计量经济学导论第一次作业（第四组）伍德里奇

伍德里奇-计量经济学(第4版)答案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{}n i hours sat i i ,...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①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。

②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付起备考课程的费用。

③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，1β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）0β在这个例子中有一个很有用的解释：因为E （u ）=0，0β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（例如焚化炉的地理位置等）和距离(dist)相关,则E（u︱log(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。

伍德里奇计量经济学导论答案1、企业生产车间发生的固定资产的修理费应计入（）科目。

[单选题] *A.制造费用B.生产成本C.长期待摊费用D.管理费用(正确答案)2、某企业2018年6月期初固定资产原值10 500万元。

6月增加了一项固定资产入账价值为750万元;同时6月减少了固定资产原值150万元;则6月份该企业应提折旧的固定资产原值为( )万元。

[单选题] *A.1 1100B.10 650C.10 500(正确答案)D.10 3503、企业购进货物用于集体福利时，该货物负担的增值税额应当计入（）。

[单选题] *A.应交税费——应交增值税B.应付职工薪酬(正确答案)C.营业外支出D.管理费用4、．（年浙江省第一次联考）下列各项中，不属于会计核算的前提条件的是（）[单选题] *A持续经营B货币计量C权责发生制(正确答案)D会计主体5、．（年浙江省第三次联考）下列项目中不需要进行会计核算的是（）[单选题] *A签订销售合同(正确答案)B宣告发放现金股利C提现备发工资D结转本年亏损6、企业为扩大生产经营而发生的业务招待费，应计入（）科目。

[单选题] *A.管理费用(正确答案)B.财务费用C.销售费用D.其他业务成本7、当企业接受投资人的投资时，对于投资者的出资超过其占企业注册资本份额的部分应通过（）科目核算。

[单选题] *A.实收资本B.资本公积(正确答案)C.股本D.盈余公积8、企业生产车间使用的固定资产发生的下列支出中，直接计入当期损益的是( )。

[单选题] *A.购入时发生的安装费用B.发生的装修费用C.购入时发生的运杂费D.发生的修理费(正确答案)9、企业购入的生产设备达到预定可使用状态前，其发生的专业人员服务费用计入（）科目。

[单选题] *A.“固定资产”B.“制造费用”C.“在建工程”(正确答案)D.“工程物资”10、固定资产报废清理后发生的净损失，应计入（）。

[单选题] *A.投资收益B.管理费用C.营业外支出(正确答案)D.其他业务成本11、企业在使用固定过程中发生更新改造支出应计入（）。

班级：金融学×××班姓名：××学号：×××××××C4.1 voteA=β0+β1log expendA+β2log expendB+β3prtystrA+u 其中，voteA表示候选人A得到的选票百分数，expendA和expendB分别表示候选人A和B的竞选支出，而prtystrA则是对A所在党派势力的一种度量（A所在党派在最近一次总统选举中获得的选票百分比）。

解：（ⅰ）如何解释β1？β1表示当候选人B的竞选支出和候选人A所在党派势力固定不变时，候选人A的竞选支出（expendA）增加一个百分点时，voteA将增加β1 100。

（ⅱ）用参数表述如下虚拟假设：A的竞选支出提高1% 被B的竞选支出提高1% 所抵消。

虚拟假设为H0∶β1+β2=0 ,该假设意味着A的竞选支出提高x% 被B的竞选支出提高x% 所抵消,voteA保持不变。

（ⅲ）利用VOTE1.RAW中的数据来估计上述模型，并以通常的方式报告结论。

A的竞选支出会影响结果吗？B的支出呢？你能用这些结论来检验第（ⅱ）部分中的假设吗？所以，voteA=45.0789+6.0833log expendA−6.6154log expendB+0.1520prtystrA, n=173, R2=0.7926 .由截图可得：expendA 系数β1的 t 统计量为15.9187，在很小的显著水平上都是显著的，意味着当其他条件不变时，A 的竞选支出增加1%，voteA 将增加0.0608。

