(完整版)伍德里奇计量经济学(第4版)答案

《(完整版)伍德里奇计量经济学(第4版)答案》由会员分享，可在线阅读，更多相关《(完整版)伍德里奇计量经济学(第4版)答案（11页珍藏版）》请在金锄头文库上搜索。

1、计量经济学答案 第二章 2.4 (1)在实验的准备过程中，我们要随机安排小时数，这样小时数（hours）可以独立于其它 影响 SAT 成绩的因素。然后，我们收集实验中每个学生SAT 成绩的相关信息，产生一个数 据集nihourssat ii ,.2, 1:),(，n 是实验中学生的数量。从式（2.7）中，我们应尽量获得 较多可行的 i hours 变量。 （2）因素 :与生俱来的能力（天赋）、家庭收入、考试当天的健康状况 如果我们认为天赋高的学生不需要准备SAT考试，那天赋（ability）与小时数（hours ） 之间是负相关。 家庭收入与小时数之间可能是正相关，因为收入水平高的家庭更容易支

2、付 起备考课程的费用。排除慢性健康问题，考试当天的健康问题与SAT备考课程上的小时数 （hours ）大致不相关。 （3）如果备考课程有效， 1应该是正的：其他因素不变情况下，增加备考课程时间会提高 SAT成绩。 （4） 0在这个例子中有一个很有用的解释：因为 E（u）=0， 0是那些在备考课程上花费 小时数为0 的学生的SAT平均成绩。 2.7（1）是的。如果住房离垃圾焚化炉很近会压低房屋的价格，如果住房离垃圾焚化炉距离 远则房屋的价格会高。 （2）如果城市选择将垃圾焚化炉放置在距离昂贵的街区较远的地方，那么log(dist)与房 屋价格就是正相关的。也就是说方程中u 包含的因素（例如焚化炉

3、的地理位置等）和距离 (dist)相关 , 则 E（ulog(dist)）0。这就违背SLR4 （零条件均值假设） ，而且最小二乘 法估计可能有偏。 （3）房屋面积，浴室的数量，地段大小，屋龄，社区的质量（包括学校的质量）等因素， 正如第（ 2）问所提到的，这些因素都与距离焚化炉的远近（dist,log(dist)）相关 2.11(1) 当 cigs （孕妇每天抽烟根数）=0 时，预计婴儿出生体重=110.77 盎司；当 cigs （孕 妇每天抽烟根数）=20时，预计婴儿出生体重（ bwght）=109.49 盎司。 （110.77-109.49）/110.77=8.6% ，抽烟数从0 到 2

4、0，预计儿童出生体重下降了约8.6%。 （2）并不能。还有其他因素可以影响婴儿出生体重，尤其是母亲的整体健康状况和产前保 健的质量。 这些因素还都可能与母亲怀孕期间的抽烟习惯有关。其它因素， 比如咖啡因的摄 入量也会影响婴儿出生体重，而且可能与母亲怀孕期间的抽烟习惯有关。 （3）如果预测出生体重为125 盎司，则cigs=(125 119.77)/( 0.524) 10.18 ，约为 -10 支，这是不可能的。当然，这只是告诉我们，对于预测婴儿出生体重这样复杂的因变量，如 果只有一个解释变量，将会发生什么。预计婴儿出生体重的最大值是119.77 盎司，然而样 本中确有超过700 个新生婴儿的体

5、重超过了119.77 盎司，这就说明模型建立不恰当 （4）85%的妇女怀孕期间不抽烟，即1388 个样本中有大约1180 个妇女不抽烟。因为我们 只用 cigs 一个变量解释婴儿出生体重，所以当cigs=0 时，我们只有一个相对应的出生体重 数。在cigs=0 时，预计的出生体重数大致位于观测的出生体重数的中间。因此，我们可能 会低估较高的出生体重数。 第三章 3.3（1）法学院的排名 （rank 值）越大， 说明学校威望越低：这会降低起薪。 例如： rank=100 说明有 99 所学校排在其前面。 （2） 20,30;LSAT 和 GPA 都是测量进入法学院的学生的整体素质， 不论优秀的学

