在用EXCEL进行回归分析时,输出的方差分析表中,Significance F的值是().A给定显著性水平时的F
在用EXCEL进行回归分析时,输出的方差分析表中,Significance F的值是().
A给定显著性水平时的F检验的临界值
B检验统计量F的数值
C检验整个回归方程的F检验的p值
D检验单个回归系数的t检验的p值
在用EXCEL进行回归分析时,输出的方差分析表中,Significance F的值是().
A给定显著性水平时的F检验的临界值
B检验统计量F的数值
C检验整个回归方程的F检验的p值
D检验单个回归系数的t检验的p值
A.给定显著性水平时的F检验的临界值
B.检验统计量F的数值
C.检验整个回归方程的F检验的p值
D.检验单个回归系数的t检验的p值
A.=B3+C3+D3
B.=B3+D3
C.=SUM(B3,C3,D3)
D.=SUM(B3:D3)
A.仍具有无偏性、一致性和最小方差性
B.不具有无偏性、一致性和最小方差性
C.仍具有无偏性和一致性,但不具有最小方差性
D.不具有无偏性、一致性,但仍具有最小方差性
使用VOTE1.RAW中的数据。
(i)估计一个以voteA为因变量并以prystrA、deocA、log(expendA)和log(expendB)为自变量的模型。得到OLS残差,并将这些残差对所有的自变量进行回归。解释你为什么得到R2=0。
(ii)现在计算异方差性的布罗施-帕甘检验。使用F统计量的形式并报告P值。
(iii)同样利用F统计量形式计算异方差性的特殊怀特检验。现在异方差性的证据有多强?
一个二元线性回归模型的回归结果如下表所示:
方差来源 平方和 自由度
来自残差 17058 32
来自回归 26783 2
来自总离差 43841 34
(1)求样本容量n;(2)求可决系数;
(3)根据以上信息,在给定显著性水平下,可否检验两个解释变量对被解释变量的联合影响是否显著,为什么?
1964年,曾经对9966名经济学家进行了调查,数据如下:
年龄 | 工资中值(美元) |
20~24 25~29 30~34 35~39 40~44 45~49 50~54 55~59 60~64 65~69 70+ | 7800 8400 9700 11500 13000 14800 15000 15000 15000 14500 12000 |
a.建立适当的模型解释工资与年龄的关系。为了进行回归,假设工资中值对应于年龄区间的中点。
b.假设误差方差与年龄成比例变动,变换数据,求WLS回归。
c.假设误差方差与年龄的平方成比例变动,求WLS回归。
d.哪一个假设看来更可行?
本题利用JTRAIN3.RAW中的数据。
(i)估计简单回归模型并用常用格式报告结论。基于这个回归,1976年和1977年的工作培训看上去对1978年的真实劳动工资有正的影响吗?
(ii)现在使用真实劳动工资的变化cre=re 78-re 75作为因变量。(由于我们假定1975年之前没有工作培训,所以我们没有必要对train进行差分。也就是说,如果我们定义ctrain=train 78-train75, 那么,由于train75=0,所以ctran=train78。)现在,培训的估计影响有多大?讨论它与第(i)部分估计值的比较。
(iii)利用通常的OLS标准误和异方差-稳健标准误求培训效应的95%置信区间,并描述你的结论。
利用JTRAIN3.RAW中的数据。
(i)估计简单回归模型re78=β0+β1train+u,并用常用格式报告结论。基于这个回归,1976年和1977年的工作培训看上去对1978年的真实劳动工资有正的影响吗?
(ii)现在使用真实劳动工资的变化cre=re78-re75作为因变量。(由于我们假定1975年之前没有工作培训,所以我们没有必要对train进行差分。也就是说,如果我们定义ctrain=train78-train75,那么,由于train75=0,所以ctrain=train78.)现在,培训的估计影响有多大?讨论它与第(i)部分估计值的比较。
(iii)利用通常的OLS标准误和异方差-稳健标准误求培训效应的95%置信区间,并描述你的结论。
使用TRAFFIC2.RAW中的数据。
(i)做prcfat对一个线性时间趋势、月份虚拟变量及变量wkends,unem,spdlaw和beltlw的OLS回归。利用教材方程(12.14)中的回归检验误差中的AR(1)序列相关。使用假定了严格外生回归元的检验说得过去吗?
(ii)利用尼威-韦斯特估计量中的4阶滞后,求spdlaw和beltlaw系数的序列相关和异方差-稳健标准误。这将如何影响这两个政策变量的统计显著性?
(iii)现在,利用迭代普莱斯-温斯顿程序估计模型,并将估计值与OLS估计值进行比较。政策变量的系数或统计显著性有重大变化吗?
A.Choice、Predict
B.NumAssemble、Power
C.NumericCast、Power
D.NumAssemble、Predict