异方差后的参数估计量的表达式。
5.2 根据本章第四节的对数变换，我们知道对变量取对数通常能降低异方差性，但须对这种模型的随机误差项的性质给予足够的关注。
例如，设模型为u X Y 21ββ=，对该模型中的变量取对数后得如下形式u X Y ln ln ln ln 21++=ββ(1)如果u ln 要有零期望值，u 的分布应该是什么？ (2)如果1)(=u E ，会不会0)(ln =u E ？为什么？ (3)如果)(ln u E 不为零，怎样才能使它等于零？5.3 由表中给出消费Y 与收入X 的数据，试根据所给数据资料完成以下问题： （1）估计回归模型u X Y ++=21ββ中的未知参数1β和2β，并写出样本回归模型的书写格式；（2）试用Goldfeld-Quandt 法和White 法检验模型的异方差性； （3）选用合适的方法修正异方差。
Y X Y X Y X 55 80 152 220 95 140 65 100 144 210 108 145 70 85 175 245 113 150 801101802601101607912013519012516584115140205115180981301782651301859514019127013519090125137230120200759018925014020574105558014021011016070851522201131507590140225125165651001372301081457410514524011518080110175245140225841151892501202007912018026014524090125178265130185981301912705.4由表中给出1985年我国北方几个省市农业总产值，农用化肥量、农用水利、农业劳动力、每日生产性固定生产原值以及农机动力数据，要求：（1）试建立我国北方地区农业产出线性模型；（2）选用适当的方法检验模型中是否存在异方差；（3）如果存在异方差，采用适当的方法加以修正。
计量经济学课后答案第四、五章（内容参考）
计量经济学课后答案第四、五章（内容参考）第四章随机解释变量问题1. 随机解释变量的来源有哪些?答：随机解释变量的来源有：经济变量的不可控，使得解释变量观测值具有随机性；由于随机干扰项中包括了模型略去的解释变量，而略去的解释变量与模型中的解释变量往往是相关的；模型中含有被解释变量的滞后项，而被解释变量本身就是随机的。
2．随机解释变量有几种情形? 分情形说明随机解释变量对最小二乘估计的影响与后果?答：随机解释变量有三种情形，不同情形下最小二乘估计的影响和后果也不同。
(1)解释变量是随机的，但与随机干扰项不相关；这时采用OLS估计得到的参数估计量仍为无偏估计量；(2)解释变量与随机干扰项同期无关、不同期相关；这时OLS估计得到的参数估计量是有偏但一致的估计量；(3)解释变量与随机干扰项同期相关；这时OLS估计得到的参数估计量是有偏且非一致的估计量。
3. 选择作为工具变量的变量必须满足那些条件?答：选择作为工具变量的变量需满足以下三个条件：(1)与所替代的随机解释变量高度相关；(2)与随机干扰项不相关；(3)与模型中其他解释变量不相关，以避免出现多重共线性。
4．对模型Y t =β+β1X1t+β2X2t+β3Yt-1+μt假设Yt-1与μt相关。
为了消除该相关性，采用工具变量法：先求Y t关于X1t与 X2t回归，得到Yt，再做如下回归：Y t =β+β1X1t+β2X2t+β3Y t?1-+μt试问：这一方法能否消除原模型中Yt的相关性? 为什么?解答：能消除。
在基本假设下，X1t，X2t与μt应是不相关的，由此知，由X1t 与X2t估计出的Yt应与μt不相关。
5．对于一元回归模型Y t =β+β1Xt*+μt假设解释变量Xt *的实测值Xt与之有偏误：Xt= Xt*+et,其中et是具有零均值、无序列相关，且与Xt不相关的随机变量。
试问：(1) 能否将X t= X t*+e t代入原模型，使之变换成Y t=β0+β1X t+νt后进行估计? 其中，νt为变换后模型的随机干扰项。
【最新试题库含答案】庞皓计量经济学课后答案第五章_0
庞皓计量经济学课后答案第五章：篇一：庞皓计量经济学课后答案第五章统计学2班第四次作业1、Yi??1??2X2i??3X3i??i2⑴?Var(?i)??2X2i 用1乘以式子的两边得： X2i?Yi?X?X???1?22i?33i?i 令?i?i，此时Var(?i)为同方差：X2iX2iX2iX2iX2iX2iVar(?i)?Var(⑵根据最小二乘原理，使得加权的残差平方和最小，使得w2i? ?iX2i)?11222Var(?)??X??i2i22X2iX2i1即： X2i????X???X) min?w2iei2?min?w2i(Yi??122i33i??*???*???*?12233??2W???2i**2****yi*x2i???W2ix3i????W2iyix3i???W2ix2ix3i? ??W2i*22i2ix???W*22i3ix????W**22i2i3ixx???3W???**2****yi*x3i???W2ix2i????W2iyix2i???W2ix2ix3i? ??W2i*22i2ix???W*22i3ix????W,**22i2i3ixx?其中：*2?WXW2i2i,*3?WXW2i2i3i*?WYW2i2ii**x2i?X2i?2** x3i?X3i?3y*?Yi?*2、⑴模型：Y??1??2X??估计如下：?1?9.347522,?2?0.637069Y?9.347522?0.637069X（3.638437）（0.019903）t（2.569104）（32.00881）R2?0.946423 F=1024.564⑵①Goldfeld-Quandt法:首先对数据根据X做递增排序处理。
本题中，样本容量n=60.删除其中10个观测值。
剩余部分平分成两个样本区间：1-25,36-60，他们的样本个数为25，即n1?n2?25。
样本区间为1-25的回归估计结果样本区间为36-60的回归估计结果从上面两表中可以得到残差平方和22，e?724.4861e?1i?2i?2863.140，F统计量为：?eF?e22i21i?2863.140?3.952724.4861两个残差平方和的自由度均为25，在给定的显著水平α=0.05下，F0.05（25,25）=1.955. 因为F=3.952 F0.05（25,25）=1.955，所以拒绝原假设，表明模型确实存在异方差。
计量经济学第五章练习题及参考解答
计量经济学第五章练习题及参考解答第五章练习题及参考解答5.1 设消费函数为i i i iu X X Y +++=33221βββ 式中，i Y 为消费支出；i X 2为个人可支配收入；i X3为个人的流动资产；iu 为随机误差项，并且222)(,0)(i i i X u Var u E σ==（其中2σ为常数）。
试解答以下问题：(1)选用适当的变换修正异方差，要求写出变换过程；(2)写出修正异方差后的参数估计量的表达式。
练习题5.1参考解答：（1）因为22()i i f X X =，所以取221i i W X =，用2iW 乘给定模型两端，得312322221i i i i i i i Y X u X X X X βββ=+++ 上述模型的随机误差项的方差为一固定常数，即22221()()i i i i u Var Var u X X σ==（2）根据加权最小二乘法，可得修正异方差后的参数估计式为***12233ˆˆˆY X X βββ=--()()()()()()()***2****22232322322*2*2**2223223ˆi i i i i i i i i i i i i i i i i i W y x W x W y x W x x W x W x W x x β-=-∑∑∑∑∑∑∑()()()()()()()***2****23222222332*2*2**2223223ˆi i i i i i i i i i i i i i i i i i W y x W x W y x W x x W x W x W x x β-=-∑∑∑∑∑∑∑其中22232***23222,,ii ii i ii i iW XW X W Y X X Y W W W ===∑∑∑∑∑∑******222333i i i i i x X X x X X y Y Y =-=-=-5.2 下表是消费Y 与收入X 的数据，试根据所给数据资料完成以下问题：（1）估计回归模型u X Y ++=21ββ中的未知参数1β和2β，并写出样本回归模型的书写格式；（2）试用Goldfeld-Quandt 法和White 法检验模型的异方差性；（3）选用合适的方法修正异方差。
计量经济学答案5-9章
计量经济学答案5-9章CHAPTER 5SOLUTIONS TO PROBLEMS5.1 Write y + x1 + u, and take the expected value: Ey? ?+ Ex1?+ Eu, or μy? ?+ μx since Eu 0, where μy Ey and μx? Ex1We can rewrite this as ? μy?- μxNow, ?Taking the plim of this we have plim? plim? ? plim?? plimplim? μy? μx, where we use the fact that plim? μy?and plim? μx by the law of large numbers, and plim? We have also used the parts of Property PLIM.2 from Appendix C.5.2 A higher tolerance of risk means more willingness to invest in the stock market, so ? 0By assumption, funds and risktol are positively correlatedNow we use equation 5.5, where 1? 0: plim? ?+ 1? , so has a positive inconsistency asymptotic biasThis makes sense: if we omit risktol from the regression and it is positively correlated with funds, some of the estimated effect of funds is actually due to the effect of risktol.5.3 The variable cigs has nothing close to a normal distribution in the populationMost people do not smoke, so cigs? 0 for over half of the populationA normally distributed random variable takes on no particular value with positive probabilityFurther, the distribution of cigs isskewed, whereas a normal random variable must be symmetric about its mean.5.4 Write y + x?