君，已阅读到文档的结尾了呢~~
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
计量经济学8-非线性回归函数
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口苹果/安卓/wp
积分 6736, 距离下一级还需 3444 积分
权限: 自定义头衔, 签名中使用图片, 隐身, 设置帖子权限, 设置回复可见
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡, 显身卡, 匿名卡, 抢沙发, 提升卡, 沉默卡, 千斤顶, 变色卡下一级可获得
权限: 签名中使用代码
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
尴尬签到天数: 1051 天连续签到: 1 天[LV.10]以坛为家III
万分感谢老师！
载入中......
附件: 你需要才可以下载或查看附件。没有帐号？
无法正确显示附件中的中文字符，请直接贴到帖子里即可。
我在应用面板门限模型的时候得出以下结果，样本量：n=29，t=8，nt=232，从这个门槛效果自抽样中是不是可以确定存在双重门槛？
-------------------------------------------------------------------------------
& && && && && && && && && && && && && && && && && && && && &临界值
& && && && & ------------------------------------------------------------------
& & 模型& && && &F值& && && &P值& && &BS次数& && && &1%& && & 5%& && & 10%
-------------------------------------------------------------------------------
&&单一门槛& &&&18.481*& && &0.065& && & 200& && &&&27.323& &20.384& &16.765
&&双重门槛& && &9.074***& & 0.010& && & 200& && && &8.892& & 1.184& &-1.851
&&三重门槛& && &0.756& && & 0.555& && & 200& && &&&18.133& & 8.495& & 5.656
-------------------------------------------------------------------------------
在但在结果中出现了omitted，这是什么意思，是说系数约等于0么？
---搜索第二个门槛值---
第二个门槛估计值：.
---重新搜索第一个门槛值---
更新后的第一个门槛估计值：.
Fixed-effects (within) regression& && && && && &Number of obs& && &=& && & 232
Group variable: idnew& && && && && && && && && &Number of groups& &=& && &&&29
R-sq:&&within&&= 0.7519& && && && && && && && & Obs per group: min =& && && &8
& && & between = 0.1001& && && && && && && && && && && && && & avg =& && & 8.0
& && & overall = 0.0093& && && && && && && && && && && && && & max =& && && &8
& && && && && && && && && && && && && && && && &F(6,197)& && && &&&=& &&&99.51
corr(u_i, Xb)&&= -0.9634& && && && && && && && &Prob & F& && && &&&=& & 0.0000
------------------------------------------------------------------------------
& && & lnt&&|& && &Coef.& &Std. Err.& && &t& & P&|t|& &&&[95% Conf. Interval]
-------------+----------------------------------------------------------------
& && & lnsr |&&-.3747769& & .091804& & -4.08& &0.000& & -.5558216& &-.1937323
& && & lnso |&&-.1238704& &.0268825& & -4.61& &0.000& & -.1768848& & -.070856
& && & lnsf |& & .048129& &.0337872& &&&1.42& &0.156& & -.0185021& & .1147601
& && & lntr |&&-.2902122& &.0574944& & -5.05& &0.000& & -.4035956& &-.1768287
& &&&lnso_1 |& &.0989882& &.0220085& &&&4.50& &0.000& &&&.0555857& & .1423906
& &&&lnso_2 |& &.0445079& &.0114802& &&&3.88& &0.000& && &.021868& & .0671478
& &&&lnso_3 |&&(omitted)
& && & _cons |& &3.886746& &.4448359& &&&8.74& &0.000& &&&3.009495& & 4.763998
-------------+----------------------------------------------------------------
& &&&sigma_u |&&1.1301851
& &&&sigma_e |&&.
& && && &rho |&&.& &(fraction of variance due to u_i)
------------------------------------------------------------------------------
F test that all u_i=0:& &&&F(28, 197) =& & 19.12& && && && & Prob & F = 0.0000
问题2：第二个区间出现了共线性，对每个区间进行单独估计之后第二个区间的估计系数与第一个区间的估计系数完全一致，这种情况是为什么呢?
