A、该结构方程是过度识别的
B、结构方程的误差项为经典误差项
C、简化式方程的误差项为经典误差项
D、模型中所有的前定变量之间不存在严重的多重共线性
E、样本容量足够大
参考教材方程(15.19)和(15.20)。假定σu=σx因而误差项中的总体变异与z中的总体变异一样。假定工具变量z与u轻微相关:Corr(z,u)=0.1,又假定z与x具有略微强一些的相关:Corr(z,x)=0.2。
(i)ⅣV估计量的渐近偏误是多少?
(ii)x与u之间必须存在多大程度的相关,OLS才比2SLS具有更大的渐近偏误?
对于角动量算符
(a) 在直角坐标系中,推导各分量之间的对易关系,并归纳出统一的表达式。
(b) 定义升降算符利用对易关系证明:若f是L2和Lz的共同本征态,则也是L2和Lz的本征态。
(c) 在球坐标系中,求解Lz的本征方程。
利用比德尔和哈默梅什(BiddleandHamermesh,1990)中的SLEEP75.RAW数据,研究在每周用于睡眠的时间和用于有酬工作的时间之间是否存在替代关系。我们可以用它们中的任何一个作为因变量。为具体起见,估计模型
sleep=β0+β1tonwrk+u
其中,steep是每周用于晚上睡眠的分钟数,totwrk是这一周中用于工作的分钟数。
(i)用方程的形式,连同观测的次数和R2报告你的结果。该方程中的截距表示什么?
(ii)若totwrk增加2小时,则sleep估计要减少多少?你觉得这是一个很大的效应吗?
A.BP算法是一种将输出层误差反向传播给隐含层进行参数更新的方法
B.BP算法将误差从后向前传递,获得各层单元所产生误差,进而依据这个误差让各层单元修正各单元参数
C.对前馈神经网络而言,BP算法可调整相邻层神经元之间的连接权重大小
D.在BP算法中,每个神经元单元可包含不可偏导的映射函数
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,θt无非表示不同年份的截距,而ai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。
利用INTQRT.RAW中的数据。
(i)利用除了最后4年(16个季度)以外的所有数据,估计Δr6t的一个AR(1)模型。(我们用差分形式,因为r6t看起来好像有单位根。)用最后16个季度的数据求出Δr6t提前一期预测的RMSE。
(ii)在第(i)部分的方程中加入误差修正项sprt-1=r6t-1-r3t-1。(这相当于假定了协整参数为1。)计算最后16个季度的RMSE。在这里,误差修正项对样本外预测有什么帮助吗?
(iii)现在请你估计协整参数,而不是把它设为1。再利用最后16个季度的数据求出样本外RMSE。它与第(i)和第(ii)部分中的结果有什么不同?
(iv)如果你想要预测的是r6而不是△r6,你的结论会有所变化吗?请解释。
A.以宿舍为单位整群随机抽样
B.以年级为类别进行分层随机抽样
C.对所有男生进行随机抓阄
D.以宿舍为单位进行机械随机抽样
的遗漏变量。
(ii)如果样本中每名男性在1981~1987年之间都拥有相同职业,你在固定效应估计中还需要包含职业虚拟变量吗?请解释。
(iii)利用WAGEPAN.RAW中的数据(包括方程中的8个职业虚拟变量),使用固定效应法估计方程。union的系数变化很大吗?其统计显著性如何?