使用WAGE2.RAW中的数据。 (i)在教材例9.3中,用变量KWW(“工作领域内知识”测试分数)取代IQ作为能
使用WAGE2.RAW中的数据。
(i)在教材例9.3中,用变量KWW(“工作领域内知识”测试分数)取代IQ作为能力的代理变量。在此情形下,估计的教育回报是多少?
(ii)现在用IQ和KWW一起作为代理变量。所估计的教育回报会怎么样?
(iii)在第(ii)部分中,IQ和KWW是个别显著的吗?它们联合显著吗?
使用WAGE2.RAW中的数据。
(i)在教材例9.3中,用变量KWW(“工作领域内知识”测试分数)取代IQ作为能力的代理变量。在此情形下,估计的教育回报是多少?
(ii)现在用IQ和KWW一起作为代理变量。所估计的教育回报会怎么样?
(iii)在第(ii)部分中,IQ和KWW是个别显著的吗?它们联合显著吗?
本题使用WAGE2.RAW中的数据。一般地,保证如下所有回归都含有截距。
(i)将IQ对educ进行简单回归,并得到斜率系数
本题使用WAGE2.RAW中的数据。
(i)估计模型
并以通常的形式报告结果。保持其他因素不变,黑人和非黑人之间的月薪差异近似为多少?这个差异是统计显著的吗?
(ii) 在这个方程中增加变量exper²和tenure², 证明即便在20%的显著性水平上, 它们也不是联合显著的。
(iii)扩展原模型,使受教育回报取决于种族,并检验受教育的回报是否的确取决于种族。
(iv)再回到原模型,但现在容许四个不同人群(已婚黑人、已婚非黑人、单身黑人和单身非黑人)的工资有差别。估计已婚黑人和已婚非黑人之间的工资差异是多少?
本题要用到WAGE2.RAW中的数据。
(i)考虑一个标准的工资方程
表述虚拟假设:多一年工作经历与在现在的岗位上多工作一年对log(wage) 具有相同影响。
(ii)在5%的显著性水平上,相对于双侧对立假设,通过构造一个95%的置信区间来检验第(i)部分中的虚拟假设。你得到的结论是什么?
考虑一个教育回报取决于工作经历多少(反之亦然)的模型:
(i)证明:保持exper不变,多受一年教育的回报(以小数表示)是β1+β3exper。
(ii)陈述如下原假设:教育的回报并不取决于exper的水平。你认为合适的备择假设是什么?
(iii)利用WAGE2.RAW中的数据,相对你给出的备择假设来检验(ii)中的原假设。
(v)令θ1表示exper=10时(以小数表示)的教育回报:θ1+10β3求出β1的估计值及其95%的置信区间.(提示:写成θ1-10β3并代入方程,然后重新整理。这就给出了得到的θ1置信区间所需做的回归。)
(i)求出样本中的平均工资和平均IQ。IQ的样本标准差是多少?(总体中的IQ已标准化为平均值是100,标准差是15。)
(ii)估计一个简单回归模型,其中IQ提高一个单位导致wage变化相同的数量。利用这个模型计算IQ提高15个单位时,工资的预期变化。10能够解释大多数工资波动吗?
(iii)现在再估计一个模型,其中IQ提高一个单位对工资具有相同的百分比影响。如果IQ提高15个单位,预期工资提高的百分比大约是多少?
本题使用GPA2.RAW中的数据。
(i)使用所有4137个观测,估计方程
并以标准形式报告结论。
(ii)使用前2070个观测再重新估计第(i)部分中的方程。
(iii)求出第(i)部分与第(ii)部分所得到的标准误的比率。并将这个比率与式(5.10)中的结论相比较。
A.超高I/O
B.普通I/O
C.低I/O
D.高I/O
本题使用LOANAPP.RAW中的数据。
(i)有多少个观测的obrat>40,即其他债务负担超过其总收入的40%?
(ii)在计算机习题C7.8中,去掉o brat 40的观测,重新估计第(iii)部分中的模型。white的系数估计值和t统计量将会怎样?
(iii)看起来对所使用的样本过度敏感吗?