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

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

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。

利用MEAP00 O1中的数据回答本题。（i)使用OLS估计模型并用通常的格式报告你的结论。在5%的显著性

利用MEAP00 O1中的数据回答本题。

(i)使用OLS估计模型

并用通常的格式报告你的结论。在5%的显著性水平上，每个解释变量都是统计显著的吗？

(ii)求出第(i) 部分中回归的拟合值。拟合值的取值范围是多少？它与math4的实际数据取值范围相比如何？

(iii)求出第(i)部分中回归的残差。哪类学校具有最大的(正)残差？对这个残差给予解释。

(iv)在方程中增加所有解释变量的平方项，检验它们的联合显著性。你会把它们放到模型中吗？

(v)回到第(i)部分中的模型，将因变量和每个解释变量都除以各自的样本标准差，并重新进行回归。(除非你还将每个变量分别减去了各自的均值，否则还应该包括一个截距项。)以标准差为单位，哪个解释变量对数学考试通过率具有最大的影响？

本题利用INVEN.RAW中的数据;也可参见计算机习题C11.6。（i)从加速数模型中求出OLS残差，并用回归

本题利用INVEN.RAW中的数据;也可参见计算机习题C11.6。

(i)从加速数模型中求出OLS残差，并用回归来检验是否存在序列相关。p的估计值是多少？序列相关看起来是多大的问题？

(ii)用PW估计这个加速数模型，并将β₁的估计值与OLS估计值进行比较。你为什么预期它们很相似？

本题利用HPRICE1.RAW中的数据。（i)估计模型并以通常的OLS格式报告结论。（ii)当lotsize=20000，scr

本题利用HPRICE1.RAW中的数据。

(i)估计模型

并以通常的OLS格式报告结论。

(ii)当lotsize=20000，scrft=2500和bdrms=4时，求出log(price) 的预测值。利用6.4节中的方法，在同样的解释变量值的情况下，求出price的预测值。

(iii)就解释price中的变异而言，决定你是偏好第(i)部分中的模型，还是偏好模型

利用HPRICE1.RAW中的数据。

(i)估计模型

并按通常的格式报告你的结果，包括回归标准误。当我们代入lotsize=10000，sqrft=2300和bdrms=4时，求出预测价格，将这个价格四舍五入到美元。

(ii)做一个回归，使你能得到第(i)部分中预测值的一个95%的置信区间。注意，由于四舍五入的误差，你的预测将多少有些不同。

(iii)令price⁰为具有第(i)部分和第(ii)部分所述特征的住房的未知未来售价。求出price⁰的一个95%的置信区间，并对这个置信区间的宽度进行评论。

本题使用HTV.RAW中的数据。（i)基于整个样木， 利用解释变量educ、abil、exper、nc、west、south和urb

本题使用HTV.RAW中的数据。

(i)基于整个样木， 利用解释变量educ、abil、exper、nc、west、south和urban， 利用OLS估计log(wage)的一个模型。报告教育的估计回报及其标准误。

(ii)现在， 仅利用educ＜16的人群来估计第(i) 部分中的方程。样本损失了多大的比例？现在， 多读一年书的估计回报是多少？它与第(i)部分中的结果相比如何？

(iii)现在， 去掉所有wage≥20的观测， 于是， 样本中剩下每个人每小时工资都不足20美元。做第(i) 部分中的回归， 并评论educ的系数。(由于正常的断尾回归模型都假定y是连续的， 所以理论上我们去掉wage≥20还是去掉wage＞20都无所谓。但在这个应用研究中， 由于有些人正好每个小时挣20美元， 所以二者略有差异。)

(iv)利用第(ii) 部分中的样本， 应用断尾回归[上断点为log(20) ] .假定第(i) 部分中得到的估计值是一致的，这个断尾回归能够重新得到整个总体中的教育回报估计值吗？

本题使用JTRAIN.RAW中的数据。

(i)考虑简单回归模型

其中，scrap表示企业的废品率，grant表示是否得到工作培训津贴的一个虚拟变量。你能想到u中的无法观测因素可能会与grant相关的原因吗？

(ii)利用1988年的数据估计这个简单的回归模型。(你应该有54个观测。)得到工作培训津贴显著地降低了企业的废品率吗？

(iii)现在增加一个解释变量log(scrap87)。这将如何改变grant的估计影响？解释grant的系数。相对于单侧备择假设它在5%的显著性水平上统计显著吗？

(iv)相对双侧备择假设，检验log(scrapg)的参数为1的虚拟假设。报告检验的P值。

(v)利用异方差-稳健标准误，重复第(iii)步和第(iv)步，并简要讨论任何明显的差异。

含了所观测到的数据，其中个人基本上是自己决定是否参加工作培训。数据集包含同一时期的数据。

(i)在数据集JTRAIN2.RAW中，男人参加工作培训的比例是多大？在JTRAIN3.RAW中的比例又是多大？你认为为什么存在这么大的差距？

(ii)利用JTRAIN2.RAW，做re78对train的简单回归。参与工作培训对真实工资的估计影响有多大？

(ii)现在，在第(ii)部分的回归中增加控制变量re74，re75，educ，age，black和hisp。工作培训对re78的估计影响变化大吗？何以至此？(提示：记得这些都是实验数据。)

(iv)利用JTRAIN3.RAW中的数据做第(ii)部分和第(iii)部分的回归，只报告train的估计系数及其：统计量。现在，控制额外因素的影响如何？为什么？

(v)定义avgre=(re74+re75)/2。求这两个数据集中的样本均值、标准差、最小值和最大值。这些数据集代表了1978年同样的总体吗？

(vi)在数据集JTRAIN2.RAW中，几乎96%的男性的avgre低于10000美元。只利用这些男性的数据，做re78对train，re74，re75，educ，age，black和hisp的回归，并报告培训估计值及其：统计量。对JTRAIN3.RAW

也只利用avgre ≤10的男性做同样的回归。就这个低收入男性子样本而言，实验数据集和非实验数据集估计的培训效应有何差别？

(vii)现在，只针对1974年和1975年失业的男性，利用每个数据集做re78对train的简单回归。培训的估计值又有何差别？

(viii)利用你前面的回归结果，试讨论在比较实验估计值和非实验估计值的背后，拥有可比较总体的潜在重要性。

(i)利用WAGEPRC.RAW中的数据，估计第11章习题5中的分布滞后模型。用回归教材(12.14)来检验AR(1)序列相关。

(ii)用迭代的科克伦-奥卡特方法重新估计这个模型。长期倾向的新估计值是多少？

(iii)用迭代C0求出LRP的标准误。(这要求你估计一个修正方程。)判断LRP估计值在5%的水平上是否统计显著异于1？

（i)利用WAGE PRC.RAW中的数据，估计习题11.5中的分布滞后模型。用回归（12.14)来检验AR（1)序列相

关。

(ii)用迭代的科克伦-奥卡特方法重新估计这个模型。长期倾向的新估计值是多少？

(iii)用迭代C0求出LRP的标准误。(这要求你估计一个修正方程。) 判断LRP估计值在5%的水平上是否统计显著异于1？