计量第十章
- 格式:pptx
- 大小:1008.19 KB
- 文档页数:71
计量经济学课后题答案第⼗三章⾯板数据模型⼀简单题1、简述⾯板数据模型的优点和局限性它能综合利⽤样本信息,同时反映应变量在截⾯和时序两个⽅向上的变化规律及特征。
由于⾯板数据模型在经济定量分析中,起着只⽤截⾯或只⽤时序数据模型不可替代的独特优点,⽽具有很⾼的应⽤价值。
总之:1.增加了样本容量;2. 可多层⾯分析经济问题局限性:模型设定错误与数据⼿机不慎引起较⼤的偏差;研究截⾯或者平⾏数据时,由于样本⾮随机性造成观测值的偏差,从⽽导致模型选择上的偏差。
2、你是如何理解⾯板数据的?在经济领域中,同时具有截⾯与时序特征的数据很多。
如统计年鉴中提供的各地区或各国的若⼲系列的年度(季度或⽉度)经济总量数据;在企业投资分析中,要⽤到多个企业若⼲指标的⽉度或季度时间序列数据;在城镇居民消费分析中,要⽤到不同省市反映居民消费和收⼊的年度时序数据。
我们将上述的企业、或地区等统称为个体,从⾏的⽅向看,是由若⼲个体在某个时期构成的截⾯观察值(截⾯样本),从列的⽅向看,是各时间序列。
这种具有三维(截⾯、时期、变量)信息的数据结构称为⾯板。
这是“⾯板”数据的由来,⾯板数据也称为时序截⾯数据或混合数据(Pooled Data)。
3、简述建⽴⾯板数据模型的过程。
(1)建⽴⾯板数据对象,即建⽴⼯作⽂件;(2)⾯板时序变量平稳性检验;(3)协整检验;(4)模型识别;(5)建⽴模型;(6)结论。
⼆填空题1、GDP界⾯变量是⼀维变量,⾯板变量为三维变量。
2、⾯板数据模型是⽆斜率系数⾮齐性、⽽截距齐性的模型。
3、⾯板数据模型识别包括效应模型识别和具体模型识别。
4、建⽴⾯板数据模型之前,要对⾯板变量进⾏平稳性检验和协整检验。
第⼗⼆章向量⾃回归(VAR)模型和向量误差修正(VEC)模型⼀简答题1、VAR模型的特点VAR模型不以经济理论为指导,它根据样本数据统计特征建模。
VAR模型对参数不施加零约束(如t检验),故称其为⽆约束VAR模型。
VAR模型的解释变量中不含t期变量,所有与线性联利⽅程组模型有关的问题均不存在。
E10.1(1) (2) (3) (4) (5)lnvio lnvio lnvio lnvio lnvio shall -0.443***-0.368***-0.0461*-0.288***-0.0280(0.0475) (0.0348) (0.0189) (0.0337) (0.0278)incarc_rate 0.00161***-0.0000710 0.00193***0.0000760(0.000181) (0.0000936) (0.000114) (0.0000720)density 0.0267 -0.172*-0.00887 -0.0916(0.0143) (0.0850) (0.0139) (0.0485)avginc 0.00121 -0.00920 0.0129 0.000959(0.00728) (0.00591) (0.00796) (0.00729)pop 0.0427***0.0115 0.0408***-0.00475(0.00315) (0.00872) (0.00252) (0.00781)pb1064 0.0809***0.104***0.1000***0.0292(0.0200) (0.0178) (0.0182) (0.0183)pw1064 0.0312**0.0409***0.0401***0.00925(0.00973) (0.00507) (0.00912) (0.00538)pm1029 0.00887 -0.0503***-0.0444*0.0733***(0.0121) (0.00640) (0.0175) (0.0129)_cons 6.135*** 2.982*** 3.866*** 2.948*** 4.348***(0.0193) (0.609) (0.385) (0.569) (0.435) N 1173 1173 1173 1173 1173R20.087 0.564 0.218 0.580 0.955adj. R2 State Effects Time Effects 0.0859NoNo0.5613NoNo0.1771YesNo0.5690NoYes0.9525YesYesStandard errors in parentheses*p < 0.10, **p < 0.05, ***p < 0.01(1)①回归(2)中shall的系数是-0.368,这意味着隐蔽武器法律,也即“准予”携带法律,约使暴力犯罪减少36.8%。
第10章时间序列数据的基本回归分析10.1复习笔记一、时间序列数据的性质时间序列数据与横截面数据的区别:(1)时间序列数据集是按照时间顺序排列。
(2)时间序列数据与横截面数据被视为随机结果的原因不同。
①横截面数据应该被视为随机结果,因为从总体中抽取不同的样本,通常会得到自变量和因变量的不同取值。
因此,通过不同的随机样本计算出来的OLS估计值通常也有所不同,这就是OLS统计量是随机变量的原因。
②经济时间序列满足作为随机变量是因为其结果无法事先预知,因此可以被视为随机变量。
一个标有时间脚标的随机变量序列被称为一个随机过程或时间序列过程。
搜集到一个时间序列数据集时,便得到该随机过程的一个可能结果或实现。
因为不能让时间倒转重新开始这个过程,所以只能看到一个实现。
如果特定历史条件有所不同,通常会得到这个随机过程的另一种不同的实现,这正是时间序列数据被看成随机变量之结果的原因。
(3)一个时间序列过程的所有可能的实现集,便相当于横截面分析中的总体。
时间序列数据集的样本容量就是所观察变量的时期数。
二、时间序列回归模型的例子1.静态模型假使有两个变量的时间序列数据,并对y t和z t标注相同的时期。
把y和z联系起来的一个静态模型(staticmodel)为:10 1 2 t t t y z u t nββ=++=⋯,,,,“静态模型”的名称来源于正在模型化y 和z 同期关系的事实。
若认为z 在时间t 的一个变化对y 有影响,即1t t y z β∆=∆,那么可以将y 和z 设定为一个静态模型。
一个静态模型的例子是静态菲利普斯曲线。
在一个静态回归模型中也可以有几个解释变量。
2.有限分布滞后模型(1)有限分布滞后模型有限分布滞后模型(finitedistributedlagmodel,FDL)是指一个或多个变量对y 的影响有一定时滞的模型。
考察如下模型:001122t t t t ty z z z u αδδδ--=++++它是一个二阶FDL。