![](https://static.youtibao.com/asksite/comm/h5/images/m_q_title.png)
根据11年的观察值,得到如下回归模型: 模型A:=2.6911-0.4795Xt se=(0.1216) (0.1140) r2=0.6628 模型B:l
根据11年的观察值,得到如下回归模型:
模型A:=2.6911-0.4795Xt
se=(0.1216) (0.1140) r2=0.6628
模型B:ln=0.7774-0.2530lnXt
se=(0.0152) (0.0494) r2=0.7448
其中,Y是每人每天消费咖啡的杯数,X是咖啡的价格(美元/磅)。
![](https://static.youtibao.com/asksite/comm/h5/images/solist_ts.png)
根据11年的观察值,得到如下回归模型:
模型A:=2.6911-0.4795Xt
se=(0.1216) (0.1140) r2=0.6628
模型B:ln=0.7774-0.2530lnXt
se=(0.0152) (0.0494) r2=0.7448
其中,Y是每人每天消费咖啡的杯数,X是咖啡的价格(美元/磅)。
为了研究制造业增加值中生产工人份额即劳动力份额的变化,根据1949~1964年间美国的数据,得到如下回归结果:(括号中给出了t值)
模型A:=0.4529-0.0041t;r2=0.5284;d=0.8252
t= (-3.9608)
模型B:=0.4786-0.00127t+0.0005t2;R2=0.6629;d=1.82
t= (-3.2724) (2.7777)
式中,Y——劳动份额;t——时间。
艾斯特里欧(Asteriou)和霍尔(Hall)根据英国1990年第一季度至1998年第二季度的季度数据得到如下回归结果。应变量是log(IM)=出口的对数(括号内的是t值)。
解释变量 | 模型1 | 模型2 | 模型3 |
Intercept | 0.6318 (1.8348) | 0.2139 (0.5967) | 0.6857 (1.8500) |
Log(GDP) | 1.9269 (11.4117) | 1.9697 (12.5619) | 2.0938 (12.1322) |
Log(CPI) | 0.2742 (1.9961) | 1.0254 (3.1706) | — 0.1195 |
Log(PPI) | -0.7706 (-2.5248) | 0.1195 (0.8787) | |
Adjusted-R2 | 0.9638 | 0.9692 | 0.9602 |
考虑下面的模型:
Y1t=A1+A2Y2t+A3X1t+u1t
Y2t=B1+B2Y1t+u2t
式中,Y是内生变量;X是外生变量;u是随机误差项。根据这个模型,得到简化形式的回归模型如下:
Y1t=6+8X1t
Y2t=4+12X1t
根据X和Y的10组观察值得到如下数据。
∑Yi=1110;∑Xi=1680;∑XiYi=204200
假定满足CLRM的所有假定,求
根据1948~1984年期间英国私有部门的私房动工数(X),米勒斯(Terence Mills)得到如下回归结果:
注:5%的τ临界值是-2.95和10%的τ临界值是-2.60。
a.根据这些结果,新房动工时间序列是平稳的还是非平稳的?或者,在此时间序列中有没有单位根?你是怎样知道的?
b.如果你用了平常的t检验,那么所测的t值是不是统计上显著的?根据这一.点,你会作出结论说此时间序列是平稳的吗?
c.现在考虑如下回归结果:
其中△²是二阶差分运算子,也就是一阶差分的一阶差分。现在所估τ值是统计上显著的。那么你能对所考虑的时间序列的平稳性说些什么?
假设儿子身高Y与父亲身高X适合一元线性回归模型,观察了10对父子的身高(英寸)得数据如下:
可判断样本估计的标准差为________。
A.8.1
B.9.1
C.7.1
D.10.1
假设儿子的身高(y)与父亲的身高(x)适合一元正态线性回归模型,观察了10对英国父子的身高(英寸),数据如下:
x | 60 | 62 | 64 | 65 | 66 | 67 | 68 | 70 | 72 | 74 |
y | 63.6 | 65.2 | 66 | 65.5 | 66.9 | 67.1 | 67.4 | 63.3 | 70.1 | 70 |
A.10
B.100
C.90
D.81