利用PHILLIPS.RAW中的数据回答本题。（i）利用整个数据集，用OLS估计静态菲利普斯曲线方程[tex=10.929x1.214]Yn4T3GmhnXqA8MD3kr1RKIKbPAko56jp5lGqYIpiAeQ/dBHAblrWqIFyaF7qF1fte5YJ6J1s45KCGAmAcYu/Ig==[/tex]，并以常用形式报告结果。（ii）从第（i）部分中求OLS残差[tex=0.857x1.214]prGeP3sCF7lXiC+fmPgmMA==[/tex]，并通过[tex=0.857x1.214]prGeP3sCF7lXiC+fmPgmMA==[/tex]对[tex=1.786x1.214]jboUoqhfhaGK454INl2VJg==[/tex]的回归中求出[tex=0.571x1.286]mGHbklYlBVNXKEGAelwITA==[/tex]。（在这个回归中包含一个截距项没问题。）有序列相关的强烈证据吗？（iii）现在通过迭代普莱斯-温斯顿程序估计静态菲利普斯曲线模型。将A，的估计值与表12.2中得到的估计值相比较。添加以后的年份，估计值有很大变化吗？（iv）不用普莱斯-温斯顿检验，而是使用迭代科克伦-奥卡特检验。[tex=0.571x1.286]mGHbklYlBVNXKEGAelwITA==[/tex]的最终估计值有多相似？B的PW和CO估计值有多相似？
举一反三
- 本题利用数据集GPAl.RAW。（i）利用OLS估计一个将colGPA与hsGPA，ACT，skipped和PC相联系的模型。求OLS残差。（ii）计算异方差性的怀特检验特殊情形。在[tex=1.0x1.286]AGKDJcN/tdN1jfgbRC705wYYxsZhvx2UYRmVzw9EpwA=[/tex]对[tex=3.786x1.429]zrqlwxa87V/bEwLnNRa/iK8DWAqV/dcoDZXAriqAsSo=[/tex]和[tex=4.214x1.429]zrqlwxa87V/bEwLnNRa/iEpgm9FL9CJVEk6dOmn3RYFAyMgeCMJi2yeqSWV7/ACB[/tex]的回归中，求拟合值[tex=0.857x1.286]1c5Bk605ebKMthgFxlyjten0+U8e9YrOE4IY8W7yT6c=[/tex]。（iii）验证第（ii）部分得到的拟合值都严格为正。然后利用权数[tex=1.857x1.286]zU+Nn4vD17ooklMFoX3TzJ2GOUEjeKrNSbNLmDAxf2I=[/tex]求加权最小二乘估计值。根据对应的OLS估计值，将逃课和拥有计算机之影响的加权最小二乘估计值与对应OLS估计值相比较。它们的统计显著性如何？[br][/br]（iv）在第（iii）部分的WLS估计中，求异方差一稳健的标准误。换言之，容许第（ii）部分中所估计的方差函数可能误设（参见问题8.4）。标准误与第（iii）部分相比有很大变化吗？
- 估计[tex=0.571x1.0]wZfDAQ5tsV00QsfoitgWPw==[/tex]:科克伦奥克特迭代程序。作为对此程序的一个说明，考虑双变量模型:[tex=6.929x1.214]AE3m5A+tNZNXJrc+Fu4KdnlxYs9V4gArNBKBVlwLEucHH0ExVswTCW/aGCsYZaHP[/tex] (1)[br][/br]及[tex=1.571x1.0]8bU3aSlnZ+dqUsj3CTY5/A==[/tex](1)模式[tex=11.357x1.214]YICc9mhjfQIF13wdVs3alOlXnIy8bPDkGNyx+2iI5fKl4i99tI/8SccSH31QNIyu60h81W5L6PjjNvu+YBVFew==[/tex] (2)[br][/br]于是科克伦和奥克特推荐如下步骤来估计[tex=0.571x1.0]wZfDAQ5tsV00QsfoitgWPw==[/tex]。