当前位置：首页 > 计量经济学（伍德里奇第五版中文版）答案
13.6（我）让佛罗里达州是一个二进制变量等于，如果一个人住在佛罗里达州，否则为零。让Y90是1990年份虚拟变量。然后，从方程（13.10），我们有线性概率模型 逮捕。
法律效果是衡量，这是由于新的法律在美国佛罗里达州酒后驾车被捕的概率的变化。包括Y90允许酒后驾车被逮捕，总体趋势会影响这两个州，包括佛罗里达州佛罗里达州和佐治亚州之间的系统性差异，无论是醉驾行为或执法允许。
（二），这可能是司机在这两个国家的人口以不同的方式随着时间的推移改变。例如，年龄，种族，性别分布可能有所改变。横跨两个州的教育水平可能有所改变。由于这些因素可能会影响一个人是否因酒后驾车被捕，这可能是重要的是要控制他们。在最低限度，有得到一个更精确的估计，通过降低误差方差的可能性。从本质上讲，任何解释变量影响逮捕可以用于此目的。 （参见第6.3节进行讨论。）
13.7（我），这是不足为奇的相互作用的长期变化不大时从方程afchnge下降，因为该系数的上afchnge系数（3.12）只有0.0077（其t统计量是非常小的）。从.191至.198的增加很容易解释抽样误差。
（ii）倘highearn被丢弃从方程[（3.10）]，那么我们假设之前，政策的变化，高收入者和低收入者之间的平均时间是没有区别。但是非常大（.256），高度统计学意义在highearn估计（3.12）表明这种推定是假的。之前的政策变化，高收入组比低收入组花了约29.2％[]不再失业补偿。通过我们从回归下降highearn的，归因于政策的变化没有任何干预，将观察到这两个群体之间的差异。
第14章
14.1首先，对于t> 1，VAR（）= VAR（UIT - UI，T 1）= VAR（UIT）+ VAR（UI，T 1），在这里我们使用的假设没有序列相关{ UT}和恒定方差。接下来，我们找到和，T +1之间的协方差。因为这些人每个人都有一个零均值，方差为E（，T +1）= [（UIT - 1 UI，T）（UI，T +1 - UIT）] = E（uitui，T + 1） - E（下） - E（UI 1UI，T +1，T）+ E（UI，T 1uit）（）=因为没有序列相关假设。因为方差是恒定的跨吨，11.1问题，更正（，，T +1）= COV（，T +1）/乏（Δuit）。
14.2（I）之间的估计是刚刚从横截面回归（包括截距）的OLS估计。因为我们只需要一个单一的解释变量和误差项是AI +，我们已经从5.1节，
冠状病毒（AI +）/ VAR（）。
但E（AI +）= 0，所以冠状病毒（AI +）= E（（AI +）] = E（AI）+ E（）= E（AI），因为E（）= COV（，）= 0假设现在E（AI）。因此，
（）的，
这就是我们想向大家展示。
（ii）若{XIT}序列不相关的常数方差VAR（）= / T，所以的/（/ T）+ T（：）。
（三），（ii）部分所示，当两两不相关XIT不一致的幅度实际上增加而线性与T.符号取决于XIT和AI之间的协方差。
14.3（一）E（企业所得税）= E（维生素）= E（VIT）（）= 0，因为E（VIT）对所有的t = 0。
（二）VAR（）= VAR（VIT）（）（VIT）（2）（VIT）。现在，和E（VIT）== [+ + +（+）+ +] = + / T.因此，E（）== + / T。现在，我们可以收集方面：
VAR（）=。
现在，它是方便地编写，其中和。然后
VAR（）=（+）（+ / T）2（+ / T） =（+）（）（） =（+）（） =（+）（） =（+） =（+）。
这就是我们想向大家展示。
（三）我们必须表明的E（eiteis）= 0为。立即注册E（eiteis）= E（维生素）（相）] = E（vitvis）（VIS）（VIT）（）（+ / T）（）（+ / T）
（+ / T）。证明的其余部分是非常相似的（ii）部分：
（eiteis）（+ / T）（+ / T） （）（）
（） （）
。
14.4（一）男子田径仍然是最突出的，虽然妇女的运动，尤其是篮球，但也体操，垒球，排球，在一些大学很受欢迎。足球和男子和女子的篮球制胜百分比是很好的可能性，以及是否球队赢得了会议冠军的指标，去到一个可见的碗游戏（足球），或在NCAA篮球锦标赛以及做（如甜16） 。我们必须确定我们用的申请截止日期前可运动的成功措施。因此，我们可能会使用从上一学年的足球成功;篮球的成功可能要滞后一年以上。
（二）学费可能是很重要的：在其他条件不变的情况下，较高的学费应该意味着更少的应用程序。大学的质量随时间变化的，如学生/教师比率或教师补助资金，可能是重要的措施。
（三）未观察到的效应模型
登录（appsit）（tuitionit）+ + AI + UIT，T = 1,2,3。
