《实验2参考结果.doc》由会员分享,可在线阅读,更多相关《实验2参考结果.doc(5页珍藏版)》请在金锄头文库上搜索。
1、实验2参考结果1 数据集BWGHT:(1) 做婴儿出生体重和母亲吸烟习惯之间的简单回归为: 从结果可以看出,母亲怀孕期间平均每天多吸一颗烟,婴儿出生的体重平均会降低0.56盎司。(2) 当cigs0时,婴儿的预测出生体重为119.08盎司,当cigs=20(每天一包)时,婴儿的预测出生体重为107.8545盎司。可见母亲每天吸一包烟对婴儿出生体重的影响是比较明显的。(3) 使用所有样本中前一半的观测值进行估计,与前面的结果比较如下: 使用前一半数据回归结果显示标准误均高于使用全部观测值得到的结果,这说明随着样本容量的增多,回归的标准误差会降低,这也说明了参数满足一致性和渐进正态分布的性质。(4
2、) 除了吸烟之外,高收入通常会使母亲得到更好的产前照顾和更好的营养,表达这一点的方程是,考虑的符号最可能为正。(5) 一方面,高的收入会提高食物的消费水平,这样cigs和faminc可能存在正的相关关系;而而另一方面,高收入家庭中的母亲一般会具有较高的受教育水平,即应该具有较高的素质,她们会更加了解自己吸烟会危害到孩子的健康,这样可能会控制自己吸烟的数量,因此cigs和faminc可能存在负相关关系。从数据集中样本数据来看,两者的相关系数约为0.173,因此可以认为两者呈现了一种负相关。(6) 估计含有cigs和faminc作为解释变量的模型,得到:当加入变量faminc之后,吸烟对因变量的影
3、响有所降低,但并不是十分明显。这应归于cigs与faminc存在一定的相关关系,但相关性不强。变量faminc的单位为千美元,因此,其系数较低,即家庭年收入提高1万美元,婴儿出生的体重会提高约为0.996盎司。(7) 增加更多的变量,得到:由于有85个婴儿的数据缺失变量,因此实际的观测值为571个。motheduc和fatheduc这两个变量对于模型来说不显著,如果将两个变量去掉,回归模型的F值会增大。(8) 首先考虑以packs代替cigs: 结果显示:cigs与packs的系数不同了,packs的系数为cigs系数的20倍,其他指标均无变化。(其二者的标准误扩大了)其次,考虑以bwghtl
4、bs代替bwght:结果显示:各参数均缩小了,其他显著性指标均无变化。(各估计参数的标准误都缩小了)2 数据集RDCHEM:(1) 模型可以表示rd和sales之间有常弹性,参数代表弹性。(2) 估计模型为:rd关于sales的估计弹性是1.076,这表示年销售额增长1,用于研发的年支出将平均增长1.076。(3) 估计结果为:,表示如果年销售额增长1,则研发支出占销售额的百分比将平均增加0.32个百分点。如果sales增加10,估计rdintens会变化3.2个百分点,这较销售额增加的幅度而言,并不很大。(4) profmarg的t统计量为1.09,可以通过显著性水平为0.2的双尾检验,可以
5、说其对reintens的影响不是十分显著的。(5) 两个模型得到的结果如下:比较这两个模型,通过调整之后的拟合优度可以看出包含二次项的模型更好,而且其各变量均可以通过显著性水平为0.1的检验。(6) 使用salesbil得到的模型为:相对来说,我更喜欢这个回归方程,由于这个方程的参数包含较少的零,这使方程显得比较简单。当然,由于rdintens的单位没有变化,所以截距项也没有任何变化。3 数据集INTDEF:(1) 在样本期内的inf和def之间的相关系数为0.048,相关程度很低。这对于估计模型来说是一件好事,这使得模型满足经典线性回归的基本假设,即不存在多重共线性。模型拟合的结果为:结果表
6、明通货膨胀和赤字相对规模的增长一起作用于短期利率,使利率上升,他们对利率的影响与基本经济理论所预言的一致。如果通货膨胀率单独增加1时,i3将增长0.613。inf和def都是统计上显著的。(2) 在方程中加入inf和def的一期滞后,得到结果为: (3) 由于第二个模型中加入了解释变量的滞后项,因此inf对i3的长期影响就可以表示约等于0.430.270.7,这要高于模型一得到的结果0.613。当然,由于inft-1的显著性不是很高,因此两个模型得到的结论差别并不是十分明显。4 数据集WAGE1:(1)估计的结果为:结果表明female前的系数1.81表示在给定相同水平的educ, exper
7、和tenure的条件下,平均来看,女性每小时工资比男性低1.81美元。(注意这是1976年价格的工资水平)(2)估计的结果为:结果表明female前的系数0.297表示在给定相同水平的educ, exper和tenure的条件下,平均来看,女性比男性小时工资大约低29.7。(3)考虑婚姻状况对工资收入的影响,可以按照(2)中模型的形式(2模型总体来说比1模型更优)加入married变量,结果为:从结果来看,married变量并不十分显著。如果模型中只考虑婚姻状况,而不考虑性别对工资的影响,则married变量就十分显著了,结果如下: 我们可以按照(2)中的结果对以上两个结果加以分析。这里不再赘
8、述。要考察已婚女性和已婚男性的工资收入差异,实际上是考察婚姻和性别两个虚拟变量共同作用对工资收入的影响,共有四种组合,即已婚女性、已婚男性、未婚女性和未婚男性。具体分析有两种方法:第一种可以建立三个虚拟变量,比如marrmale, marrfem, singfem,这样未婚男性就成为基准组,其他各组和基准组进行比较,具体方法和本课程中的实例大同小异,需要建立三个新的变量,这里不再详说。这里我们重点介绍第二种方法。可以在模型(2)中引入married及性别和婚姻状况的交互项female*married,这样实际也包含了四种组合的结果。 结果显示各变量都十分显著,说明四种组合之间的差异比较显著。比如已婚男性和已婚女性之间的差异可以这样来解释:已婚女性的截距为0.32-0.11+0.21-0.3=0.12,已婚男性的截距为0.32+0.21=0.53,其两者的差距表示在其他各变量不变的条件下,已婚女性比已婚男性平均工资约低41。5