& && & 如果是这样，还能确定是有两个门槛么？
具体的估计结果如下：
note: g2of omitted because of collinearity
------------------------------------------------------------------------------
& && & lnt&&|& && &Coef.& &Std. Err.& && &t& & P&|t|& &&&[95% Conf. Interval]
-------------+----------------------------------------------------------------
& && & lnsr |&&-.3747769& & .091804& & -4.08& &0.000& & -.5558216& &-.1937323
& && & lnso |&&-.0793625& &.0247266& & -3.21& &0.002& & -.1281252& &-.0305997
& && & lnsf |& & .048129& &.0337872& &&&1.42& &0.156& & -.0185021& & .1147601
& && & lntr |&&-.2902122& &.0574944& & -5.05& &0.000& & -.4035956& &-.1768287
& && & g1of |& &.0544802& &.0192834& &&&2.83& &0.005& &&&.0164519& & .0925085
& && & g2of |&&(omitted)
& && & g3of |&&-.0445079& &.0114802& & -3.88& &0.000& & -.0671478& & -.021868
& && &_cons |& &3.886746& &.4448359& &&&8.74& &0.000& &&&3.009495& & 4.763998
-------------+----------------------------------------------------------------
& &&&sigma_u |&&1.1301851
& &&&sigma_e |&&.
& && && &rho |&&.& &(fraction of variance due to u_i)
------------------------------------------------------------------------------
F test that all u_i=0:& &&&F(28, 197) =& & 19.12& && && && & Prob & F = 0.0000
你用 sum , detail 命令列出门槛变量的详细统计量。
因为，我怀疑你搜索出来的两个门槛值很可能处于两端（即靠近门槛变量的最小值或最大值），或者两个门槛值非常接近。
为了避免这种问题，你可以使用 xtthres 命令的 minobs() 选项来控制每个区间内的至少需要包含的样本数。
arlionn 发表于
你用 sum , detail 命令列出门槛变量的详细统计量。
因为，我怀疑你搜索出来的两个门槛值很可能处于两端（ ...非常感谢连老师！
无限扩大经管职场人脉圈！每天抽选10位免费名额，现在就扫& 论坛VIP& 贵宾会员& 可免费加入
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
京ICP证090565号
论坛法律顾问：王进律师当前位置： >>
计量经济学4
一元线性回归 Chapter 4Linear Regression with One Regressor 一元线性回归一元线性回归使我们可以估计、推断总体回归 线的斜率系数。我们的最终目标是估计自变量 X发生一个单位的变化， 会导致因变量Y发生多 少的变化。 ? 为使问题简化，下面我们分析只有两个变量的 Y和X之间为线性关系的情形。
