斯托克、沃森着《计量经济学》(第二版)答案
计量经济学第二版第三章课后习题答案
（1）设家庭书刊消费的计量经济模型是如下：i i i iT X Y μβββ+++=321Y 为家庭书刊年消费支出、X 为家庭月平均收入、T 为户主受教育年数 （2）根据样本数据估计模型的参数，结果：i iT Xi Y 37031.5208645.00164.50++-=∧（） （） （）t=R 2=0.951235 944732.02=R F=(3) 检验户主受教育年数对家庭书刊消费是否有显著影响:由估计检验结果, 户主受教育年数参数对应的t 统计量为, 大于t 的临界值0.025(183) 2.131t -=，户主受教育年数参数所对应的P 值为，小于0.05α=，可判断户主受教育年数对家庭书刊消费支出有显著影响。
（4）本模型说明家庭月平均收入和户主受教育年数对家庭书刊消费支出有显著影响，家庭月平均收入增加1元，家庭书刊年消费支出将增加元，户主受教育年数增加1年，家庭书刊年消费支出将增加元。
（1）设回归模型为：t t t t X X Y μβββ+++=33221对模型参数进行估计，根据回归结果得：t t t X X Y 32480675.1393115.1105975.7+-=t=R 2=0.872759 847311.02=R F= SE= DW=模型估计表明：在预期通货膨胀率不变的情况下，失业率每增长1个百分点，实际通货膨胀率平均降低个百分点；在失业率不变的情况下，预期通货膨胀率每增长1个百分点，实际通货膨胀率平均增长个百分点。
这与理论分析和经验判断一致。
（2）统计检验t 检验:给定显著性水平0.05α=，查表得0.025(10) 2.228t =，与123ˆˆˆβββ、、对应的t 统计量分别为、、，其绝对值均大于0.025(10) 2.228t =，说明应拒绝原假设0j H 0(j 1,2,3)β==：。
在其他解释变量不变的情况下，“失业率”和“预期通货膨胀率”分别对被解释变量“实际通货膨胀率”有显著影响。
斯托克、沃森着《计量经济学》第二章
Chapter 2. Review of Probability2.1 Random Variables and Probability Distributions概率Probability：在大量重复实验下，事件发生的频率趋向的某个稳定值。
例如，记事件“下雨”为A，其发生的概率为P()A。
条件概率Conditional Probability ：例：已知明天会出太阳，下雨的概率有多大？记事件“出太阳”为B 。
则在出太阳的前提条件下降雨的“条件概率”（conditional probability ）为，P()P()P()A B A B B ∩≡其中，“∩”表示事件的交集（intersection ），故P()A B ∩为“太阳雨”的概率，参见图2.1。
条件概率是计量经济学的重要概念之一。
图2.1、条件概率示意图独立事件Independence ：如果条件概率等于无条件概率，即P()P()A B A =，即B 是否发生不影响A 的发生，则称,A B 为相互独立的随机事件。
此时，P()P()P()P()A B A B A B ∩≡=，故P()P()P()A B A B ∩=也可以将此式作为独立事件的定义。
全概公式如果事件组{}12,,,(2)n B B B n ≥ 两两互不相容，()0(1,,)i P B i n >∀= ，且12n B B B ∪∪∪ 为必然事件（即在12,,,n B B B 中必然有某个i B 发生，“∪”表示事件的并集，union ），则对任何事件A 都有（无论A 与{}12,,,n B B B 是否有任何关系），1P()P()P()ni i i A B A B ==∑全概公式把世界分成了n 个可能的情形，再把每种情况下的条件概率“加权平均”而汇总成无条件概率（权重为每种情形发生的概率）。
该公式有助于理解后面的迭代期望定律。
离散型随机变量Discrete Random Variable ：假设随机变量X 的可能取值为{}12,,,,k x x x ，其对应的概率为{}12,,,,k p p p ，即(P )k k p X x ≡=，则称X 为离散型随机变量，其分布律可以表示为，1212k k X x x x pp p p其中，0k p ≥，1kkp=∑。
计量经济学第二版课后习题答案1-8章 - 编辑版
练习题2.1 参考解答:计算中国货币供应量(以货币与准货币M2表示)与国内生产总值(GDP)的相关系数为:计算方法: XY n X Y X Y r -=或,()()X Y X X Y Y r --=计算结果:M2GDPM2 10.996426148646GDP0.9964261486461经济意义: 这说明中国货币供应量与国内生产总值(GDP)的线性相关系数为0.996426,线性相关程度相当高。
练习题2.2参考解答美国软饮料公司的广告费用X 与销售数量Y 的散点图为说明美国软饮料公司的广告费用X 与销售数量Y 正线性相关。
相关系数为：说明美国软饮料公司的广告费用X 与销售数量Y 的正相关程度相当高。
若以销售数量Y 为被解释变量,以广告费用X 为解释变量,可建立线性回归模型 i i i u X Y ++=21ββ 利用EViews 估计其参数结果为经t 检验表明, 广告费用X 对美国软饮料公司的销售数量Y 确有显著影响。
回归结果表明，广告费用X 每增加1百万美元, 平均说来软饮料公司的销售数量将增加14.40359(百万箱)。
练习题2.3参考解答: 1、 建立深圳地方预算内财政收入对GDP 的回归模型，建立EViews 文件，利用地方预算内财政收入（Y ）和GDP 的数据表，作散点图可看出地方预算内财政收入（Y ）和GDP 的关系近似直线关系，可建立线性回归模型： t t t u GDP Y ++=21ββ 利用EViews 估计其参数结果为即 ˆ20.46110.0850t tY GDP =+ （9.8674） (0.0033)t=(2.0736) (26.1038) R 2=0.9771 F=681.4064经检验说明,深圳市的GDP 对地方财政收入确有显著影响。
20.9771R =，说明GDP 解释了地方财政收入变动的近98%，模型拟合程度较好。
模型说明当GDP 每增长1亿元时，平均说来地方财政收入将增长0.0850亿元。
计量经济学习题及全部答案
计量经济学习题一一、判断正误1．在研究经济变量之间的非确定性关系时,回归分析是唯一可用的分析方法; 2．最小二乘法进行参数估计的基本原理是使残差平方和最小;3．无论回归模型中包括多少个解释变量,总离差平方和的自由度总为n -1; 4．当我们说估计的回归系数在统计上是显着的,意思是说它显着地异于0; 5．总离差平方和TSS 可分解为残差平方和ESS 与回归平方和RSS 之和,其中残差平方和ESS 表示总离差平方和中可由样本回归直线解释的部分; 6．多元线性回归模型的F 检验和t 检验是一致的;7．当存在严重的多重共线性时,普通最小二乘估计往往会低估参数估计量的方差; 8．如果随机误差项的方差随解释变量变化而变化,则线性回归模型存在随机误差项的自相关;9．在存在异方差的情况下,会对回归模型的正确建立和统计推断带来严重后果; 10．..DW 检验只能检验一阶自相关; 二、单选题1．样本回归函数方程的表达式为 ;A ．i Y =01i i X u ββ++B ．(/)i E Y X =01i X ββ+C ．i Y =01ˆˆi i X e ββ++D ．ˆi Y =01ˆˆiX ββ+ 2．下图中“｛”所指的距离是 ;A ．随机干扰项B ．残差C ．i Y 的离差D ．ˆiY 的离差 3．在总体回归方程(/)E Y X =01X ββ+中,1β表示 ;A ．当X 增加一个单位时,Y 增加1β个单位B ．当X 增加一个单位时,Y 平均增加1β个单位C ．当Y 增加一个单位时,X 增加1β个单位D ．当Y 增加一个单位时,X 平均增加1β个单位 4．可决系数2R 是指 ;A ．剩余平方和占总离差平方和的比重B ．总离差平方和占回归平方和的比重C ．回归平方和占总离差平方和的比重D ．回归平方和占剩余平方和的比重 5．已知含有截距项的三元线性回归模型估计的残差平方和为2i e ∑=800,估计用的样本容量为24,则随机误差项i u 的方差估计量为 ;A ．B ．40C ．D ．6．设k 为回归模型中的参数个数不包括截距项,n 为样本容量,ESS 为残差平方和,RSS 为回归平方和;则对总体回归模型进行显着性检验时构造的F 统计量为 ;A ．F =RSSTSSB ．F =/(1)RSS k ESS n k --C ．F =/1(1)RSS k TSS n k --- D ．F =ESSTSS7．对于模型i Y =01ˆˆi iX e ββ++,以ρ表示i e 与1i e -之间的线性相关系数2,3,,t n =,则下面明显错误的是 ;A ．ρ=,..DW =B ．ρ=-,..DW =-C ．ρ=0,..DW =2D ．ρ=1,..DW =08．在线性回归模型 011...3i i k ki i Y X X u k βββ=++++≥；如果231X X X =-,则表明模型中存在 ;A ．异方差B ．多重共线性C ．自相关D ．模型误设定9．根据样本资料建立某消费函数 i Y =01i i X u ββ++,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 ．610．某商品需求函数为ˆi C =100.5055.350.45i i D X ++,其中C 为消费,X 为收入,虚拟变量10D ⎧=⎨⎩城镇家庭农村家庭,所有参数均检验显着,则城镇家庭的消费函数为 ;A ．ˆi C =155.850.45i X +B ．ˆiC =100.500.45i X + C ．ˆi C =100.5055.35i X +D ．ˆiC =100.9555.35i X + 三、多选题1．一元线性回归模型i Y =01i i X u ββ++的基本假定包括 ;A ．()i E u =0B ．()i Var u =2σ常数C ．(,)i j Cov u u =0 ()i j ≠D ．(0,1)iu NE ．X 为非随机变量,且(,)i i Cov X u =02．由回归直线ˆi Y =01ˆˆi X ββ+估计出来的ˆiY ; A ．是一组平均数 B ．是实际观测值i Y 的估计值 C ．是实际观测值i Y 均值的估计值 D ．可能等于实际观测值i Y E ．与实际观测值i Y 之差的代数和等于零 3．异方差的检验方法有A ．图示检验法B ．Glejser 检验C ．White 检验D ．..DW 检验E ．Goldfeld Quandt -检验4．下列哪些非线性模型可以通过变量替换转化为线性模型 ;A ．i Y =201i i X u ββ++B ．1/i Y =01(1/)i i X u ββ++C ．ln i Y =01ln i i X u ββ++D ．i Y =iui i AK L e αβE ．i Y =1122012iiX X i e e u ββααα+++5．在线性模型中引入虚拟变量,可以反映 ;A ．截距项变动B ．斜率变动C ．斜率与截距项同时变动D ．分段回归E ．以上都可以 四、简答题1．随机干扰项主要包括哪些因素它和残差之间的区别是什么2．简述为什么要对参数进行显着性检验试说明参数显着性检验的过程;3．简述序列相关性检验方法的共同思路; 五、计算分析题1．下表是某次线性回归的EViews 输出结果,根据所学知识求出被略去部分的值用大写字母标示,并写出过程保留3位小数;Dependent Variable: Y Method: Least Squares Included observations: 132．用Goldfeld Quandt -方法检验下列模型是否存在异方差;模型形式如下：i Y =0112233 i i i i X X X u ββββ++++其中样本容量n =40,按i X 从小到大排序后,去掉中间10个样本,并对余下的样本按i X 的大小等分为两组,分别作回归,得到两个残差平方和1ESS =、2ESS =,写出检验步骤α=;F 分布百分位表α=3．有人用广东省1978—2005年的财政收入AV 作为因变量,用三次产业增加值作为自变量,进行了三元线性回归;第一产业增加值——1VAD ,第二产业增加值——2VAD ,第三产业增加值——3VAD ,结果为：AV =12335.1160.0280.0480.228VAD VAD VAD +-+2R =,F =- ..DW =试简要分析回归结果; 五、证明题求证：一元线性回归模型因变量模拟值ˆi Y 的平均值等于实际观测值i Y 的平均值,即ˆiY =i Y ; 计量经济学习题二一、判断正误正确划“√”,错误划“×” 1．残差剩余项i e 的均值e =()i e n ∑=0;2．所谓OLS 估计量的无偏性,是指参数估计量的数学期望等于各自的真值; 3．样本可决系数高的回归方程一定比样本可决系数低的回归方程更能说明解释变量对被解释变量的解释能力;4．多元线性回归模型中解释变量个数为k ,则对回归参数进行显着性检验的t 统计量的自由度一定是1n k --;5．对应于自变量的每一个观察值,利用样本回归函数可以求出因变量的真实值; 6．若回归模型存在异方差问题,可以使用加权最小二乘法进行修正;7．根据最小二乘估计,我们可以得到总体回归方程;8．当用于检验回归方程显着性的F 统计量与检验单个系数显着性的t 统计量结果矛盾时,可以认为出现了严重的多重共线性9．线性回归模型中的“线性”主要是指回归模型中的参数是线性的,而变量则不一定是线性的;10．一般情况下,用线性回归模型进行预测时,单个值预测与均值预测相等,且置信区间也相同; 二、单选题1．针对同一经济指标在不同时间发生的结果进行记录的数据称为A ．面板数据B ．截面数据C ．时间序列数据D ．以上都不是 2．下图中“｛”所指的距离是A ．随机干扰项B ．残差C ．i Y 的离差D ．ˆiY 的离差 3．在模型i Y =01ln i i X u ββ++中,参数1β的含义是A ．X 的绝对量变化,引起Y 的绝对量变化B ．Y 关于X 的边际变化C ．X 的相对变化,引起Y 的平均值绝对量变化D ．Y 关于X 的弹性4．已知含有截距项的三元线性回归模型估计的残差平方和为2i e ∑=90,估计用的样本容量为19,则随机误差项i u 方差的估计量为A ．B ．6C ．D ．55．已知某一线性回归方程的样本可决系数为,则解释变量与被解释变量间的相关系数为A ．