-
C5.1
（
1
）
代码：
mydata<-(
新建文件夹
伍德里奇计量经济学导论第四版数据总和
e
xcel
伍德里奇
header=F,
sep=
wage<-mydata[,1:4]
names
(wage)<-c(
fit1<-lm(wage~educ+exper+tenu
re,data=wage)
fit1
summary(fit1)
residual<-resid(fit1)
hist(residual)
结果：
Coefficients:(Intercept)
educ exper tenure
-2.87273 0.59897 0.02234 0.16927
Residuals:
Min 1Q
Median 3Q Max
-7.6068 -1.7747
-0.6279 1.1969 14.6536
Histogram of r
esidual
F
r
e
q
u
e
n
c
y
0
5
0
1
0
0
1<
/p>
5
0
2
0
0
-5
0
5
residual
10
15
（
2
）
代码：
mydata<-(
新建文件夹
伍德里奇计量经济学导论第四版数据总和
excel
伍德里奇
header=F,sep=
wage<-mydata[,1:4]
names(wage)<-c
(
fit2<-lm(log(wage)~educ+exper+tenure,d
ata=wage)
fit2
summary(fit2)
residual2<-resid(fit2)
hist(residual2)
结果：
Coefficients:(Intercept)
educ exper tenure
0.284360 0.092029 0.004121 0.022067
Residuals:
Min 1Q
Median 3Q Max
-2.05802
-0.29645
-0.03265
0.28788
1.42809
Histogram of residu
al2
F
r
e
q
u
e
n
c<
/p>
y
0
5
0
1
0
0
1
5
0
2
0
0
-2
-1
residual
2
0
1
（<
/p>
3
）我认为对数—水平值模型更接近于满足假定
< br>MLR.6
C5.2
（
1
）代码：
mydata<-(
新建文件夹
伍德里奇
计量经济学导论第四版数据总和
ex
cel
伍德里奇
header=F,s
ep=
gpa2<-mydata[,c(1,3,8)]
n
ames(gpa2)<-c(
fit<-lm(colgpa~hsperc+sat
,data=gpa2)
summary(fit)
结果：
Coefficients:
(Intercept) hsperc sat
1.391757 -0.013519 0.001476
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.392e+00 7.154e-02
19.45 <2e-16
hsperc -1.352e-02
5.495e-04 -24.60 <2e-16
sat
1.476e-03 6.531e-05 22.60 <2e-16
（
2
）代码：
gpa3<-gpa2[1:2070,]
fit1<-lm(colgpa~hsperc+sat,data=gpa3)
结果：
Coefficients:
(Intercept) hsperc sat
1.436017 -0.012749 0.001468
（
3
）
c11
=4.6 c12=0.0353 c13=0.0042
c21=4.4
c22=0.0327 c23=0.00403
所以
c1i
=c2i
，
可认为符合（
5.10
）中的等式。
C5.3
mydata<-(
新建文
件夹
伍德里奇
计量经济学导论第四版数
据总和
excel
伍德里奇
header=F,sep=
bwght1<-mydata[,c(4,
10,7,1,5,6)]
names(bwght1)<-c(
c
bwght1$$motheduc[bwght1$$motheduc==
bwght1$$fatheduc[bwght1$$fatheduc==
bwght2<-(bwght1)
fit<-lm(bwght~cigs+p
arity+faminc+motheduc+fatheduc,data=bwght2)
R<-residuals(fit)
bwght2$$R<-R
fit1<-lm(R~cigs+
parity+faminc+motheduc+fatheduc,data=bwght2)
结果显示，
motheduc
和
< br>fatheduc
不联合显著。
C6.2
（
1
）代码：
mydata<-(
新建文件夹
伍德里奇
计量经济学导论第四版数据总和
ex
cel
伍德里奇
header=F,s
ep=
wage<-mydata[,1:3]
names(
wage)<-c(
fit1<-lm(log(wage)~educ+exper+
I(exper^2),data=wage)
结果：
Coefficients:
(Intercept)
educ exper I(exper^2)
0.1279975 0.0903658 0.0410089 -0.0007136
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.1279975 0.1059323
1.208 0.227
educ 0.0903658
0.0074680 12.100 < 2e-16
exper
0.0410089 0.0051965 7.892 1.77e-14
I(exper^2) -0.0007136 0.0001158
-6.164 1.42e-09
（
2
< br>）
exper^2
在
1%
的显著性水平上是显著的。
（
3
）工作五年，每多一年，工资上升
3.387%
工作二十年，每多一年，工资上升
1.246%
（
4
）
exper
取
28.7
年的时候，
工作经历的增加实际上会降低预期的
log
（
< br>wage
）
样本中有
121
人具有比该取值更长的工作经
历。
C6.3
< br>（
1
）对等式右边的
educ<
/p>
求导，则可得
b1+b3exper
。<
/p>
（
2
）对立假
设为：教育的回报取决于
exper
的水平。即
b3!=0
。
（
3
）代码：
mydata<-(
新建文件夹
伍德里奇
计量经济学导论第四版数据总和
ex
cel
伍德里奇
header=F,s
ep=
wage<-mydata[,c(1,5,6)]