+ u, and take the expected value: Ey? ?+ Ex?+ Eu, or μy? ?+ μx, since Eu? 0, where ?μy? Ey and μx? ExWe can rewrite this as ? μy? μxNow, ?Taking the plim of this we have plim? plim? ? plim?? plimplim? μy? μx, where we use the fact that plim? μy and plim? μx by the law of large numbers, and plim? We have also used the parts of the Property PLIM.2 from Appendix C.CHAPTER 6SOLUTIONS TO PROBLEMS6.1 The generality is not necessaryThe t statistic on roe2 is only about .30, which shows that roe2 is very statistically insignificantPlus, having the squared term has only a minor effect on the slope even for large values of roeThe approximate slope is .021500016 roe, and even when roe? 25?? about one standard deviation above the average roe in the sample ? the slope is .211, as compared with .215 at roe? 0.6.2 By definition of the OLS regression of c0yi on c1xi1, , ckxik, i? 2, , n, the solve [We obtain these from equations 3.13, where we plug in the scaled dependent and independent variables.] We now show that if ? and ? , j? 1,…,k, then the se k?+ 1 first order conditions are satisfied, which proves the result because we know that the OLS estimates are the unique solutions to the FOCs once we rule out perfect collinearity in the independent variablesPlugging in these guesses for the gives theexpressionsfor j 1,2,…,kSimple cancellation shows we can write these equations asandor, factoring out constants,and, j 1, 2,But the terms multiplying c0 and c0cj are identically zero by the first order conditions for the since, by definition, they are obtained from the regression yi on xi1, , xik, i? 1,2,..,nSo we have shown that ? c0 and ? c0/cj , j? 1, , k solve the requisite first order conditions.6.3 i The turnaround point is given by /2||, or .0003/.000000014? 21,428.57; remember, this is sales in millions of dollarsii ProbablyIts t statistic is about ?1.89, which is significant against the one-sided alternative H0: ? 0 at the 5% level cv? ?1.70 with df? 29In fact, the p-value is about .036iii Because sales gets divided by 1,000 to obtain salesbil, the corresponding coefficient gets multiplied by 1,000: 1,000.00030? .30The standard error gets multiplied by the same factorAs stated in the hint, salesbil2? sales/1,000,000, and so the coefficient on the quadratic gets multiplied by one million: 1,000,000.0000000070? .0070; its standard error also gets multiplied by one millionNothing happens to the intercept because rdintens has not been rescaled or to the R2:2.613 + .30 salesbil ? .0070 salesbil20.429.14.0037n 32, R2 .1484iv The equation in part iii is easier to read because it contains fewer zeros to the right of the decimalOf course the interpretation of the two equations is identical once the different scales are accounted for.6.4 i Holding all other factors fixed we haveDividing both sides by ?educ gives the resultThe sign of is not obvious, although ? 0 if we think a child gets more out of another year of education the more highly educated are the child’s parentsii We use the values pareduc? 32 and pareduc? 24 to interpret the coefficient on educpareducThe difference in the estimated return to education is .0007832?? 24? .0062, or about .62 percentage pointsiii When we add pareduc by itself, the coefficient on the interaction term is negativeThe t statistic on educpareduc is about ?1.33, which is not significant at the 10% level against a two-sided alternativeNote that the coefficient on pareduc is significant at the 5% level against a two-sided alternativeThis provides a good example of how omitting a level effect pareduc in this case can lead to biased estimation of the interaction effect.6.5 This would make little sensePerformances on math and science exams are measures of outputs of the educational process, and we would like to know how various educational inputs and school characteristics affect math and science scoresFor example, if the staff-to-pupil ratiohas an effect on both exam scores, why would we want to hold performance on the science test fixed while studying the effects of staff on the math pass rateThis would be an example of controlling for too many factors in a regression equationThe variable scill could be a dependent variable in an identical regression equation.6.6 The extended model has df? 680?? 9? 671, and we are testing two restrictionsTherefore, F? [.232?? .229/1?? .232]671/2? 