?2总体回归线(The population一般意义上讲，对均值或者两个均值间进行的统计推 断，与对线性回归的统计推断是类似的。?regression line)Test Score = β0 + β1STR估计?如何从数据中得到一个直线以用来估计总体回归线的斜 率：使用普通最小二乘（ordinary least squares ）。使用 OLS的好处与不足有哪些？ 如何检验斜率是否为零。 如何构建关于斜率取值的置信区间。β1 = 总体回归线的斜率=? ?假设检验?ΔTest score ΔSTR = STR 变化一单位导致 test score 发生的变动2. 我们希望知道总体参数β1 的具体数值。 3. 然而，我们并不知道 β的数值是多少，因此要根1. 为何β0 和β1 被称为总体参数？置信区间?据数据对它进行估计。3 4一元线性回归模型的术语Yi = β0 + β1Xi + ui, i = 1,…, n ? X 是自变量（independent variable）或回归变量7个学区的假想观测值 Yi = β0 + β1X为总体回归线 ui为第i个观测的总体误差项（ regressor）或右边变量。? Y 是因变量（dependent variable）从属变量（regressand）或左边变量。? β0 ：总体回归的截距（intercept） ? β1 ：总体回归的斜率（slope） ? ui ：误差项(error item）?误差项构可能因遗漏因素或 Y 的测量误差引起。遗漏因 素指那些除了变量 X 之外的能够对 Y 产生影响的因素。5 61如何利用数据估计 β0 和 β1 ？――普通最小二乘估计量前面讨论过，Y 是总体均值μY 的 最小二乘估计量，即在所有 可能的估计量 m 中， Y 使估计误差总平方和最小：将 OLS 估计量这种思想应用于线性回归模型。令 b0 和 b1 分 别表示β0 和β1 的某个估计量，则基于这些估计量的回归线 为：b0+b1X，于是由这条线得到 Yi 的预测值为：b0+b1Xi。 因而，第 i 个观测的观测误差为：Yi-b0-biXi，n 个观测的观测 误差平方和为：min m ∑ (Yi ? m )i =1n2∑ (Y ? bi =1 in0? bi X i ) 24.6称最小化 4.6 式中误差平方和的截距和斜率估计量为β0 和β1 的普通最小二乘（OLS）估计量。7 8OLS估计量、预测值和残值斜率β1和截距β 0的OLS估计量分别为 ? β1 =OLS预测值和残值? ? OLS 预测值Yi 和残差ui分别为： ? ? ? Y = β + β X ， i = 1, 2, ni 0 1 i∑(Xi =1 n i =1n4.9 4.10i? X )(Yi ? Y )i∑(X=? X )2s XY 2 sX4.7? ? ui = β1i ? Yi ? ? ? 估计的截距β 0和β1和残差ui 是 利用X i 和Yi , i = 1, 2 n的n组样本观测值 计算得到的。它们分别是未知总体截距? ? β 0 = Y ? β1 X4.8β 0、β1和ui 真值的估计。910例：测试成绩和学生/教师比关系的 OLS估计值截距和斜率估计值的经济含义TestScore = 698.9 C 2.28×STR? -2.28 表示：每个教师对应的学生人数增加 1 时，学区测 试成绩平均下降 2.28 分。 ΔTest score ? 即, = C2.28 ΔSTR? 698.9 表示：对于这个回归线，每个教师对应 0 个学生的? β1 = C 2.28 ? β 0 = 698.9TestScore = 698.9 C 2.28×STR11学区，预计测试成绩为 698.9 分。?注意：截距的取值没有经济含义。122例：预测值和残差利用STATA做OLS回归输入命令：regress testscr str, robust 命令的含义 Regression with robust standard errors Number of obs F( 1, 418) Prob & F R-squared Root MSE = = = = = 420 19.26 0.2 18.581对于数据中的 Antelope 学区,其 STR = 19.33，与之相应的 Test Score = 657.8，则 Antelope 学区的 成绩预测值: 残差:------------------------------------------------------------------------| Robust testscr | Coef. Std. Err. t P&|t| [95% Conf. Interval] --------+---------------------------------------------------------------str | -2.9 0.000 -3..258671 _cons | 698.933 10. 0.000 678.7 -------------------------------------------------------------------------TestScore = 698.9 C 2.28×STR? YAntelope = 698.9 C 2.28×19.33 = 654.8? u Antelope = 657.8 C 654.8 = 3.013 14拟合优度（ Measures of Fit ）所得到的回归线描述数据的效果如何评价？ 