在例11.6中，我们估计了一个一阶差分形式的有限分布滞后模型：利用FERTIL 3.RAW中的数据来检验误

个人面板数据。如果我们包括了一个1992年的年度虚拟变量并利用一阶差分，那么我们还能在原模型中包含年龄变量吗？试解释。

使用CRIME4.RAW。 （i)在数据集中增加每个工资变量的对数，然后用一阶差分估计模型。问这些变量的

使用CRIME4.RAW。

(i)在数据集中增加每个工资变量的对数，然后用一阶差分估计模型。问这些变量的引入如何影响教材例13.9中那些司法变量的系数？

(ii)第(i)部分中的工资变量全部都有预期的符号吗？它们是联合显著的吗？试解释。

利用TRAFFIC2.RAW中的数据。

(i)计算变量prefat的一阶自相关系数。你认为prefat包含单位根吗？失业率也一样吗？

(i)估计一个将prcfat的一阶差分Aprcfat与第10章的计算机练习C11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)第10章的计算机练习C11第(vi)部分中的回归。]

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

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。]

在例7.12中，我们估计了一个线性概率模型以说明一个年轻人在1986年是否被拘捕：（i)用OLS估计此模

在例7.12中，我们估计了一个线性概率模型以说明一个年轻人在1986年是否被拘捕：

(i)用OLS估计此模型， 并验证其全部估计值都严格地介于0和1之间。最大和最小的估计值各是多少？

(ii)像8.5节所讨论的那样，用加权最小二乘法估计这个方程。

(iii)用WLS估计值决定avgsen和tottie在5%的显著性水平上是否联合显著。

教材例13.9并利用CRIME4.RAW中的数据。 （i)假定你在做差分以消除非观测效应后，认为Alog（polpc)

教材例13.9并利用CRIME4.RAW中的数据。

(i)假定你在做差分以消除非观测效应后，认为Alog(polpc)与Alog(crmrte)是同时决定的;特别是犯罪的增加与警察人数的增加有关。这对解释教材方程(13.33)中Alog(polpc)的正系数有何帮助？

(ii)变量taxpc表示全县人均征税量。将它排除在犯罪方程之外看上去合理吗？

(iii)在包括了潜在的工具变量Alog(taxpc)后，利用混合OLS估计Alog(polpc)的约简型。Alog(taxpc)看起来是一个很好的备选ⅣV吗？

(iv)假设在几年后，北卡罗来纳州资助某些县扩大其警察规模。你如何利用这个信息估计增加的警察对犯罪率的影响？

1992年都没有报告其校园犯罪数据，所以我们所使用的样本并不是美国大学的一个随机样本。你认为大学没有报告校园犯罪可被视为外生的样本选择吗？请解释。

看更多学生的出现会不会影响房租。非观测效应模型是

其中pop是城市人口，avginc是平均收入，而petstu是学生人口占城市人口的百分数(按学年计算)。

(i)用混合OLS估计方程并按标准方式报告结果。你如何理解1990年虚拟变量的估计值？你得到βpctstu是多少？

(ii)你在第(i)部分中报告的标准误是否真实？请解释。

(iii)现在，将方程差分并用OLS估计。把你对βpctstu的估计值和第(ii)部分进行比较。学生人口的相对规模对房租有影响吗？

(iv)对第(ii)部分中的一阶差分方程求异方差-稳健的标准误。这是否改变了你的结论？

使用PHILLIPS.RAW中的数据。 （i)教材例11.5中，我们估计了如下形式的附加预期的菲利普斯曲线：

使用PHILLIPS.RAW中的数据。

(i)教材例11.5中，我们估计了如下形式的附加预期的菲利普斯曲线：

其中。用OLS估计该方程时，我们假定供给冲击et与unemt不相关。如果这是错误的，关于β_t的OLS估计量可做什么解释？

(ii)假定et在给定所有过去信息的条件下是不可预期的：

解释为什么这使得unem_t-1成为unemt的一个好的Ⅳ候选者。

(iii)将unemt对unem_t-1做回归。unemt与unem_t-1是否显著相关？

(iv)用Ⅳ估计附加预期的菲利普斯曲线。以通常形式报告结果，并将之与教材例11.5中的OLS估计值进行比较。

如果我们认为教材（13.14)中的β1为正，且负相关，那么，在一阶差分方程中，β₁的OLS估计量会有什

如果我们认为教材(13.14)中的β1为正，且负相关，那么，在一阶差分方程中，β₁的OLS估计量会有什么偏误？

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，θ_t无非表

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，θ_t无非表示不同年份的截距，而a_i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。