1.31, which is well below the 10% critical value in the F distribution with 2 and df: cv? 2.30Thus, atndrte2 and ACTatndrte are jointly insignificantBecause adding these terms complicates the model without statistical justification, we would not include them in the final model.6.7 The second equation is clearly preferred, as its adjusted R-squared is notably larger than that in the other two equationsThe second equation contains the same number of estimated parameters as the first, and the one fewer than the thirdThe second equation is also easier to interpret than the third.6.8 i The answer is not entire obvious, but one must properly interpret the coefficient on alcohol in either caseIf we include attend, then we are measuring the effect of alcohol consumption on college GPA, holding attendance fixedBecause attendance is likely to be an important mechanism through which drinking affects performance, we probably do not want to hold it fixed in the analysisIf we do include attend, then we interpretthe estimate of as being those effects on colGPA that are not due to attending classFor example, we could be measuring the effects that drinking alcohol has on study time. To get a total effect of alcohol consumption, we would leave attend outii We would want to include SAT and hsGPA as controls, as these measure student abilities and motivationDrinking behavior in college could be correlated with one’s performance in high school and on standardized testsOther factors, such as family background, would also be good controls.CHAPTER 7SOLUTIONS TO PROBLEMS7.1 i The coefficient on male is 87.75, so a man is estimated to sleep almost one and one-half hours more per week than a comparable womanFurther, tmale? 87.75/34.33 2.56, which is close to the 1% critical value against a two-sided alternative about 2.58Thus, the evidence for a gender differential is fairly strongii The t statistic on totwrk is .163/.018 9.06, which is very statistically significantThe coefficient implies that one more hour of work 60 minutes is associated with .16360 9.8 minutes less sleepiii To obtain , the R-squared from the restricted regression, we need to estimate the model without age and age2When age and age2? are both in the model, age has no effect only if the parameters on both terms are zero.7.2 i If cigs? 10 then ? .004410? .044, which means about a 4.4%lower birth weightii A white child is estimated to weigh about 5.5% more, other factors in the first equation fixedFurther, twhite 4.23, which is well above any commonly used critical valueThus, the difference between white and nonwhite babies is also statistically significantiii If the mother has one more year of education, the child’s birth weight is estimated to be .3% higherThis is not a huge effect, and the t statistic is only one, so it is not statistically significantiv The two regressions use different sets of observationsThe second regression uses fewer observations because motheduc or fatheduc are missing for some observationsWe would have to reestimate the first equation and obtain the R-squared using the same observations used to estimate the second equation.7.3 i The t statistic on hsize2 is over four in absolute value, so there is very strong evidence that it belongs in the equationWe obtain this by finding the turnaround point; this is the value of hsize that imizes other things fixed: 19.3/22.19 4.41Because hsize is measured in hundreds, the optimal size of graduating class is about 441ii This is given by the coefficient on female since black? 0: nonblack females have SAT scores about 45 points lower than nonblack malesThe t statistic is about ?10.51, so the difference is very statistically significantThe very large sample size certainly contributes to the statistical significance.iii Because female? 0, the coefficient on black implies that a blackmale has an estimated SAT score almost 170 points less than a comparable nonblack maleThe t statistic is over 13 in absolute value, so we easily reject the hypothesis that there is no ceteris paribus differenceiv We plug in black? 1, female? 1 for black females and black? 0 and female?1 for nonblack femalesThe difference is therefore ?169.81?+ 62.31? 107.50Because the estimate depends on two coefficients, we cannot construct a t statistic from the information givenThe easiest approach is to define dummy variables for three of the four race/gender categories and choose nonblack females as the base groupWe can then obtain the t statistic we want as the coefficient on the black female dummy variable.7.4 i The approximate difference is just the coefficient on utility times 100, or ?28.3%The t statistic is .283/.099 2.86, which is very statistically significantii 100[exp.283?? 1 24.7%, and so the estimate is somewhat smaller in magnitudeiii The proportionate difference is .181158? .023, or about 2.3%One equation that can be estimated to obtain the standard error of this difference islogsalary + logsales + roe + consprod + utility +trans + u,where trans is a dummy variable for the transportation industryNow, the base group is finance, and so the coefficient directly measures the difference between the consumer products and finance industries, and we can use the t statistic on consprod.7.5 i Following the hint, + 1?? noPC?+ hsGPA?+ ACT? ?+ ? noPC?+hsGPA?+ ACTFor the specific estimates in equation 7.6, ? 1.26 and ? .157, so the new intercept is 1.26 + .157? 