B ．0.8C ．D ．6．用一组有20个观测值的样本估计模型i Y =01i i X u ββ++,在的显着性水平下对1β的显着性作t 检验,则1β显着异于零的条件是对应t 统计量的取值大于 A ．0.05(20)t B ．0.025(20)t C ．0.05(18)t D ．0.025(18)t7．对于模型i Y =01122ˆˆˆˆi ik ki iX X X e ββββ+++++,统计量22ˆ()/ˆ()/(1)ii i Y Y kY Y n k ----∑∑服从A ．()t n k -B ．(1)t n k --C ．(1,)F k n k --D ．(,1)F k n k --8．如果样本回归模型残差的一阶自相关系数ρ为零,那么..DW 统计量的值近似等于 ;A ．1B ．2C ．4D ．9．根据样本资料建立某消费函数如下i Y =01i i X u ββ++,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 ．610．设消费函数为i C =012i i i i X D X u βββ+++,其中C 为消费,X 为收入,虚拟变量10D ⎧=⎨⎩城镇家庭农村家庭,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具有同样的消费行为A ．1β=0,2β=0B ．1β=0,2β≠0C ．1β≠0,2β=0D ．1β≠0,2β≠0 三、多选题1．以i Y 表示实际观测值,ˆiY 表示用OLS 法回归后的模拟值,i e 表示残差,则回归直线满足A ．通过样本均值点(,)X YB ．2ˆ()i iY Y -∑=0 C ．(,)i i Cov X e =0 D ．i Y ∑=ˆiY ∑ E ．i i e X ∑=0 2．对满足所有假定条件的模型i Y =01122i i i X X u βββ+++进行总体显着性检验,如果检验结果显示总体线性关系显着,则可能出现的情况包括A ．1β=2β=0B ．10β≠,2β=0C ．10β≠,20β≠D ．1β=0,20β≠E ．1β=2β≠0 3．下列选项中,哪些方法可以用来检验多重共线性 ;A ．Glejser 检验B ．两个解释变量间的相关性检验C ．参数估计值的经济检验D ．参数估计值的统计检验E ．..DW 检验 4．线性回归模型存在异方差时,对于回归参数的估计与检验正确的表述包括A ．OLS 参数估计量仍具有线性性B ．OLS 参数估计量仍具有无偏性C ．OLS 参数估计量不再具有效性即不再具有最小方差D ．一定会低估参数估计值的方差5．关于虚拟变量设置原则,下列表述正确的有A ．当定性因素有m 个类型时,引入1m -个虚拟变量B．当定性因素有m个类型时,引入m个虚拟变量会产生多重共线性问题C．虚拟变量的值只能取0和1D．在虚拟变量的设置中,基础类别一般取值为0E．以上说法都正确四、简答题1．简述计量经济学研究问题的方法;2．简述异方差性检验方法的共同思路;3．简述多重共线性的危害;五、计算分析题1．下表是某次线性回归的EViews输出结果,被略去部分数值用大写字母标示,根据所学知识解答下列各题计算过程保留3位小数;本题12分Dependent Variable: YMethod: Least SquaresIncluded observations: 181求出A 、B 的值;2求TSS2．有人用美国1960-1995年36年间个人实际可支配收入X 和个人实际消费支出Y 的数据单位：百亿美元建立收入—消费模型 i Y =01i i X u ββ++,估计结果如下：ˆiY =9.4290.936i X -+ t ：2R = ,F = ,..DW =1检验收入—消费模型的自相关状况5%显着水平； 2用适当的方法消除模型中存在的问题; 五、证明题证明：用于多元线性回归方程显着性检验的F 统计量与可决系数2R 满足如下关系： 计量经济学习题三 一、判断对错1、在研究经济变量之间的非确定性关系时,回归分析是惟一可用的分析方法;2、对应于自变量的每一个观察值,利用样本回归函数可以求出因变量的真实值;DW 检验临界值表α=3、OLS 回归方法的基本准则是使残差平方和最小;4、在存在异方差的情况下,OLS 法总是高估了估计量的标准差;5、无论回归模型中包括多少个解释变量,总离差平方和的自由度总为n -1;6、线性回归分析中的“线性”主要是指回归模型中的参数是线性的,而变量则不一定是线性的;7、当我们说估计的回归系数在统计上是显着的,意思是说它显着异于0; 8、总离差平方和TSS 可分解为残差平方ESS 和与回归平方和RSS,其中残差平方ESS 表示总离差平方和可由样本回归直线解释的部分;9、所谓OLS 估计量的无偏性,是指回归参数的估计值与真实值相等; 10、当模型中解释变量均为确定性变量时,则可以用DW 统计量来检验模型的随机误差项所有形式的自相关性;二、单项选择1、回归直线t ^Y =0ˆβ+1ˆβX t 必然会通过点 A 、0,0； B 、_X ,_Y ；C 、_X ,0；D 、0,_Y ;2、针对经济指标在同一时间所发生结果进行记录的数据列,称为 A 、面板数据；B 、截面数据；C 、时间序列数据；D 、时间数据;3、如果样本回归模型残差的一阶自相关系数ρ接近于0,那么DW 统计量的值近似等于 A 、0 B 、1 C 、2 D 、44、若回归模型的随机误差项存在自相关,则参数的OLS 估计量A 、无偏且有效B 、有偏且非有效C 、有偏但有效D 、无偏但非有效 5、下列哪一种检验方法不能用于异方差检验A、戈德菲尔德－夸特检验；B、DW检验；C、White检验；D、戈里瑟检验;6、当多元回归模型中的解释变量存在完全多重共线性时,下列哪一种情况会发生A、OLS估计量仍然满足无偏性和有效性；B、OLS估计量是无偏的,但非有效；C、OLS估计量有偏且非有效；D、无法求出OLS估计量;7、DW检验法适用于的检验A、一阶自相关B、高阶自相关C、多重共线性 D都不是8、在随机误差项的一阶自相关检验中,若DW＝,给定显着性水平下的临界值d L=,d U=,则由此可以判断随机误差项A、存在正自相关B、存在负自相关C、不存在自相关D、无法判断9、在多元线性线性回归模型中,解释变量的个数越多,则可决系数R2A、越大；B、越小；C、不会变化；D、无法确定10、在某线性回归方程的估计结果中,若残差平方和为10,回归平方和为40,则回归方程的拟合优度为A、 B、 C、 D、无法计算;三、简答与计算1、多元线性回归模型的基本假设有哪些2、计量经济模型中的随机误差项主要包含哪些因素3、简答经典单方程计量模型的异方差性概念、后果以及修正方法;4、简述方程显着性检验F检验与变量显着性检验t检验的区别;5、对于一个三元线性回归模型,已知可决系数R2=,方差分析表的部份结果如下：1样本容量是多少2总离差平方和TSS为多少3残差平方和ESS为多少4回归平方和RSS和残差平方和ESS的自由度各为多少5求方程总体显着性检验的F统计量；四、案例分析下表是中国某地人均可支配收入INCOME与储蓄SAVE之间的回归分析结果单位：元：Dependent Variable: SAVEMethod: Least SquaresSample: 1 31Included observations: 31Variable CoefficientStd.Errort-Statistic Prob.CINCOME――――R-squared Mean dependent var AdjustedR-squared. dependent var. of regression Akaike info criterionSum squared resid1778097Schwarz criterion.Log likelihood F-statisticDurbin-Watsonstat ProbF-statistic1、请写出样本回归方程表达式,然后分析自变量回归系数的经济含义2、解释样本可决系数的含义3、写出t检验的含义和步骤,并在5%的显着性水平下对自变量的回归系数进行t 检验临界值: 29=;4、下表给出了White异方差检验结果,试在5%的显着性水平下判断随机误差项是否存在异方差;5、下表给出LM序列相关检验结果滞后1期,试在5%的显着性水平下判断随机误差项是否存在一阶自相关;计量经济学习题四一、判断对错1、一般情况下,在用线性回归模型进行预测时,个值预测与均值预测结果相等,且它们的置信区间也相同;2、对于模型Yi =β+β1X1i+β2X2i+……+βkXki+μi,i=1,2, ……,n；如果X2=X5+X6, 则模型必然存在解释变量的多重共线性问题;3、OLS回归方法的基本准则是使残差项之和最小;4、在随机误差项存在正自相关的情况下,OLS法总是低估了估计量的标准差;5、无论回归模型中包括多少个解释变量,总离差平方和的自由度总为n-1;6、一元线性回归模型的F检验和t检验是一致的;7、如果随机误差项的方差随解释变量变化而变化,则线性回归模型存在随机误差项的序列相关;8、在近似多重共线性下,只要模型满足OLS的基本假定,则回归系数的最小二乘估计量仍然是一BLUE估计量;9、所谓参数估计量的线性性,是指参数估计量是解释变量的线性组合;10、拟合优度的测量指标是可决系数R2或调整过的可决系数,R2越大,说明回归方程对样本的拟合程度越高;二、单项选择1．在多元线性回归模型中,若两个自变量之间的相关系数接近于1,则在回归分析中需要注意模型的问题;A、自相关；B、异方差；C、模型设定偏误；D、多重共线性;2、在异方差的众多检验方法中,既能判断随机误差项是否存在异方差,又能给出异方差具体存在形式的检验方法是A、图式检验法；B、DW检验；C、戈里瑟检验；D、White检验;3、如果样本回归模型残差的一阶自相关系数ρ接近于1,那么DW统计量的值近似等于A、0B、1C、2D、44、若回归模型的随机误差项存在异方差,则参数的OLS估计量A、无偏且有效B、无偏但非有效C、有偏但有效D、有偏且非有效5、下列哪一个方法是用于补救随机误差项自相关问题的A、OLS；B、ILS；C、WLS；D、GLS;6、计量经济学的应用不包括：A、预测未来；B、政策评价；C、创建经济理论；D、结构分析;7、LM检验法适用于的检验A、异方差；B、自相关；C、多重共线性； D都不是8、在随机误差项的一阶自相关检验中,若DW＝,给定显着性水平下的临界值d L=,d U=,则由此可以判断随机误差项A、存在正自相关B、存在负自相关C、不存在自相关D、无法判断9、在多元线性线性回归模型中,解释变量的个数越多,则调整可决系数2RA、越大；B、越小；C、不会变化；D、无法确定10、在某线性回归方程的估计结果中,若残差平方和为10,总离差平方和为100,则回归方程的拟合优度为A、；B、；C、；D、无法计算;三、简答与计算1、多元线性回归模型的基本假设有哪些2、简述计量经济研究的基本步骤3、简答经典单方程计量模型自相关概念、后果以及修正方法;4、简述对多元回归模型01122...i i i k ki i Y X X X u ββββ=+++++进行显着性检验F 检验的基本步骤5、对于一个五元线性回归模型,已知可决系数R 2=,方差分析表的部份结果如下：1样本容量是多少2回归平方和RSS 为多少3残差平方和ESS 为多少 4回归平方和RSS 和总离差平方和TSS 的自由度各为多少 5求方程总体显着性检验的F 统计量；四、实验下表是某国1967－1985年间GDP 与出口额EXPORT 之间的回归分析结果单位：亿美元：Dependent Variable: EXPORT Method: Least Squares Sample: 1967 1985Included observations: 19VariableCoefficientStd. Errort-Statist icProb. CGDP――――R-squaredMean dependent varAdjusted R-squared. dependent var. of regressionAkaike infocriterionSum squared residSchwarz criterion Log likelihoodF-statisticDurbin-Watson statProbF-statistic1、请写出样本回归方程表达式,然后分析自变量回归系数的经济含义2、解释样本可决系数的含义3、写出t 检验的含义和步骤,并在5%的显着性水平下对自变量的回归系数进行t 检验临界值: 17=;4、下表给出了White 异方差检验结果,试在5%的显着性水平下判断随机误差项是否存在异方差;5、下表给出LM 序列相关检验结果滞后1期,试在5%的显着性水平下判断随机误差项是否存在一阶自相关;计量经济学习题五一、判断正误正确划“√”,错误划“x ”1、最小二乘法进行参数估计的基本原理是使残差平方和最小;2、一般情况下,用线性回归模型进行预测时,个值预测与均值预测相等,且置信区间也相同;3、如果随机误差项的方差随解释变量变化而变化,则线性回归模型存在随机误差项的序列相关;4、若回归模型存在异方差问题,应使用加权最小二乘法进行修正;5、多元线性回归模型的F 检验和t 检验是一致的;6、DW 检验只能检验随机误差项是否存在一阶自相关;7、总离差平方和TSS 可分解为残差平方RSS 和与回归平方和ESS,其中残差平方RSS 表示总离差平方和可由样本回归直线解释的部分;8、拟合优度用于检验回归方程对样本数据的拟合程度,其测量指标是可决系数或调整后的可决系数;9、对于模型011... 