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

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。

本题使用PHILLIPS.RAW中的数据。

(i)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：

解释为什么这使得unem_t-1成为unem_t的一个好的Ⅳ候选者。

(iii)将unem_t对unem_t-1做回归。unem_t与mem_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，并将之与例11.5中的OLS估计值进行比较。

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中的数据来检验误差中是否存在AR(1) 序列相关。

在例10.6中，我们估计了费尔预测美国总统选举结果的一个模型的变型。

(i)对于这个方程中的误差项序列无关，你有何论据？(提示：总统选举多长时间进行一次？)

(ii) 在将式(10.23) 的OLS残差对滞后残差进行回归时， 得到p=-0.068和sc(p)=0.240。你对u， 中的序列相关有何结论？

(iii)在检验序列相关时，这个应用中的小样本容量会令你不放心吗？

在例9.1中，我们narr86在的一个线性模型中增加二次项pcrv2、ptime86²和inc 862。

(i)利用CRIME L RAW中的数据， 在例17.3的泊松回归中同样增加这些项。

(ii)根据估计 。数据存在过度散布的证据吗？该如何调整泊松极大似然估计标准误？

(iii)利用第(i)部分和第(ii)部分的结论及教材表17.3，计算这三个平方项联合显著性的准似然比统计量。你得到什么结论？

(i)例4.7中待估计的总体模型可写成

控制了工人培训和销售-雇员比后，是否企业越大，其废品率在统计上的显著性越大？

(iv)检验假设：sales/employ提高1%将伴随以废品率下降1%。

利用401KSUBS.RAW中的数据。我们感兴趣的方程是一个线性概率模型

这里的目标是要检验参与一项401(k)计划与拥有一个个人退休金账户(IRA)是否有替换关系。因此，我们想估计β₁。

(i)用OLS估计方程，并讨论p401k的估计影响。

(ii)为了估计这两种不同类型的退休储蓄计划在其他条件不变情况下的替换关系，使用普通最小二乘法可能存在什么问题？

(iii)变量e401k是一个二值变量，并在一个工人有资格参与一项401(k)计划时取值1。解释欲使e401k成为p401k的一个有效Ⅳ所需要的条件。这些假定看起来合理吗？

(iv)估计p401k的约简型方程，并验证e401k与p401k具有显著的偏相关。因为约简型也是一个线性概率模型，所以使用一个异方差-稳健的标准误。

(v)现在，用Ⅳ估计结构方程，并将β1的估计值与OLS估计值相比较。你同样应该到异方差-稳健的标准误。

(vi)利用一个异方差-稳健的检验，检验如下虚拟假设：p401k实际上是外生的。

利用PNTSPRD.RAW中的数据。

(i)变量favwin是一个二值变量，在拉斯维加斯所押的球队胜出了预定的分数差时取值1。估计所押球队获胜概率的线性概率模型为

如果分数差包括了所有相关的信息，那我们预期β₀=0.5。请解释。

(ii)用OLS估计第(i)部分的模型。相对于双侧备择假设检验H₀:β₀=0.5。同时使用通常的标准误和异方差一稳健的标准误。

(iii)spread在统计上显著吗？当spread=10时，被押球队获胜的估计概率是多少？

(iv)现在对P(favwin=Ilspread)估计一个概率单位模型。解释和检验截距项为0的虚拟假设。[提示：注意Φ(0)=0.5。]

(v)利用概率单位模型估计当spread=10时被押球队获胜的概率。并与第(iii)部分的LPM估计值相比较。

(vi)在概率单位模型中增加变量fuvhome、fav25和und25，并用似然比检验来检验这些变量的联合显著性。(x²分布中的自由度是多少？)解释这个结果，注意分数差是否包括了赛前可观测到的全部信息这个问题。

响。帕普克还使用了一个容许每个城市都有其时间趋势的模型：

其中，α_i和c_i都是非观测效应，这样就可以考虑城市之间更多的异质性。

(i)证明：如果对上述方程取差分便得到

注意在此差分方程中包含一个固定效应c_i。

(ii)用固定效应法估计差分方程。β₁的估计值是什么？它和教材例13.8中的估计值有很大差别吗？企业园区的作用仍是统计显著的吗？

(iii)在第(ii)部分的估计中添加全部年度虚拟变量，β₁的估计值有何变化？