计量经济学伍德里奇第五版中文版答案解析.docx
《计量经济学伍德里奇第五版中文版答案解析.docx》由会员分享，可在线阅读，更多相关《计量经济学伍德里奇第五版中文版答案解析.docx（40页珍藏版）》请在冰豆网上搜索。
计量经济学伍德里奇第五版中文版答案解析
第1章
解决问题的办法
1.1
（一）理想的情况下，我们可以随机分配学生到不同尺寸的类。
也就是说，每个学生被分配一个不同的类的大小，而不考虑任何学生的特点，能力和家庭背景。
对于原因，我们将看到在第2章中，我们想的巨大变化，班级规模（主题，当然，伦理方面的考虑和资源约束）。
（二）呈负相关关系意味着，较大的一类大小是与较低的性能。
因为班级规模较大的性能实际上伤害，我们可能会发现呈负相关。
然而，随着观测数据，还有其他的原因，我们可能会发现负相关关系。
例如，来自较富裕家庭的儿童可能更有可能参加班级规模较小的学校，和富裕的孩子一般在标准化考试中成绩更好。
另一种可能性是，在学校，校长可能分配更好的学生，以小班授课。
或者，有些家长可能会坚持他们的孩子都在较小的类，这些家长往往是更多地参与子女的教育。
（三）鉴于潜在的混杂因素-其中一些是第（ii）上市-寻找负相关关系不会是有力的证据，缩小班级规模，实际上带来更好的性能。
在某种方式的混杂因素的控制是必要的，这是多元回归分析的主题。
1.2
（一）这里是构成问题的一种方法：
如果两家公司，说A和B，相同的在各方面比B公司à用品工作培训之一小时每名工人，坚定除外，多少会坚定的输出从B公司的不同？
（二）公司很可能取决于工人的特点选择在职培训。
一些观察到的特点是多年的教育，多年的劳动力，在一个特定的工作经验。
企业甚至可能歧视根据年龄，性别或种族。
也许企业选择提供培训，工人或多或少能力，其中，“能力”可能是难以量化，但其中一个经理的相对能力不同的员工有一些想法。
此外，不同种类的工人可能被吸引到企业，提供更多的就业培训，平均，这可能不是很明显，向雇主。
（iii）该金额的资金和技术工人也将影响输出。
所以，两家公司具有完全相同的各类员工一般都会有不同的输出，如果他们使用不同数额的资金或技术。
管理者的素质也有效果。
（iv）无，除非训练量是随机分配。
许多因素上市部分
（二）及（iii）可有助于寻找输出和培训的正相关关系，即使不在职培训提高工人的生产力。
1.3没有任何意义，提出这个问题的因果关系。
经济学家会认为学生选择的混合学习和工作（和其他活动，如上课，休闲，睡觉）的基础上的理性行为，如效用最大化的约束，在一个星期只有168小时。
然后我们可以使用统计方法来衡量之间的关联学习和工作，包括回归分析，我们覆盖第2章开始。
但我们不会声称一个变量“使”等。
他们都选择学生的变量。
第2章
解决问题的办法
2.1（I）的收入，年龄，家庭背景（如兄弟姐妹的人数）仅仅是几个可能性。
似乎每个可以与这些年的教育。
（收入和教育可能是正相关，可能是负相关，年龄和受教育，因为在最近的同伙有妇女，平均而言，更多的教育和兄弟姐妹和教育的人数可能呈负相关）。
（ii）不会（i）部分中列出的因素，我们与EDUC。
因为我们想保持这些因素不变，它们的误差项的一部分。
但是，如果u与EDUC那么E（U|EDUC）0，所以SLR.4失败。
2.2方程Y=0+1X+U，加减0的右边，得到y=（0+0）+1X+（U0）。
调用新的错误E=ü0，故E（E）=0。
新的拦截0+0，但斜率仍然是1。
2.3
（一）让易=GPAI，XI=ACTI，和n=8。
=25.875，=3.2125，（十一-）（艺-）=5.8125，（十一-）2=56.875。
从公式（2.9），我们得到了坡度为=5.8125/56.8750.1022，四舍五入至小数点后四个地方。
（2.17）=-3.2125-0.102225.8750.5681。
因此，我们可以这样写
=0.5681+0.1022ACT
每组8只。
拦截没有一个有用的解释，因为使不接近零的人口的利益。
，如果ACT是高5点，增加0.1022（5）=.511。
（二）观察数i和GPA的拟合值和残差-四舍五入至小数点后四位-随着于下表：
íGPA
12.82.71430.0857
23.43.02090.3791
33.03.2253-0.2253
43.53.32750.1725
53.63.53190.0681
63.03.1231-0.1231
72.73.1231-0.4231
83.73.63410.0659
您可以验证的残差，表中报告，总结到.0002，这是非常接近零，由于固有的舍入误差。
（ⅲ）当ACT=20=0.5681+0.1022（20）2.61。
（iv）本残差平方和，大约是0.4347（四舍五入至小数点后四位），正方形的总和，（YI-）2，大约是1.0288。
