请输入或粘贴题目内容
搜题
拍照、语音搜题，请扫码下载APP
题目内容
（请给出正确答案）
A.平均下来，在冬天里，其他条件不变的情况下下雨的可能性会增加30%
B.平均下来，在冬天里，其他条件不变的情况下下雨的可能性会增加0.3%
C.平均下来，在冬天里，其他条件不变的情况下下雨的可能性会增加30个百分点
D.以上都不对
答案
更多“在线性概率模型(LPM)估计中，，rain=0.004+0.3winter+0.01latitude,rain是虚拟变量(如果下雨为1”相关的问题
第1题
利用数据集401KSUBS.RAW。
(i)利用OLS估计e401k的一个线性概率模型，解释变量为inc，inc²，age，age²和male。求通常的OLS标准误和异方差-稳健的标准误。它们有重要差别吗？
(iii)对第(i)部分估计的模型求怀特检验，并分析系数估计值是否大致对应于第(ii)部分中描述的理论值。
(iv)在验证了第(i)部分的拟合值都介于0和1之间后，求这个线性概率模型的加权最小二乘估计值。它们与OLS估计值有重大差别吗？
第2题
对(许多美国工人可用的)401(k)养老金计划的出现是否提高了净储蓄，吸引了大量研究兴趣。数据集401KSUBS.RAW包含了有关净金融资产(nettfa)、家庭收入(ic)、是否有资格参与401(k)计划的二值变量(e401k)和其他几个变量的信息。
(i)样本中有资格参与一个401(k)计划的家庭比例是多少？
(ii)估计一个用收入、年龄和性别解释401(k)资格的线性概率模型。包括收入和年龄的二次项，并以通常形式报告结论。
(iii)你认为401(k)资格独立于收入和年龄吗？性别呢？请解释。
(iv)求第(ii)部分中估计的线性概率模型的拟合值。有小于0或大于1的拟合值吗？
(v)利用第(iv)部分中的拟合值e401k1，定义e401k1在e401k≥0.5时取值1，并在2e401k＜0.5时取值0。在9275个家庭中，预计有多少家庭有资格参与401(k)计划？
(vi)对于没有资格参加401(k)的5638个家庭，利用预测值e401k1，预测其中有多大比例没有401(k)？对于有资格参加401(k)的3637个家庭，其中有多大比例的家庭有401(k)？(如果你的计量经济软件具有“制表”命令更好。)
(vii)总正确预测比约为64.9%。给定第(vi)部分的答案，你认为这是模型好坏的一个完备描述吗？
(viii)在线性概率模型中增加一个解释变量pira。其他条件不变，若一个家庭有某人拥有个人退休金账户，一个家庭有资格参与401(k)计划的估计概率会提高多少？在10%的显著性水平上，它统计显著异于0吗？
第3题
(i) 估计一个将respond与resplast和avggift联系起来的线性概率模型。以通常的形式报告结果， 并解释变量resplast的系数。
(ii)过去捐助的平均水平看来会影响做出捐助响应的概率吗？
(iii) 在模型中增加变量propres p并解释其系数。(这里须注意， propresp增加1是最大可能变化。)
(iv) 在回归中增加propres p以后， resp last的系数有何变化？这讲得过去吗？
(v) 在模型中增加每年寄出邮件的数量mail year。它的估计影响有多大？为什么它不是邮件数量对响应的因果关系的一个较好的估计？
第4题
A.K-Means算法
B.Apriori算法
C.最大期望算法
D.KNN算法
第5题
本题利用NBASAL.RAW中的数据。
(i)估计一个线性回归模型，将单场得分与联赛中打球经历和位置(后卫、前锋或中锋)联系起来。包括打球经历的二次项形式，并将中锋作为基组。以通常的形式报告结果。
(ii)在第(i)部分中，你为什么不将所有三个位置虚拟变量包括进来？
(iii)保持经历不变，一个后卫的得分比一个中锋多吗？多多少？这个差异统计显著吗？
(iv)现在，将婚姻状况加入方程。保持位置和经历不变，已婚球员是否更高效(就单场得分来说)？
(v)加入婚姻状况和两个经历变量的交互项。在这个扩展的模型中，是否存在有力的证据表明婚姻状况影响单场得分？
(vi)使用单场助攻次数作为因变量估计(iv)中的模型。与(iv)的结果有明显的差异吗？请讨论。
第6题
A.线性最小均方估计是无偏估计
B.线性最小均方估计也是最小方差无偏估计
C.任何情况下，线性最小均方等价于最大后验概率估计
D.当观测与被估计量是联合正态分布时，线性最小均方估计等价于最小均方估计
第7题
本题利用401KSUBS.RAW中的数据。
(i) 计算样本中nettfa的平均值、标准差、最小值和最大值。
(ii) 检验假设平均nettfa不会因为401(k) 资格状况而有所不同， 使用双侧对立假设。估计差异的美元数量是多少？