6、生在 哪里进入法学院，我们预期他们会赚得更多。平均来讲， 3和40，法学院图书馆的藏书 量及法学院每年的费用都能衡量学校的好坏(相对于藏书量，法学院每年的费用对起薪的正 的效应并不那么明显，但它应反映教职工、基础设备等相关资源质量的好坏)。 （3）在其他条件不变的情况下，预计 GPA 中位数相差一分会导致薪水有24.8%的差别。 （恰 好等于 GPA 的相关系数） （4）Log(libvol) 的系数表明：法学院藏书量每增加1%，则学生起薪会提高0.095%。 （5）很明显，进入排名较靠前（数字较小）的法学院更好。如果法学院A 的排名比B 靠前 20 位，则 A 法学院的起薪要高大约6.6%（

7、0.0033*20*100% ） 3.4(1)如果成年人为工作而放弃睡眠，工作多意味着睡眠会减少。所以 10. (2)一般说来， 2和3的的符号并不确定。 虽然有人认为受过较高教育的人想要得到更完美 的生活， 所以他们的睡觉时间很少（ 20） 。睡眠时间与年龄之间的关系要比模型中给的复 杂多，经济学家也并未对此作出更好的解释。 (3)因为工作时间以分钟为单位，我们把5 小时化为分钟，则总工作时间为300 分钟。睡眠 时间预计会减少0.148*300=44.4 分钟。从一周来看，少睡45 分钟并不算是很大的舍弃。 (4)较多的教育意味着较少的睡眠时间，但教育对睡眠时间的影响是较小的。如果我们假设

8、 大学与高中的差别是4 年，那么大学毕业生平均每年要少睡大约45（11.13*4 ）分钟。 (5)很明显，这3个解释变量只解释了睡眠时间11.3%的变异（ 2 R=0.113） 。其他可能影响花 在睡眠上时间的因素包括：健康状况、婚姻状况以及是否有孩子。一般来讲，这3 个变量都 与工作时间有关。 （比如：身体状况较差的人工作时间较少） 第四章 4.3（1）尽管 hrsemp（平均每个雇员每年接受培训的小时数）的标准误差没有改变，但系数 增加了大约一半（-0.029 到-0.042） ， t 统计量从 -1.26 到-2.21（-0.042/0.019） ，显著性水平为 5%的临界值小于零。 （

9、当自由度为40 时，显著性水平为5%的临界值约为 -1.684；显著性水 平为 1%的临界值为 -2.423,； p 值在 0.01-0.05 之间）。 （2）log(scrap)= 0+1hrsemp+2log(sales)+3log(employ)+ u = 0 + 1hrsemp + 2log(sales) 2log(employ) + 2log(employ) + 3log(employ) + u = 0 + 1hrsemp + 2log(sales/employ) + ( 2 + 3)log( employ) + u, 我们令 2 + 3 = 3 ，则原式可写成： log(scrap

10、)= 0+1hrsemp+2log(sales/employ)+3log(employ)+ u 假设 0 H： 3=0，意味着23 ，当其他条件不变时，销售额增加1%与企业雇员人数减 少 1%对废品率的影响是相同的。 （3）不是。我们对log(employ)的系数感兴趣，其t 统计量为0.2 （很小），因此我们可以 得到：一旦我们控制了工人培训和销售雇员比之后（以对数形式表示），以员工数量为测 量标准的企业规模与废品率在统计上的显著性并不重要。 （4）零假设检验： 0 H: 2= 1. T 统计量 = 0.951 ( 1)/0.37= (1 0.951)/0.37 0 .132; 这个 数字很

