发布时间 : 星期日 文章计量经济学伍德里奇第三版中文版课后习题答案更新完毕开始阅读
（四）在这种情况下，增加和减少，而不会造成太大的共线性残差（因为几乎和无关），所以我们应该看到本身（）小于SE（）。量之间的相关性，并不会直接影响本身（）。
3.11从方程（3.22），我们有
的定义中的问题。像往常一样，我们必须插上易建联真实模型：
简化这个表达式中的分子，因为= 0，= 0，=。这些都按照一个事实，即从回归的残差上：零样本平均，并与样品中是不相关的。因此，该分数的分子可以表示为
把这些回分母给出
待所有样本值，X1，X2，X3，只有最后一项是随机，因为它依赖于用户界面。但是，E（ui的）= 0，所以
这就是我们想向大家展示。请注意，长期倍增常作形容词的简单回归，回归系数。
3.12（i）本股，通过定义，添加到一个。如果我们不省略的股份，然后将遭受完美的多重共线性方程。参数不会有其他条件不变的解释，因为这是不可能改变的一股，而固定的其他股份。
（二）由于每个份额的比例（可以在大多数人的时候，所有其他股份均为零），这是毫无道理一个单位增加sharep。如果sharep增加.01 - 这相当于在物业税的份额上升一个百分点，在总营收 - 控股shareI，股，和其他因素不变，则增长增加（.01）。与其他股份固定的，被排除在外的股本，shareF，必须下降.01，增加.01 sharep时。
3.13（I）的符号简单，定义SZX =这是不太z与x之间的协方差，因为我们不除以N - 1，但我们只用它来简化符号。然后，我们可以写
这显然是一个线性函数义：采取权重的Wi =（字）/ SZX。显示无偏，像往常一样，我们堵塞+ XI YI = + UI入方程式，并简化：
在这里我们使用的事实，= 0始终。现在SZX是一个函数的海子和xi每个UI的预期值是零待样品中的所有子和xi。因此，有条件的这些值，
因为E（UI）对于所有的i = 0。
（ii）从第四部分方程（i）我们有（再次有条件在样品上的字和xi），
因为同方差的假设[VAR（UI）对于所有的。鉴于SZX的定义，这就是我们想向大家展示。
（三）我们知道，VAR（）现在我们可以重新安排的不平等在暗示，从样本协方差下降，并取消无处不在，N-1≥当我们乘通过，我们得到VAR（ ）（），这是我们要展示什么。
第4章
4.1（i）及（iii）一般而言，造成t统计量分布在H0下。同方差的CLM假定。一个重要的遗漏变量违反假设MLR.3。 CLM假定包含没有提及的样本独立变量之间的相关性，除了以排除相关的情况下。
4.2（I）H0：= 0。 H1：> 0。
（ii）本比例的影响是0.00024（50）= 0.012。要获得的百分比效果，我们将此乘以100：1.2％。因此，50点其他条件不变的ROS增加预计将增加只有1.2％的工资。实事求是地讲，这是一个非常小的影响这么大的变化，ROS。
（三）10％的临界值单尾测试，使用，是从表G.2为1.282。 t统计量ROS是.00024/.00054 .44，这是远低于临界值。因此，我们无法在10％的显着性水平拒绝H0。
（四）基于这个样本，估计的ROS系数出现异于零，不仅是因为采样变化。另一方面，包括活性氧可能不造成任何伤害，这取决于它是与其他自变量（虽然这些方程中是非常显着的，即使是与活性氧）如何相关。
4.3（一），控股profmarg固定，日志（销售）=（.321/100）[100] 0.00321（％销售）。因此，如果％销售= 10，.032，或只有约3/100个百分点。对于这样一个庞大的销售百分比增加，这似乎像一个实际影响较小。
（二）H0：= 0与H1：> 0，是人口坡日志（销售）。 t统计量是.321/.216 1.486。从表G.2获得5％的临界值，单尾测试，使用df = 32 - 3 = 29，为1.699;所以我们不能拒绝H0在5％的水平。但10％的临界值是1.311;高于此值的t统计以来，我们拒绝H0而支持H1在10％的水平。
