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?
A.预报变量在x轴上,解释变量在轴上
B.解释变量在x轴上,预报变量在轴上
C.可以选择两个变量中任意一个变量在x轴
D.可以选择两个变量中任意一个变量
A.一元线性回归预测是回归预测的基础,预测对象只受一个主要因素影响
B.判定一个线性回归方程的拟合程度的优劣称为模型的显著性检验,通常用的检验法是相关系数检验法
C.相关系数等于回归平方和在总平方和中所占的比率,即回归方程所能解释的因变量变异性的百分比,是一元回归模型中用来衡量两个变量之间相关程度的判定指标
D.如果相关系数r=0,表示所有的观测值全部落在回归直线上;如果r=1,则表示自变量与因变量无线性关系
文件CEOSAL2.RAW包含了177位首席执行官的数据,并可用来考察企业业绩对CEO薪水的影响。
(i)估计一个将年薪与企业销售量和市场价值相联系的模型。让这个模型对每个自变量的变化都具有常弹性。以方程的形式写出结论。
(ii)在第(i)部分的模型中增加profits。为什么这个变量不能以对数形式进入模型?你会说这些企业业绩变量解释了CEO薪水波动中的大部分吗?
(iii)在第(ii)部分的模型中增加ceoten。保持其他条件不变,延长一年CEO任期,估计的百分比回报是什么?
(iv)求出变量log(mktval)和prots之间的样本相关系数。这些变量高度相关吗?这对OLS估计量有什么影响?