1.417The coefficient on noPC is ?.157ii Nothing happens to the R-squaredUsing noPC in place of PC is simply a different way of including the same information on PC ownershipiii It makes no sense to include both dummy variables in the regression: we cannot hold noPC fixed while changing PCWe have only two groups based on PC ownership so, in addition to the overall intercept, we need only to include one dummy variableIf we try to include both along with an intercept we have perfect multicollinearity the dummy variable trap.7.6 In Section 3.3 ? in particular, in the discussion surrounding Table 3.2?? we discussed how to determine the direction of bias in the OLS estimators when an important variable ability, in this case has been omitted from the regressionAs we discussed there, Table 3.2 only strictly holds with a single explanatory variable included in the regression, but we often ignore the presence of other independent variables and use this table as a rough guideOr, we can use the results of Problem 3.10 for a more precise analysis. If less able workers are more likely to receive training, then train and u are negatively correlatedIf we ignore the presence of educ and exper, or at least assume that train and u are negatively correlated after netting out educ and exper, then we can use Table 3.2: the OLS estimator of with ability in the error term has adownward biasBecause we think0, we are less likely to conclude that the training program was effectiveIntuitively, this makes sense: if those chosen for training had not received training, they would have lowers wages, on average, than the control group.7.7 i Write the population model underlying 7.29 asinlf + nwifeinc + educ + exper +exper2 + age+ kidslt6 + kidsage6 + u,plug in inlf? 1?? outlf, and rearrange:1 ? outlf + nwifeinc + educ + exper +exper2 + age+ kidslt6 + kidsage6 + u,oroutlf 1 nwifeinc educ experexper2 agekidslt6 kidsage6 u,The new error term, u, has the same properties as uFrom this we see that if we regress outlf on all of the independent variables in 7.29, the new intercept is 1586? .414 and each slope coefficient takes on the opposite sign from when inlf is the dependent variableFor example, the new coefficient on educ is .038 while the new coefficient on kidslt6 is .262ii The standard errors will not changeIn the case of the slopes, changing the signs of the estimators does not change their variances, and therefore the standard errors are unchanged but the t statistics change signAlso, Var1? ? Var, so the standard error of the intercept is the sameas beforeiii We know that changing the units of measurement of independent variables, or entering qualitative information using different sets of dummy variables, does not change the R-squaredBut here we are changing the dependent variableNevertheless, the R-squareds from the regressions are still the sameTo see this, part i suggests that the squared residuals will be identical in the two regressionsFor each i the error in the equation for outlfi is just the negative of the error in the other equation for inlfi, and the same is true of the residualsTherefore, the SSRs are the sameFurther, in this case, the total sum of squares are the sameFor outlf we haveSST ,which is the SST for inlfBecause R2? 1?? SSR/SST, the R-squared is the same in the two regressions.7.8 i We want to have a constant semi-elasticity model, so a standard wage equation with marijuana usage included would belogwage + usage + educ + exper + exper2 + female + u.Then 100 is the approximate percentage change in wage when marijuana usage increases by one time per monthii We would add an interaction term in female and usage:logwage + usage + educ + exper + exper2 + female+ femaleusage + u.The null hypothesis that the effect of marijuana usage does not differby gender is H0: ? 0iii We take the base group to be nonuserThen we need dummy variables for the other three groups: lghtuser, moduser, and hvyuserAssuming no interactive effect with gender, the model would belogwage + lghtuser + moduser + hvyuser + educ + exper + exper2 + female + uiv The null hypothesis is H0: 0, 0, 0, for a total of q? 3 restrictionsIf n is the sample size, the df in the unrestricted model ? the denominator df in the F distribution ? is n?? 8So we would obtain the critical value from the Fq,n-8 distributionv The error term could contain factors, such as family background including parental history of drug abuse that could directly affect wages and also be correlated with marijuana usageWe are interested in the effects of a person’s drug usage on his or her wage, so we would like to hold other confounding factors fixedWe could try to collect data on relevant background information.7.9 i Plugging in u 0 and d 1 givesii Setting gives or Therefore, provided , we have Clearly, is positive if and only if is negative, which means must have opposite signsiii