11、小， 我们不能拒绝单侧或双侧假设。即 sales/employ 提高 1%将伴随以废品率下降1%。 4.8（1）式中自由度df=706-4=702 ，自由度为702 的双侧检验的5%的临界值是1.96。这样， teduc= 11.13/5.881.89, 所以 |teduc|= 1.89 1.96,在显著性水平为5%的时候，我们不能拒绝 假设 H0: educ = 0。同理： tage=2.20/1.45 1.523.00，所以在5%的显著性水平上，educ 与 age在原式中是联合显著的。 （3）几乎不影响。 虽然 educ 与 age在原式中是联合显著的，但在考虑它们之后， 原式 totw

12、rk （总工作时间）的系数从-0.151 变到了 -0.148，这个影响是很小的。 （4）因为 T 检验与 F 检验是建立在同方差假定与其他线性模型假定基础上的，所以如果睡 眠方程中含有异方差性，就意味着我们对方程的检验是无效的。 4.11(1)假定 profmarg 不变， 当 sales变化 10%时，rdinters= （0.321/100)*10=0.0321,j 即 rdintens 变化大约3%。相对于sales的变化， rdintens 的变化是个较小的影响。 （2）H0:： 1=0 1 H： 10 其中 1是 log(sales)的系数。 进行 T 检验：t= 216.0 32

13、.0 1.486； 自由度为df=32-3=29 的单侧检验显著性水平为5%的临界值为1.699， 因而在 5%的显著性水 平上我们不能拒绝原假设。自由度为df=32-3=29 的单侧检验显著性水平为10%的临界值为 1.311，因而在10%的显著性水平上我们拒绝原假设而接受 10。 （3）Profmarg 的系数表示： profmarg 变化 1%， rdintens 变化 0.05%，这在经济上影响并不 显著。 （4）对 profmarg 的显著性进行T 检验： t= 046.0 05.0 1.0871.311,因为它在统计上并不显著。 第五章 5.3风险承受能力越强，越愿意投资于股票市场

14、，因此 假设funds 和 risktol正相关，我们使用 等式因此 具有高度不一致（渐进有偏），这表明如果 我们在回归方程中省略risktol，并且它和funds高度相关，funds 的估计效应取决于 risktol的效应。（省略risktol,回归方程倾向于高估funds 的影响） 第六章 6.3（1）当其他要素固定时，我们有 等式 两边同 除以得到结果， 是不显著的，尽管 大于0，如果来我们考虑一个孩子多得一年 教育，孩子的父母会有更高的学历。 （2）我们选择pareduc 的两个具体值来解释交叉项系数，比如父母双方都受过大学教育时 pareduc=32 或父母都是高中毕业时paredu

15、c=24 ，educ 的估计回报差额是0.00078 （32-24 ） =0.0062 ，或者说0.62%。 （3）如果在方程中加入paredc 作为一个独立变量引入，交叉项系数是负的。Educ*pareduc 的 t 统计量大约是-1.33. 在 10% 的显著性水平上，在双侧对立假设上，t 统计量是不显著的。 注意到， pareduc 的系数在5% 的显著性水平上，在双侧对立假设下是显著的。这表明省略一 个效应水平会如何导致交互效应的有偏估计。 6.5 （1）当转折点是 1 ? /(2| 2 ? |), or .0003/(.000000014) 21,428.57 时开始为负的（以百万

16、美元为计量单位）(对方程式求导，然后等式让等于0，即得到21,428.57) （2）会，它的 t 统计量大约为 -1.89，这个在 5%显著性水平上违背了单侧对立假设H0: 1 0（co 1.70 with df = 29） ，即它是统计显著的，实际上，P 值是 0.036。 （3）因为销售获取除以1 000 ，得到salesbil ，相应的系数乘以1000 ： (1,000)(0.00030) =0.30 。标准错误乘以相同的因子。提示，salesbil2 = 销售额 /1,000,000 ，所以对二次系数 获取乘以100 万：(1,000,000)(.0000000070) =.0070 ；它的标准误差也获取乘以100 万。截距或 R2（因为rdintens 不其重新缩放）不会发生变化： rdintens= 2.613+ 0.30 salesbil 0.0070 salesbil2 (0.429) (0.14) (0.0037) n = 32, R2 = 0.1484. （4）第三小题的方程更容易阅读