n
ames(wage)<-c(
fit1<-lm(log(wage)~educ+e
xper+educ:exper,data=wage)
fit1
结果：
Coefficients:
Estimate Std. Error t
value Pr(>|t|)
(Intercept)
5.949455 0.240826 24.704 <2e-16
educ 0.044050 0.017391 2.533
0.0115
exper -0.021496
0.019978 -1.076 0.2822
educ:exper 0.003203 0.001529
2.095 0.0365
所以在
5%
的水平下，可以拒绝原假设，即可以认为教育的回报取决于
exper
的
水平。
（
4
）
b1
的估计值为<
/p>
0.044
，置信区间为
[0.0091
36,0.078086]
C7.1
（
1
）代码：
mydata<-(
新建文件夹
伍德里奇
计量经济学导论第四版数据总和
ex
cel
伍德里奇
header=F,s
ep=
gpa<-mydata[,c(10,11,12,19,28,29)] <
/p>
names(gpa)<-c(
fit<-lm(colGPA~
PC+hsGPA+ACT+mothcoll+fathcoll,data=gpa)
结果：
Coefficients:
Estimate Std. Error t
value Pr(>|t|)
(Intercept)
1.255554 0.335392 3.744 0.000268
PC 0.151854 0.058716 2.586
0.010762
hsGPA 0.450220
0.094280 4.775 4.61e-06
ACT
0.007724 0.010678 0.723 0.470687
mothcoll -0.003758 0.060270
-0.062 0.950376
fathcoll
0.041800 0.061270 0.682 0.496265
拥有
PC
的估计影响有所降低，但它还是显著的（显著性水平为
5%
）
（<
/p>
2
）
F=[(0.222-0.219)
/2]/[(1-0.219)/135]=0.2593
所以
mothcoll
和
fathcoll
联合不显著，
p
值为
0.228 <
/p>
（
3
）
fit<
-lm(colGPA~PC+hsGPA+ACT+mothcoll+fathcoll+I(hsGPA^
2),data=gp
a)
结果：
Estimate Std. Error t value Pr(>|t|)
I(hsGPA^2) 0.337340 0.215710
1.564 0.1202
因为
p
值大于
0.05
，所
以接受原假设，没有必要进行增添平方项的扩展。
C7.2
（
1
）代码：
mydata<-(
新建文件夹
伍德里奇
计量经济学导论第四版数据总和
ex
cel
伍德里奇
header=F,s
ep=
wage<-mydata[,c(1,5,6,7,9,10,11,12)]
names(wage)<-c(
h
f
it<-lm(log(wage)~educ+exper+tenure+married+black+s
outh+urban,data=wa
ge)
结果：
Coefficients:
Estimate Std. Error t
value Pr(>|t|)
(Intercept)
5.395497 0.113225 47.653 < 2e-16 ***
educ 0.065431 0.006250
10.468 < 2e-16 ***
exper
0.014043 0.003185 4.409 1.16e-05 ***
tenure 0.011747 0.002453
4.789 1.95e-06 ***
married
0.199417 0.039050 5.107 3.98e-07 ***
black -0.188350 0.037667
-5.000 6.84e-07 ***
south
-0.090904 0.026249 -3.463 0.000558 ***
urban 0.183912 0.026958
6.822 1.62e-11 ***
b5=-0.188350
，并且是显著的，所以黑人与非黑人之间的月薪差异为
18.8%
（
2
）
fit<-lm(log(wage)~educ+exper+tenure+marri
ed+black+south+urban+I(exper
^2)+I(tenur
e^2),data=wage)
F=1.485 p
value=0.7730
所以即便在
20%
的显著性水平上，它们也不是联合显著的。
（
3
）
fit<-lm(log(wage)~educ+exper+tenure+marri
ed+black+south+urban+educ:bl
ack,data=wa
ge)
Estimate Std. Error
t value Pr(>|t|)
educ:black
-0.022624 0.020183 -1.121 0.262603
接受原假设，即受教育的回报不取决于种族。
（
4
）已婚黑人和已婚飞黑人之间工资差异为
18.8%
C7.3
（
1
）
H0
< br>：
b13=0
代码：
mydata<-(
新建文件夹
伍德里奇
计量经济学导论第四版数据总和
excel
伍德里奇
header=F,sep=
mlb<-mydata[,c(1,4,31,13,32,36,38,17,34
,18,19,21,20,23)]
names(mlb)<-c(
unsyr
fit<-lm(log(salary)
~years+gamesyr+bavg+hrunsyr+rbisyr+runsyr+fldperc+
allstar+frstbase
+scndbase+t
hrdbase+shrtstop+catcher,data=mlb)
结果：
Estimate Std. Error t
value Pr(>|t|)
catcher 0.2535592
0.1313128 1.931 0.05432
在
5%
的水平下，
接受原假设，
在
10%
的水平下拒绝原假设。
所以可以认为接
球手
和外场手的收入差别不大。
（<
/p>
2
）
H0
：
b9=b10=b11=b12=b13
Estimate Std. Error t value Pr(>|t|)
-
-
-
-
-
-
-
-
-
上一篇：埃里克森简介及主要著作
下一篇：显卡测试软件工具大全