Using part ii we have yearsiv The estimated years of college where women catch up to men is much too high to be practically relevantWhile the estimated coefficient on shows that the gap is reduced at higher levels of college, it is never closed ? not even closeIn fact, at four years of college, the difference in predicted log wage is still , or about 21.1% less for women.CHAPTER 8SOLUTIONS TO PROBLEMS8.1 Parts ii and iiiThe homoskedasticity assumption played no role in Chapter 5 in showing that OLS is consistentBut we know that heteroskedasticity causes statistical inference based on the usual t and F statistics to be invalid, even in large samplesAs heteroskedasticity is a violation of the Gauss-Markov assumptions, OLS is no longer BLUE.8.2 With Varu|inc,price,educ,female? 2inc2, hx? inc2, where hx is the heteroskedasticity function defined in equation 8.21Therefore, inc, and so the transformed equation is obtained by dividing the original equation by inc:Notice that , which is the slope on inc in the original model, is now a constant in the transformed equationThis is simply a consequence of the form of the heteroskedasticity and the functional forms of the explanatory variables in the original equation.8.3 FalseThe unbiasedness of WLS and OLS hinges crucially on Assumption MLR.4, and, as we know from Chapter 4, this assumption is often violated when an important variable is omittedWhen MLR.4 does not hold, both WLS and OLS are biasedWithout specific information on how the omitted variable is correlated with the included explanatory variables, it is not possible to determine which estimator has a small biasIt is possible that WLS would have more bias than OLS or less biasBecause we cannot know, we should not claim to use WLS in order to solve “biases” associated withOLS.8.4 i These coefficients have the anticipated signsIf a studenttakes courses where grades are, on average, higher ? as reflected by hig。
计量经济学练习题答案(第五章)
5_3(1)由OLS 估计参数，及假设检验结果如下：Variable Coefficient Std. Error t-Statistic Prob. C 242.4488 291.1940 0.832602 0.4119 R-squared0.895260 Mean dependent var 4443.526 Adjusted R-squared 0.891649 S.D. dependent var 1972.072 S.E. of regression 649.1426 Akaike info criterion 15.85152 Sum squared resid 12220196 Schwarz criterion 15.94404 Log likelihood -243.6986 F-statistic 247.8769 Durbin-Watson stat1.078581 Prob(F-statistic)0.000000(2)由x-y 图，初步判断无明显的异方差。
由残差图，发现残差在x 方向上一定差异，可能会有异方差。
Golddfeid-quanadt 检验：首先，以解释变量x 作为关键词，对x-y 升序排列。
取1~12作为第一样本，20~31作为20004000600080001000012000200040006000800010000XY200000040000006000000200040006000800010000X(R E S I D )^2第二样本。
接着，分别对第一样本和第二样本作为回归。
第一样本回归结果Variable Coefficient Std. Error t-Statistic Prob.C -550.5492 1220.063 -0.451247 0.6614X 1.485296 0.500386 2.968297 0.0141 R-squared 0.468390 Mean dependent var 3052.950Adjusted R-squared 0.415229 S.D. dependent var 550.5148S.E. of regression 420.9803 Akaike info criterion 15.07406Sum squared resid 1772245. Schwarz criterion 15.15488Log likelihood -88.44437 F-statistic 8.810789Durbin-Watson stat 2.354167 Prob(F-statistic) 0.014087Variable Coefficient Std. Error t-Statistic Prob.C 1173.307 733.2520 1.600141 0.1407X 1.086940 0.148863 7.301623 0.0000R-squared 0.842056 Mean dependent var 6188.329Adjusted R-squared 0.826262 S.D. dependent var 2133.692S.E. of regression 889.3633 Akaike info criterion 16.56990Sum squared resid 7909670. Schwarz criterion 16.65072Log likelihood -97.41940 F-statistic 53.31370Durbin-Watson stat 2.339767 Prob(F-statistic) 0.000026构造最后，由于在自由度分别为10和10下的置信水平95%的临界值为2.98<4.46,所以可以认为存在异方差。
计量经济学 第五章习题答案
第五章异方差性5.2答案：（1）EVIEWS估计的结果为：Yˆi= 9.3475+0.6371X iT=(2.5691) (32.0088)R2 =0.9464 F=1024.564（2）首先，用Goldfeld-Quandt法进行检验。
将样本X按递减顺序排序，去掉中间1/4的样本，再分为两个部分的样本，即N1=N2=22。
分别对两个部分样本求最小二乘估计，在样本区为1—22的Eviews估计如下：样本区39—60的Eviews估计如下：得到两个部分各自的残差平方和，即∑e 12 =2495.840∑e 22 =603.0148求F 统计量为： F=∑∑e e 2221=2495.840/603.0148=4.1390给定α=0.05，查F 分布表，得临界值为F 0.05=(20,20)=2.12.比较临界值与F 统计量值，有F =4.1390>F 0.05=(20,20)=2.12，说明该模型的随机误差项存在异方差。
其次，用White 法进行检验结果如下：给定α=0.05，在自由度为2下查卡方分布表，得χ2=5.9915。
比较临界值与卡方统计量值，即nR2=10.8640>χ2=5.9915，同样说明模型中的随机误差项存在异方差。
（2）用权数W1=1/X，作加权最小二乘估计，得如下结果用White法进行检验得如下结果：F-statistic 3.138491 Probability 0.050925Obs*R-squared 5.951910 Probability 0.050999。
比较临界值与卡方统计量值，即nR2=5.9519<χ2=5.9915，说明加权后的模型中的随机误差项不存在异方差。
其估计的结果为：Yˆi= 10.3705+0.6309X iT=(3.9436) (34.0467)R2 =0.21144 F=1159.176 DW=0.95855.3答案：（1）EVIEWS估计结果：Yˆi= 179.1916+0.7195X iT=(0.808709) (15.74411)R2 =0.895260 F=247.8769 DW=1.461684 （2）利用White方法检验异方差，则White检验结果见下表：由上述结果可知，该模型存在异方差。
计量经济学第五章 练习题
一、单项选择题1. 某商品需求函数为u x b b yii i++=10，其中y 为需求量，x 为价格。
为了考虑“地区”（农村、城市）和“季节”（春、夏、秋、冬）两个因素的影响，拟引入虚拟变量，则应引入虚拟变量的个数为（ ）。
A.2B.4C.5D.62. 根据样本资料建立某消费函数如下：x D t t tC 45.035.5550.100ˆ++=，其中C 为消费，x 为收入，虚拟变量⎩⎨⎧=农村家庭城镇家庭01ˆD ，所有参数均检验显著，则城镇家庭的消费函数为( )。
A.x t tC 45.085.155ˆ+= B.x t tC 45.050.100ˆ+= C.x t tC 35.5550.100ˆ+= D.x t tC 35.5595.100ˆ+= 3设消费函数为u x b x b a a y ii i i D D +∙+++=1010，其中虚拟变量D=⎩⎨⎧农村家庭城镇家庭01，当统计检验表明下列哪项成立时，表示城镇家庭与农村家庭有一样的消费行为（ ）。