因此，R-平方的回归
R2=1-SSR/SST1-（.4347/1.0288）.577的。
因此，约57.7％的GPA的变化解释使学生在这个小样本。
2.4（I）的CIGS=0，预测出生体重是119.77盎司。
当CIGS=20，=109.49。
这是关于一个8.6％的降幅。
（ii）并非必然。
还有许多其他的因素，可以影响新生儿的体重，尤其是整体健康的母亲和产前护理质量。
这些可以与吸烟密切相关，在分娩期间。
此外，如咖啡因消费的东西可以影响新生儿的体重，也可能与吸烟密切相关。
（三）如果我们想预测125bwght，然后CIGS=（125-119.77）/（-.524）-10.18，或约-10香烟！
当然，这完全是无稽之谈，并表明会发生什么，当我们试图预测复杂，出生时体重只有一个单一的解释变量的东西。
最大的预测出生体重必然是119.77。
然而，近700个样品中有出生出生体重高于119.77。
（四）1,1761,388名妇女没有在怀孕期间吸烟，或约84.7％。
因为我们使用的唯一的的CIGS解释出生体重，我们只有一个预测出生体重在CIGS=0。
预测出生体重必然是大致中间观察出生体重在CIGS=0，所以我们会根据预测高出生率。
2.5（i）本截距意味着，，当INC=0，缺点被预测为负124.84美元。
，当然，这不可能是真实的，反映了这一事实，在收入很低的水平，这个消费函数可能是一个糟糕的预测消费。
另一方面，在年度基础上，124.84美元至今没有从零。
（二）只需插上30,000入公式：
=-124.84+.853（30,000）=25,465.16元。
（iii）该MPC和APC的是在下面的图表所示。
尽管截距为负时，样品中的最小的APC是正的。
图开始以每年1,000元（1970美元）的收入水平。
2.6（i）同意。
如果生活密切焚化炉抑制房价过快上涨，然后越远，增加住房价格。
（ii）若选择的城市定位在一个地区焚化炉远离更昂贵的街区，然后登录（区）呈正相关，与房屋质量。
这将违反SLR.4，OLS估计是有失偏颇。
（三）大小的房子，浴室的数量，很多的大小，年龄，家庭，居委会（包括学校质量）质量，都只是极少数的因素。
正如前面提到的（ii）部分，这些肯定会被分派[日志（DIST）]的相关性。
2.7
（一）当我们条件的公司在计算的期望，成为一个常数。
所以E（U|INC）=E（E|INC）=E（E|INC）=0，因为E（E|INC）=E（E）=0。
（2）同样，当我们条件的公司在计算方差，成为一个常数。
所以VAR（U|INC）=VAR（E|INC）=（）2VAR（E|INC）INC，因为VAR（E|INC）=。
（三）家庭收入低没有对消费有很大的自由裁量权，通常情况下，一个低收入的家庭必须花费在食品，服装，住房，和其他生活必需品。
收入高的人有更多的自由裁量权，有些人可能会选择更多的消费，而其他更节省。
此酌情权，建议在收入较高的家庭储蓄之间的更广泛的变异。
第2.8（i）从方程（2.66），
=/。
堵在义=0+1xi+UI给人
=/。
标准代数后，分子可以写为
。
把这个分母显示，我们可以写
=0/+1+/。
西安条件，我们有
E（）=0/+1
因为E（UI）对于所有的i=0。
因此，偏置在这个方程中的第一项由下式给出。
这种偏见显然是零，当0=0。
也为零时，=0，=0这是相同的。
在后者的情况下，通过原点的回归是回归截距相同。
（ii）从最后一个表达式部分（i）我们有，有条件兮，
（VAR）=VAR=
==/。
（iii）由（2.57），VAR（）=2/。
从心领神会，，所以无功（）：
VAR（）。
看，这是一种更直接的方式来写，这是小于除非=0=。
（ⅳ）对于一个给定的样本大小，偏置的增加（保持在固定的总和）的增加。
但增加的方差相对增加（VAR）。
偏置也是小的，小的时候。
因此，无论是我们优选的平均平方误差的基础上取决于大小，和n（除的大小）。
2.9（i）我们按照提示，注意到=（样本均值为C1义的样本平均）=。
当我们：
回归c1yic2xi（包括截距）我们使用公式（2.19）获得的斜率：
（2.17），我们得到的截距=（C1）-（C2）=（C1）-[（C1/C2）]（C2）=C1（-）=C1），因为拦截从回归毅喜（-）。
（ii）我们使用相同的方法，伴随着一个事实，即（i）部分=C1+C2+。
因此，=（C1+易）-（C1+）=易-（C2+XI）-=XI-。
因此，C1和C2完全辍学的回归（C1+毅）（C2+XI）和=的斜率公式。
截距=-=（C1+）-（C2+）=（）+C1-C2=C1-C2，这就是我们想向大家展示。
（三），我们可以简单地适用（ii）部分，因为。
换言之，更换C1与日志（C1），易建联与日志（彝族），并设置C2=0。
