将异方差性的布罗施-帕甘检验和怀特检验的特征相结合有不同的方法。文中没有讨论的一种可能性是将 [tex=1.0x1.5]bybt0n1ULyTKr5LP0Zh4emspaoH/1hlbvKVK2m78+l0=[/tex] 对 [tex=13.857x1.5]MZJDhJEKrBzJaXDFA534sSPgLk9W4M7KRwv3GC8d9X36fk3TACxHU0CXDKihr3SfuLyZWqgEwurvpYvgkZNW7hNnnSuEEh1u0kYeNUq8/00=[/tex] 进行回归。其中, [tex=0.857x1.214]HDXdck+r2qKLLH+te6GQfw==[/tex] 是 OLS 残差, [tex=0.786x1.286]IkEIUpuafUqrWqzlh6Abew==[/tex] 是 OLS 拟合值。于是, 我们可以检验 [tex=5.714x1.0]kaxIkZC7LAeTb5URurtm9px/USWRATbyHjoTdW+Xp6w=[/tex] 和 [tex=0.929x1.5]UfuHMW9RleTTOPkIr+0kMPVbAQ7Yn1X7mT4sHOiyJIg=[/tex] 的联合显著性。（当然，我们在回归中总是包含一个截距。）（i）与所建议的异方差F检验相联系的自由度是多少？（i）解释为什么上述回归的[tex=1.143x1.286]TI7jqqDiM1RJHIUxyvKDvg==[/tex]总是至少和BP回归和怀特检验特殊形式的[tex=1.143x1.286]TI7jqqDiM1RJHIUxyvKDvg==[/tex]一样大？（iii）第（i）部分是否意味着这个新检验总能比BP或怀特特殊情形估计量得到更小的P值？请解释。（iv）假设有人还建议在新提出的这个检验中增加。你认为这个主意如何？
举一反三
- 将异方差性的布罗施一帕甘检验和怀特检验的特征相结合有不同的方法。正文中没有讨论的一种可能性是将[tex=1.0x1.286]jyAtNoQTpqVWWhaeEu0ZFtA/31G5PGRzV8BrjmSKEgw=[/tex]对[tex=1.214x1.286]+2po0BA5nQ0ANMPtIojO6A==[/tex]，[tex=1.286x1.286]Sbradpy8rvAK92mOyW/4Qw==[/tex]，[tex=1.143x1.286]PZ3wc82RrbgX5KwVcyJcmA==[/tex]，[tex=1.286x1.286]/UEFQMtphFpGaKqKcPypfQ==[/tex]，[tex=0.929x1.286]eNPoBzh+O0EJsbH9PrvxlrlYUZZRKhga1Lg3qMHEJFo=[/tex]；[tex=4.857x1.286]axzC9qQ2HqBtpy7wJsh+qDVYwl+Gc8LLeXCFGS8DBm0=[/tex]进行回归。其中，[tex=0.857x1.286]5KV3a1aYTZ2Zwm+WGcaUu8Du+Yf1pUwMK0YfsKcf/PM=[/tex]是OLS残差，[tex=0.786x1.286]yeWZytEK4C7GE/zWwv/2gpUoaSlQzC/rzUgGYPi1xqM=[/tex]是OLS拟合值。于是，我们可以检验[tex=1.214x1.286]+2po0BA5nQ0ANMPtIojO6A==[/tex]，[tex=1.286x1.286]Sbradpy8rvAK92mOyW/4Qw==[/tex]，[tex=1.143x1.286]PZ3wc82RrbgX5KwVcyJcmA==[/tex]，[tex=1.286x1.286]/UEFQMtphFpGaKqKcPypfQ==[/tex]和[tex=0.929x1.286]eNPoBzh+O0EJsbH9PrvxlrlYUZZRKhga1Lg3qMHEJFo=[/tex]的联合显著性。（当然，我们在回归中总是包含一个截距。）（i）与所建议的异方差F检验相联系的自由度是多少？（ii）解释为什么上述回归的[tex=1.143x1.286]TI7jqqDiM1RJHIUxyvKDvg==[/tex]总是至少和BP回归和怀特检验特殊形式的[tex=1.143x1.286]TI7jqqDiM1RJHIUxyvKDvg==[/tex]一样大？（iii）第（ii）部分是否意味着这个新检验总能比BP或怀特特殊情形估计量得到更小的P值？请解释。（iv）假设有人还建议在新提出的这个检验中增加[tex=0.929x1.286]eNPoBzh+O0EJsbH9PrvxlrlYUZZRKhga1Lg3qMHEJFo=[/tex]。你认为这个主意如何？
