利用VOTE1.RAW中的数据。 （i)考虑一个含有竞选支出交互项的模型 保持prtystrA和expendA不变，e

本题使用VOTEI.RAW中的数据。

(i)估计一个以vote A为因变量并以prtystrA、democA、log(expend A) 和

(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？

本题利用NBASAL.RAW中的数据。

(i)估计一个线性回归模型，将单场得分与联赛中打球经历和位置(后卫、前锋或中锋)联系起来。包括打球经历的二次项形式，并将中锋作为基组。以通常的形式报告结果。

(ii)在第(i)部分中，你为什么不将所有三个位置虚拟变量包括进来？

(iii)保持经历不变，一个后卫的得分比一个中锋多吗？多多少？这个差异统计显著吗？

(iv)现在，将婚姻状况加入方程。保持位置和经历不变，已婚球员是否更高效(就单场得分来说)？

(v)加入婚姻状况和两个经历变量的交互项。在这个扩展的模型中，是否存在有力的证据表明婚姻状况影响单场得分？

(vi)使用单场助攻次数作为因变量估计(iv)中的模型。与(iv)的结果有明显的差异吗？请讨论。

(i)利用INJURY.RAW中肯塔基州的数据，从教材(13.12)中去掉afchnge后估计的方程为

交互项的估计值与式(13.12)中的估计值相当接近，这令人吃惊吗？请解释。

(ii)当包含afchnge而去掉highearn后结果是

为什么现在交互项的系数远大于教材(13.12)中的系数？[提示：在方程(13.10)中，若β1=0，对处理组和对照组做的假定是什么？]

在例9.1中，我们narr86在的一个线性模型中增加二次项pcrv2、ptime86²和inc 862。

(i)利用CRIME L RAW中的数据， 在例17.3的泊松回归中同样增加这些项。

(ii)根据估计 。数据存在过度散布的证据吗？该如何调整泊松极大似然估计标准误？

(iii)利用第(i)部分和第(ii)部分的结论及教材表17.3，计算这三个平方项联合显著性的准似然比统计量。你得到什么结论？

考虑一个雇员水平的模型

(iv)讨论第(iii)部分对于利用企业层次的平均数据进行WLS估计的意义，其中第i次观测所用的权数就是通常的企业规模。