首页 > 母婴保健资格

网友您好，请在下方输入框内输入要搜索的题目：

请输入或粘贴题目内容搜题

搜题

拍照、语音搜题，请扫码进入小程序

题目内容（请给出正确答案）

[主观题]

本题使用KIELMC.RAM中的数据。（i)变量dist是从每个房屋到焚烧炉位置的英尺距离。考虑模型（ii)估本题使用KIELMC.RAM中的数据。(i)变量dist是从每个房屋到焚烧炉位置的英尺距离。考虑模型(ii)估计第(i)部分中的模型并按通常的方式报告结果。解释y 81-log(dit)的系数。你得到什么结论？(iii)在方程中增加age， age²， rooms， baths， log(int st)， log(land) 和log(area)。现在，你对焚烧？对房屋价值的影响会作出什么结论？(iv)为什么在第(ii)部分log(dist)的系数为正并且统计显著，而在第(ii)部分却不是这样？这说明了第(iii)部分中控制变量的什么？

答案

查看答案

发布时间：2022-08-30

更多“本题使用KIELMC.RAM中的数据。（i)变量dist是从每个房屋到焚烧炉位置的英尺距离。考虑模型（ii)估本题使用KIELMC.RAM中的数据。(i)变量dist是从每个房屋到焚烧炉位置的英尺距离…”相关的问题

第1题

本题使用WAGE2.RAW中的数据。一般地，保证如下所有回归都含有截距。(i)将IQ对educ进行简单回归，并

本题使用WAGE2.RAW中的数据。一般地，保证如下所有回归都含有截距。（i)将IQ对educ进行简单回归，并

本题使用WAGE2.RAW中的数据。一般地，保证如下所有回归都含有截距。

(i)将IQ对educ进行简单回归，并得到斜率系数

点击查看答案

第2题

本题利用WAGE1.RAW中的数据。(i)使用OLS估计方程(iv)exper取什么值时，工作经历的增加实际上会降

本题利用WAGE1.RAW中的数据。（i)使用OLS估计方程（iv)exper取什么值时，工作经历的增加实际上会降

本题利用WAGE1.RAW中的数据。

(i)使用OLS估计方程

(iv)exper取什么值时，工作经历的增加实际上会降低预期的log(wage)。样本中有多少人具有比该取值更长的工作经历？

点击查看答案

第3题

本题使用MIN WAGE RAW中的数据，特别是第232部门(男性用品部门) 中的工资和就业序列。变量gwag

本题使用MIN WAGE RAW中的数据，特别是第232部门（男性用品部门) 中的工资和就业序列。变量gwag

e232是232部门中平均工资的月增长率(以对数形式变化) ， gemp232是232部门中的就业增长率， gmwage是联邦最低工资的增长率， gcpi是(城市) 消费者价格指数的增长率。

(i)求gwage232中的一阶自相关。这个序列看起来是弱相关的吗？

点击查看答案

第4题

本题使用INFMRT.RAW中1990年的数据。(i)重新估计方程(9.43)，但现在对哥伦比亚特区这个观测引进

本题使用INFMRT.RAW中1990年的数据。（i)重新估计方程（9.43)，但现在对哥伦比亚特区这个观测引进

本题使用INFMRT.RAW中1990年的数据。

(i)重新估计方程(9.43)，但现在对哥伦比亚特区这个观测引进一个虚拟变量(记为DC)。解释DC的系数，并评论其大小和显著性。

(ii)将第(i)步所得到的估计值和标准误与方程(9.44)中的估计值和标准误相比较。根据这种对单个观测引进一个虚拟变量的做法，你得到什么结论？

点击查看答案

第5题

本题要用到MLB1.RAW中的数据。(i)使用方程(4.31)中所估计的模型，并去掉变量rbisyr。hrunsyr的统

本题要用到MLB1.RAW中的数据。（i)使用方程（4.31)中所估计的模型，并去掉变量rbisyr。hrunsyr的统

本题要用到MLB1.RAW中的数据。

(i)使用方程(4.31)中所估计的模型，并去掉变量rbisyr。hrunsyr的统计显著性会怎么样？hrunsyr的系数大小又会怎么样？

(ii)在第(i) 部分的模型中增加变量runsyr(每年垒得分)，fldperc(防备率)和sbasesyr(每年盗垒数) 。这些因素中，哪一个是个别显著的？

(iii)在第(ii)部分的模型中，检验bavg， fldperc和sbasesyr的联合显著性。

点击查看答案

第6题

本题利用PHILLIPS.RAW中的数据。现在你应该使用56年的数据。(i)重新估计方程(11.19)，并以通常格

本题利用PHILLIPS.RAW中的数据。现在你应该使用56年的数据。（i)重新估计方程（11.19)，并以通常格

本题利用PHILLIPS.RAW中的数据。现在你应该使用56年的数据。

(i)重新估计方程(11.19)，并以通常格式报告结果。当你增加近几年的数据之后，截距和斜率估计值有明显变化吗？

(ii)求自然失业率的新估计值。将这个新估计值与例11.5中的估计值进行比较。

(iii)计算unem的一阶自相关系数。按照你的观点，单位根接近于1吗？

(iv)利用A mem取代unem作为解释变量。哪个解释变量具有更高的R？

点击查看答案

第7题

本题使用JTRAIN.RAW中的数据。（i)考虑简单回归模型其中，scrap表示企业的废品率，grant表示是

本题使用JTRAIN.RAW中的数据。

(i)考虑简单回归模型

其中，scrap表示企业的废品率，grant表示是否得到工作培训津贴的一个虚拟变量。你能想到u中的无法观测因素可能会与grant相关的原因吗？

(ii)利用1988年的数据估计这个简单的回归模型。(你应该有54个观测。)得到工作培训津贴显著地降低了企业的废品率吗？

(iii)现在增加一个解释变量log(scrap87)。这将如何改变grant的估计影响？解释grant的系数。相对于单侧备择假设它在5%的显著性水平上统计显著吗？