1,2,...,i i n ni i Y X X u i n βββ=++++=；如果231X X X =-,则模型必然存在解释变量的多重共线性问题;10、所谓OLS 估计量的无偏性,是指参数估计量的数学期望等于各自真值; 二、单项选择1、回归直线01ˆˆˆi iY X ββ=+必然会通过点A、0,0B、_X,_YC、_X,0D、0,_Y2、某线性回归方程的估计的结果,残差平方和为20,回归平方和为80,则回归方程的拟合优度为A、 B、C、 D、无法计算3、针对经济指标在同一时间所发生结果进行记录的数据列,称为A、面板数据B、截面数据C、时间序列数据D、时间数据4、对回归方程总体线性关系进行显着性检验的方法是A、Z检验B、t检验C、F检验D、预测检验5、如果DW统计量等于2,那么样本回归模型残差的一阶自相关系数ρ近似等于A、0B、-1C、1D、6、若随机误差项存在异方差,则参数的普通最小二乘估计量A、无偏且有效B、有偏且非有效C、有偏但有效D、无偏但非有效7、下列哪一种方法是用于补救随机误差项的异方差问题的A、OLS；B、ILS；C、WLSD、GLS8、如果某一线性回归方程需要考虑四个季度的变化情况,那么为此设置虚拟变量的个数为A、1B、2C、3D、49、样本可决系数R2越大,表示它对样本数据拟合得A、越好B、越差C、不能确定D、均有可能10、多元线性回归模型中,解释变量的个数越多,可决系数R2A、越大；B、越小；C、不会变化；D、无法确定三、简答题1、简述计量经济学的定义;2、多元线性回归模型的基本假设有哪些3、简答异方差概念、后果以及修正方法;4、简述t检验的目的及基本步骤;四、计算对于一个三元线性回归模型,已知可决系数20.8R ,方差分析表的部份结果如下：变差来源平方和自由度源于回归ESS 200源于残差RSS总变差TSS 221样本容量是多少2总变差TSS为多少3残差平方和RSS为多少4ESS和RSS的自由度各为多少5求方程总体显着性检验的F统计量值;计量经济学习题六-案例题一、根据美国各航空公司航班正点到达的比率X%和每10万名乘客投诉的次数Y 进行回归,EViews输出结果如下：Dependent Variable: YMethod: Least SquaresSample: 1 9Included observations: 91对以上结果进行简要分析包括方程显着性检验、参数显着性检验、DW值的评价、对斜率的解释等,显着性水平均取;2按标准书写格式写出回归结果;二、以下是某次线性回归的EViews输出结果,部分数值已略去用大写字母标示,但它们和表中其它特定数值有必然联系,分别据此求出这些数值,并写出过程;保留3位小数Dependent Variable: YMethod: Least SquaresSample: 1 13Included observations: 131求A 的值; 2求B 的值; 3求C 的值;三、用1970-1994年间日本工薪家庭实际消费支出Y 与实际可支配收入X 单位：103日元数据估计线性模型Y =01X u ββ++,然后用得到的残差序列t e 绘制以下图形; 1试根据图形分析随机误差项之间是否存在自相关若存在,是正自相关还是负自相关答：图形显示,随机误差项之间存在着相关性,且为正的自相关; 2此模型的估计结果为 试用DW 检验法检验随机误差项之间是否存在自相关;四、用一组截面数据估计消费Y —收入X 方程Y =01X u ββ++的结果为1根据回归的残差序列et 图分析本模型是否存在异方差注：abset 表示et 的绝对值;2其次,用White 法进行检验;EViews 输出结果见下表：附表：DW 检验临界值表α=White Heteroskedasticity Test:Dependent Variable: RESID^2 Method: Least Squares Sample: 1 60Included observations: 60若给定显着水平0.05α=,以上结果能否说明该模型存在异方差查卡方分布临界值的自由度是多少五、下图描述了残差序列{}t e 与其滞后一期值1{}t e -之间的散点图,试据此判断随机误差项之间是否存在自相关若存在,则是正自相关还是负自相关六、在一多元线性回归模型中,为检验解释变量之间是否存在多重共线性问题,以解释变量1x 作为被解释变量,对其余解释变量进行辅助回归,得到可决系数20.95R =;试计算变量1x 的方差扩大因子1VIF ,并根据经验判断解释变量间是否存在多重共线性问题七、下表是中国某地人均可支配收入INCOME 与储蓄SAVE 之间的回归分析结果单位：元：Sample: 1 31Included observations: 31VariableCoefficientStd. Errort-Statist ic Prob.CINCOME－－R-squaredMean dependent varAdjusted R-squared. dependent var. of regressionAkaike infocriterionSum squared resid 1778097. Schwarz criterion Log likelihoodF-statisticDurbin-Watson statProbF-statistic1、请写出样本回归方程表达式,然后分析自变量INCOME 回归系数的经济含义2、解释可决系数的含义3、若给定显着性水平5%α=,试对自变量INCOME 的回归系数进行显着性检验已知0.025(29) 2.045t =4、在5%α=的显着性水平下,查31n =的DW 临界值表得 1.363L d =, 1.496U d =,试根据回归结果判断随机误差项是否存在一阶自相关5、下表为上述回归的White 检验结果,在5%α=的显着性水平下,试根据P 值检验判断随机误差项是否存在异方差 White Heteroskedasticity Test:F-statisticProbabilityObsR-squaredProbability计量经济学习题一答案一、判断正误1． × 2． √ 3． √ 4． √ 5． × 6． × 7． ×8． × 9． √ 10． √ 二、单选题每小题分,共15分1． D ;2． B ;3． B ;4． C ;5． B ; 6． B ;7． B ;8． B ;9． B ;10． A ; 三、多选题1． ABCE 2． BCDE 3． ABCE 4． ABCD 5． ABCDE ; 四、简答题1．随机干扰项主要包括哪些因素它和残差之间的区别是什么答：随机干扰项包括的主要因素有：1众多细小因素的影响；2未知因素的影响；3数据测量误差或残缺；4模型形式不完善；5变量的内在随机性;随机误差项羽残差不同,残差是样本观测值与模拟值的差,即i e =ˆi iY Y -;残差项是随机误差项的估计;2．简述为什么要对参数进行显着性检验试说明参数显着性检验的过程;答：最小二乘法得到的回归直线是对因变量与自变量关系的一种描述,但它是不是恰当的描述呢一般会用与样本点的接近程度来判别这种描述的优劣,而当获得以上问题的肯定判断之后,还需要确定每一个参数的可靠程度,即参数本身以及对应的变量该不该保留在方程里,这就有必要进行参数的显着性检验;这种检验是确定各个参数是否显着地不等于零;检验分为三个步骤：①提出假设：原假设0:0i H β=；备择假设1:0i H β≠ ②在原假设成立的前提下构造统计量：()ˆ~(1)ˆiit t n k Se ββ=--③给定显着性水平α,查t 分布表求得临界值/2(1)t n k α--,把根据样本数据计算出的t 统计量值t *与/2(1)t n k α--比较：若/2(1)t t n k α*>--,则拒绝原假设0H ,即在给定显着性水平下,解释变量i X 对因变量有显着影响；若/2(1)t t n k α*<--,则不能拒绝原假设0H ,即在给定显着性水平下,解释变量i X 对因变量没有显着影响.3．简述序列相关性检验方法的共同思路;答：由于自相关性,使得相对于不同的样本点,随机干扰项之间存在相关关系,那么检验自相关性,首先根据OLS 法估计残差,将残差作为随机干扰项的近似估计值,然后检验这些近似估计值之间的相关性以判定随机干扰项是否存在序列相关;各种检验方法就是在这个思路下发展起来的;五、计算分析题1．下表是某次线性回归的EViews 输出结果,根据所学知识求出被略去部分的值用大写字母标示,Dependent Variable: Y Method: Least Squares Included observations: 13解：A=ˆ()Se β=ˆt β=7.10604.3903=；B=2R =211(1)1n R n k -----=1311(10.8728)1321-----=由公式2ˆσ=21ien k --∑,得C=2ie ∑=2ˆ(1)n k σ--=21.1886(1321)--=; 2．用Goldfeld Quandt -方法检验下列模型是否存在异方差;模型形式如下：i Y =0112233 i i i i X X X u ββββ++++其中样本容量n =40,按i X 从小到大排序后,去掉中间10个样本,并对余下的样本按i X 的大小等分为两组,分别作回归,得到两个残差平方和1ESS =、2ESS =,写出检验步骤α=;α。
计量经济学第二版课后习题1-14章中文版答案汇总
第四章习题 1.（1）22ˆ=TSR estScore T =520.4-5.82×22=392.36 （2）ΔTestScore=-5.82×(23-19)=-23.28即平均测试成绩所减少的分数回归预测值为23.28。
（3）core est S T =βˆ0 +βˆ1×CS =520.4-5.82×1.4=395.85 （4）SER 2=∑=-n i u n 1ˆ21i 2=11.5 ∴SSR=∑=ni u1ˆi2=SER 2×(n-2)=11.5×(100-2)=12960.5R 2=T SS ESS =1-T SSSSR =0.08∴TSS=SSR ÷(1-R 2)=12960.5÷(1-0.08)=14087.5=21)(Y ∑=-ni iY∴s Y 2=1-n 121)(Y ∑=-ni iY =14087.5÷(100-1)≈140.30∴s Y ≈11.93 2. （1）①70ˆ=Height eight W =-99.41+3.94×70=176.39 ②65ˆ=Height eight W =-99.41+3.94×65=156.69 ③74ˆ=Height eight W=-99.41+3.94×74=192.15（2）ΔWeight=3.94×1.5=5.91（3）1inch=2.54cm,1lb=0.4536kg①eight Wˆ(kg)=-99.41×0.4536+54.24536.0×94.3Height(cm)=-45.092+0.7036×Height(cm)②R 2无量纲，与计量单位无关，所以仍为0.81③SER=10.2×0.4536=4.6267kg 3.（1）①系数696.7为回归截距，决定回归线的总体水平②系数9.6为回归系数，体现年龄对周收入的影响程度，每增加1岁周收入平均增加＄9.6 （2）SER=624.1美元，其度量单位为美元。
斯托克,沃森计量经济学实证练习stata操作及答案
E4.1E4.21 jse 17 C : \ UsEiaVa sus\Deakt.op\T each! "gRat i"ca.dta172twoway scatter course_eval beauty.「，第一,可画课程评t★和萝三容能的段点匡3reg course_eval beauty, robust 匚1口5七日工山日3口七y)//第二月建立国.三.方程replace .- / -r- [H]4outreg2 asing 2 . docf5mean tiEaut”/算t：—nty的样本均值6logout, save (docJ) word replace : ir.ean beauty ;-zibeautit7sum EEautv“想计算"日口七产的标，佳差「logout, save (doc2) word replace: sum Iieauty9 sum cour s e_eva 1Z / 埴计算corn s e一sal的标准差,结合t―uty的标准差评价效应估计10 logout, save (doc3} word replace : snim. course evalE4.31 'jse :\UBErs\aEij.B\.Des]ctop\CoLLegeE'iBtanceweBt.dta"2leg ed. dist, rotoust. cluster [tlist}3 outreg'2 jsing 3 .doc, replaceE4.41 use n C:\U5er3\a3u3XDe3ktop\GEDwCh.dtfi w2twcway scatter growth tzadeshar一同绘制平启年亳长率对平均贸易额的敖卓民3leg growth cradeshare, robust 匚Luwter 111第三同建立口rmrth对七r^d巳写ti日工己的回！闩d outrea2；asina i. aoc工曰口工30■己，，.出回!3结果r5口工口口IX sun"y_n面ne=n MaJxaT"第四i司剔除马其他的数招6zegress growth tradeahare, robust cluater (trad^shmre) 」/身!除冬至.、二数书.~n^2. gi cwth^j-tr a de aha z e 的回!月~ outregS asxng 5 . doc t上三口J_me;三//导出回结果VARIABLES aheage 0.605(0.0245)Constant 1.082(0.688)Observations 7,711R-squared 0.029Robust standard errors in parentheses *** p<0.01, ** p<0.05, * p<0.11.① 截距估计值estimated intercept: 1,082② 斜率估计值estimated slope: 0,605回归方程：ahe= 1.082+0,605*age③当工人年长1岁，平均每小时工资增加0.605美元。
詹姆斯·斯托克,马克·沃森计量经济学第三章实证练习stata答案
詹姆斯·斯托克,马克·沃森计量经济学第三章实证练习stata答案⼀、Two-sample t test with equal variancesGroup Obs Mean Std.Err. Std.Dev. 95% Conf. Interval1992 7,612 11.62 0.0644 5.619 11.49 11.742012 7,440 19.80 0.124 10.69 19.56 20.04combined 15,052 15.66 0.0770 9.442 15.51 15.81diff -8,183 0.139 -8.455 -7.911 diff = mean(1992) - mean(2012) t = -58.9871Ho: diff = 0 degrees of freedom = 15050Ha: diff < 0 Ha: diff != 0 Ha: diff > 0Pr(T < t) = 0.0000 Pr(|T| > |t|) = 0.0000 Pr(T > t) = 1.0000⼆、Two-sample t test with equal variancesGroup Obs Mean Std.Err. Std.Dev. 95% Conf. Interval 1992 7,612 15.64 0.0867 7.564 15.47 15.81 2012 7,440 19.80 0.124 10.69 19.56 20.04 combined 15,052 17.69 0.0772 9.471 17.54 17.85 diff -4.164 0.151 -4.459 -3.869diff = mean(1992) - mean(2012) t = -27.6423Ho: diff = 0 degrees of freedom = 15050Ha: diff < 0 Ha: diff != 0 Ha: diff > 0Pr(T < t) = 0.0000 Pr(|T| > |t|) = 0.0000 Pr(T > t) = 1.0000三、第⼆题根据通货膨胀率进⾏了调整，反映了购买⼒的变化，所以可⽤利⽤第⼆题的结果进⾏分析。