- 表3 3给出Y关于X，X的线性回归结果。[img=597x133]17b00b1eab2e326.png[/img] 检验假设:[tex=1.214x1.214]AKRJ+piA0nf7C/6/dimpFw==[/tex]和[tex=1.214x1.214]mzDCcy67Z8VvjJDKwZ/vAA==[/tex]对Y无影响，应采用何种检验，为什么
- set1 = {x for x in range(10)} print(set1) 以上代码的运行结果为？ A: {0, 1, 2, 3, 4, 5, 6, 7, 8, 9} B: {0, 1, 2, 3, 4, 5, 6, 7, 8, 9,10} C: {1, 2, 3, 4, 5, 6, 7, 8, 9} D: {1, 2, 3, 4, 5, 6, 7, 8, 9,10}
- 本题使用VOTEl.RAW中的数据。（i）估计一个以voteA为因变量并以prtystrA、democA、log（expendA）和log（expendB）为自变量的模型。得到OLS残差[tex=0.857x1.286]5KV3a1aYTZ2Zwm+WGcaUu8Du+Yf1pUwMK0YfsKcf/PM=[/tex]，并将这些残差对所有的自变量进行回归。解释你为什么得到[tex=3.0x1.286]lHsxa5wMhEVHdN5dfL0ljQ==[/tex]。（ii）现在计算异方差性的布罗施一帕甘检验。使用F统计量的形式并报告P值。（iii）同样利用F统计量形式计算异方差性的特殊怀特检验。现在异方差性的证据有多强？
- 本题利用数据集40lKSUBS.RAW。（i）利用OLS估计e40lk的一个线性概率模型，解释变量为inc，[tex=1.786x1.286]DMxAl5Cxfg+wudZvjOtnbw==[/tex]，age，[tex=1.929x1.286]F6vsAlFtJHoRuHXOFfPQug==[/tex]和male。求通常的OLS标准误和异方差一稳健的标准误。它们有重要差别吗？（ii）在怀特异方差检验的特殊情形中，我们将OLS残差的平方对OLS拟合值的二次函数回归（即[tex=1.0x1.286]jyAtNoQTpqVWWhaeEu0ZFtA/31G5PGRzV8BrjmSKEgw=[/tex]对[tex=0.786x1.286]yeWZytEK4C7GE/zWwv/2gpUoaSlQzC/rzUgGYPi1xqM=[/tex]和[tex=0.929x1.286]bPnolYyxoUzFjP9zcUvl3yN786hVMI6ttmknZjRJhhI=[/tex]，[tex=6.143x1.286]0uDTRrUYVN5fbydf1cR7wYgDkH8OltfNoKaXZ2aihx4=[/tex]），证明，系数的概率极限应该为1，系数的概率极限应该为[tex=1.214x1.286]WDa3CFFbujv+acHNTSW8sQ==[/tex]，截距项的概率极限应该为0.[提示：记得[tex=14.643x1.357]iMO1fBS6u6quko082x6jemY5m7Qb2mrQPNr2fmLcsRE62bHDrarKhigto3EEA4H+hgPFFCTKFUUBbh+pQEUA4/SDcEbreTlQjMKgPXkYarg=[/tex]，其中[tex=12.786x1.286]j2v8Ir+6H17XTRNBF4Q44juYAi/1xvO1oslTIC5RQQP6UbMNwhjEaQyd05/d3uiaCsb7/ArlyfU7FgGwxyOz8A==[/tex]。（iii）对第（i）部分估计的模型求怀特检验，并分析系数估计值是否大致对应于第（ii）部分中描述的理论值。（iv）在验证了第（i）部分的拟合值都介于0和1之间后，求这个线性概率模型的加权最小二乘估计值。它们与OLS估计值有重大差别吗？