[br][/br]1.用通常的[tex=2.071x1.0]gK8iXL/QdPRlpuLJxLDDvw==[/tex]方法估计方程(1) 并得到残差[tex=0.857x1.214]djBDm8U9pq7vl0HVHAK/lQ==[/tex]顺便指出，你可以在模型中包含不止一个[tex=0.857x1.0]N7iCrOsS+NNEUUlnsYCi1g==[/tex]变量。2.利用第1步得到的残差做如下回归:[br][/br][tex=5.5x1.214]O+PrZ7cDfxqJ9+xoqaP2UrnTSqFEuUIzPcZLKtJvzVBirNyRA4cukmtuA9tTbgpb[/tex] (3)[br][/br]这是方程(2)在实证中的对应表达式.3. 利用方程（3）中得到的 [tex=0.643x1.214]P6gYoyl65MNY35qC9a/IJg==[/tex], 估计广义差分方程(12.9.6)。[br][/br]4. 由于事先不知道方程（3）中得到的 [tex=0.643x1.214]P6gYoyl65MNY35qC9a/IJg==[/tex]是不是 $\rho$ 的最佳估计值, 所以把第 3 步中得到的 [tex=0.857x1.571]bcDweyJBh2HlrgIqBs3adTYzcarmOCVhEBBLN/5jNjU=[/tex]和 [tex=1.071x1.571]4Axz3DiPgazlp97kY3yYxcJLT0LxX+J90Re2Av16gUY=[/tex] 值代人原回归 (1), 并得到新的残差 [tex=0.929x1.357]aLe6mS4QCh58uwS0DC+cNg==[/tex]为[br][/br][tex=7.214x1.571]p7Ib3aZMpNrAuO+PUydVYPKHgqip6k0HIh2qJ6Ffx6fuWZHzoc4FNPC5kyl3FXtOzZj+7w/m+J6xHeII6QzNdw==[/tex] (4)[br][/br]由于[tex=0.857x1.214]QRLHoW2+aKLO1L7GJLM+Jw==[/tex], [tex=1.143x1.214]LnI4oL+T006vWk2WQP3QAA==[/tex], [tex=1.071x1.571]yXwWQo+f1wtlfbDj7iY3YstERmvx+EuwbEybRiDlQgw=[/tex]和 [tex=1.071x1.571]4Axz3DiPgazlp97kY3yYxcJLT0LxX+J90Re2Av16gUY=[/tex]皆已知, 故很容易计算出来。[br][/br]5.现在估计如下回归[tex=5.429x1.429]KjB8dwyu7v5EUj4SVIjWZO2N0zI9Ei34s5jCQ8F5wT94Lt3Qpo2Bz+6/Dg1bwm492Vr8h0PJDYBM3LXJh4/pTw==[/tex] (5)它类似于方程(3)， 并给出[tex=0.571x1.0]wZfDAQ5tsV00QsfoitgWPw==[/tex]的第二轮估计值。由于我们不知道[tex=0.571x1.0]wZfDAQ5tsV00QsfoitgWPw==[/tex]的第二轮估计值是不是真实[tex=0.571x1.0]wZfDAQ5tsV00QsfoitgWPw==[/tex]的最佳估计值，所以我们进入第三轮估计，如此等等。这正是科克伦~奧克特程序被称为迭代程序的原因。我们该把这种(愉快的)轮回操作进行到什么程度呢?一般的建议是，当[tex=0.571x1.0]wZfDAQ5tsV00QsfoitgWPw==[/tex]的两个相邻估计值相差很小(比如不足0.01或0.005)时，便可停止迭代。在工资一生产率一例中，在停止之前约需要3次迭代。利用[tex=0.571x1.0]wZfDAQ5tsV00QsfoitgWPw==[/tex]的最终估计值，在去掉第一次观测和保留第- -次观测的情况下， 估计工资一生产率回归。结果有何差异?