计量经济学斯托克答案
计量经济学斯托克答案【篇一：计量经济学教材推荐】txt>【计量经济学的内容体系】古扎拉蒂《计量经济学基础》白砂堤津耶《通过例题学习计量经济学》伍德里奇《计量经济学导论：现代观点》斯托克、沃森《计量经济学导论》林文夫（fumio hayashi）《计量经济学》雨宫健（takeshi amemiya ）《高级计量经济学》李子奈、潘文卿编著《计量经济学》【计量经济学的内容体系】狭义的计量经济学以揭示经济现象中的因果关系为目的，主要应用回归分析方法。
广义的计量经济学是利用经济理论、统计学和数学定量研究经济现象的经济计量方法，除了回归分析方法，还包括投入产出分析法、时间序列分析方法等。
把计量经济学分为初级、中级、高级三个层次，初级计量经济学一般包括计量经济学所必须的基础数理统计只是和矩阵代数只是、经典的线性计量经济学模型理论与方法（以单一方程模型为主）、单方程模型的应用等内容；中级计量经济学以经典的线性计量经济学模型理论与方法及其应用为主要内容，包括单一方程模型和联立方程模型。
在应用方面，主要讨论计量经济学模型在生产、需求、消费、投资、货币需求和宏观经济系统等传统领域的应用，注重于应用过程中实际问题的处理。
在描述方法上普遍运用矩阵描述；高级计量经济学以扩展的线性模型理论与方法、非线性模型理论与方法和动态模型理论与方法，以及它们的应用为主要内容。
从研究对象和侧重点的角度讲，理论计量经济学侧重于理论与方法的数学证明与推导，与数理统计联系极为密切；应用计量经济学则以建立与应用计量经济学模型为主要内容，强调应用模型的经济学和统计学基础，侧重于建立与应用模型过程中实际问题的处理。
纵观计量经济学发展史，20世纪70年代之前发展并广泛应用的计量经济学称为经典计量经济学，其理论特征是：以经济理论为导向建立因果分析的随机模型，模型具有明确的形式和参数，模型变量之间的关系多表现为线性关系，或者可以化为线性关系，以时间序列数据或者截面数据为样本，采用最小二乘方法或者极大似然方法估计模型。
《计量经济学教程(第二版)》习题解答课后习题答案
《计量经济学（第二版）》习题解答第一章1.1 计量经济学的研究任务是什么？计量经济模型研究的经济关系有哪两个基本特征？ 答：（1）利用计量经济模型定量分析经济变量之间的随机因果关系。
（2）随机关系、因果关系。
1.2 试述计量经济学与经济学和统计学的关系。
答：（1）计量经济学与经济学：经济学为计量经济研究提供理论依据，计量经济学是对经济理论的具体应用，同时可以实证和发展经济理论。
（2）统计数据是建立和评价计量经济模型的事实依据，计量经济研究是对统计数据资源的深层开发和利用。
1.3 试分别举出三个时间序列数据和横截面数据。
1.4 试解释单方程模型和联立方程模型的概念，并举例说明两者之间的联系与区别。
1.5 试结合一个具体经济问题说明计量经济研究的步骤。
1.6 计量经济模型主要有哪些用途？试举例说明。
1.7 下列设定的计量经济模型是否合理，为什么？（1）ε++=∑=31i iiGDP b a GDPε++=3bGDP a GDP其中，GDP i （i =1，2，3）是第i 产业的国内生产总值。
答：第1个方程是一个统计定义方程，不是随机方程；第2个方程是一个相关关系，而不是因果关系，因为不能用分量来解释总量的变化。
（2）ε++=21bS a S其中，S 1、S 2分别为农村居民和城镇居民年末储蓄存款余额。
答：是一个相关关系，而不是因果关系。
（3）ε+++=t t t L b I b a Y 21其中，Y 、I 、L 分别是建筑业产值、建筑业固定资产投资和职工人数。
答：解释变量I 不合理，根据生产函数要求，资本变量应该是总资本，而固定资产投资只能反映当年的新增资本。
（4）ε++=t t bP a Y其中，Y 、P 分别是居民耐用消费品支出和耐用消费品物价指数。
答：模型设定中缺失了对居民耐用消费品支出有重要影响的其他解释变量。
按照所设定的模型，实际上假定这些其他变量的影响是一个常量，居民耐用消费品支出主要取决于耐用消费品价格的变化；所以，模型的经济意义不合理，估计参数时可能会夸大价格因素的影响。
斯托克,沃森计量经济学第四章实证练习stata操作及答案
E4.1E4.2 E4.3 E4.4VARIABLES aheage 0.605(0.0245)Constant 1.082(0.688)Observations 7,711R-squared 0.029*** p<0.01, ** p<0.05, * p<0.11.① 截距估计值estimated intercept: 1.082② 斜率估计值estimated slope: 0.605回归方程：ahe= 1.082+0.605*age③ 当工人年长1 岁，平均每小时工资增加0.605 美元。
2.Bob: 0.605*26+1.082=16.812 （美元）Alexis: 0.605*30+1.082=19.232 （美元）答：预测Bob 的收入为每小时16.812美元，Alexis为19.232 美元。
3.年龄不能解释不同个体收入变化的大部分。
因为R-squared 反映了因变量的全部变化能通过回归关系被自变量充分解释的比例，而分析得R-squared 的值为0.029，解释度低，说明年龄不能解释不同个体收入变化的大部分(0.0449)Observations 463 R-squared 0.036Robust standard errors in parentheses*** p<0.01, ** p<0.05, * p<0.1① 截距估计值： 3.998斜率估计值： 0.133回归方程： Course_Eval=3.998+0.133*beautylave_esruo0a u ty a e1.答：两者看上去有微弱的正相关关系2.VARIABLES course eval beautyConstant0.133 (0.0550) 3.998//mean beauty=Course_Eval-*Beauty值计算得Beauty 的样本均值趋近于零，所以截距的估计值等于Course_Eval的样本均值。
计量经济学课后答案
计量经济学课后答案计量经济学课后答案导论部分：1.计量经济学是研究经济现象和经济政策的数量分析方法，通过运用数学和统计学的工具，以实证分析为基础，对经济理论进行检验和推断。
它旨在解决经济学中的因果问题，即经济变量之间的因果关系，以及如何进行有效的经济政策评估。
2.计量经济学的研究方法主要包括建立经济模型、数据收集、数据处理、模型估计与检验等步骤。
经济模型是对经济现象进行理论化的抽象，通过建立适当的假设和约束条件，可以帮助我们理解经济系统的运行规律。
数据收集则是通过收集相关的经济数据，来描述和分析经济现象的特征和变动。
数据处理是对收集到的数据进行整理和清洗，以获得可用于进一步分析的数据集。
模型估计与检验是对建立的经济模型进行参数估计和假设检验，以得到经济变量之间关系的具体度量与统计显著性。
3.计量经济学的数据要素主要包括观察单位、时间间隔和经济变量。
观察单位是指研究对象的经济主体，可以是个人、家庭、企业、产业、国家等。
时间间隔是指研究对象的观察周期，可以是日、月、季度、年等。
经济变量是指用来度量经济现象的变量，如GDP、失业率、通胀率等。
简单线性回归模型：1.简单线性回归模型是最基本的计量经济学模型之一，用于描述两个变量之间的线性关系。
模型的基本形式为：Y_i= β_0 + β_1*X_i + u_i，其中Y_i是因变量，X_i是自变量，β_0和β_1是模型的参数，u_i是误差项。
2.模型参数的估计通常使用最小二乘法进行。
最小二乘法的思想是通过最小化实际观测值与模型预测值之间的差异，来估计模型的参数。
最小二乘估计量β̂_0和β̂_1可以通过求解最小化残差平方和的正规方程来得到。
3.模型参数的显著性检验是计量经济学中常用的假设检验方法，用于检验模型参数是否具有统计显著性。
常见的检验方法包括t检验和F检验。
t检验用于检验单个参数的显著性，而F检验用于检验多个参数的整体显著性。
4.模型的拟合优度可以通过确定系数R^2来度量。
詹姆斯·斯托克,马克·沃森计量经济学第三章实证练习stata答案
一、Two-sample t test with equal variancesGroup Obs Mean Std.Err. Std.Dev. 95% Conf. Interval1992 7,612 11.62 0.0644 5.619 11.49 11.742012 7,440 19.80 0.124 10.69 19.56 20.04combined 15,052 15.66 0.0770 9.442 15.51 15.81diff -8,183 0.139 -8.455 -7.911 diff = mean(1992) - mean(2012) t = -58.9871Ho: diff = 0 degrees of freedom = 15050Ha: diff < 0 Ha: diff != 0 Ha: diff > 0Pr(T < t) = 0.0000 Pr(|T| > |t|) = 0.0000 Pr(T > t) = 1.0000二、Two-sample t test with equal variancesGroup Obs Mean Std.Err. Std.Dev. 95% Conf. Interval 1992 7,612 15.64 0.0867 7.564 15.47 15.81 2012 7,440 19.80 0.124 10.69 19.56 20.04 combined 15,052 17.69 0.0772 9.471 17.54 17.85 diff -4.164 0.151 -4.459 -3.869diff = mean(1992) - mean(2012) t = -27.6423Ho: diff = 0 degrees of freedom = 15050Ha: diff < 0 Ha: diff != 0 Ha: diff > 0Pr(T < t) = 0.0000 Pr(|T| > |t|) = 0.0000 Pr(T > t) = 1.0000三、第二题根据通货膨胀率进行了调整，反映了购买力的变化，所以可用利用第二题的结果进行分析。
斯托克,沃森计量经济学第十二章实证练习stata操作及答案
E12.1(1) (2)lnquantity lnquantity lnprice -0.639***-0.867***(0.0733) (0.131)ice 0.448**0.423**(0.135) (0.132)seas1 -0.133 -0.131(0.0958) (0.101)seas2 0.0669 0.0910(0.0907) (0.0927)seas3 0.111 0.136(0.0970) (0.0981)seas4 0.155 0.153(0.132) (0.131)seas5 0.110 0.0736(0.128) (0.127)seas6 0.0468 -0.00606(0.177) (0.172)seas7 0.123 0.0602(0.200) (0.196)seas8 -0.235 -0.294(0.175) (0.171)seas9 0.00356 -0.0584(0.172) (0.171)seas10 0.169 0.0858(0.173) (0.174)seas11 0.215 0.152(0.173) (0.172) seas12 0.220 0.179(0.170) (0.167)_cons 8.861***8.574***(0.177) (0.211)N328 328R20.313 0.296adj. R20.2819 0.2644Standard errors in parentheses*p < 0.05, **p < 0.01, ***p < 0.001（1）利用OLS估计的需求方程如上表第（1）列所示。
需求弹性的估计值为-0.639，其标准误为0.0733。
（2）弹性的OLS估计量有偏源于价格和需求量是由需求和供给共同决定的，我们要分离出价格和量中源于供给移动的变动来估计需求曲线。
（3）①工具变量相关性，也就是给定W时至少有一个Z对预测X是有用的。
计量经济学第二版 第四章答案
4.1 (1) 存在3322ˆˆˆˆβγβα==且。
因为()()()()()()()23223223232322ˆ∑∑∑∑∑∑∑--=iiiii iiii i i x x x xx x x y x x y β当32X X 与之间的相关系数为零时，离差形式的032=∑i i x x有()()()()222223222322ˆˆαβ===∑∑∑∑∑∑iiiiiiiixxy x x x x y 同理有：33ˆˆβγ= (2) 111ˆˆˆβαγ会等于或的某个线性组合 因为 12233ˆˆˆY X X βββ=--，且122ˆˆY X αα=-，133ˆˆY X γγ=- 由于3322ˆˆˆˆβγβα==且，则 11222222ˆˆˆˆˆY Y X Y XX αααββ-=-=-= 11333333ˆˆˆˆˆY Y X Y XX γγγββ-=-=-= 则 1112233231123ˆˆˆˆˆˆˆY Y Y X X Y X X Y X X αγβββαγ--=--=--=+- (3) 存在()()()()3322ˆvar ˆvar ˆvar ˆvar γβαβ==且。