A.0,011==b aB.0,011≠=b aC.0,011=≠b aD.0,011≠≠b a4. 设消费函数u x a a y ii i b D +++=10，其中虚拟变量⎩⎨⎧= 01南方北方D ，如果统计检验表明01≠α成立，则北方的消费函数与南方的消费函数是（ ）。
A.相互平行的B.相互垂直的C.相互交叉的D.相互重叠的5. 假定月收入水平在1000元以内时，居民边际消费倾向维持在某一水平，当月收入水平达到或超过1000元时，边际消费倾向将明显下降，则描述消费（C ）依收入（I ）变动的线性关系宜采用（ ）。
A.⎩⎨⎧≥=+∙++=元元1000110000,210I I D D u I b I b a C t t t tB.⎩⎨⎧≥=+++=元元1000110000,210I I D D u I b b a C t t tC.元1000,)(**10=+-+=Iu I I b a C t t t D.u I I b I b a C t t t t D +-++=)(*210，D 、I *同上6. 下列属于有限分布滞后模型的是( )。
计量经济学作业第5章(含答案)
第章习题一、单项选择题．对于一个含有截距项的计量经济模型，若某定性因素有个互斥的类型，为将其引入模型中，则需要引入虚拟变量个数为（）. . ..．在经济发展发生转折时期，可以通过引入虚拟变量方法来表示这种变化。
例如，研究中国城镇居民消费函数时。
年前后，城镇居民商品性实际支出对实际可支配收入的回归关系明显不同。
现以年为转折时期，设虚拟变量，数据散点图显示消费函数发生了结构性变化：基本消费部分下降了，边际消费倾向变大了。
则城镇居民线性消费函数的理论方程可以写作（）. .. .．对于有限分布滞后模型在一定条件下，参数可近似用一个关于的阿尔蒙多项式表示（），其中多项式的阶数必须满足（）．．．．．对于有限分布滞后模型，解释变量的滞后长度每增加一期，可利用的样本数据就会( ). 增加个 . 减少个 . 增加个 . 减少个．经济变量的时间序列数据大多存在序列相关性，在分布滞后模型中，这种序列相关性就转化为（）．异方差问题 . 多重共线性问题．序列相关性问题 . 设定误差问题．将一年四个季度对因变量的影响引入到模型中（含截距项），则需要引入虚拟变量的个数为（ ）. . . .．若想考察某两个地区的平均消费水平是否存在显著差异，则下列那个模型比较适合（代表消费支出；代表可支配收入；、表示虚拟变量） （ ） . ...二、多项选择题 ．以下变量中可以作为解释变量的有 （ ）. 外生变量 . 滞后内生变量 . 虚拟变量. 先决变量 . 内生变量 ．关于衣着消费支出模型为：，其中为衣着方面的年度支出；为收入， ⎩⎨⎧=女性男性102i D ； ⎩⎨⎧=大学毕业及以上其他103i D则关于模型中的参数下列说法正确的是（ ） .表示在保持其他条件不变时，女性比男性在衣着消费支出方面多支出（或少支出）差额 .表示在保持其他条件不变时，大学毕业及以上比其他学历者在衣着消费支出方面多支出（或少支出）差额 .表示在保持其他条件不变时，女性大学及以上文凭者比男性和大学以下文凭者在衣着消费支出方面多支出（或少支出）差额 . 表示在保持其他条件不变时，女性比男性大学以下文凭者在衣着消费支出方面多支出（或少支出）差额 . 表示性别和学历两种属性变量对衣着消费支出的交互影响三、判断题．通过虚拟变量将属性因素引入计量经济模型，引入虚拟变量的个数与样本容量大小有关。
计量经济学第五章练习题及参考解答
第五章练习题及参考解答设消费函数为i i i i u X X Y +++=33221βββ式中，i Y 为消费支出；i X 2为个人可支配收入；i X 3为个人的流动资产；i u 为随机误差项，并且222)(,0)(i i i X u Var u E σ==（其中2σ为常数）。
试解答以下问题：()选用适当的变换修正异方差，要求写出变换过程；()写出修正异方差后的参数估计量的表达式。
练习题参考解答：（）因为22()i i f X X =，所以取221i iW X =，用2i W 乘给定模型两端，得 312322221i i iii i i Y X u X X X X βββ=+++ 上述模型的随机误差项的方差为一固定常数，即22221()()i i i iu Var Var u X X σ==（）根据加权最小二乘法，可得修正异方差后的参数估计式为***12233ˆˆˆY X X βββ=--()()()()()()()***2****22232322322*2*2**2223223ˆii i i i i i i i i i i ii ii i iW y x W x W y x W x x W xW xW x xβ-=-∑∑∑∑∑∑∑()()()()()()()***2****23222222332*2*2**2223223ˆii i i i i i i i i i i ii ii i iW y x W x W y x W x x WxWxWx xβ-=-∑∑∑∑∑∑∑其中22232***23222,,i ii ii i iiiW X W XW Y X X Y WWW ===∑∑∑∑∑∑******222333i i i i i x X X x X X y Y Y =-=-=-下表是消费与收入的数据，试根据所给数据资料完成以下问题：（）估计回归模型u X Y ++=21ββ中的未知参数1β和2β，并写出样本回归模型的书写格式；（）试用法和法检验模型的异方差性； （）选用合适的方法修正异方差。
最新计量经济学作业第5章(含答案)
第5章习题一、单项选择题1．对于一个含有截距项的计量经济模型，若某定性因素有m个互斥的类型，为将其引入模型中，则需要引入虚拟变量个数为（）A. mB. m-1C. m+1D. m-k2．在经济发展发生转折时期，可以通过引入虚拟变量方法来表示这种变化。
例如，研究中国城镇居民消费函数时。
1991年前后，城镇居民商品性实际支出Y 对实际可支配收入X的回归关系明显不同。
现以1991年为转折时期，设虚拟变量，数据散点图显示消费函数发生了结构性变化：基本消费部分下降了，边际消费倾向变大了。
则城镇居民线性消费函数的理论方程可以写作（）A. B.C. D. 3．对于有限分布滞后模型在一定条件下，参数可近似用一个关于的阿尔蒙多项式表示（），其中多项式的阶数m必须满足（）A． B． C．D．4．对于有限分布滞后模型，解释变量的滞后长度每增加一期，可利用的样本数据就会( )A. 增加1个B. 减少1个C. 增加2个D. 减少2个5．经济变量的时间序列数据大多存在序列相关性，在分布滞后模型中，这种序列相关性就转化为（）A．异方差问题 B. 多重共线性问题C．序列相关性问题 D. 设定误差问题6．将一年四个季度对因变量的影响引入到模型中（含截距项），则需要引入虚拟变量的个数为（）A. 4B. 3C.2 D. 17．若想考察某两个地区的平均消费水平是否存在显著差异，则下列那个模型比较适合（Y代表消费支出；X代表可支配收入；D2、D3表示虚拟变量）（）A. B.C. D.二、多项选择题1．以下变量中可以作为解释变量的有（）A. 外生变量B. 滞后内生变量C. 虚拟变量D. 先决变量E. 内生变量2．关于衣着消费支出模型为：，其中Y i 为衣着方面的年度支出；Xi为收入，⎩⎨⎧=女性男性12iD；⎩⎨⎧=大学毕业及以上其他13iD则关于模型中的参数下列说法正确的是（）A.表示在保持其他条件不变时，女性比男性在衣着消费支出方面多支出（或少支出）差额B.表示在保持其他条件不变时，大学毕业及以上比其他学历者在衣着消费支出方面多支出（或少支出）差额C.表示在保持其他条件不变时，女性大学及以上文凭者比男性和大学以下文凭者在衣着消费支出方面多支出（或少支出）差额D. 表示在保持其他条件不变时，女性比男性大学以下文凭者在衣着消费支出方面多支出（或少支出）差额E. 表示性别和学历两种属性变量对衣着消费支出的交互影响三、判断题1．通过虚拟变量将属性因素引入计量经济模型，引入虚拟变量的个数与样本容量大小有关。
计量经济学(庞浩主编)第五章练习题参考解答
第五章练习题参考解答练习题5.1 设消费函数为ii i i u X X Y +++=33221βββ式中，为消费支出；为个人可支配收入；为个人的流动资产；为随机误差i Y i X 2i X 3i u 项，并且（其中为常数）。
试回答以下问题：222)(,0)(i i i X u Var u E σ==2σ (1)选用适当的变换修正异方差，要求写出变换过程；(2)写出修正异方差后的参数估计量的表达式。
5.2 根据本章第四节的对数变换，我们知道对变量取对数通常能降低异方差性，但须对这种模型的随机误差项的性质给予足够的关注。
例如，设模型为，对u X Y 21ββ=该模型中的变量取对数后得如下形式u X Y ln ln ln ln 21++=ββ(1)如果要有零期望值，的分布应该是什么？u ln u (2)如果，会不会？为什么？1)(=u E 0)(ln =u E (3)如果不为零，怎样才能使它等于零？)(ln u E 5.3 由表中给出消费Y 与收入X 的数据，试根据所给数据资料完成以下问题：（1）估计回归模型中的未知参数和，并写出样本回归模u X Y ++=21ββ1β2β型的书写格式；（2）试用Goldfeld-Quandt 法和White 法检验模型的异方差性；（3）选用合适的方法修正异方差。
YXYXYX558015222095140651001442101081457085175245113150801101802601101607912013519012516584115140205115180981301782651301859514019127013519090125137230120200759018925014020574105558014021011016070851522201131507590140225125165651001372301081457410514524011518080110175245140225841151892501202007912018026014524090125178265130185981301912705.4由表中给出1985年我国北方几个省市农业总产值，农用化肥量、农用水利、农业劳动力、每日生产性固定生产原值以及农机动力数据，要求：（1）试建立我国北方地区农业产出线性模型；（2）选用适当的方法检验模型中是否存在异方差；（3）如果存在异方差，采用适当的方法加以修正。
计量经济学 第三版 (潘省初 著) 人民大学出版社 课后答案--第5章_课后答案
这是因为变量有效灌溉面积、施肥量与播种面积间有较强的相关性，所以方程 存在多重共线性。现在我们看看各解释变量间的相关性，相关系数矩阵如下：
案 网
X1
1 0.896 0.880 0.715
X2
0.896 1
X3
0.880
后 答
0.895 1
da
0.883 1
0.895
0.685
我们可以通过对变量 X2 的变换来消除多重共线性。 令 X22＝X2/X3 （公斤/亩） ， 这样就大大降低了施肥量与面积之间的相关性，用变量 X22 代替 X2，对模型重 新回归，结果如下：
解决办法：从模型中去掉解释变量 A，就消除了完全多重共线性问题。 5.7 （1）若采用普通最小二乘法估计销售量对广告宣传费用的回归方程，则系
2
kh
da
课
后 答
w.