(iv)相对双侧备择假设，检验log(scrapg)的参数为1的虚拟假设。报告检验的P值。

(v)利用异方差-稳健标准误，重复第(iii)步和第(iv)步，并简要讨论任何明显的差异。

点击查看答案

第8题

本题利用HSE IN V.RAW中的数据。(i)求出log(in vpc) 中的一阶自相关系数，然后再求log(im pc)

本题利用HSE IN V.RAW中的数据。（i)求出log（in vpc) 中的一阶自相关系数，然后再求log（im pc)

本题利用HSE IN V.RAW中的数据。

(i)求出log(in vpc) 中的一阶自相关系数，然后再求log(im pc) 除掉线性趋势后的自相关。对log(price) 做相同的计算。这两个序列中的哪个可能有单位根？

(ii)基于第(i)部分的结论估计方程：

并以标准形式报告结果。对系数β₁作出解释，并判断它是否统计显著。

(iii)除掉log(inypc) 的线性趋势，然后在第(ii)部分的回归方程中使用除趋势的因变量(见10.5节)， R²有何变化？

(iv)现在用作因变量。结果与第(ii) 部分相比有何不同？时间趋势还是显著的吗？为什么是或不是？

点击查看答案

第9题

利用MEAP00 O1中的数据回答本题。(i)使用OLS估计模型并用通常的格式报告你的结论。在5%的显著性

利用MEAP00 O1中的数据回答本题。（i)使用OLS估计模型并用通常的格式报告你的结论。在5%的显著性

利用MEAP00 O1中的数据回答本题。

(i)使用OLS估计模型

并用通常的格式报告你的结论。在5%的显著性水平上，每个解释变量都是统计显著的吗？

(ii)求出第(i) 部分中回归的拟合值。拟合值的取值范围是多少？它与math4的实际数据取值范围相比如何？

(iii)求出第(i)部分中回归的残差。哪类学校具有最大的(正)残差？对这个残差给予解释。

(iv)在方程中增加所有解释变量的平方项，检验它们的联合显著性。你会把它们放到模型中吗？

(v)回到第(i)部分中的模型，将因变量和每个解释变量都除以各自的样本标准差，并重新进行回归。(除非你还将每个变量分别减去了各自的均值，否则还应该包括一个截距项。)以标准差为单位，哪个解释变量对数学考试通过率具有最大的影响？

点击查看答案

第10题

本题使用GPA2.RAW中的数据。（i)考虑方程其中，colgpa表示累积的大学GPA，hsize表示高中毕业年

本题使用GPA2.RAW中的数据。

(i)考虑方程

其中，colgpa表示累积的大学GPA，hsize表示高中毕业年级以百人计的规模，hsperc表示在毕业年级中学术排名的百分位，sat表示SAT综合分数，female是一个二值变量，而athlete也是一个运动员取值1的二值变量。你对这个方程中的系数有何预期？哪些你没有把握？

(ii)估计第(i)部分中的方程，并以通常的形式报告结果。估计运动员和非运动员之间GPA的差异是多少？它是统计显著的吗？

(ii)从模型中去掉sat并重新估计这个方程。现在，作为运动员的估计影响是多大？讨论为什么这个估计值不同于第(ii)部分的结论。

(iv)在第(i)部分的模型中，容许作为运动员的影响会因性别不同而不同。检验如下原假设：在其他条件不变的情况下，女生是否是运动员没有差别。

(v)sat对colgpa的影响会因性别不同而不同吗？讲出你的根据。

点击查看答案

第11题

本题利用NBASAL.RAW中的数据。(i)估计一个线性回归模型，将单场得分与联赛中打球经历和位置(后

本题利用NBASAL.RAW中的数据。（i)估计一个线性回归模型，将单场得分与联赛中打球经历和位置（后

本题利用NBASAL.RAW中的数据。

(i)估计一个线性回归模型，将单场得分与联赛中打球经历和位置(后卫、前锋或中锋)联系起来。包括打球经历的二次项形式，并将中锋作为基组。以通常的形式报告结果。

(ii)在第(i)部分中，你为什么不将所有三个位置虚拟变量包括进来？

(iii)保持经历不变，一个后卫的得分比一个中锋多吗？多多少？这个差异统计显著吗？

(iv)现在，将婚姻状况加入方程。保持位置和经历不变，已婚球员是否更高效(就单场得分来说)？

(v)加入婚姻状况和两个经历变量的交互项。在这个扩展的模型中，是否存在有力的证据表明婚姻状况影响单场得分？

(vi)使用单场助攻次数作为因变量估计(iv)中的模型。与(iv)的结果有明显的差异吗？请讨论。

点击查看答案

账号：尚未登录

登录没有账号？去注册

搜题明细

联系客服

购买搜题卡

TOP