- 估计[tex=0.571x1.0]wZfDAQ5tsV00QsfoitgWPw==[/tex]:科克伦奥克特迭代程序。作为对此程序的一个说明，考虑双变量模型:[tex=6.929x1.214]AE3m5A+tNZNXJrc+Fu4KdnlxYs9V4gArNBKBVlwLEucHH0ExVswTCW/aGCsYZaHP[/tex] (1)[br][/br]及[tex=1.571x1.0]8bU3aSlnZ+dqUsj3CTY5/A==[/tex](1)模式[tex=11.357x1.214]YICc9mhjfQIF13wdVs3alOlXnIy8bPDkGNyx+2iI5fKl4i99tI/8SccSH31QNIyu60h81W5L6PjjNvu+YBVFew==[/tex] (2)[br][/br]于是科克伦和奥克特推荐如下步骤来估计[tex=0.571x1.0]wZfDAQ5tsV00QsfoitgWPw==[/tex]。[br][/br]1.用通常的[tex=2.071x1.0]gK8iXL/QdPRlpuLJxLDDvw==[/tex]方法估计方程(1) 并得到残差[tex=0.857x1.214]djBDm8U9pq7vl0HVHAK/lQ==[/tex]顺便指出，你可以在模型中包含不止一个[tex=0.857x1.0]N7iCrOsS+NNEUUlnsYCi1g==[/tex]变量。2.利用第1步得到的残差做如下回归:[br][/br][tex=5.5x1.214]O+PrZ7cDfxqJ9+xoqaP2UrnTSqFEuUIzPcZLKtJvzVBirNyRA4cukmtuA9tTbgpb[/tex] (3)[br][/br]这是方程(2)在实证中的对应表达式.3. 利用方程（3）中得到的 [tex=0.643x1.214]P6gYoyl65MNY35qC9a/IJg==[/tex], 估计广义差分方程(12.9.6)。[br][/br]4. 由于事先不知道方程（3）中得到的 [tex=0.643x1.214]P6gYoyl65MNY35qC9a/IJg==[/tex]是不是 $\rho$ 的最佳估计值, 所以把第 3 步中得到的 [tex=0.857x1.571]bcDweyJBh2HlrgIqBs3adTYzcarmOCVhEBBLN/5jNjU=[/tex]和 [tex=1.071x1.571]4Axz3DiPgazlp97kY3yYxcJLT0LxX+J90Re2Av16gUY=[/tex] 值代人原回归 (1), 并得到新的残差 [tex=0.929x1.357]aLe6mS4QCh58uwS0DC+cNg==[/tex]为[br][/br][tex=7.214x1.571]p7Ib3aZMpNrAuO+PUydVYPKHgqip6k0HIh2qJ6Ffx6fuWZHzoc4FNPC5kyl3FXtOzZj+7w/m+J6xHeII6QzNdw==[/tex] (4)[br][/br]由于[tex=0.857x1.214]QRLHoW2+aKLO1L7GJLM+Jw==[/tex], [tex=1.143x1.214]LnI4oL+T006vWk2WQP3QAA==[/tex], [tex=1.071x1.571]yXwWQo+f1wtlfbDj7iY3YstERmvx+EuwbEybRiDlQgw=[/tex]和 [tex=1.071x1.571]4Axz3DiPgazlp97kY3yYxcJLT0LxX+J90Re2Av16gUY=[/tex]皆已知, 故很容易计算出来。[br][/br]5.现在估计如下回归[tex=5.429x1.429]KjB8dwyu7v5EUj4SVIjWZO2N0zI9Ei34s5jCQ8F5wT94Lt3Qpo2Bz+6/Dg1bwm492Vr8h0PJDYBM3LXJh4/pTw==[/tex] (5)它类似于方程(3)， 并给出[tex=0.571x1.0]wZfDAQ5tsV00QsfoitgWPw==[/tex]的第二轮估计值。由于我们不知道[tex=0.571x1.0]wZfDAQ5tsV00QsfoitgWPw==[/tex]的第二轮估计值是不是真实[tex=0.571x1.0]wZfDAQ5tsV00QsfoitgWPw==[/tex]的最佳估计值，所以我们进入第三轮估计，如此等等。这正是科克伦~奧克特程序被称为迭代程序的原因。我们该把这种(愉快的)轮回操作进行到什么程度呢?一般的建议是，当[tex=0.571x1.0]wZfDAQ5tsV00QsfoitgWPw==[/tex]的两个相邻估计值相差很小(比如不足0.01或0.005)时，便可停止迭代。在工资一生产率一例中，在停止之前约需要3次迭代。你认为在变换数据以解决自相关问题时保留第一次观测重要吗?
- 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？
- 在回归分析中，利用估计的回归方程，对于 [tex=0.571x0.786]ZKO2xs0EgSemzoH7MSmYTA==[/tex] 的一个特定值 [tex=0.929x1.0]mQGdf3XTfQx0Qped0rrM9g==[/tex], 求出 [tex=0.5x1.0]yBR4oiFoTexGaFalQ7m8kg==[/tex] 的平均值的一个估计值 [tex=3.0x1.357]4fSnOvtIziPu3N1gf25oBItyt80s1llTvenm4sFhgkI=[/tex] 称为[input=type:blank,size:4][/input]。 A: 平均值的点估计 B: 个别值的点估计 C: 平均值的置信区间估计 D: 个别值的预测区间估计