（iv）同样的，我们可以申请C1=0和更换C2日志（C2）和xi日志（十一）（ii）部分。
如果原来的截距和斜率，然后。
2.10
（一）该推导基本上是在方程（2.52），一旦带内的求和（这是有效的，因为不依赖于i）。
然后，只需定义。
（ⅱ）由于我们表明，后者是零。
但是，从（i）部分，
因为是两两相关（他们是独立的），（因为）。
因此，
（iii）本的OLS拦截的公式，堵在给
（4）因为是不相关的，
，
这就是我们想向大家展示。
（五）使用提示和替代给
2.11
（一）我们想要，随机指定小时数，这样在准备课程时间不受其他因素影响性能的SAT。
然后，我们将收集信息为每一个学生的SAT分数在实验中产生的数据集，其中n是我们可以负担得起的学生人数在研究。
从公式（2.7），我们应该试图得到尽可能多的变化是可行的。
（二）这里有三个因素：
先天的能力，家庭收入，和一般健康检查当天上。
如果我们认为具有较高的原生智慧的学生认为，他们不需要准备SAT，能力和时间呈负相关。
家庭收入可能会与时间呈正相关，因为高收入家庭可以更容易负担得起的预备课程。
排除慢性健康问题，健康考试当天应大致准备课程的时间无关。
（iii）倘预备课程是有效的，应该是积极的：
，应加大坐在其他因素相等，增加小时。
（iv）本拦截，在这个例子中有一个有用的解释：
因为E（U）=0时，平均SAT成绩的学生在人口小时=0。
第3章
解决问题的办法
3.1（I）hsperc定义使得较小的是，较低的高中学生的地位。
一切平等，在高中学生中的地位恶化，较低的是他/她预期的大学GPA。
（二）只要将这些值代入方程：
=1.392.0135（20）+0.00148（1050）=2.676。
（三）A和B之间的区别仅仅是140倍的系数上周六，，因为hsperc是相同的两个学生。
所以A预测都有得分0.00148（140）高.207。
（四）随着hsperc固定=0.00148坐着。
现在，我们要找出坐在=0.5，所以0.5=0.00148（坐）或坐在=0.5/（0.00148）338。
也许并不奇怪，其他条件不变的情况下差异大的SAT分数-几乎两个和一个半标准差-需要获得大学GPA或半个点的预测差异。
3.2（i）同意。
由于预算的限制，它是有道理的，在一个家庭中的兄弟姐妹有，任何一个家庭中的孩子受教育较少的。
要找到降低预测的教育一年的兄弟姐妹的数量的增加，我们解决1=.094（SIBS），所以后后SIBS=1/.09410.6。
（二）控股SIBSfeduc的固定，一年以上母亲的教育意味着0.131年预测教育。
所以，如果母亲有4年以上的教育，她的儿子被预测有大约了半年（.524）更多的受教育年限。
（三）由于兄弟姐妹的人数是一样的，但meducfeduc都是不同的，系数在meducfeduc都需要进行核算。
B和A是0.131（4）+.210（4）=1.364之间的预测差异教育。
3.3（i）若成年人睡眠权衡工作，更多的工作意味着较少的睡眠（其他条件不变），所以<0。
及（ii）本迹象并不明显，至少对我来说。
有人可能会说更多的受过教育的人想获得更加完美的生活，所以，其他条件相同的，他们睡得少（<0）。
睡眠和年龄之间的关系是比较复杂的，比这个模型表明，经济学家是不是在最好的位置来判断这样的事情。
（三）由于totwrk以分钟为单位，我们必须转换成5个小时到分钟：
totwrk的=5（60）=300。
睡眠预计将下降.148（300）=44.4分钟。
一个星期，45分钟不到的睡眠是不是压倒性的变化。
（四）教育，意味着更无法预知的时间都在睡觉，但效果是相当小的。
如果我们假设大学和高中的区别为四年，大学毕业睡每周约45分钟不到，其他条件相同的。
（五）不令人惊讶的是，在三个解释变量解释睡眠只有约11.3％的变异。
误差项中的一个重要的因素是全身健康。
另一种是婚姻状况，以及是否有孩子的人。
健康（但是我们衡量），婚姻状况，数量和年龄段的儿童一般会被相关与totwrk。
（例如，不太健康的人往往会少工作。
）
3.4
（一）法学院排名意味着学校有威少，这降低起薪。
例如，一个100级意味着有99所学校被认为是更好的。
（ⅱ）>0，>0。
LSAT和GPA都进入一流的质量的措施。
更好的学生参加法学院无论身在何处，我们期望他们赚得更多，平均。
，>0。
在法库的学费成本的卷数的学校质量的两个措施。
（成本库卷那么明显，但应反映质量的教师，物理植物，依此类推）。
（三）这是对GPA只是系数，再乘以100：
24.8％。
（四）这是一个弹性：
百分之一的在库量增加暗示了.095％的增长预测中位数的起薪，其他条件相同的情况。
（五）这肯定是具有较低职级，更好地参加法学院。
如果法学院有小于法B校排名20，预测差异起薪是100（.0033）（20）=上升6.6％，为法学院A.