案 网
co
m
1.543＜DW´= 1.75 ＜2
数的估计量是无偏的，但不再是有效的，也不是一致的。 （2）应用 GLS 法。设原模型为 y i 0 1 xi u i （1）
行了实验。
（2）结果基本相同。第二个模型三个参数中的两个的标准误差比第一个模型低， 可以认为是改善了第一个模型存在的异方差性问题。 5.11 我们有
用自由度（25，25）查 F 表，5％显著性水平下，临界值为：Fc＝1.97。 因为F＝2.5454>Fc＝1.97，故拒绝原假设原假设H 0 ： 1 3 。
t： (11.45) (74.82)
DW=1.15
DW=1.15，查表（n=19,k=1,α=5%）得d L =1.18。 DW=1.15＜1.18
C t -ρC t-1 = α(1-ρ)+β(Y t -ρY t-1 )+（u t -ρu t -1 ）
《计量经济学》第五章精选题及答案
第五章 异方差二、简答题1．异方差的存在对下面各项有何影响？ （1）OLS 估计量及其方差； （2）置信区间；（3）显著性t 检验和F 检验的使用。
2．产生异方差的经济背景是什么？检验异方差的方法思路是什么？3．从直观上解释，当存在异方差时，加权最小二乘法（WLS ）优于OLS 法。
4．下列异方差检查方法的逻辑关系是什么？ （1）图示法 （2）Park 检验 （3）White 检验5．在一元线性回归函数中，假设误差方差有如下结构：()i i i x E 22σε=如何变换模型以达到同方差的目的？我们将如何估计变换后的模型？请列出估计步骤。
三、计算题1．考虑如下两个回归方程（根据1946—1975年美国数据）（括号中给出的是标准差）：t t t D GNP C 4398.0624.019.26-+= e s ：（2.73）（0.0060） （0.0736）R ²=0.999t t t GNP D GNP GNP C ⎥⎦⎤⎢⎣⎡-+=⎥⎦⎤⎢⎣⎡4315.06246.0192.25 e s ： （2.22） （0.0068）（0.0597）R ²=0.875式中，C 为总私人消费支出；GNP 为国民生产总值；D 为国防支出；t 为时间。
研究的目的是确定国防支出对经济中其他支出的影响。
（1）将第一个方程变换为第二个方程的原因是什么？（2）如果变换的目的是为了消除或者减弱异方差，那么我们对误差项要做哪些假设？ （3）如果存在异方差，是否已成功地消除异方差？请说明原因。
（4）变换后的回归方程是否一定要通过原点？为什么？ （5）能否将两个回归方程中的R ²加以比较？为什么？2．1964年，对9966名经济学家的调查数据如下：资料来源：“The Structure of Economists’ Employment and Salaries”, Committee on the National Science Foundation Report on the Economics Profession, American Economics Review, vol.55, No.4, December 1965.（1）建立适当的模型解释平均工资与年龄间的关系。
计量经济学第五六章作业
各地区农村居民家庭人均纯收入与家庭人均生活消费支出的数据(单位：元)（1）试根据上述数据建立2007年我国农村居民家庭人均消费支出对人均纯收入的线性回归模型。
（2）选用适当方法检验模型是否在异方差，并说明存在异方差的理由。
（3）如果存在异方差，用适当方法加以修正。
答：散点图线性回归分析图由图建立样本回归函数X̂=+R2= F=由图形法可看出残差平方随x i的变动呈增大趋势,但还需进一步检验.White检验由上述结果可知,该模型存在异方差,理由是从数据可看出一是截面数据,看出各省市经济发展不平衡3)用加权最小二乘法修正,选用权数w1=1x ,w2=x,w3=1x2.则散点图回归结果Goldfield-quanadt检验F==所以模型存在异方差t检验，F检验显著y î=+x it=（）（）R2=，DW= ,F=剔除价格变动因素后的回归结果如下下表是北京市连续19年城镇居民家庭人均收入与人均支出的数据。
表略（1）建立居民收入—消费函数；残差图2ˆ79.9300.690(6.38)(12.399)(0.013)(6.446)(53.621)0.9940.575t t Y X Se t R DW =+====（2）检验模型中存在的问题，并采取适当的补救措施预以处理；（２）DW ＝，取%5=α，查DW 上下界18.1,40.1,18.1<==DW d d U L ，说明误差项存在正自相关（3）对模型结果进行经济解释。
采用科克伦奥科特迭代法广义差分因此，原回归模型应为t t X Y 669.0985.104+=其经济意义为:北京市人均实际收入增加1元时，平均说来人均实际生活消费支出将增加元。
.为了探讨股票市场繁荣程度与宏观经济运行情况之间的关系，取股票价格指数与GDP 开展探讨，表为美国1981-2006年股票价格指数（y ）和国内生产总值GDP （x ）的数据。
估计回归模型y_t=β_1+β_2 X_t+µ_t检验（1）中模型是否存在自相关，若存在，用广义差分法消除自相关最小二乘法估计回归模型为Y t̂=3002527+X tSe=t=R2= F= DW= (2)LM=T R2=26*=P值为t检验和F检验不可信。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
计量经济学作业第5章(含答案)
