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?

公告：维护QQ群：833371870，欢迎加入！
公告：维护QQ群：833371870，欢迎加入！
公告：维护QQ群：833371870，欢迎加入！

2022-05-31 问题

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?

2022-05-31 问题

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。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?