根据定义3.5（I）号，学习+睡觉+工作+休闲=168。
因此，如果我们改变的研究，我们必须改变至少一个其他类别的，这样的总和仍然是168。
（ii）由（i）部分，我们可以写，说，作为一个完美的其他自变量的线性函数研究：
研究=168睡眠休闲工作。
这适用于每个观察，所以MLR.3侵犯。
（三）只需拖放一个独立的变量，说休闲：
GPA=+学习+睡觉+上班+U。
现在，例如，GPA的变化，研究增加一小时，睡眠，工作，和u都固定时，被解释为。
如果我们持有的睡眠和固定的工作，但增加一个小时的研究，那么我们就必须减少一小时的休闲。
等坡面参数有一个类似的解释。
3.6空调解释变量的结果，我们有=E（+）=E（）+E（）=1+2=。
3.7（ⅱ），省略了一个重要的变量，可能会导致偏置，并且只有当被删去的变量与所包含的解释变量，这是真实的。
同方差的假设，MLR.5表明OLS估计量是公正的，没有发挥作用。
（同方差被用于获得通常的方差的公式）。
另外，样品中的解释变量之间的共线性的程度，即使它被反映在高的相关性为0.95，不影响高斯-马尔可夫假设。
仅当存在一个完美的线性关系，在两个或更多的解释变量MLR.3侵犯。
3.8我们可以用表3.2。
根据定义，>0，假设更正（×1，×2）<0。
因此，有一个负偏压：
E（）<。
这意味着，平均跨越不同随机样本，简单的回归估计低估培训计划的效果。
它甚至可以是否定的，即使>0，E（）。
3.9
（一）<0，可以预期，因为更多的污染降低壳体值;注意，相对于nox的价格的弹性。
可能是正的，因为房间大致测量的一所房子的大小。
（但是，它并不能够让我们区分每个房间都是大从家庭每个房间很小的家庭。
）
（ii）若我们假设，房间增加家里的质量，然后登录（NOx）和客房呈负相关，贫穷的街区时，有更多的污染，往往是真实的东西。
我们可以用表3.2的偏置确定方向。
如果>0和Corr（X1，X2）<0时，简单的回归估计有一个向下的偏差。
但是，由于<0，这意味着，平均而言，简单回归夸大污染的重要性。
[E（）是更消极。
]
（三）这正是我们所期望的典型样本，根据我们的分析（ii）部分。
简单的回归估计，1.043，更多的是负（幅度较大）的多元回归估计，.718。
由于这些估计只有一个样品，我们永远无法知道这是更接近。
但是，如果这是一个典型的“样本0.718。
3.10（I）因为是高度相关的，后面这些变量对y的影响有很大的部分，简单和多元回归系数就可以通过大量不同。
我们还没有做过这种情况下，明确，但由于方程（3.46）和一个单一的遗漏变量的讨论，直觉是非常简单的。
（二）在这里，我们希望是类似的（主题，当然，我们所说的“几乎不相关”）。
量之间的相关性和不直接影响的多元回归估计如果是基本上不相关。
（三）在这种情况下，我们（不必要的）进入回归引入多重共线性：
有小部分对y的影响，但高度相关。
添加像大幅增加系数的标准误差，所以本身（）很可能要远远大于本身（）。
（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.01sharep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+XIYI=+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i=2]。
鉴于SZX的定义，这就是我们想向大家展示。
（三）我们知道，VAR（）=2/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2，我们得到VAR（）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DF=，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，=.321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/.2161.486。
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）H0：
=0。
H1：
0。
（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）.4121.96（.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=209,448.99SSRur的=165,644.51。
因此，
这是一种强烈的拒绝H0：
从表G.3c，2和9
升级会员 