同理可得，expendB 系数β2的 t 统计量为-17.4632，在很小的显著水平上都是显著的，意味着当其他条件不变时，B 的竞选支出增加1%，voteA 将增加0.066。

由于A 的竞选支出的系数β1和B 的竞选支出的系数β2符号相反，绝对值差不多，所以近似有虚拟假设“ H 0∶β1+β2=0 ”成立，即第（ⅱ）部分中的假设成立。

（完整版）计量经济学（伍德里奇第五版中文版）答案第1章解决问题的办法1.1（一）理想的情况下，我们可以随机分配学生到不同尺寸的类。

也就是说，每个学生被分配一个不同的类的大小，而不考虑任何学生的特点，能力和家庭背景。

对于原因，我们将看到在第2章中，我们想的巨大变化，班级规模（主题，当然，伦理方面的考虑和资源约束）。

（二）呈负相关关系意味着，较大的一类大小是与较低的性能。

因为班级规模较大的性能实际上伤害，我们可能会发现呈负相关。

然而，随着观测数据，还有其他的原因，我们可能会发现负相关关系。

例如，来自较富裕家庭的儿童可能更有可能参加班级规模较小的学校，和富裕的孩子一般在标准化考试中成绩更好。

另一种可能性是，在学校，校长可能分配更好的学生，以小班授课。

或者，有些家长可能会坚持他们的孩子都在较小的类，这些家长往往是更多地参与子女的教育。

（三）鉴于潜在的混杂因素- 其中一些是第（ii）上市- 寻找负相关关系不会是有力的证据，缩小班级规模，实际上带来更好的性能。

在某种方式的混杂因素的控制是必要的，这是多元回归分析的主题。

1.2（一）这里是构成问题的一种方法：如果两家公司，说A和B，相同的在各方面比B公司à用品工作培训之一小时每名工人，坚定除外，多少会坚定的输出从B公司的不同？（二）公司很可能取决于工人的特点选择在职培训。

一些观察到的特点是多年的教育，多年的劳动力，在一个特定的工作经验。

企业甚至可能歧视根据年龄，性别或种族。

也许企业选择提供培训，工人或多或少能力，其中，“能力”可能是难以量化，但其中一个经理的相对能力不同的员工有一些想法。

此外，不同种类的工人可能被吸引到企业，提供更多的就业培训，平均，这可能不是很明显，向雇主。

（iii）该金额的资金和技术工人也将影响输出。

所以，两家公司具有完全相同的各类员工一般都会有不同的输出，如果他们使用不同数额的资金或技术。

管理者的素质也有效果。

（iv）无，除非训练量是随机分配。

Asymptotics如果OLS不是无偏的, 那consistency是对估计量的起码要求. 一致性是指在样本容量趋于无穷时, 估计量的分布会集中在估计值的点上. 在四个初始假定下, OLS估计量都是一致估计. 而如果放宽OLS的假定,把zero conditional mean拆成两个假定E(u)=0和Cov(x,u)=0, 即u的期望值为0且与x不相关, 这时候即时条件均值假定不成立, OLS不是无偏, 仍可以得到一致估计.如果任何一个x与u相关, 就会导致不一致性. 而如果遗漏一个变量x2而其又与x1相关, 就会导致不一致性. 如果被遗漏变量与任何一个其他变量都不相关, 则不会导致不一致性. 如果x1与u相关, 但x1与u都与其它变量不相关, 则只是x1的估计量存在不一致性.非正态的总体不影响无偏性和BLUE，但是要做出正确的t和F统计量估计需要有正态分布的假定（第6个假定）。

但只要样本容量足够大，根据中心极限定理，OLS是渐进正态分布的。

但这必须以homoskedasticity和Zero conditional mean为前提。

这时OLS估计量也具有最小的渐进方差。

Dummy variable用来衡量定性的信息对于dummy variable，设置0和1，便于做出自然的解释；如果在一个函数中添加了两个互补的dummy variables，就会造成dummy variable trap，导致perfect collineartiy；那个没有被加入模型的会形成互补的variable，通常被成为base group（基组）。