（三）不尽然。其t统计量只有1.087，这是大大低于10％的临界值单尾测试。
4.4（一）H 0：= 0。 H1：。
（ii）其他条件相同的情况，一个更大的人口会增加对房屋的需求，这应该增加租金。整体房屋的需求是更高的平均收入较高，推高了住房的成本，包括租金价格。
（iii）该日志系数（弹出）是弹性的。正确的语句是“增加了10％的人口会增加租金.066（10）= 0.66％。”
（四）用df = 64 - 4 = 60，双尾检验1％的临界值是2.660。 T统计值约为3.29，远高于临界值。那么，在1％的水平上显着差异从零。
4.5（I）（.094），或约0.228至0.596。
（二）没有，因为值0.4以及95％CI里面。
（三）是的，因为1是远远超出95％CI。
4.6（一）使用df = N - 2 = 86，我们得到5％的临界值时，从表G.2与DF = 90。因为每个测试是双尾，临界值是1.987。 t统计量为H0：= 0是关于 - 0.89，这是远小于1.987的绝对值。因此，我们无法拒绝= 0。 t统计量为H0：= 1（0.976 - 1）/ 0.049 - 0.49，这是不太显着。 （请记住，我们拒绝H0而支持H1在这种情况下，仅当| T |> 1.987。）
（ii）我们使用的F统计量的SSR形式。我们正在测试q = 2的限制和DF在不受限制模型是86。我们SSRR = 209,448.99 SSRur的= 165,644.51。因此，
这是一种强烈的拒绝H0：从表G.3c，2和90 DF 1％的临界值是4.85。
（三）我们使用的F统计量的R平方的形式。我们正在测试q = 3的限制，并有88 - 5 = 83 DF无限制模型。 F统计量为[（0.829 - 0.820）/（1 - 0.829）（83/3）1.46。 10％的临界值（再次使用90分母DF表G.3a中）为2.15，所以我们不能拒绝H0甚至10％的水平。事实上，p值是0.23左右。
（四）如果存在异方差，假设MLR.5将被侵犯，不会有F统计量F分布的零假设下。因此，对一般的临界值F统计量进行比较，或获得的p值F分布的，不具有特别的意义。
4.7（一）虽然，没有改变对hrsemp的标准误差，系数的大小增加了一半。不见了的t统计hrsemp已约-1.47至-2.21，所以现在的系数是统计上小于零，在5％的水平。 （从表G.2 40 DF 5％的临界值是-1.684。1％的临界值-2.423，p值在0.01和0.05之间。）
（ii）倘我们从右手侧的日志（聘用）加减法和收集方面，我们有
登录（报废）= + hrsemp + [日志（销售） - 日志（受雇于）] + [日志（就业）+日志（就业）] + U = + hrsemp +日志（销售/聘请） +（+）日志（应用）+ U，
其中第二个等式的事实，日志（销售/聘请）=日志（销售） - 日志（就业）。定义给出结果。
（三）号，我们有兴趣在日志（聘用）的系数，其中有统计.2，这是非常小的。因此，我们的结论是，作为衡量企业规模的员工，不要紧，一旦我们控制了每名员工的培训和销售（以对数函数形式）。
（四）（ii）部分模型中的零假设H0：= -1。 T统计值 - .951 - （-1）] / 0.37 =（1 - 0.951）/ 0.37 .132，这是非常小的，我们不能拒绝我们是否指定一个或双面替代品。
4.8（i）我们使用物业VAR.3的附录B：VAR（
）=（VAR）+ 9（VAR） - 6 COV（，）。
（二）T =（
（三）由于= -
）/ SE（），所以我们需要的标准误差。
，我们可以写。堵到这一点的人口模型给出
Y = +（）X1 + X2 + X3 + U
= + X1 +（3X1 + X2）+ X3 + U。
这最后的方程是我们所估计的回归，3X1 X1 + X2，X3上的y。 X1的系数和标准错误是我们想要的。