第5章习题
一、单项选择题
1．对于一个含有截距项的计量经济模型，若某定性因素有m个互斥的类型，为将其引入模型中，则需要引入虚拟变量个数为（）
A. m
B. m-1
C. m+1
D. m-k
2．在经济发展发生转折时期，可以通过引入虚拟变量方法来表示这种变化。
例如，研究中国城镇居民消费函数时。
1991年前后，城镇居民商品性实际支出Y 对实际可支配收入X的回归关系明显不同。
现以1991年为转折时期，设虚拟变
量，数据散点图显示消费函数发生了结构性变化：基本消费部分下降了，边际消费倾向变大了。
则城镇居民线性消费函数的理论方程可以写作（）
A. B.
C. D.
3．对于有限分布滞后模型
在一定条件下，参数可近似用一个关于的阿尔蒙多项式表示（），其中多项式的阶数m必须满足（）
A． B． C．
D．
4．对于有限分布滞后模型，解释变量的滞后长度每增加一期，可利用的样本数据就会( )
A. 增加1个
B. 减少1个
C. 增加2个
D. 减少2个
5．经济变量的时间序列数据大多存在序列相关性，在分布滞后模型中，这种序列相关性就转化为（）
A．异方差问题 B. 多重共线性问题
C．序列相关性问题 D. 设定误差问题
6．将一年四个季度对因变量的影响引入到模型中（含截距项），则需要引入虚拟变量的个数为（）
A. 4
B. 3
C.
2 D. 1
7．若想考察某两个地区的平均消费水平是否存在显著差异，则下列那个模型比
较适合（Y代表消费支出；X代表可支配收入；D
2、D
3
表示虚拟变量）（）
A. B.
C. D.
二、多项选择题
1．以下变量中可以作为解释变量的有（）
A. 外生变量
B. 滞后内生变量
C. 虚拟变量
D. 先决变量
E. 内生变量
2．关于衣着消费支出模型为：，其中
Y i 为衣着方面的年度支出；X
i
为收入，
⎩
⎨
⎧
=女性
男性
1
2i
D；
⎩
⎨
⎧
=大学毕业及以上
其他
1
3i
D
则关于模型中的参数下列说法正确的是（）
A.表示在保持其他条件不变时，女性比男性在衣着消费支出方面多支出（或少支出）差额
B.表示在保持其他条件不变时，大学毕业及以上比其他学历者在衣着消费支出方面多支出（或少支出）差额
C.表示在保持其他条件不变时，女性大学及以上文凭者比男性和大学以下文凭者在衣着消费支出方面多支出（或少支出）差额
D. 表示在保持其他条件不变时，女性比男性大学以下文凭者在衣着消费支出方面多支出（或少支出）差额
E. 表示性别和学历两种属性变量对衣着消费支出的交互影响
三、判断题
1．通过虚拟变量将属性因素引入计量经济模型，引入虚拟变量的个数与样本容量大小有关。
2．虚拟变量的取值只能取0或1。
3．通过虚拟变量将属性因素引入计量经济模型，引入虚拟变量的个数与模型有无截距项无关。
四、问答题
1．Sen和Srivastava（1971）在研究贫富国之间期望寿命的差异时，利用101个国家的数据，建立了如下的回归模型（括号内的数值为对应参数估计值t值）：
其中：X是以美元计的人均收入；Y是以年计的期望寿命。
Sen和Srivastava 认为人均收入的临界值为1097美元（），若人均收入超过1097美元，则被认定为富国；若人均收入低于1097美元，被认定为贫穷国。
（1）解释这些计算结果。
（2）回归方程中引入的原因是什么？如何解释这个回归解释变量？
（3）如何对贫穷国进行回归？又如何对富国进行回归？
2．当模型中出现随机解释变量时，最小二乘估计量具有什么特征
五、计算题
已知某企业工业增加值Q（万元，当年价），职工人数L（人），固定资产净值＋流动资金净值K（万元），数据见下表。
年份Q L K
1980 157 232 194
1981 158 290 179
1982 153 306 223
1983 171 295 229
1984 210 308 403
1985 279 561 756
1986 347 485 1225
1987 428 538 1748
1988 871 826 2165
1989 1071 541 2801
1990 1382 550 3120
1991 1535 959 3732 1992 1887 1453 4802 1993 2585 1460 5655 1994 4974 1960 7396 1995 9840 2613 11919 （1）建立C－D函数，用各种统计量检验估计结果。
（2）解释各参数估计值的经济意义，并说明此企业的规模效益如何。
参考答案
一、单项选择题
1．B 2．D 3．A 4．B 5．B 6．B 7．D
二、多项选择题
1．ABCDE （参见第六章P190）2．ABCE
三、判断题
1．错误。
引入虚拟变量的个数与样本容量大小无关，与变量属性，模型有无截距项有关。
2．错误。
虚拟变量的取值是人为设定的，也可以取其它值。
3．错误。
模型有截距项时，如果被考察的定性因素有m个相互排斥属性，则模型中引入m－1个虚拟变量，否则会陷入“虚拟变量陷阱”；模型无截距项时，若被考察的定性因素有m个相互排斥属性，可以引入m个虚拟变量，这时不会出现多重共线性。
四、问答题
1．答：（1）由，也就是说，人均收入每增加2.7183倍，平均意义上各国的期望寿命会增加9.39岁。
若当为富国时，，则平均意义上，富国的人均收入每增加2.7183倍，其期望寿命就会减少3.36岁，但其截距项的水平会增加23.52，达到21.12的水平。
但从统计检验结果看，对数人均收入lnX对期望寿命Y的影响并不显著。
方程的拟合情况良好，可进一步进行多重共线性等其他计量经济学的检验。
（2）若代表富国，则引入的原因是想从截距和斜率两个
方面考证富国的影响，其中，富国的截距为，斜率为
，因此，当富国的人均收入每增加2.7183倍，其期望寿命会增加6.03岁。
（3）对于贫穷国，设定，则引入的虚拟解释变量的形式为；对于富国，回归模型形式不变。
即产出的资本弹性为0.5151，代表技术进步因素的参数A＝0.0975。
1β＋2β＝0.7961+0.5151=1.3112>1，说明此企业的规模报酬是递增的，可以继续扩大生产规模。