Intercept Dummy variable：单独作为自变量加上系数后出现。

在图上只表示为intecept shift，图形只是截距发生了平行迁移。

如果male为1，那女性截距就是α，男性截距是γ+α。

Slope Dummy variable：作为自变量的一个interaction variable出现。

伍德⾥奇---计量经济学第4章部分计算机习题详解（MATLAB）班级：⾦融学×××班姓名：××学号：×××××××C4.1 voteA=β0+β1log expendA+β2log expendB+β3prtystrA+u 其中，voteA表⽰候选⼈A得到的选票百分数，expendA和expendB分别表⽰候选⼈A和B的竞选⽀出，⽽prtystrA则是对A所在党派势⼒的⼀种度量（A所在党派在最近⼀次总统选举中获得的选票百分⽐）。

解：（ⅰ）如何解释β1？β1表⽰当候选⼈B的竞选⽀出和候选⼈A所在党派势⼒固定不变时，候选⼈A的竞选⽀出（expendA）增加⼀个百分点时，voteA将增加β1 100。

（ⅱ）⽤参数表述如下虚拟假设：A的竞选⽀出提⾼1% 被B的竞选⽀出提⾼1% 所抵消。

虚拟假设为H0∶β1+β2=0 ,该假设意味着A的竞选⽀出提⾼x% 被B的竞选⽀出提⾼x% 所抵消,voteA保持不变。

（ⅲ）利⽤VOTE1.RAW中的数据来估计上述模型，并以通常的⽅式报告结论。

A的竞选⽀出会影响结果吗？B的⽀出呢？你能⽤这些结论来检验第（ⅱ）部分中的假设吗？所以，voteA=45.0789+6.0833log expendA?6.6154log expendB+0.1520prtystrA, n=173, R2=0.7926 .由截图可得：expendA 系数β1的 t 统计量为15.9187，在很⼩的显著⽔平上都是显著的，意味着当其他条件不变时，A 的竞选⽀出增加1%，voteA 将增加0.0608。

同理可得，expendB 系数β2的 t 统计量为-17.4632，在很⼩的显著⽔平上都是显著的，意味着当其他条件不变时，B 的竞选⽀出增加1%，voteA 将增加0.066。

由于A 的竞选⽀出的系数β1和B 的竞选⽀出的系数β2符号相反，绝对值差不多，所以近似有虚拟假设“ H 0∶β1+β2=0 ”成⽴，即第（ⅱ）部分中的假设成⽴。

2.10(iii) From (2.57), Var(1ˆβ) = σ2/21()n i i x x =⎛⎫- ⎪⎝⎭∑. 由提示：： 21n ii x =∑ ≥ 21()n i i x x =-∑, and so Var(1β) ≤ Var(1ˆβ). A more direct way to see this is to write(一个更直接的方式看到这是编写) 21()ni i x x =-∑ = 221()n i i x n x =-∑, which is less than21n i i x=∑unless x = 0.(iv)给定的c 2i x 但随着x 的增加， 1ˆβ的方差与Var(1β)的相关性也增加.0β小时1β的偏差也小.因此, 在均方误差的基础上不管我们选择0β还是1β要取决于0β,x ,和n 的大小 (除了 21n i i x=∑的大小).3.7We can use Table 3.2. By definition, 2β > 0, and by assumption, Corr(x 1,x 2) < 0. Therefore, there is a negative bias in 1β: E(1β) < 1β. This means that, on average across different random samples, the simpleregression estimator underestimates the effect of the training program. It is even possible that E(1β) isnegative even though 1β > 0. 我们可以使用表3.2。