因为()()∑-=22322221ˆvar r x iσβ当023=r 时，()()()22222232222ˆvar 1ˆvar ασσβ==-=∑∑iixr x 同理，有()()33ˆvar ˆvar γβ=4.3(1)建立中国商品进口额为Y 与国内生产总值x1、居民消费价格指数x2得回归模型123l n l n 1l n2t t ti Y X X uβββ=+++ 估计模型参数，结果为Dependent Variable: LNY Method: Least Squares Date: 05/16/12 Time: 19:15 Sample: 1985 2007 Included observations: 23C -3.060149 0.337427 -9.069059 0.0000 LNX1 1.656674 0.092206 17.96703 0.0000 LNX2-1.0570530.214647-4.9246180.0001R-squared0.992218 Mean dependent var 9.155303 Adjusted R-squared 0.991440 S.D. dependent var 1.276500 S.E. of regression 0.118100 Akaike info criterion -1.313463 Sum squared resid 0.278952 Schwarz criterion -1.165355 Log likelihood 18.10482 F-statistic 1275.093 Durbin-Watson stat0.745639 Prob(F-statistic)0.000000093.1275F 991.0 992.0(-4.925) (17.967) (-9.069) 2ln 0571.11ln 6567.10601.3ˆln 22===-+-=RRx x Y t （2）)数据中有多重共线性，居民消费价格指数的回归系数的符号不能进行合理的经济意义解释，且其简单相关系数呈现正向变动。
计量经济学练习册答案(第二版)完整版
第一章导论一、单项选择题1、C2、B3、A4、A5、B6、A7、D8、C9、B 10、 B 11、C 12、A 13、D 14、C 15、A 16、C 17、D 18、C 19、A 20、 A 21、D二、多选题1、ABCD2、ABD3、ABCD4、ABC5、ABCD三、判断题4、1.√2. ×3.√4.×5.√6.√7.×8.√9.× 10.×四、简答题1、计量经济学与经济理论、统计学、数学的联系主要体现在计量经济学对经济理论、统计学、数学的应用方面，分别如下：1）计量经济学对经济理论的利用主要体现在以下几个方面（1）计量经济模型的选择和确定（2）对经济模型的修改和调整（3）对计量经济分析结果的解读和应用2）计量经济学对统计学的应用（1）数据的收集、处理、（2）参数估计（3）参数估计值、模型和预测结果的可靠性的判断3）计量经济学对数学的应用（1）关于函数性质、特征等方面的知识（2）对函数进行对数变换、求导以及级数展开（3）参数估计（4）计量经济理论和方法的研究2、模型的检验主要包括：经济意义检验、统计检验、计量经济学检验、模型的预测检验。
①在经济意义检验中，需要检验模型是否符合经济意义，检验求得的参数估计值的符号、大小、参数之间的关系是否与根据人们的经验和经济理论所拟订的期望值相符合；②在统计检验中，需要检验模型参数估计值的可靠性，即检验模型的统计学性质，有拟合优度检验、变量显著检验、方程显著性检验等；③在计量经济学检验中，需要检验模型的计量经济学性质，包括随机扰动项的序列相关检验、异方差性检验、解释变量的多重共线性检验等；④模型的预测检验，主要检验模型参数估计量的稳定性以及对样本容量变化时的灵敏度，以确定所建立的模型是否可以用于样本观测值以外的范围。
3、怎样理解计量经济学与经济统计学的关系？二者的联系：第一，计量经济分析所采用的数据的收集与处理、参数的估计等，需要使用统计学的方法和技术来完成；第二，参数估计值、模型的预测结果的可靠性，需要使用统计方法加以分析、判断。
计量经济学2答案
第二章 简单线性回归模型一、单项选择题：1、回归分析中定义的（ B ）。
A 、解释变量和被解释变量都是随机变量B 、解释变量为非随机变量，被解释变量为随机变量C 、解释变量和被解释变量都为非随机变量D 、解释变量为随机变量，被解释变量为非随机变量2、最小二乘准则是指使（ D ）达到最小值的原则确定样本回归方程。
A 、1ˆ()n t t t Y Y =-∑B 、1ˆn t t t Y Y =-∑C 、ˆmax t t Y Y -D 、21ˆ()n t t t Y Y =-∑ 3、下图中“{”所指的距离是（ B ）。
A 、随机误差项i 、ˆiY 的离差 4、参数估计量ˆβ是i Y 的线性函数称为参数估计量具有( A )的性质。
A 、线性 B 、无偏性 C 、有效性 D 、一致性5、参数β的估计量βˆ具备有效性是指（ B ）。
A 、0)ˆ(=βVarB 、)ˆ(βVar 为最小C 、0ˆ=-ββD 、)ˆ(ββ-为最小6、反映由模型中解释变量所解释的那部分离差大小的是( B )。
A 、总体平方和B 、回归平方和C 、残差平方和D 、样本平方和7、总体平方和TSS 、残差平方和RSS 与回归平方和ESS 三者的关系是（ B ）。
A 、RSS=TSS+ESSB 、TSS=RSS+ESSC 、ESS=RSS-TSSD 、ESS=TSS+RSS8、下面哪一个必定是错误的（ C ）。
A 、 i i X Y 2.030ˆ+= ，8.0=XY r B 、 i i X Y 5.175ˆ+-= ，91.0=XY r C 、 i i X Y 1.25ˆ-=，78.0=XY r D 、 i i X Y 5.312ˆ--=，96.0-=XY r9、产量（X ，台）与单位产品成本（Y ，元/台）之间的回归方程为ˆ356 1.5Y X =-，这说明（ D ）。
A 、产量每增加一台，单位产品成本增加356元B 、产量每增加一台，单位产品成本减少1.5元C 、产量每增加一台，单位产品成本平均增加356元D 、产量每增加一台，单位产品成本平均减少1.5元10、回归模型i i i X Y μββ++=10，i = 1，…，25中，总体方差未知，检验010=β：H 时，所用的检验统计量1ˆ11ˆβββS -服从（ D ）。
斯托克,沃森计量经济学第四章实证练习stata操作及答案
E4.1E4.2E4.3E4.4VARIABLES aheage 0.605(0.0245)Constant 1.082(0.688)Observations 7,711R-squared 0.029Robust standard errors in parentheses*** p<0.01, ** p<0.05, * p<0.11.①截距估计值estimated intercept:1.082②斜率估计值estimated slope:0.605回归方程：ahe= 1.082+0.605*age③当工人年长1岁，平均每小时工资增加0.605美元。
2.Bob: 0.605*26+1.082=16.812（美元）Alexis: 0.605*30+1.082=19.232（美元）答：预测Bob的收入为每小时16.812美元，Alexis为19.232美元。
3.年龄不能解释不同个体收入变化的大部分。
因为R-squared反映了因变量的全部变化能通过回归关系被自变量充分解释的比例，而分析得R-squared的值为0.029，解释度低，说明年龄不能解释不同个体收入变化的大部分。
1.答：两者看上去有微弱的正相关关系2.VARIABLES course_evalbeauty 0.133(0.0550)Constant 3.998(0.0449)Observations 463R-squared 0.036Robust standard errors in parentheses*** p<0.01, ** p<0.05, * p<0.1①截距估计值：3.998斜率估计值：0.133回归方程：Course_Eval=3.998+0.133*beauty//mean beautyMean estimation Number of obs = 463Mean Std.Err. 95% Conf. Interval beauty 4.75e-08 0.0367 -0.0720 0.0720②截距的估计值=Course_Eval的样本均值-斜率估计值*Beauty的样本均值计算得Beauty的样本均值趋近于零，所以截距的估计值等于Course_Eval的样本均值。
斯托克计量经济学课后习题实证答案
斯托克计量经济学课后习题实证答案P ART T WO Solutions to EmpiricalExercisesChapter 3Review of StatisticsSolutions to Empirical Exercises1. (a)Average Hourly Earnings, Nominal $’sMean SE(Mean) 95% Confidence Interval AHE199211.63 0.064 11.50 11.75AHE200416.77 0.098 16.58 16.96Difference SE(Difference) 95% Confidence Interval AHE2004 AHE1992 5.14 0.117 4.91 5.37(b)Average Hourly Earnings, Real $2004Mean SE(Mean) 95% Confidence Interval AHE199215.66 0.086 15.49 15.82AHE200416.77 0.098 16.58 16.96Difference SE(Difference) 95% Confidence Interval AHE2004 AHE1992 1.11 0.130 0.85 1.37(c) The results from part (b) adjust for changes in purchasing power. These results should be used.(d)Average Hourly Earnings in 2004Mean SE(Mean) 95% Confidence Interval High School13.81 0.102 13.61 14.01College20.31 0.158 20.00 20.62Difference SE(Difference) 95% Confidence Interval College High School 6.50 0.188 6.13 6.87Solutions to Empirical Exercises in Chapter 3 109(e)Average Hourly Earnings in 1992 (in $2004)Mean SE(Mean) 95% Confidence Interval High School13.48 0.091 13.30 13.65 College19.07 0.148 18.78 19.36Difference SE(Difference) 95% Confidence Interval College High School5.59 0.173 5.25 5.93(f) Average Hourly Earnings in 2004Mean SE(Mean) 95% Confidence Interval AHE HS ,2004AHE HS ,19920.33 0.137 0.06 0.60 AHE Col ,2004AHE Col ,19921.24 0.217 0.82 1.66Col–HS Gap (1992)5.59 0.173 5.25 5.93 Col–HS Gap (2004)6.50 0.188 6.13 6.87Difference SE(Difference) 95% Confidence Interval Gap 2004 Gap 1992 0.91 0.256 0.41 1.41Wages of high school graduates increased by an estimated 0.33 dollars per hour (with a 95%confidence interval of 0.06 0.60); Wages of college graduates increased by an estimated 1.24dollars per hour (with a 95% confidence interval of 0.82 1.66). The College High School gap increased by an estimated 0.91 dollars per hour.(g) Gender Gap in Earnings for High School Graduates Yearm Y s m n m w Y s w n w m Y w Y SE (m Y w Y )95% CI 199214.57 6.55 2770 11.86 5.21 1870 2.71 0.173 2.37 3.05 200414.88 7.16 2772 11.92 5.39 1574 2.96 0.192 2.59 3.34There is a large and statistically significant gender gap in earnings for high school graduates.In 2004 the estimated gap was $2.96 per hour; in 1992 the estimated gap was $2.71 per hour(in $2004). The increase in the gender gap is somewhat smaller for high school graduates thanit is for college graduates.Chapter 4Linear Regression with One RegressorSolutions to Empirical Exercises1. (a) ·AHE 3.32 0.45 u AgeEarnings increase, on average, by 0.45 dollars per hour when workers age by 1 year.