回归变量说明了大部分还是极少部分的因变量变化？ 观测值是紧密地聚集在回归线周围还是很分散？ ? 回归的 R2 是指可由 Xi 解释（或预测）的 Yi 样本方差的 比例。回归的 R2 的取值范围为 0 到 1.?回归的R2回归的 R2 是指可由 Xi 解释（或预测）的 Yi 样本方差的比 例。 ? ? Yi = Yi + ui = OLS 预测值 + OLS 残差 ? ? ? sample var (Y) = sample var(Yi ) + sample var( ui ) (why?)? 总平方和(TSS)=被解释平方和(ESS) +剩余平方和(SSR)ESS TSS ? SSR SSR = = 1? TSS TSS TSS ? R2 = 0 表示 ESS = 0 R2 =? R2 = 1 表示 ESS = TSS ? 0 ≤ R2 ≤ 1?回归标准误差（standard error of the regression ，SER） 是回归误差 ui 的标准差估计量。Y 关于一元变量 X 回归的 R2 是 Y 与 X 的相关系数平方。1615回归标准误差(The Standard Error of the Regression, SER)回归标准误差是回归误差 ui 的标准差估计量。 因为 ui 的单位和 Yi 的单位一样，所以 SER 是用因变量单位为何用 nC2 代替 nC1?SER =1 n 2 ? ∑ ui n ? 2 i =1度量的观测值在回归线附近的离散程度。SER =?除以 nC2 是进行自由度修正。类似于计算样本方差的公式 中除以 nC1，是由于计算时用到一个参数的估计量 (, 用Y 估计μY)。在计算回归标准误差的时候，用到两个参数的估 ? ? 计量(用 β 和 β 估计β0 ，β1)。0 11 n ? ? ∑ (ui ? u )2 n ? 2 i =1 1 n 2 ? ∑ ui n ? 2 i =1?当 n 很大时， 除以 n, nC1, or nC2 的差距不大。=? (其中第二个等式用到 u =1 n ? ∑ ui = 0). n i =117 183例：R2 和 SER最小二乘假设我们希望 OLS 估计量具有无偏、较小方差的特性。但是 在什么样的前提之下，OLS 估计量才是总体参数的无偏估计 量呢？ 为此，我们需要对 Y 和 X 是如何相互关联以及有关数据 是如何收集（抽样方案）的进行一定的假设。 共有三个基本假设。TestScore = 698.9 C 2.28×STR, R2 = 0.05, SER = 18.6从 R = 0.05 看，STR 仅仅揭示了测试成绩变动中的一小部 分 。这个结论有意义么？是否可以认为 STR 在政策制定中 不重要呢？19 202最小二乘假设之1Yi = β0 + β1Xi + ui, i = 1,…, n 零条件均值 给定 Xi 时，ui,的条件分布均值为零。该假设是关于包 含在 ui 中的“其他因素”的规范数学表示，表明在 Xi 取值给定时，其他因素分布均值为零，也就是说， ? 这些“其他因素”与 Xi 无关。这意味着 β1 是无偏E(u|X = x) = 0.给定 Xi 时，ui 的条件分布均值为零。的。表示为： E(ui|Xi = x) = 0 简单记为 E(u i |Xi) = 021例: Test Scorei = β0 + β1STRi + ui, ui = 其他因素 ? 其他因素可能包括哪些内容？ ? 对于其他因素而言， E(u|X=x) = 0 这个条件是否可信呢？22随机对照试验中u的条件均值在随机对照试验中，试验对象被随机分配 到处理组(X=1)或者对照组(X=0)中。 其中随 机分配通常采用与试验对象无关的计算机 程序进行，这样就能确保 X 的分布与试验 对象的所有个体特征独立。 随机分配使 X 和 u 相互独立，这就意味着 给定 X 时，u 的条件均值为零。23相关系数和条件均值给定一个变量时另一个变量的条件期望为零， 则这两个变量的协方差为零。因此， 条件均值 假设 E(ui｜Xi)=0,意味着 ui 和 Xi 不相关，或 corr(Xi ,ui)=0. 由于相关系数是线性关系的度量， ，上述结论 反过来不成立；即使 ui 和 Xi 不相关，给定 Xi 时，ui 的条件均值也可能不为零。但是如果 ui 和 Xi 相关，则 E(ui｜Xi)必定不为零。244最小二乘假设之2Yi = β0 + β1Xi + ui, i = 1,…, n (Xi,Yi), i =1,…,n,的观测独立同分布 （iid）.(随机抽样) ? 这是关于如何抽样的表述。 ? 如果观测是从单个较大总体中通过 简单随机抽样得到的，则(Xi,Yi)独立 同分布。