根据定义，> 0，由假设，科尔（X1，X2）<0。

因此，有一个负偏压为：E （）<。

这意味着，平均在不同的随机抽样，简单的回归估计低估的培训计划的效果。

name: <unnamed>log: /Users/wangjianying/Desktop/Chapter 4 Computer exercise.smcl log type: smclopened on: 25 Oct 2016, 22:20:411. do "/var/folders/qt/0wzmrhfd3rb93j2h5hhtcwqr0000gn/T//SD19456.000000"2. ****************************Chapter 4***********************************3. **C14. use "/Users/wangjianying/Documents/data of wooldridge/stata/VOTE1.DTA"5. desContains data from /Users/wangjianying/Documents/data of wooldridge/stata/VOTE1.DTA obs: 173vars: 10 25 Jun 1999 14:07size: 4,498storage display valuevariable name type format label variable labelstate str2 %9s state postal codedistrict byte %3.0f congressional districtdemocA byte %3.2f =1 if A is democratvoteA byte %5.2f percent vote for AexpendA float %8.2f camp. expends. by A, $1000sexpendB float %8.2f camp. expends. by B, $1000sprtystrA byte %5.2f % vote for presidentlexpendA float %9.0g log(expendA)lexpendB float %9.0g log(expendB)shareA float %5.2f 100*(expendA/(expendA+expendB)) Sorted by:6. reg voteA lexpendA lexpendB prtystrASource SS df MS Number of obs = 173F( 3, 169) = 215.23 Model 38405.1096 3 12801.7032 Prob > F = 0.0000Residual 10052.1389 169 59.480112 R-squared = 0.7926Adj R-squared = 0.7889 Total 48457.2486 172 281.728189 Root MSE = 7.7123voteA Coef. Std. Err. t P>|t| [95% Conf. Interval] lexpendA 6.083316 .38215 15.92 0.000 5.328914 6.837719 lexpendB -6.615417 .3788203 -17.46 0.000 -7.363246 -5.867588 prtystrA .1519574 .0620181 2.45 0.015 .0295274 .2743873 _cons 45.07893 3.926305 11.48 0.000 37.32801 52.829857. gen cha=lexpendB-lexpendA // variable cha is a new variable//8. reg voteA lexpendA cha prtystrASource SS df MS Number of obs = 173F( 3, 169) = 215.23 Model 38405.1097 3 12801.7032 Prob > F = 0.0000Residual 10052.1388 169 59.4801115 R-squared = 0.7926Adj R-squared = 0.7889 Total 48457.2486 172 281.728189 Root MSE = 7.7123 voteA Coef. Std. Err. t P>|t| [95% Conf. Interval]lexpendA -.532101 .5330858 -1.00 0.320 -1.584466 .5202638cha -6.615417 .3788203 -17.46 0.000 -7.363246 -5.867588prtystrA .1519574 .0620181 2.45 0.015 .0295274 .2743873_cons 45.07893 3.926305 11.48 0.000 37.32801 52.829859. clear10.11. **C312. use "/Users/wangjianying/Documents/data of wooldridge/stata/hprice1.dta"13. desContains data from /Users/wangjianying/Documents/data of wooldridge/stata/hprice1.dta obs: 88vars: 10 17 Mar 2002 12:21size: 2,816storage display valuevariable name type format label variable labelprice float %9.0g house price, $1000sassess float %9.0g assessed value, $1000sbdrms byte %9.0g number of bdrmslotsize float %9.0g size of lot in square feetsqrft int %9.0g size of house in square feetcolonial byte %9.0g =1 if home is colonial stylelprice float %9.0g log(price)lassess float %9.0g log(assessllotsize float %9.0g log(lotsize)lsqrft float %9.0g log(sqrft)Sorted by:14. reg lprice sqrft bdrmsSource SS df MS Number of obs = 88F( 2, 85) = 60.73 Model 4.71671468 2 2.35835734 Prob > F = 0.0000Residual 3.30088884 85 .038833986 R-squared = 0.5883Adj R-squared = 0.5786 Total 8.01760352 87 .092156362 Root MSE = .19706 lprice Coef. Std. Err. t