题目内容
（请给出正确答案）
A.平均下来，在冬天里，其他条件不变的情况下下雨的可能性会增加30%
B.平均下来，在冬天里，其他条件不变的情况下下雨的可能性会增加0.3%
C.平均下来，在冬天里，其他条件不变的情况下下雨的可能性会增加30个百分点
D.以上都不对
如果结果不匹配，请 联系老师 获取答案
更多“在线性概率模型(LPM)估计中，，rain=0.004+0.…”相关的问题
利用数据集401KSUBS.RAW。
(i)利用OLS估计e401k的一个线性概率模型，解释变量为inc，inc²，age，age²和male。求通常的OLS标准误和异方差-稳健的标准误。它们有重要差别吗？
(iii)对第(i)部分估计的模型求怀特检验，并分析系数估计值是否大致对应于第(ii)部分中描述的理论值。
(iv)在验证了第(i)部分的拟合值都介于0和1之间后，求这个线性概率模型的加权最小二乘估计值。它们与OLS估计值有重大差别吗？
利用AFFAIRS.RAW中女性的数据。
(i)为affair估计一个线性概率模型，二元指示变量在女性至少有一次婚外恋时等于1，解释变量包括yrsmarr、age和educ。解释yrsmarr的系数。
(ii)在控制了yrsmarr后，age和educ对affuir还有影响吗？
(iii)在(i)中的模型里加入kids。解释它的系数并判断估计是否在统计上显著。
(iv)对于(iii)中的模型，除了kids仍在模型中以外，加入四个宗教虚拟变量。基础组包括那些声称自己反宗教的女性。对于那些非常信仰宗教的和反宗教的女性，报告自己有婚外恋的可能性是不是有差别？宗教信仰的影响有多大？
(v)对于那些有宗教信仰和无宗教信仰的女性，报告自己有婚外恋的可能性是不是有差别？宗教信仰的影响有多大？[提示：从(iv)中改变基础组很简单。]
但比其报告回归中的观测更加有用)。
(i)分别求男女相貌在一般水平之上的比例。相貌在一般水平之上和之下的人哪个更多？
(ii)检验假设：男女相貌在一般水平之上的总体比例相同。报告女人比例更高的单侧P值。(提示：估计一个简单的线性概率模型最容易。)
(iii)现在针对男女分别估计模型
并以通常方式报告结果。在两种情形中解释belavg的系数。用语言解释假设H0：β1=0相对H1：β1＜0的含义，并分别求出P值。
(iv)有一般相貌之上的女人比相貌一般的女人工资更高的充分证据吗？请解释。
(v) 对男人和女人都增加解释变量educ， exper，experz，union，goodhlth，black，married， south，bigcity，smllcity和service。“相貌”变量的影响有重要变化吗？
A.K-Means算法
B.Apriori算法
C.最大期望算法
D.KNN算法
本题利用BEAUTY.RAW中的数据集，它包含了哈默梅什和比德尔(HamermeshandBiddle，1994)报告变量的一个子集(但比其报告回归中的观测更加有用)。
(i)分别求男女相貌在一般水平之上的比例。相貌在一般水平之上和之下的人哪个更多？
(ii)检验假设：男女相貌在一般水平之上的总体比例相同。报告女人比例更高的单侧P值。(提示：估计一个简单的线性概率模型最容易。)
(iii)现在针对男女分别估计模型
并以通常方式报告结果。在两种情形中，都解释belavg的系数。用语言解释假设H0:β1=0相对H1:β1＜0的含义，并分别求出P值。
(iv)有一般相貌之上的女人比相貌一般的女人工资更高的充分证据吗？请解释。
(v)对男人和女人，都增加解释变量educ，exper，experz，uion，goodhlth，black，married，south，bigcity，smllcity和service。“相貌”变量的影响有重要变化吗？
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。
使用PNTSPRD.RAW中的数据。
(i)变量sprdcvr是一个二值变量，若在大学篮球比赛中实际分数差距超过拉斯维加斯让分，则此变量取值1。sprdcvr的期望值(比方说u)表示在一场随机抽取的比赛中分差超过让分的概率。在10%的显著性水平上相对于H1:μ≠0.5检验H0:μ=0.5，并讨论你的结果。(提示：将sprdcvr只对一个截距项进行回归便得到一个r统计量，利用这个统计量很容易完成。)
(ii)553个样本中有多少场比赛是在中立场地进行的？
(iii)估计线性概率模型
并以通常的形式报告结论。(报告通常的标准误和异方差-稳健的标准误。)哪个变量在实际上和统计上都是最显著的？
(iv)解释为什么在原假设
下，模型中不存在异方差性。
(v)利用通常的F统计量检验第(iv)部分的原假设，你得到了什么结论？
(vi)给定上述分析，你会不会认为，利用赛前可利用的信息，有可能系统地预测拉斯维加斯让分能否实现？
(i)利用表13-1中同样的变量估计kids的一个泊松回归模型。解释y82的系数。
(ii)保持其他因素不变，黑人妇女和非黑人妇女在生育上的估计百分数差异是多少？
(iii)求σ。有过度散布和散布不足的证据吗？
(iv)计算泊松回归中的拟合值和作为kidsi和kidsi之相关系数平方的R2。并与线性回归模型中的R2相比较。
试证明：二元线性回归模型
中变量X1与X2的参数OLS估计可以写成：
其中，r为X1与X2的相关系数。讨论r等于或接近1时，该模型的估计问题。
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。)
A.线性最小均方估计是无偏估计
B.线性最小均方估计也是最小方差无偏估计
C.任何情况下，线性最小均方等价于最大后验概率估计
D.当观测与被估计量是联合正态分布时，线性最小均方估计等价于最小均方估计