的变量athsuccit简写为衡量运动的成功，我们可能包括几项措施。如果，例如，athsuccit是足球的胜率，那么是应用给予增加一个百分点，胜率变化的百分比。这很可能是AI是与运动的成功，学费，依此类推，因此固定效应估计是适当的。另外，我们可以先差额除去AI，在第13章中讨论。
14.5（一）对于每一个学生，我们有几个措施的表现，通常是三个或四个，数量，期末考试的学生所采取的类。当我们指定每个标准化的最终考试成绩的方程式，为同一学生不同的方程式中的错误是某些相关：谁拥有更多的（不可观察）能力的学生往往做得更好所有测试。
（ii）未观测到的效应模型
，
其中学生的影响是无法观测的。由于SAT成绩和累积GPA只依赖于学生，而不是特定的阶层，他/她，这些没有AC标。出席率普遍有所不同类，一个类是否是学生的主要指标。长期表示不同的截距不同类别。的面板数据集，不同时间的自然顺序进行每个横截面单元内的数据和总时间的影响，适用于所有单位，不同类别的拦截可能并不需要。如果所有的学生参加了同一组类，那么这是类似的面板数据集，我们希望把不同类的拦截。但类的学生采取不同的课程，我们标记为“1”的学生，需要什么都没有做“1”类学生B.因此，不同的类的基础上为每个学生任意订购类的拦截可能是不必要的。我们可以更换的，拦截恒定跨类。
（三）维护特质错误，USC，假设所有解释变量无关，我们需要未观察学生的异质性，为无关atndrtesc。列入SAT成绩，累计GPA应在这方面帮助，为的部分，不能被捕获SAT考试和cumGPAs的能力。换句话说，控制SAT考试和cumGPAs的可能是足以获得其他条件不变类考勤效果。
（iv）倘SAT考试和cumGPAs的学生的能力和动机是不够的控制，相关与atndrtesc，而这将导致混合OLS是有偏见的和不一致的。我们可以使用固定效应。在我们计算每个学生贬低的数据，其中，为每一个学生的手段计算跨类。变量SAT考试和cumGPAs的辍学的分析。
在每一种情况下，14.6（i）本完全稳健标准误差较大，大致两倍为时间常数回归educ的，黑色和hispan的。在随时间变化的解释变量结婚和工会，全面稳健标准误差较大的大约60％。区别是较小为的exper exper2的，但几乎微不足道。我们预计，如果我们认为复合误差项，包含未观测到的效果。这导致正序列相关，我们看到在第12.1节的时间序列，通常的OLS标准误差往往低估实际采样变化的OLS估计。混合OLS面板数据也同样如此。
（ii）于时间常数的解释变量EDUC，黑色和hispan，稀土混合OLS标准误差及稳健标准误差是大致相同的。 （估计系数是非常相似的。）产生的主要区别在标准误差（系数）随时间变化的解释变量。例如，可再生能源标准上的错误的已婚和工会的系数分别为.017和.018，
分别较稳健标准误差为.026和.027混合OLS。我们希望这是真的，因为根据稀土假设下，重比混合OLS更有效。
第15章
15.1（一）已相当确立，社会经济地位影响学生表现。误差项u包含，除其他事项外，家庭收入，GPA有着积极的作用，也极有可能拥有与PC相关。
（二）有较高收入的家庭可以买得起他们的孩子购买电脑。因此，家庭收入肯定满足的工具变量的第二个要求：与内生解释变量[（15.5）在x = PC和Z = faminc]。但是，我们建议（i）部分，faminc有一个积极的影响，对GPA，所以良好的IV（15.4），首先要求失败faminc的。如果我们有faminc，我们将包括方程中作为解释变量，如果它是唯一重要的遗漏变量与PC，我们可以通过OLS估计扩大公式。
（三）影响是否有些学生自己的电脑，这是一个自然的实验。有些学生购买电脑时给予补助，不会有没有补助。 （学生谁没有收到补助可能仍然拥有电脑。）定义一个虚拟变量，如果学生的补助金，等于一个获得一笔赠款，否则为0。然后，如果授予随机分配，它与u无关。特别是，它是在u家庭收入和其他社会经济因素无关。此外，授予应与PC拥有一台PC的概率应该是显着提高，为学生接受补助。顺便说一下，如果大学给低收入学生给予优先，补助金将被呈负相关与u，四会不一致。
15.2（我）这似乎是合理的假设区和u是不相关的，因为教室通常不分配特别是学生心目中的方便。
（ii）本变量的dist必须部分相关与atndrte。更准确地说，在还原形式
，
我们必须有。由于数据样本，我们可以检验H0：对H1：在测试中使用。
（三）我们现在需要工具变量atndrte的互动来看，。 （尽管是外生priGPA的atndrte是不是，所以一般与u相关。）根据外生性假设使E（U区|，ACT priGPA，）= 0，任何功能的priGPA，ACT和dist与u无关。尤其是互动区与u无关。如果dist是部分相关与atndrte然后区部分相关与。因此，我们可以估算公式
的
通过2SLS使用的IV区，priGPA，ACT和priGPA的。事实证明，这不是一般最优。它可能是更好的添加工具列表中。这将使我们过度识别限制测试。伍尔德里奇（2002年，第5和第9章）作进一步讨论。
本文作者：...共分享92篇相关文档