P>|t| [95% Conf. Interval]sqrft .0003794 .0000432 8.78 0.000 .0002935 .0004654bdrms .0288844 .0296433 0.97 0.333 -.0300543 .0878232_cons 4.766027 .0970445 49.11 0.000 4.573077 4.95897815. gen cha=sqrft-150*bdrms16. reg lprice cha bdrmsSource SS df MS Number of obs = 88F( 2, 85) = 60.73 Model 4.71671468 2 2.35835734 Prob > F = 0.0000Residual 3.30088884 85 .038833986 R-squared = 0.5883Adj R-squared = 0.5786 Total 8.01760352 87 .092156362 Root MSE = .19706lprice Coef. Std. Err. t P>|t| [95% Conf. Interval] cha .0003794 .0000432 8.78 0.000 .0002935 .0004654 bdrms .0858013 .0267675 3.21 0.002 .0325804 .1390223 _cons 4.766027 .0970445 49.11 0.000 4.573077 4.95897817. clear18.19. **C520. use "/Users/wangjianying/Documents/data of wooldridge/stata/MLB1.DTA"21. desContains data from /Users/wangjianying/Documents/data of wooldridge/stata/MLB1.DTA obs: 353vars: 47 16 Sep 1996 15:53size: 45,537storage display valuevariable name type format label variable labelsalary float %9.0g 1993 season salaryteamsal float %10.0f team payrollnl byte %9.0g =1 if national leagueyears byte %9.0g years in major leaguesgames int %9.0g career games playedatbats int %9.0g career at batsruns int %9.0g career runs scoredhits int %9.0g career hitsdoubles int %9.0g career doublestriples int %9.0g career tripleshruns int %9.0g career home runsrbis int %9.0g career runs batted inbavg float %9.0g career batting averagebb int %9.0g career walksso int %9.0g career strike outssbases int %9.0g career stolen basesfldperc int %9.0g career fielding percfrstbase byte %9.0g = 1 if first basescndbase byte %9.0g =1 if second baseshrtstop byte %9.0g =1 if shortstopthrdbase byte %9.0g =1 if third baseoutfield byte %9.0g =1 if outfieldcatcher byte %9.0g =1 if catcheryrsallst byte %9.0g years as all-starhispan byte %9.0g =1 if hispanicblack byte %9.0g =1 if blackwhitepop float %9.0g white pop. in cityblackpop float %9.0g black pop. in cityhisppop float %9.0g hispanic pop. in citypcinc int %9.0g city per capita incomegamesyr float %9.0g games per year in leaguehrunsyr float %9.0g home runs per yearatbatsyr float %9.0g at bats per yearallstar float %9.0g perc. of years an all-starslugavg float %9.0g career slugging averagerbisyr float %9.0g rbis per yearsbasesyr float %9.0g stolen bases per yearrunsyr float %9.0g runs scored per yearpercwhte float %9.0g percent white in citypercblck float %9.0g percent black in cityperchisp float %9.0g percent hispanic in cityblckpb float %9.0g black*percblckhispph float %9.0g hispan*perchispwhtepw float %9.0g white*percwhteblckph float %9.0g black*perchisphisppb float %9.0g hispan*percblcklsalary float %9.0g log(salary)Sorted by:22. reg lsalary years gamesyr bavg hrunsyrSource SS df MS Number of obs = 353F( 4, 348) = 145.24 Model 307.800674 4 76.9501684 Prob > F = 0.0000 Residual 184.374861 348 .52981282 R-squared = 0.6254Adj R-squared = 0.6211 Total 492.175535 352 1.39822595 Root MSE = .72788lsalary Coef. Std. Err. t P>|t| [95% Conf. Interval] years .0677325 .0121128 5.59 0.000 .0439089 .091556 gamesyr .0157595 .0015636 10.08 0.000 .0126841 .0188348 bavg .0014185 .0010658 1.33 0.184 -.0006776 .0035147 hrunsyr .0359434 .0072408 4.96 0.000 .0217021 .0501847 _cons 11.02091 .2657191 41.48 0.000 10.49829 11.5435323. reg lsalary years gamesyr bavg hrunsyr runsyr fldperc sbasesyrSource SS df MS Number of obs = 353F( 7, 345) = 87.25 Model 314.510478 7 44.9300682 Prob > F = 0.0000 Residual 177.665058 345 .514971181 R-squared = 0.6390Adj R-squared = 0.6317 Total 492.175535 352 1.39822595 Root MSE = .71761lsalary Coef. Std. Err. t P>|t| [95% Conf. Interval] years .0699848 .0119756 5.84 0.000 .0464305 .0935391 gamesyr .0078995 .0026775 2.95 0.003 .0026333 .0131657 bavg .0005296 .0011038 0.48 0.632 -.0016414 .0027007 hrunsyr .0232106 .0086392 2.69 0.008 .0062185 .0402027 runsyr .0173922 .0050641 3.43 0.001 .0074318 .0273525 fldperc .0010351 .0020046 0.52 0.606 -.0029077 .0049778 sbasesyr -.0064191 .0051842 -1.24 0.216 -.0166157 .0037775 _cons 10.40827 2.003255 5.20 0.000 6.468139 14.348424. test bavg fldperc sbasesyr( 1) bavg = 0( 2) fldperc = 0( 3) sbasesyr = 0F( 3, 345) = 0.69Prob > F = 0.561725. clear26. **C727. use "/Users/wangjianying/Documents/data of wooldridge/stata/twoyear.dta"28. sum phsrankVariable Obs Mean Std. Dev. Min Maxphsrank 6763 56.15703 24.27296 0 9929. reg lwage jc totcoll exper phsrankSource SS df MS Number of obs = 6763F( 4, 6758) = 483.85 Model 358.050568 4 89.5126419 Prob > F = 0.0000 Residual 1250.24552 6758 .185002297 R-squared = 0.2226Adj R-squared = 0.2222 Total 1608.29609 6762 .237843255 Root MSE = .43012 lwage Coef. Std. Err. t P>|t| [95% Conf. Interval] jc -.0093108 .0069693 -1.34 0.182 -.0229728 .0043512 totcoll .0754756 .0025588 29.50 0.000 .0704595 .0804918 exper .0049396 .0001575 31.36 0.000 .0046308 .0052483 phsrank .0003032 .0002389 1.27 0.204 -.0001651 .0007716 _cons 1.458747 .0236211 61.76 0.000 1.412442 1.50505230. reg lwage jc univ exper idSource SS df MS Number of obs = 6763F( 4, 6758) = 483.42 Model 357.807307 4 89.4518268 Prob > F = 0.0000 Residual 1250.48879 6758 .185038293 R-squared = 0.2225Adj R-squared = 0.2220 Total 1608.29609 6762 .237843255 Root MSE = .43016 lwage Coef. Std. Err. t P>|t| [95% Conf. Interval]jc .0666633 .0068294 9.76 0.000 .0532754 .0800511univ .0768813 .0023089 33.30 0.000 .0723552 .0814074exper .0049456 .0001575 31.40 0.000 .0046368 .0052543id 1.14e-07 2.09e-07 0.54 0.587 -2.97e-07 5.24e-07_cons 1.467533 .0228306 64.28 0.000 1.422778 1.51228831. reg lwage jc totcoll exper idSource SS df MS Number of obs = 6763F( 4, 6758) = 483.42 Model 357.807307 4 89.4518267 Prob > F = 0.0000Residual 1250.48879 6758 .185038293 R-squared = 0.2225Adj R-squared = 0.2220 Total 1608.29609 6762 .237843255 Root MSE = .43016 lwage Coef. Std. Err. t P>|t| [95% Conf. Interval]jc -.010218 .0069366 -1.47 0.141 -.023816 .00338totcoll .0768813 .0023089 33.30 0.000 .0723552 .0814074exper .0049456 .0001575 31.40 0.000 .0046368 .0052543id 1.14e-07 2.09e-07 0.54 0.587 -2.97e-07 5.24e-07_cons 1.467533 .0228306 64.28 0.000 1.422778 1.51228832. clear33. **C934. use "/Users/wangjianying/Documents/data of wooldridge/stata/discrim.dta"35. desContains data from /Users/wangjianying/Documents/data of wooldridge/stata/discrim.dta obs: 410vars: 