最小二乘假设之3Yi = β0 + β1Xi + ui, i = 1,…, n 不太可能出现大异常值 Xi 和（或）Yi 的观测中远落在一般数据范围 之外的大异常值是不大可能出现的。 ? 表述为：X 和 Y 具有非零有限四阶距: 即 0 & E ( X ) & ∞, 0 & E (Y ) & ∞ ? 或表述为：X 和 Y 具有有限峰度。 ? 该假设说明 OLS 对异常值是很敏感 的。4 i 4 i2526出现异常值情况举例OLS估计量的抽样分布? ? OLS 估计量 β 0和β1 是由随机抽取的样本计算得到的，抽取的 ? ? 样本不同，得到的 β 0和β1 的取值也不同。这些估计量本身就是随机变量，具有描述在不同可能随机样本中取值情况的概 率分布，即抽样分布。? 图中孤立点表明 X 和 Y 哪个取值异常??实践中，出现异常值的一种可能是数据登录错误。画数 据散点图是简单有效的检查方法。27 28线性回归分析的概率框架模型总体所关注对象的集合 (例如: 所有可能的学区)? β1抽样分布? 类似于Y , β1 具有抽样分布 ? ? E( β )=？ (即它的中心是什么？)1随机变量 Y, X例如: 测试成绩（testsore），学生教师比(STR) (Y, X)的联合分布 总体模型为线性。即线性于参数 β 0，β1 。 E(u|X) = 0 (最小二乘假设之一) X, Y 具有有限四阶距 (最小二乘假设之三)? ? 如果 E( β1 ) = β1, 则 OLS 是无偏的。一很好性质。 ? ? var( β )=? (衡量抽取样本的不确定)1? ? 小样本情况下 β1 的分布？简单随机抽样{(Xi, Yi)}, i = 1,…, n, 为 i.i.d. (最小二乘假设之二)? 一般情况下非常复杂。 ? ? 大样本情况下 β 的分布？1?? 大样本情况下， β1 近似于正态分布。30295? β1抽样分布的均值和方差Yi = β0 + β1Xi + ui Y = β0 + β1 X + u Yi C Y = β1(Xi C X ) + (ui C u ),带入下式中? β1 = β 1∑( Xi =1 nni? X )( X i ? X )i∑( Xi =1+∑( Xi =1 n i =1ni? X )(ui ? u )i? X )2∑( X? X )2可得? β1=∑( Xi =1 n i =1ni? X )(Yi ? Y )i∑( X? X )2=∑ ( X i ? X )[ β1 ( X i ? X ) + (ui ? u )]i =1n得到? β1 C β1 =∑( Xi =1 n i =1ni? X )(ui ? u )i∑( Xi =1ni? X )2∑( X? X )23132将∑( Xi =1ni? X )(u i ? u ) =n∑( Xi =1ni? ? X )u i 带入 β1 C β1 表达式又 ∑( Xi =1ni? X )(u i ? u )= ∑( Xn i =1i? X )u iC ?∑ ( X ?n? i =1i? ? X )? u ?= ∑( Xn i =1ni? X )u i ? X )u iC?? n ? ? ? ? ∑ X i ? ? nX ? u ? ? i =1 ? ?? β1 C β1 =∑( Xi =1 n i =1i? X )(ui ? u )i= ∑( Xi =1∑( X∑( Xi =1 n i =1 n? X )2i可得到? β1 C β1 =i? X )u ii∑( X? X )23334? 计算E ( β1 )? n ? ? ∑ ( X i ? X )u i ? ? ) C β1 = E ? i =1 E( β1 ? n ? ( X ? X )2 ? ∑ i ? i =1 ? ? ?根据期望的迭代法则： E(Y)= E [ E(Y | X)] 2.20? 计算Var ( β1 )? β1 C β1 =∑( Xi =1 n i =1ni? X )u ii∑( X? X )21 n ∑ vi n i =1 = ? n ?1? 2 ? ? sX ? n ?n ?1 ≈ 1, 可得 n? ? n ? ? ? ? ∑ ( X i ? X )u i ? ? ? ? 1 = E ? E ? i =n ? X 1 ,..., X n ? ? ? ∑ ( X i ? X )2 ? ? ? ? ? i =1 ? ? ? ? ?= 0 由最小二乘假设一，E(ui|Xi=x) = 02 令 vi = (Xi C X )ui. 如果 n 取值大, 则 s 2 ≈ σ X 且 X? β1 C β1 ≈1 n ∑vi n i =12 σX,? ? ? 因此，假设 1 意味着 E( β1 ) = β1，即 β1 是β1 的无偏估计量。? 具体参考： App. 4.335其中 vi = (Xi C X )ui (见 App. 4.3). 