模型有7个自变量，现有20个观测值，那么此时回归模型的自由度是（)。

A.回归分析前应绘制散点图

B.回归方程可用来描述两定量变量间数量依存变化的关系

C.对回归系数假设检验的P能够反映自变量对应变量数量上的影响大小

D.满足各观测值独立、应变量与自变量关系为线性、误差服从正态分布的资料才能应用于回归分析

E.直线回归用于预测时，自变量一般不应超出样本实测值的取值范围

利用MURDER.RAW中有关谋杀率和死刑的州一级数据。

(i)考虑非观测效应模型

其中，θ_t无非表示不同年份的截距，而a_i表示各州的非观测效应。如果过去对被判谋杀者的死刑有某种威慑作用，那么民，的符号应该是正是负？你认为β₂应该有什么样的符号？请解释。

(ii)仅利用1990年和1993年的数据，用混合OLS估计第(i)部分中的方程。忽略复合误差中的序列相关问题。你发现威慑效应的证据了吗？

(iii)利用1990年和1993年的数据，再用固定效应法估计方程。既然只用两年数据，所以你或许可以利用一阶差分。现在，有威慑效应的证据吗？有多强？

(iv)计算第(iii)部分中估计的异方差-稳健标准误。利用一阶差分最容易吗？

(v)找出1993年死刑变量取值最大的州。(变量exec是1991年、1992年和1993年执行死刑的总人数。)这个数值比第二高的值大多少？

(vi)在分析中去掉得克萨斯，利用一阶差分估计方程。计算通常和异方差-稳健的标准误。现在有什么结论，为什么？

(vii)利用所有三年数据，并用固定效应法估计模型。在分析中包含得克萨斯。与仅使用1990年和1993年数据的估计相比，讨论威慑效应的大小和统计显著性。

其中，incshrit是在总竞选支出中在位者所占份额(用百分比表示)。非观测效应a_i，包括在位者诸如“品质”等特征和选区的诸多特征，都不随时间而变化。在位者的性别、党派在时间上都不变，因此都属于a_i。我们关注的是竞选费用对选举结果的影响。

(i)取给定方程在两个年份的差分并用OLS估计差分方程。问哪些变量相对于一个双侧备择假设是在5%的水平上是个别显著的？

(ii)在第(i)部分的方程中，检验Δlog(inexp)和Δlog(chexp)的联合显著性。报告其P值。

(iii)用Δincshr作为唯一自变量，重新估计第(i)部分中的方程。解释Δincshr的系数。例如，如果在位者的支出份额增加10个百分点，你预计这会怎样影响在位者的得票份额？

(iv)再做一遍(iii)，但现在仅使用两次挑战者相同的情形。[这样一来，我们便可以控制挑战者属于ai的那些特征。莱维特(Levitt，1994)做过一项广泛得多的分析。]

使用VOTE1.RAW中的数据。

(i)估计一个以voteA为因变量并以prystrA、deocA、log(expendA)和log(expendB)为自变量的模型。得到OLS残差，并将这些残差对所有的自变量进行回归。解释你为什么得到R²=0。

(ii)现在计算异方差性的布罗施-帕甘检验。使用F统计量的形式并报告P值。

(iii)同样利用F统计量形式计算异方差性的特殊怀特检验。现在异方差性的证据有多强？

A.扩展卡尔曼滤波是先将模型线性化，然后采用线性的卡尔曼滤波算法

B.线性化时，是将信号模型在前一点的滤波值附近用泰勒级数展开，然后取前两项

C.线性化时，是将信号模型在预测值附近用泰勒级数展开，然后取前两项

D.线性化时，是将观测模型在预测值附近用泰勒级数展开，然后取前两项

A、4个种16个生物型

B、5个种18个生物型

C、6个种19个生物型

D、7个种20个生物型

考察的指标(因变量)y表示原辛烷值，自变量x₁表示直接蒸馏成分,的表示重整汽油,与表示原油热裂化油,年表示原油催化裂化油,x₅表示聚合物,x₆表示烷基化物,x₇表示天然香精。7个变量表示7个成分含量的比例(满足x₁+x₂+…+x₇=1)。表11.1给出12种混合物中7种成分和y的数据。试用偏最小二乘方法建立y与x₁，x₂，…，x₇为的回归方程,用于确定7种构成元素写x₁，x₂，…，x₇对y的影响。

A、5个工作日

B、7个工作日

C、10个工作日

D、15个工作日

E、20个工作日