37 8 Jan 2002 22:26size: 47,150storage display valuevariable name type format label variable labelpsoda float %9.0g price of medium soda, 1st wavepfries float %9.0g price of small fries, 1st wavepentree float %9.0g price entree (burger or chicken), 1st wave wagest float %9.0g starting wage, 1st wavenmgrs float %9.0g number of managers, 1st wavenregs byte %9.0g number of registers, 1st wavehrsopen float %9.0g hours open, 1st waveemp float %9.0g number of employees, 1st wavepsoda2 float %9.0g price of medium soday, 2nd wavepfries2 float %9.0g price of small fries, 2nd wavepentree2 float %9.0g price entree, 2nd wavewagest2 float %9.0g starting wage, 2nd wavenmgrs2 float %9.0g number of managers, 2nd wavenregs2 byte %9.0g number of registers, 2nd wavehrsopen2 float %9.0g hours open, 2nd waveemp2 float %9.0g number of employees, 2nd wavecompown byte %9.0g =1 if company ownedchain byte %9.0g BK = 1, KFC = 2, Roy Rogers = 3, Wendy's = 4 density float %9.0g population density, towncrmrte float %9.0g crime rate, townstate byte %9.0g NJ = 1, PA = 2prpblck float %9.0g proportion black, zipcodeprppov float %9.0g proportion in poverty, zipcodeprpncar float %9.0g proportion no car, zipcodehseval float %9.0g median housing value, zipcodenstores byte %9.0g number of stores, zipcodeincome float %9.0g median family income, zipcodecounty byte %9.0g county labellpsoda float %9.0g log(psoda)lpfries float %9.0g log(pfries)lhseval float %9.0g log(hseval)lincome float %9.0g log(income)ldensity float %9.0g log(density)NJ byte %9.0g =1 for New JerseyBK byte %9.0g =1 if Burger KingKFC byte %9.0g =1 if Kentucky Fried ChickenRR byte %9.0g =1 if Roy RogersSorted by:36. reg lpsoda prpblck lincome prppovSource SS df MS Number of obs = 401F( 3, 397) = 12.60 Model .250340622 3 .083446874 Prob > F = 0.0000Residual 2.62840943 397 .006620679 R-squared = 0.0870Adj R-squared = 0.0801 Total 2.87875005 400 .007196875 Root MSE = .08137 lpsoda Coef. Std. Err. t P>|t| [95% Conf. Interval]prpblck .0728072 .0306756 2.37 0.018 .0125003 .1331141lincome .1369553 .0267554 5.12 0.000 .0843552 .1895553prppov .38036 .1327903 2.86 0.004 .1192999 .6414201_cons -1.463333 .2937111 -4.98 0.000 -2.040756 -.885909237. corr lincome prppov(obs=409)lincome prppovlincome 1.0000prppov -0.8385 1.000038. reg lpsoda prpblck lincome prppov lhsevalSource SS df MS Number of obs = 401F( 4, 396) = 22.31 Model .529488085 4 .132372021 Prob > F = 0.0000 Residual 2.34926197 396 .00593248 R-squared = 0.1839Adj R-squared = 0.1757 Total 2.87875005 400 .007196875 Root MSE = .07702lpsoda Coef. Std. Err. t P>|t| [95% Conf. Interval] prpblck .0975502 .0292607 3.33 0.001 .0400244 .155076 lincome -.0529904 .0375261 -1.41 0.159 -.1267657 .0207848 prppov .0521229 .1344992 0.39 0.699 -.2122989 .3165447 lhseval .1213056 .0176841 6.86 0.000 .0865392 .1560721 _cons -.8415149 .2924318 -2.88 0.004 -1.416428 -.266601939. test lincome prppov( 1) lincome = 0( 2) prppov = 0F( 2, 396) = 3.52Prob > F = 0.030440.end of do-file41. log closename: <unnamed>log: /Users/wangjianying/Desktop/Chapter 4 Computer exercise.smcl log type: smclclosed on: 25 Oct 2016, 22:21:04。