于是有,366? β1 C β1 ≈1 n ∑vi n i =1σ2 X? β 的抽样分布是很复杂，依赖于(Y, X)总体分布情况。当1? β1抽样分布so? ? var( β1 C β1) = var( β1 )n 较大时，可以认为近似有以下结论：? ? ? (1) 因为 var( β1 ) ∝ 1/n 和 E( β1 ) = β1,有 β1 → β1p= sovar( v ) / n 2 (σ X )2? (2) 当 n 够大， β1 的抽样分布可以较好地近似为正态分布。 (CLT) 假设 {vi}, i = 1,…, n 为 i.i.d.且满足 E(v) = 0 和 var(v) = σ2. 那1 var[( X i ? μ x )ui ] ? var( β1 C β1) = × . 4 n σX总结? ? ? β1 是无偏的: E( β1 ) = β1 C 如同 Y ! ? ? var( β ) 与 n 为反比关系 C如同 Y !137么，当 n 够大时,1 n ∑ vi 近似地服从 N(0,σ v2 / n ). n i =138? β1的大样本分布1 n 1 n ∑ vi n ∑ vi n i =1 ? ≈ i =1 , 其中 vi = (Xi C X )ui β1 C β1 = 2 σX ? n ?1? 2 sX ? ? ? n ?? 当 n 够大, vi = (Xi C X )ui ≈ (Xi C μX)ui, 为 i.i.d. (why?)，同 时 var(vi) & ∞ (why?). 因此,根据 CLT, 态分布 N(0, σ v2 / n ). ? ? 因此,当 n 够大, β 近似服从1? X 的方差越大，β1的方差越小由式? var( β1 C β1) =1 var[( X i ? μ x )ui ] × 4 σX n2 ? 其中σ X = var ( X i )，β1的方差与X i的方差平方成反比。1 ∑ vi 近似服从正 n i =1n启示 如果 X 有更多的变化，则拥有更多的信息可以用来拟合 回归线。? σ2 ? β1 ~ N ? β 1 , v 4 ? nσ X? ? ,其中 vi = (Xi C μX)ui ?39 40? 举例：X 的方差越大，β1的方差越小? 关于β1抽样分布的总结如果最小二乘的三个假设成立，则 ? ? β 1 的抽样分布: ? ? ? E( β ) = β1 ( β 是无偏的)1 11 var[( X i ? μ x ) ui ] 1 ? ∝ . ? var( β 1 ) = × 4 n σX n? ? β 1 的真实分布是复杂的，依赖于(X,u)分布情况 ? ? ? β 1 → β1 ( β 1 是一致的) ? ? β ? E ( β1 ) ~ N(0,1) (CLT) ? 当 n 够大, 1 ? var( β )1p图中黑色点和蓝色点数量相等。黑色点表示方差较大的 Xi 的 集合，蓝色点表示方差较小的 Xi 的集合。通过黑色点估计 的回归线比用蓝色点估计的更精确。41 427Exercises 1(a) The predicted average test score isTestScore = 520.4 ? 5.82 × 22 = 392.36(b) The predicted change in the classroom average test score isΔTestScore = (?5.82 × 19) ? (?5.82 × 23) = 23.284344Exercises 6? (c) Using the formula for β 0 in Equation (4.8), we know the sample average of the test scores across the 100classrooms is? ? TestScore = β 0 + β 1 × CS = 520.4 ? 5.82 × 21.4 = 395.85.Using(d) Use the formula for the standard error of the regression (SER) in Equation (4.19) to get the sum of squared residuals:SSR = ( n ? 2) SER 2 = (100 ? 2) × 11.52 = 12961.E (ui |Xi ) = 0,we haveE (Yi |Xi ) = E ( β 0 + β1 Xi + ui |Xi ) = β 0 + β1E ( Xi |Xi ) + E (ui |Xi ) = β 0 + β1 Xi .Use the formula for R 2 in Equation (4.16) to get the total sum of squares:TSS =2 The sample variance is sY =TSS n?1SSR 12961 = = 13044. 