如果我们在经典线性模型假定下从式(6.38)开始,假定n很大,并忽略中的估计误差,那么y0的一个
如果我们在经典线性模型假定下从式(6.38)开始,假定n很大,并忽略中的估计误差,那么y0的一个95%预测区间就是
。
(ii)在CEO薪水的例子中,验证第(i)部分中的条件是成立的。
如果我们在经典线性模型假定下从式(6.38)开始,假定n很大,并忽略中的估计误差,那么y0的一个95%预测区间就是
。
(ii)在CEO薪水的例子中,验证第(i)部分中的条件是成立的。
在方程(10.8)所给的线性模型中,如果解释变量满足。于是, 在给定解释变量的当期值和所有过去值时, 误差是无从预测的,那么,它就被称为序列外生的(有时又被称为弱外生的)。
(i)请解释为什么严格外生性意味着序列外生性?
(ii)请解释为什么序列外生性意味着同期外生性?
(iii)在序列外生假定下, OLS估计量通常是无偏的吗?请解释。
(iv)考虑用一个州、一个教区或一个省人均避孕套使用量的分布滞后来解释艾滋病感染比率的一个如下模型:
请解释为什么这个模型满足序列外生性假定。它看上去也满足严格外生性假定吗?
在简单回归模型教材(5.16)中,我们在前4个高斯-马尔科夫假定下证明了,形如教材(5.17)的估计量是斜率β1的一致估计量。给定这样一个估计量,定义β1,的一个估计量为。
证明plimβ0=β0
假设式(14.4)中的特异误差序列无关且具有常方差的相关系数为-0.5。因此,在理想的FE假定下,一阶差分导致一个已知其值的负序列相关。
(i)在方程(11.27)中添加一个线性时间趋势。在一阶差分方程中,时间趋势是必要的吗?
(ii)从式(11.27)中去掉时间趋势并添加变量ww2和pil(不要对虚拟变量进行差分)。这两个变量在5%的水平上是显著的吗?
(iii)用第(ii)部分中的模型估计LRP并求出其标准误。与从式(10.19)得到的结果相比较,在式(10.19)中gfr和pe是以水平值形式而非差分形式出现的。
你是否同意以下命题?并对你的判断给出简要说明。
(i)像横截面观测一样,我们可以假定大多数时间序列观测是独立分布的。
(ii)时间序列回归中的OLS估计量在前三个高斯-马尔科夫假定下是无偏的。
(iii)在多元回归中,一个含有趋势的变量不能用作因变量。
(iv)在使用年度时间序列观测时,不存在季节性问题。
利用TRAFFIC2.RAW中的数据。
(i)计算变量prefat的一阶自相关系数。你认为prefat包含单位根吗?失业率也一样吗?
(i)估计一个将prcfat的一阶差分Aprcfat与第10章的计算机练习C11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)第10章的计算机练习C11第(vi)部分中的回归。]