计量经济学导论伍德里奇数据集全文共四篇示例，供读者参考第一篇示例：计量经济学导论伍德里奇数据集是一个广泛使用的经济学数据集，它收集了来自不同国家和地区的大量经济数据，包括国内生产总值（GDP）、人口、失业率、通货膨胀率等指标。

这些数据被广泛用于经济学研究和实证分析，帮助经济学家们了解和预测经济现象。

伍德里奇数据集由经济学家Robert S. Pindyck和Daniel L. Rubinfeld于1991年编撰而成，现已成为许多大学和研究机构的经济学教学和研究工具。

该数据集包含了大量的时间序列和横截面数据，涵盖了从1960年至今的多个国家和地区。

在伍德里奇数据集中，经济指标按照国家和地区进行分类，每个国家或地区都有各种经济指标的时间序列数据。

这些数据不仅涵盖了宏观经济指标，如GDP、人口、通货膨胀率等，还包括了一些特定领域的数据，如能源消耗、就业情况、教育水平等。

研究人员可以使用伍德里奇数据集进行各种经济学研究，例如分析不同国家和地区的经济增长趋势、比较不同国家之间的经济表现、评估各种经济政策的效果等。

通过对数据集的分析，经济学家们可以更好地理解和解释经济现象，为政策制定和经济预测提供依据。

除了为经济学研究提供数据支持外，伍德里奇数据集还可以帮助经济学教学。

许多经济学课程都会使用这个数据集进行案例分析和实证研究，让学生们更直观地理解经济理论，并将理论应用到实际问题中去。

通过实际数据的分析，学生们可以培养独立思考和解决问题的能力，提高他们的经济学研究水平。

要正确使用伍德里奇数据集进行经济学研究和教学，研究人员和教师们需要对数据集的结构和特点有深入的了解。

他们需要了解数据集中各个变量的定义和计量单位，以确保数据分析的准确性。

他们需要熟悉数据集的时间跨度和覆盖范围，以便选择合适的时间段和国家样本进行研究。

他们还需要掌握数据处理和分析的方法，如时间序列分析、横截面分析等，以确保研究结论的可靠性和科学性。

伍德里奇《计量经济学导论》（第5版）笔记和课后习题详解第4章多元回归分析：推断4.1复习笔记一、OLS 估计量的抽样分布1．假定MLR.6（正态性）总体误差u 独立于解释变量12 k x x x ，，…，，而且服从均值为零和方差为2σ的正态分布：()2Normal 0 u σ～，。

2．经典线性模型就横截面回归中的应用而言，从假定MLR.1～MLR.6这六个假定被称为经典线性模型假定。

将这六个假定下的模型称为经典线性模型（CLM）。

在CLM 假定下，OLS 估计量01ˆˆˆ kβββ，，…，比在高斯—马尔可夫假定下具有更强的效率性质。

可以证明，OLS 估计量是最小方差无偏估计，即在所有的无偏估计中，OLS 具有最小的方差。

总结CLM 总体假定的一种简洁方法是：()201122|Normal k k y x x x x ββββσ++++～…，误差项的正态性导致OLS 估计量的正态抽样分布。

3．用中心极限定理去推导u 的分布的缺陷（1）虽然u 是影响y 而又观测不到的众多因素之和，且各因素可能各有极为不同的总体分布，但中心极限定理（CLT）在这些情形下仍成立。

正态近似的效果取决于u 中有多少因素，以及u 中包含因素分布的差异。

（2）更严重的问题是，正态近似假定所有不可观测因素都以独立而可加的方式影响着Y。

因此如果u 是不可观测因素的一个复杂函数，那么CLT 论证并不真正适用。

4．误差项的正态性导致OLS 估计量的正态抽样分布定理4.1：正态抽样分布在CLM 假定MLR.1～MLR.6下，以自变量的样本值为条件，有：()ˆˆ~Normal Var j j j βββ⎡⎤⎣⎦，因此()()()ˆˆ/sd ~Normal 0 1j j j βββ-，注：除ˆj β服从正态分布外，01ˆˆˆ k βββ，，…，的任何线性组合也都是正态分布，而且ˆjβ的任何一个子集也都具有一个联合正态分布。

二、检验对单个总体参数的假设：t 检验1．总体回归函数总体模型可写作：11o k k y x x uβββ=++⋯++假定它满足CLM 假定，OLS 得到j β的无偏估计量。