题目内容
（请给出正确答案）
(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。
如果结果不匹配，请 联系老师 获取答案
更多“（i)在方程（11.27)中添加一个线性时间趋势。在一阶差分…”相关的问题
写出一个“供给与需求形式”的两方程系统，即方程的左边都是变量y1(具体地讲是“数量”)：
(i)若a1=0或a2=0，解释为什么存在y1的一个约简型。(记住y1的一个约简型表达式就是外生变量和结构误差的一个线性函数。)若a1≠0和a2=0，求出y2的约简型。
(ii)若a1≠0，a2≠0且a1≠a2，求出y1的约简型。在这种情形下，y2有约简型吗？
(iii)在供给与需求的例子中，a1≠a2的条件有可能满足吗？请解释。
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？
利用BARIUM.RAW中的数据。
(i)用前119次观测(即不包含1988年的最后12个月观测)，估计线性趋势模型
。这个回归的标准误是什么？
(ii)同样用除了最后12个月以外的所有数据，估计chnimp的一个AR(1)模型。把这个回归的标准误与第(i)部分中的标准误相比较。哪一个模型提供了更好的样本内拟合？
(iii)用第(i)和第(ii)部分中的模型计算1988年12个月的提前一期预测误差。(每个方法都应该得到12个预测误差。)计算并比较这两种方法的RMSE和MAE。就样本外提前一期预测而言，哪种方法效果更好？
(iv)在第(i)部分的回归中添加月度虚拟变量。它们是联合显著的吗？(当我们检验联合显著性时，不必担心误差中轻度的序列相关。)
利用VOLAT.RAW中的数据。
(i)证实sp500=log(sp500)和lip=log(ip)看来都包含了单位根。利用含四阶滞后变化的DF检验，在含和不含线性时间趋势的情况下分别进行检验。
(ii)做1sp500对lip的简单回归。评论：统计量和R的大小。
(iii)利用第(ii)部分的残差检验Isp500和lip是否协整。利用标准的DF检验和包含两阶滞后的ADF检验。你得到什么结论？
(iv)在第(ii)部分的回归中添加一个线性时间趋势，并利用第(iii)部分同样的检验来检验协整关系。
(v)看来股票价格与真实经济活动之间有长期均衡关系吗？
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？
在线性消费函数cons=β0+β1inc中,收入的(估计)边际消费倾向(MPC)无非就是斜率β1而平均消费倾向(APC)为cons/inc=β0/inc+β1.利用对100个家庭的年收入和消费观测(均以美元计),便得到如下方程：
cons=-124.84+0.853inc
n=100，R2=0.692
(i)解释这个方程中的截距,并评价它的符号和大小。
(ii)当家庭收入为30000美元时，预计消费为多少？
(iii)以inc为X轴，画出估计的MPC和APC图。
(i)考虑静态非观测效应模型
其中，enrolit表示学区总注册学生人数，lunchit表示学区中学生有资格享受学校午餐计划的百分数。(因此lunchit是学区贫穷率的一个相当好的度量指标。)证明：若平均每个学生的真实支出提高10%，则math4it约改变β1/10个百分点。
(ii)利用一阶差分估计第(i)部分中的模型。最简单的方法就是在一阶差分方程中包含一个截距项和1994~1998年度虚拟变量。解释支出变量的系数。
(iii)现在，在模型中添加支出变量的一阶滞后，并用一阶差分重新估计。注意你又失去了一年的数据，所以你只能用始于1994年的变化。讨论即期和滞后支出变量的系数和显著性。
(iv)求第(iii)部分中一阶差分回归的异方差-稳健标准误。支出变量的这些标准误与第(iii)部分相比如何？
(v)现在，求对异方差性和序列相关都保持稳健的标准误。这对滞后支出变量的显著性有何影响？
(vi)通过进行一个AR(1)序列相关检验，验证差分误差rit=Δuit含有负序列相关。
(vii)基于充分稳健的联合检验，模型中有必要包含学生注册人数和午餐项目变量吗？
(i)解释voteA88的系数并讨论其统计显著性。
(ii)添加voteA88对其他系数具有很大影响吗？
本题要用到WAGE2.RAW中的数据。
(i)考虑一个标准的工资方程
表述虚拟假设：多一年工作经历与在现在的岗位上多工作一年对log(wage) 具有相同影响。
(ii)在5%的显著性水平上，相对于双侧对立假设，通过构造一个95%的置信区间来检验第(i)部分中的虚拟假设。你得到的结论是什么？
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。
一个解释了CEO薪水的工资方程是：
所用数据在CEOS AL 1.RAW中给出， 其中fiance， consprod和utility分别是表示金融业、消费品行业和公用事业单位的二值变量。被省略的产业是交通运输业。
(i) 保持sales和roe不变， 计算公用事业和交通运输业CEO薪水估计值的近似百分比差异。在1%的显著性水平上，这个差异是统计显著的吗？
(ii)利用方程(7.10)求解公用事业和交通运输业估计薪水的精确百分比差异，并与第(i)部分中的回答进行比较。
(iii)消费品行业与金融业估计薪水的近似百分比差异是多少？写出一个方程，使你能够检验这个差异是不是统计显著的。