1 ? R2 1 ? 0.0822 = 13044 = 131.8. Thus, standard deviation is sY = sY = 11.5. 994546Empirical Exercises 1(a)AHE = 3.32 + 0.45 × Age作业?习题1,2,3,7Earnings increase, on average, by 0.45 dollars per hour when workers age by 1 year. (b) Bob’s predicted earnings = 3.32 + 0.45 × 26 = $11.70 Alexis’s predicted earnings = 3.32 + 0.45 × 30 = $13.70 (c) The R2 is 0.02.This mean that age explains a small fraction of the variability in earnings across individuals.. reg ahe age Source Model Residual Total ahe age _cons SS
Coef. ..324185 df 1
75..7147487 t 13.48 3.32 P&|t| 0.000 0.001 Number of obs = F( 1, 7984) = Prob & F = R-squared = Adj R-squared = Root MSE =
0.3 0.2Std. Err. ..00223[95% Conf. Interval] ..81747488
计量经济学(第四版)习题及参考答案详细版_经济学_高等教育_教育专区。计量经济...(4)对(5)错 在扰动项自相关的情况下 OLS 估计量仍为无偏估计量,但不再...计量经济学(第四版)习题参考答案_经济学_高等教育_教育专区。课后答案计量...,n 变换(3),得 Xt+1e = (1-λ )Xt +λ Xte (4) 因为 Xt+1e ...计量 多元回归统计检验 11页 免费如要投诉违规内容,请到百度文库投诉中心;如要提出功能问题或意见建议,请点击此处进行反馈。 计量经济学4 隐藏&& 分享到:
X 分...(6)对 根据这 个样 本的 数据 运用均 值估 计量 得出 的均值 估计 值为 100 ? 104 ? 96 ? 130 ? 107 .5 。 4 第二章 计量经济分析的统计学基础 ...11.计量经济学专题(4)_经济学_高等教育_教育专区。计量经济学专题(4) 动态回归与误差修正模型 1、分布滞后模型 如果被解释变量不仅仅与解释变量的本期值有关, ...计量经济学4答案_金融/投资_经管营销_专业资料。第四章 多重共线性 一、单项选择题 1、完全的多重共线性是指解释变量的数据矩阵的秩( B )(A)大于 k+1 (...经济 意义的检验 2、统计检验 3、计量经济学检验 4、预测检验(五)模型应用 1、经济分析/构分析 2、经济 预测 3、政策评价 4、检验与发展经济理论 计量经济学...《计量经济学》第3章、第... 4页 1下载券喜欢此文档的还喜欢 计量经济学题...二、简答题 1、答: 经济数据中大量存在多重共线性这一现象, 主要原因在于: ...计量经济学(第四版) 习题参考答案 第一章 绪论 1.1 一般说来,计量经济分析按照以下步骤进行: (1)陈述理论(或假说) (2)建立计量经济模型 (3)收集数据 (4)...___研究如何建立合适的方法去测定有计量经济模型所确定的经济关系。 (理论计量经济学) 4. ___是计量经济学研究的起点,也是整个计量经济分析过程中最关键的一 步...
All rights reserved Powered by
copyright &copyright 。文档资料库内容来自网络，如有侵犯请联系客服。扫二维码下载作业帮
1.75亿学生的选择
下载作业帮安装包
扫二维码下载作业帮
1.75亿学生的选择
S.E.在计量经济学中是什么意思?
扫二维码下载作业帮
1.75亿学生的选择
标准误差( Sx 或S E,standard error ) ,是样本均数的抽样误差.在实际工作中,我们无法直接了解研究对象的总体情况,经常采用随机抽样的方法,取得所需要的指标,即样本指标.样本指标与总体指标之间存在的差别,称为抽样误差,其大小通常用均数的标准误来表示.
为您推荐：
其他类似问题
回归标准误差
回归标准差，回归系数除以回归标准差就等于它的t检验值
扫描下载二维码}