(b) Bob’s predicted earnings 3.32 0.45 u 26 $11.70Alexis’s predicted earnings 3.32 0.45 u 30 $13.70(c) The R2 is 0.02.This mean that age explains a small fraction of the variability in earnings acrossindividuals.2. (a)There appears to be a weak positive relationship between course evaluation and the beauty index.Course Eval 4.00 0.133 u Beauty. The variable Beauty has a mean that is equal to 0; the(b) ·_estimated intercept is the mean of the dependent variable (Course_Eval) minus the estimatedslope (0.133) times the mean of the regressor (Beauty). Thus, the estimated intercept is equalto the mean of Course_Eval.(c) The standard deviation of Beauty is 0.789. ThusProfessor Watson’s predicted course evaluations 4.00 0.133 u 0 u 0.789 4.00Professor Stock’s predicted course evaluations 4.00 0.133 u 1 u 0.789 4.105Solutions to Empirical Exercises in Chapter 4 111(d) The standard deviation of course evaluations is 0.55 and the standard deviation of beauty is0.789. A one standard deviation increase in beauty is expected to increase course evaluation by0.133 u 0.789 0.105, or 1/5 of a standard deviation of course evaluations. The effect is small.(e) The regression R2 is 0.036, so that Beauty explains only3.6% of the variance in courseevaluations.3. (a) ?Ed 13.96 0.073 u Dist. The regression predicts that if colleges are built 10 miles closerto where students go to high school, average years of college will increase by 0.073 years.(b) Bob’s predicted years of completed education 13.960.073 u 2 13.81Bob’s predicted years of completed education if he was 10 miles from college 13.96 0.073 u1 13.89(c) The regression R2 is 0.0074, so that distance explains only a very small fraction of years ofcompleted education.(d) SER 1.8074 years.4. (a)Yes, there appears to be a weak positive relationship.(b) Malta is the “outlying” observation with a trade share of 2.(c) ·Growth 0.64 2.31 u TradesharePredicted growth 0.64 2.31 u 1 2.95(d) ·Growth 0.96 1.68 u TradesharePredicted growth 0.96 1.68 u 1 2.74(e) Malta is an island nation in the Mediterranean Sea, south of Sicily. Malta is a freight transportsite, which explains its larg e “trade share”. Many goods coming into Malta (imports into Malta)and immediately transported to other countries (as exports from Malta). Thus, Malta’s importsand exports and unlike the imports and exports of most other countries. Malta should not beincluded in the analysis.Chapter 5Regression with a Single Regressor:Hypothesis Tests and Confidence IntervalsSolutions to Empirical Exercises1. (a) ·AHE 3.32 0.45 u Age(0.97) (0.03)The t -statistic is 0.45/0.03 13.71, which has a p -value of 0.000, so the null hypothesis can berejected at the 1% level (and thus, also at the 10% and 5% levels).(b) 0.45 r 1.96 u 0.03 0.387 to 0.517(c) ·AHE 6.20 0.26 u Age(1.02) (0.03)The t -statistic is 0.26/0.03 7.43, which has a p -value of 0.000, so the null hypothesis can berejected at the 1% level (and thus, also at the 10% and 5% levels).(d) ·AHE 0.23 0.69 u Age(1.54) (0.05)The t -statistic is 0.69/0.05 13.06, which has a p -value of 0.000, so the null hypothesis can berejected at the 1% level (and thus, also at the 10% and 5% levels).(e) The difference in the estimated E 1 coefficients is 1,1,??College HighScool E E 0.69 0.26 0.43. Thestandard error of for the estimated difference is SE 1,1,??()College HighScoolE E (0.032 0.052)1/2 0.06, so that a 95% confidence interval for the difference is 0.43 r 1.96 u 0.06 0.32 to 0.54(dollars per hour).2. ·_ 4.000.13CourseEval Beauty u (0.03) (0.03)The t -statistic is 0.13/0.03 4.12, which has a p -value of 0.000, so the null hypothesis can be rejectedat the 1% level (and thus, also at the 10% and 5% levels).3. (a) ?Ed13.96 0.073 u Dist (0.04) (0.013)The t -statistic is 0.073/0.013 5.46, which has a p -value of 0.000, so the null hypothesis can be rejected at the 1% level (and thus, also at the 10% and 5% levels).(b) The 95% confidence interval is 0.073 r 1.96 u 0.013 or0.100 to 0.047.(c) ?Ed13.94 0.064 u Dist (0.05) (0.018)Solutions to Empirical Exercises in Chapter 5 113(d) ?Ed13.98 0.084 u Dist (0.06) (0.013)(e) The difference in the estimated E 1 coefficients is 1,1,??Female Male E E 0.064 ( 0.084) 0.020.The standard error of for the estimated difference is SE 1,1,??()Female Male E E (0.0182 0.0132)1/20.022, so that a 95% confidence interval for the difference is 0.020 r 1.96 u 0.022 or 0.022 to0.064. The difference is not statistically different.Chapter 6Linear Regression with Multiple RegressorsSolutions to Empirical Exercises1. Regressions used in (a) and (b)Regressor a bBeauty 0.133 0.166Intro 0.011OneCredit 0.634Female 0.173Minority 0.167NNEnglish 0.244Intercept 4.00 4.07SER 0.545 0.513R2 0.036 0.155(a) The estimated slope is 0.133(b) The estimated slope is 0.166. The coefficient does not change by an large amount. Thus, theredoes not appear to be large omitted variable bias.(c) Professor Smith’s predicted course evaluation (0.166 u 0)0.011 u 0) (0.634 u 0) (0.173 u0) (0.167 u 1) (0.244 u 0) 4.068 3.9012. Estimated regressions used in questionModelRegressor a bdist 0.073 0.032bytest 0.093female 0.145black 0.367hispanic 0.398incomehi 0.395ownhome 0.152dadcoll 0.696cue80 0.023stwmfg80 0.051intercept 13.956 8.827SER 1.81 1.84R2 0.007 0.279R0.007 0.277Solutions to Empirical Exercises in Chapter 6 115(a) 0.073(b) 0.032(c) The coefficient has fallen by more than 50%. Thus, it seems that result in (a) did suffer fromomitted variable bias.(d) The regression in (b) fits the data much better as indicated by the R2, 2,R and SER. The R2 and R are similar because the number of observations is large (n 3796).(e) Students with a “dadcoll 1” (so that the student’s father went to college) complete 0.696 moreyears of education, on average, than students with “dadcoll 0” (so that the student’s father didnot go to college).(f) These terms capture the opportunity cost of attending college. As STWMFG increases, forgonewages increase, so that, on average, college attendance declines. The negative sign on thecoefficient is consistent with this. As CUE80 increases, it is more difficult to find a job, whichlowers the opportunity cost of attending college, so that college attendance increases. Thepositive sign on the coefficient is consistent with this.