刚看到,估计已经晚了。。。
第一题目很不严谨啊
dw统计量,就是那两个式子的比值(但是连加的始末都没有标注。。),再说如果对于panel data要用augmented dw来做,条件则不足。。。
对于rho的估计(这里基于ar1假设)rhohat,就是et/et-1 是两个回归模型的residual
然后把rho的估计值算出来后,用α/1-rhohat就能得到修正值了。。
第二题目β0=α0=0.4
β1=α0+α1+α2 β2=α0+2α1+4α2 β3=α0+3α1+9α2
最后一个题目
散点图画出来后,显然y越来越分散,也就是说,随着x的增大, 对y的期望的估计,越来越不精确,诊断为异方差。
然后加权估计的方法,就是原先的系数,除以权重。
其实gls这种方法是不科学的,因为你无法写出来题目中那个估计式,实证文章一般都是用
hetero robust estimation
第一题目很不严谨啊
dw统计量,就是那两个式子的比值(但是连加的始末都没有标注。。),再说如果对于panel data要用augmented dw来做,条件则不足。。。
对于rho的估计(这里基于ar1假设)rhohat,就是et/et-1 是两个回归模型的residual
然后把rho的估计值算出来后,用α/1-rhohat就能得到修正值了。。
第二题目β0=α0=0.4
β1=α0+α1+α2 β2=α0+2α1+4α2 β3=α0+3α1+9α2
最后一个题目
散点图画出来后,显然y越来越分散,也就是说,随着x的增大, 对y的期望的估计,越来越不精确,诊断为异方差。
然后加权估计的方法,就是原先的系数,除以权重。
其实gls这种方法是不科学的,因为你无法写出来题目中那个估计式,实证文章一般都是用
hetero robust estimation