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
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?
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?
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MLB1.RAW中的数据。
(i)使用方程(4.31)中所估计的模型,并去掉变量rbisyr。hrunsyr的统计显著性会怎么样?hrunsyr的系数大小又会怎么样?
(ii)在第(i) 部分的模型中增加变量runsyr(每年垒得分),fldperc(防备率)和sbasesyr(每年盗垒数) 。这些因素中,哪一个是个别显著的?
(iii)在第(ii)部分的模型中, 检验bavg, fldperc和sbasesyr的联合显著性。
本题用到MROZ.RAW中的数据。
(i) 用log(hours) 作为因变量重新估计例16.5中的劳动供给函数。将估计出的弹性(现在是常数) 与方程(16.24)在平均工作小时数处所得到的估计值相比较。
(ii) 在第(i) 部分的劳动供给方程中, 容许edc因遗漏了能力变量而成为外生变量。用mo the chic和fath educ作为educ的Ⅳ。记住, 你现在在方程中有两个内生变量。
(iii) 检验第(ii) 部分2SLS估计中过度识别约束。这些Ⅳ通过了检验吗?
这表示劳动的供给弹性为1.99。这比方程16.24中的劳动供给弹性1.26更高。
本题用到OPENNESS.RAW中的数据。
(i) 由于log(pc inc) 在式(16.22) 和opn的约简型中都是不显著的, 所以将它从分析中去掉。用OLS和Ⅳ顶答在没有log(pc inc) 的情况下估计式(16.22) 。重要的结论有什么变化吗?
(ii) 仍将log(pei c) 放在分析之外, land或log(land) 是open更好的工具变量吗?(提示:将open对二者分别并同时回归。)
(iii) 现在回到式(16.22) 中, 在方程中增加虚拟变量oil并视之为外生变量。用IV估计方程。其他条件不所有变时,作为一个石油生产国对通货膨胀有影响吗?
本题用到SMOKE.RAW中的数据。
其中, cig pric表示每包香烟的价格(美分) , 而restaur n表示一个二值变量, 并在这个人所定居的州有餐馆抽烟限制时等于1。假定这些变量对个人而言都是外生的,那么你预期y5和y6具有什么样的符号?
(iii)在什么样的条件下第(i)部分的收入方程可识别?
(iv)用OLS估计收入方程并讨论岛的估计值。
(v)估计cigs的约简型。(记住这就要求将cigs对所有外生变量回归。) log(cig pric) 和restaur n在约简型中显著吗?
(vi)现在用2SLS估计收入方程。讨论β1的估计值与OLS估计值的比较。
(vii)你认为香烟价格和餐馆抽烟限制在收入方程中是外生的吗?
本题利用FERTIL 3.RAW中的数据。
(i)以时间为横轴,画出gfr的曲线。在整个样本期间,它包含了明显的向上或向下的趋势吗?
(ii)利用直至1979年的数据,估计gfr的立方时间趋势模型(即将gfr对t、t2、t3和截距项进行回归) 。评论这个回归的R2。
(iii)用第(ii)部分中的模型,计算从1980年到1984年的提前一期预报误差的MAE。
(iv)利用到1979年为止的数据, 做对一个常数的回归。这个常数统计显著异于0吗?如果我们假定gfri服从一个随机游走,同时也假定漂移项为0,这样做合理吗?
(v)用随机游走模型预报从1980年到1984年的gfr:gfni+1的预报值无非就是gfrit。求出MAE。它与第(iii)部分中得到的MAE有何区别?你更喜欢哪一种预报方法?
(vi)用直至1979年的数据估计gfr的AR(2)模型。第二个滞后项显著吗?
(vii)用AR(2) 模型求出1980~1984年的MAE。这个更一般的模型比随机游走模型的样本外预报效果更好吗?
本题要利用LAWS CH 85.RAW中的数据。
(i)使用与第3章习题4一样的模型,表述并检验虚拟假设:在其他条件不变的情况下,法学院排名对起薪中位数没有影响。
(ii)新生年级的学生特征(即LSAT和GPA) 对解释salary而言是个别或联合显著的吗?
(iii)检验是否要在方程中引入入学年级的规模(clsize) 和教职工的规(faculty) ; 只进行一个检验。(注意解释clsize和faculty的缺失数据。)
(iv)还有哪些因素可能影响到法学院排名,但又没有包括在薪水回归中?
(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?
本题利用TRAFFIC 2.RAW中的数据。前面的计算机习题C 10.11曾要求你分析这些数据。
(i)计算变量prc fat的一阶自相关系数。你认为prc fat包含单位根吗?失业率也一样吗?
(ii)估计一个将prc fal的一阶差分Aprcfat与计算机习题C10.11第(vi) 部分中同样变量相联系的多元回归模型,只是你还应该对失业率进行一阶差分。于是,模型中包含一个线性时间趋势、月度虚拟变量、周末变量和两个政策变量:不要将这些变量进行差分。你发现了什么有意思的结论吗?
(iii)评论如下命题:“在进行多元回归之前,我们总应该将怀疑具有单位根的时间序列进行一阶差分,因为这样做是一种安全策略,而且应该得到与使用水平值类似的结论。”[在回答这个问题时,最好先做(如果你还没有做过的话)计算机习题C10.11第(vi)部分中的回归。]