(g) Bob’s predicted years of education 0.0315 u 2 0.093 u58 0.145 u 0 0.367 u 1 0.398 u0 0.395 u 1 0.152 u 1 0.696 u 0 0.023 u 7.5 0.051 u 9.75 8.82714.75(h) Jim’s expected years of education is 2 u 0.0315 0.0630 less than Bob’s. Thus, Jim’s expectedyears of education is 14.75 0.063 14.69.3.Variable Mean StandardDeviation Unitsgrowth 1.86 1.82 Percentage Pointsrgdp60 3131 2523 $1960tradeshare 0.542 0.229 unit freeyearsschool 3.95 2.55 yearsrev_coups 0.170 0.225 coups per yearassasinations 0.281 0.494 assasinations per yearoil 0 0 0–1 indicator variable (b) Estimated Regression (in table format):Regressor Coefficienttradeshare 1.34(0.88)yearsschool 0.56**(0.13)rev_coups 2.15*(0.87)assasinations 0.32(0.38)rgdp60 0.00046**(0.00012)intercept 0.626(0.869)SER 1.59R2 0.29R0.23116 Stock/Watson - Introduction to Econometrics - Second EditionThe coefficient on Rev_Coups is í2.15. An additional coup in a five year period, reduces theaverage year growth rate by (2.15/5) = 0.43% over this 25 year period. This means the GPD in 1995 is expected to be approximately .43×25 = 10.75% lower. This is a larg e effect.(c) The 95% confidence interval is 1.34 r 1.96 u 0.88 or 0.42 to 3.10. The coefficient is notstatistically significant at the 5% level.(d) The F-statistic is 8.18 which is larger than 1% critical value of 3.32.Chapter 7Hypothesis Tests and Confidence Intervals in Multiple RegressionSolutions to Empirical Exercises1. Estimated RegressionsModelRegressor a bAge 0.45(0.03)0.44 (0.03)Female 3.17(0.18)Bachelor 6.87(0.19)Intercept 3.32(0.97)SER 8.66 7.88R20.023 0.1902R0.022 0.190(a) The estimated slope is 0.45(b) The estimated marginal effect of Age on AHE is 0.44 dollars per year. The 95% confidenceinterval is 0.44 r 1.96 u 0.03 or 0.38 to 0.50.(c) The results are quite similar. Evidently the regression in (a) does not suffer from importantomitted variable bias.(d) Bob’s predicted average hourly earnings 0.44 u 26 3.17 u 0 6.87 u 0 3.32 $11.44Alexis’s predicted average hourly earnings 0.44 u 30 3.17 u 1 6.87 u 1 3.32 $20.22 (e) The regression in (b) fits the data much better. Gender and education are important predictors of earnings. The R2 and R are similar because the sample size is large (n 7986).(f) Gender and education are important. The F-statistic is 752, which is (much) larger than the 1%critical value of 4.61.(g) The omitted variables must have non-zero coefficients and must correlated with the includedregressor. From (f) Female and Bachelor have non-zero coefficients; yet there does not seem to be important omittedvariable bias, suggesting that the correlation of Age and Female and Age and Bachelor is small. (The sample correlations are ·Cor(Age, Female) 0.03 and·Cor(Age,Bachelor) 0.00).118 Stock/Watson - Introduction to Econometrics - Second Edition2.ModelRegressor a b cBeauty 0.13**(0.03) 0.17**(0.03)0.17(0.03)Intro 0.01(0.06)OneCredit 0.63**(0.11) 0.64** (0.10)Female 0.17**(0.05) 0.17** (0.05)Minority 0.17**(0.07) 0.16** (0.07)NNEnglish 0.24**(0.09) 0.25** (0.09)Intercept 4.00**(0.03) 4.07**(0.04)4.07**(0.04)SER 0.545 0.513 0.513R2 0.036 0.155 0.1552R0.034 0.144 0.145(a) 0.13 r 0.03 u 1.96 or 0.07 to 0.20(b) See the table above. Intro is not significant in (b), but the other variables are significant.A reasonable 95% confidence interval is 0.17 r 1.96 u 0.03 or0.11 to 0.23.Solutions to Empirical Exercises in Chapter 7 119 3.ModelRegressor (a) (b) (c)dist 0.073**(0.013) 0.031**(0.012)0.033**(0.013)bytest 0.092**(0.003) 0.093** (.003)female 0.143**(0.050) 0.144** (0.050)black 0.354**(0.067) 0.338** (0.069)hispanic 0.402**(0.074) 0.349** (0.077)incomehi 0.367**(0.062) 0.374** (0.062)ownhome 0.146*(0.065) 0.143* (0.065)dadcoll 0.570**(0.076) 0.574** (0.076)momcoll 0.379**(0.084) 0.379** (0.084)cue80 0.024**(0.009) 0.028** (0.010)stwmfg80 0.050*(0.020) 0.043* (0.020)urban 0.0652(0.063) tuition 0.184(0.099)intercept 13.956**(0.038) 8.861**(0.241)8.893**(0.243)F-statitisticfor urban and tuitionSER 1.81 1.54 1.54R2 0.007 0.282 0.284R0.007 0.281 0.281(a) The group’s claim is that the coefficien t on Dist is 0.075 ( 0.15/2). The 95% confidence forE Dist from column (a) is 0.073 r 1.96 u 0.013 or 0.099 to 0.046. The group’s claim is includedin the 95% confidence interval so that it is consistent with the estimated regression.120 Stock/Watson - Introduction to Econometrics - Second Edition(b) Column (b) shows the base specification controlling for other important factors. Here thecoefficient on Dist is 0.031, much different than the resultsfrom the simple regression in (a);when additional variables are added (column (c)), the coefficient on Dist changes little from the result in (b). From the base specification (b), the 95% confidence interval for E Dist is0.031 r1.96 u 0.012 or 0.055 to 0.008. Similar results are obtained from the regression in (c).(c) Yes, the estimated coefficients E Black and E Hispanic are positive, large, and statistically significant.Chapter 8Nonlinear Regression FunctionsSolutions to Empirical Exercises1. This table contains the results from seven regressions that are referenced in these answers.Data from 2004(1) (2) (3) (4) (5) (6) (7) (8)Dependent VariableAHE ln(AHE) ln(AHE) ln(AHE) ln(AHE) ln(AHE) ln(AHE) ln(AHE) Age 0.439**(0.030) 0.024**(0.002)0.147**(0.042)0.146**(0.042)0.190**(0.056)0.117*(0.056)0.160Age2 0.0021**(0.0007) 0.0021** (0.0007)0.0027**(0.0009)0.0017(0.0009)0.0023(0.0011)ln(Age) 0.725**(0.052)Female u Age 0.097 (0.084) 0.123 (0.084) Female u Age2 0.0015 (0.0014)0.0019 (0.0014) Bachelor u Age 0.064 (0.083)0.091 (0.084) Bachelor u Age2 0.0009 (0.0014) 0.0013 (0.0014) Female 3.158**(0.176) 0.180**(0.010)0.180**(0.010)0.180**(0.010)(0.014)1.358*(1.230)0.210**(0.014)1.764(1.239)Bachelor 6.865**(0.185) 0.405**(0.010)0.405**(0.010)0.405**(0.010)0.378**(0.014)0.378**(0.014)0.769(1.228)1.186(1.239)Female u Bachelor 0.064** (0.021) 0.063**(0.021)0.066**(0.021)0.066**(0.021)Intercept 1.884(0.897) 1.856**(0.053)0.128(0.177)0.059(0.613)0.078(0.612)0.633(0.819)0.604(0.819)0.095(0.945)F-statistic and p-values on joint hypotheses(a) F-statistic on terms involving Age 98.54(0.00)100.30(0.00)51.42(0.00)53.04(0.00)36.72(0.00)(b) Interaction termswithAge24.12(0.02)7.15(0.00)6.43(0.00)SER 7.884 0.457 0.457 0.457 0.457 0.456 0.456 0.456 R0.1897 0.1921 0.1924 0.1929 0.1937 0.1943 0.1950 0.1959 Significant at the *5% and **1% significance level.122 Stock/Watson - Introduction to Econometrics - Second Edition(a) The regression results for this question are shown in column (1) of the table. If Age increasesfrom 25 to 26, earnings are predicted to increase by $0.439 per hour. If Age increases from33 to 34, earnings are predicted to increase by $0.439 per hour. These values are the samebecause the regression is a linear function relating AHE and Age .