计量经济学伍德里奇第五版中文版答案.docx
《计量经济学伍德里奇第五版中文版答案.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.docx（61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
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
1.4（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。
1.5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。
1.6
（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，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。
1.7（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
0.1023％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。
1.8（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。
1.9（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。
1.10
（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
=1+。
/
西安条件，我们有
E（）=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）。
1.11（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。
1.12
（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
1.13
（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
1.14（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（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。
1.15（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。
1.16（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。
）
1.17
（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。
0.1024空调解释变量的结果，我们有=E（+）=E（）+E（）=1+2=。
0.1025（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。
0.1026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（）。
0.1027
（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，。
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。
1.18（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（）。
1.19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。
1.20（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。
1.21（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
1.22（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。
1.23（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。
1.24
（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
升级会员 