(iii)根据计算机习题C7.9的第(ii)部分，e401k在一个简单回归模型中显然不是外生的，起码它随着收入和年龄而变化。以收入、年龄和e40lk作为解释变量估计nettfa的一个多元线性回归模型。收入和年龄应该以二次函数形式出现。现在，估计401(k)资格的美元效应是多少？
(iv) 在第(iii) 部分估计的模型中， 增加交互项e401k·(age-41) 和e401k·(age-41)2 。注意样本中的平均年龄约为41岁，所以在新模型中，e401k的系数是401(k)资格在平均年龄处的估计效应。哪个交互项显著？
(v)比较第(iii)和(iv)部分的估计值，401(k)资格在41岁处的估计效应差别大吗？请解释。
(vi) 现在， 从模型中去掉交互项， 但定义5个家庭规模虚拟变量：fsize l， j size2，f size 3， f size 4和f size 5。对有5个或5个以上成员的家庭， fsize 5等于1。在第(iii) 部分估计的模型中， 增加家庭规模虚拟变量， 记得选择一个基组。这些家庭虚拟变量在1%的显著性水平上显著吗？
(vii) 现在， 针对模型
在容许截距不同的情况下， 做5个家庭规模类别的邹至庄检验。约束残差平方和SSR， 从第(vi) 部分得到，因为那里回归假定了相同斜率。无约束残差平方和SSRUR=SSR1+SSR2 +…+SSR5 ， 其中SSRf是从仅用家庭规模f估计的方程中得到的残差平方和。你应该明白，无约束模型中有30个参数(5个截距和25个斜率)，而约束模型中有10个参数(5个截距和5个斜率)。因此，带检验的约束个数是q=20，而且无约束模型的df为9275-30=9245。
第8题
利用401KSUBS.RAW中的数据。
(i)计算样本中netta的平均值、标准差、最小值和最大值。
(ii)检验假设：平均netta不会因为401(k)资格状况而有所不同，使用双侧备择假设。估计差异的美元数量是多少？
(iii)根据第7章的计算机练习C7的第(ii)部分，e401k在一个简单回归模型中显然不是外生的，起码它随着收入和年龄而变化。以收入、年龄和e401k作为解释变量估计nettfa的一个多元线性回归模型。收入和年龄应该以二次函数形式出现。现在，估计401(k)资格的美元效应是多少？
(iv)在第(ii)部分估计的模型中，增加交互项e401k(age-41)和e401k-(age-41)2。注意样本中的平均年龄约为41岁，所以在新模型中，e401k的系数是401(k)资格在平均年龄处的估计效应。哪个交互项显著？
(v)比较第(iii)和(iv)部分的估计值，401(k)资格在41岁处的估计效应差别大吗？请解释。
(vi)现在，从模型中去掉交互项，但定义5个家庭规模虚拟变量：fsizel，fsize2，fsize3，fsize4和fsize5。对有5个或5个以上成员的家庭，fsize5等于1。在第(ii)部分估计的模型中，增加家庭规模虚拟变量，记得选择一个基组。这些家庭虚拟变量在1%的显著性水平上显著吗？
(vii)现在，针对模型
在容许截距不同的情况下，做5个家庭规模类别的邹至庄检验。约束残差平方和SSR，从第(iv)部分得到，因为那里回归假定了相同斜率。无约束残差平方和
其中SSRf是从仅用家庭规模f估计的方程中得到的残差平方和。你应该明白，无约束模型中有30个参数(5个截距和25个斜率)，而约束模型中有10个参数(5个截距和5个斜率)。因此，带检验的约束个数是q=20，而且无约束模型的df为9275-30=9245。
第9题
本题利用TRAFFIC 2.RAW中的数据。前面的计算机习题C 10.11曾要求你分析这些数据。
(i)计算变量prc fat的一阶自相关系数。你认为prc fat包含单位根吗？失业率也一样吗？
(ii)估计一个将prc fal的一阶差分Aprcfat与计算机习题C10.11第(vi) 部分中同样变量相联系的多元回归模型，只是你还应该对失业率进行一阶差分。于是，模型中包含一个线性时间趋势、月度虚拟变量、周末变量和两个政策变量：不要将这些变量进行差分。你发现了什么有意思的结论吗？
(iii)评论如下命题：“在进行多元回归之前，我们总应该将怀疑具有单位根的时间序列进行一阶差分，因为这样做是一种安全策略，而且应该得到与使用水平值类似的结论。”[在回答这个问题时，最好先做(如果你还没有做过的话)计算机习题C10.11第(vi)部分中的回归。]
第10题
A.对初始风险进行估计，分别确定各风险因素对目标 风险发生的概率和损失，风险概率难以取得时，不可采用风险频率代替
B.分析每个风险因素或风险事件对目标风险的影响程度
C.估计风险发生概率和损失的估值，并计算风险值，进而评价单个风险事件和整个工程建设项目的初始风险等级
D.根据评价结果制定相应的风险处理方案或措施
第11题
A、Cox regression
B、Linear regression
C、Logistic regression
D、Multiple regressions
E、Passion regression