(b) The regression results for this question are shown in column (2) of the table. If Age increasesfrom 25 to 26, ln(AHE ) is predicted to increase by 0.024. This means that earnings are predicted to increase by 2.4%. If Age increases from 34 to 35, ln(AHE ) is predicted to increase by 0.024.This means that earnings are predicted to increase by 2.4%. These values, in percentage terms,are the same because the regression is a linear function relating ln(AHE ) and Age .(c) The regression results for this question are shown in column (3) of the table. If Age increasesfrom 25 to 26, then ln(Age ) has increased by ln(26) ln(25) 0.0392 (or 3.92%). The predictedincrease in ln(AHE ) is 0.725 u (.0392) 0.0284. This means that earnings are predicted toincrease by 2.8%. If Age increases from 34 to 35, then ln(Age ) has increased by ln(35) ln(34) .0290 (or 2.90%). The predicted increase in ln(AHE ) is 0.725 u (0.0290) 0.0210. This means that earnings are predicted to increase by 2.10%.(d) When Age increases from 25 to 26, the predicted change in ln(AHE ) is(0.147 u 26 0.0021 u 262) (0.147 u 25 0.0021 u 252) 0.0399.This means that earnings are predicted to increase by 3.99%.When Age increases from 34 to 35, the predicted change in ln(AHE ) is(0. 147 u 35 0.0021 u 352) (0. 147 u 34 0.0021 u 342) 0.0063.This means that earnings are predicted to increase by 0.63%.(e) The regressions differ in their choice of one of the regressors. They can be compared on the basis of the .R The regression in (3) has a (marginally) higher 2,R so it is preferred.(f) The regression in (4) adds the variable Age 2 to regression(2). The coefficient on Age 2 isstatistically significant ( t 2.91), and this suggests that the addition of Age 2 is important. Thus,(4) is preferred to (2).(g) The regressions differ in their choice of one of the regressors. They can be compared on the basis of the .R The regression in (4) has a (marginally) higher 2,R so it is preferred.(h)Solutions to Empirical Exercises in Chapter 8 123 The regression functions using Age (2) and ln(Age) (3) are similar. The quadratic regression (4) is different. It shows a decreasing effect of Age on ln(AHE) as workers age.The regression functions for a female with a high school diploma will look just like these, but they will be shifted by the amount of the coefficient on the binary regressor Female. The regression functions for workers with a bachelor’s degree will also look just like these, but they would be shifted by the amount of the coefficient on the binary variable Bachelor.(i) This regression is shown in column (5). The coefficient on the interaction term Female uBachelor shows the “extra effect” of Bachelor on ln(AHE) for women relative the effect for men.Predicted values of ln(AHE):Alexis: 0.146 u 30 0.0021 u 302 0.180 u 1 0.405 u 1 0.064 u 1 0.078 4.504Jane: 0.146 u 30 0.0021 u 302 0.180 u 1 0.405 u 0 0.064 u 0 0.078 4.063Bob: 0.146 u 30 0.0021 u 302 0.180 u 0 0.405 u 1 0.064 u 0 0.078 4.651Jim: 0.146 u 30 0.0021 u 302 0.180 u 0 0.405 u 0 0.064 u 0 0.078 4.273Difference in ln(AHE): Alexis Jane 4.504 4.063 0.441Difference in ln(AHE): Bob Jim 4.651 4.273 0.378Notice that the difference in the difference predicted effects is 0.441 0.378 0.063, which is the value of the coefficient on the interaction term.(j) This regression is shown in (6), which includes two additional regressors: the interactions of Female and the age variables, Age and Age2. The F-statistic testing the restriction that the coefficients on these interaction terms is equal to zero is F 4.12 with a p-value of 0.02. This implies that there is statistically significant evidence (at the 5% level) that there is a different effect of Age on ln(AHE) for men and women.(k) This regression is shown in (7), which includes two additional regressors that are interactions of Bachelor and the age variables, Age and Age2. The F-statistic testing the restriction that the coefficients on these interaction terms is zero is 7.15 with a p-value of 0.00. This implies that there is statistically significant evidence (at the 1% level) that there is a different effect of Age on ln(AHE) for high school and college graduates.(l) Regression (8) includes Age and Age2 and interactions terms involving Female and Bachelor.The figure below shows the regressions predicted value of ln(AHE) for male and females with high school and college degrees.124 Stock/Watson - Introduction to Econometrics - Second EditionThe estimated regressions suggest that earnings increase as workers age from 25–35, the rangeof age studied in this sample. There is evidence that the quadratic term Age2 belongs in theregression. Curvature in the regression functions in particularly important for men.Gender and education are significant predictors of earnings, and there are statistically significant interaction effects between age and gender and age and education. The table below summarizes the regressions predictions for increases in earnings as a person ages from 25 to 32 and 32 to 35Gender, Education Predicted ln(AHE) at Age(Percent per year)25 32 35 25 to 32 32 to 35Males, High School 2.46 2.65 2.67 2.8% 0.5%Females, BA 2.68 2.89 2.93 3.0% 1.3%Males, BA 2.74 3.06 3.09 4.6% 1.0%Earnings for those with a college education are higher than those with a high school degree, andearnings of the college educated increase more rapidly early in their careers (age 25–32). Earnings for men are higher than those of women, and earnings of men increase more rapidly early in theircareers (age 25–32). For all categories of workers (men/women, high school/college) earningsincrease more rapidly from age 25–32 than from 32–35.。