整理得 M1=a-a(1-A)+2B1+yR(1-A)M/1-(1-A)yR-1+B By1+(1-A)M/1+yR-(1-A)yR1+B 该模型可用来估计并计算出a,B,y和元。 (2)在给定的假设条件下,尽管H1与M,相关,但1与模型中出现的任何解释变量都 不相关,因此只是μ与M存在异期相关,所以OLS估计是一致的,但却是有偏的估计值 (3)如果H1=pH1-1+E1,则M1和1相关,因为M/1与1相关。所以OLS估计 结果有偏且不一致 3、一个估计某行业ECO薪水的回归模型如下 In( salary)=Po+B, In( sales )+B, In( mktvab+B3 profmarg +B2ceoten+ Bs comten+u 其中, salary为年薪 sales为公司的销售收入, mktva为公司的市值, promary为利润占销 售额的百分比, ceoten为其就任当前公司CEO的年数, comte为其在该公司的年数。一个 有177个样本数据集的估计得到R2=0353。若添加 ceoten2和 comte2后,R2=0.375。问:此 模型中是否有函数设定的偏误? 解答 若添加 ceoten2和 comte2后,估计的模型为 In( salary)=Bo+B, In( sales)+B2 In( mktval+B, profmarg +B2ceoten+ Bs comten +B ceoten"+B,comten +u 如果β6、β7是统计上显著不为零的,则有理由认为模型设定是有偏误的。而这一点可以通过 第三章介绍的受约束F检验来完成: (0.375-0.353)/2 =2.97 (1-0.375)(177-8) 在10%的显著性水平下,自由度为(2,∞)的F分布的临界值为2.30;在5%的显著性水平 下,临界值为3.0。由此可知在10%的显著性水平下拒绝β6=β=0的假设,表明原模型有 设定偏误问题;而在5%的显著性水平下则不拒绝β6=B7=0的假设,表明原模型没有设定 偏误问题整理得 1 (1 ) M Y R t t t      = − − + + − 1 1 (1 ) (1 ) − − − +     M R t t t − − = 1 1 1 (1 ) (1 )        + + − + − − + Y M R R t t t t t − − − 该模型可用来估计并计算出     , , 和 。 （2）在给定的假设条件下，尽管  t 与 Mt 相关，但  t 与模型中出现的任何解释变量都 不相关，因此只是与 M 存在异期相关，所以 OLS 估计是一致的，但却是有偏的估计值。 （3）如果 t t t  =  +  −1 ，则 Mt−1 和 t 相关，因为 Mt−1 与 t−1 相关。所以 OLS 估计 结果有偏且不一致。 3、一个估计某行业 ECO 薪水的回归模型如下        + + + = + + + ceoten comten salary sales mktval profm 4 5 0 1 2 3 ln( ) ln( ) ln( ) arg 其中，salary 为年薪 sales 为公司的销售收入，mktval 为公司的市值，profmarg 为利润占销 售额的百分比，ceoten 为其就任当前公司 CEO 的年数，comten 为其在该公司的年数。一个 有 177 个样本数据集的估计得到 R 2=0.353。若添加 ceoten2 和 comten2 后，R 2=0.375。问：此 模型中是否有函数设定的偏误？ 解答： 若添加 ceoten2 和 comten2 后，估计的模型为          + + + + + = + + + 2 7 2 4 5 6 0 1 2 3 ln( ) ln( ) ln( ) arg ceoten comten ceoten comten salary sales mktval profm 如果6、7 是统计上显著不为零的，则有理由认为模型设定是有偏误的。而这一点可以通过 第三章介绍的受约束 F 检验来完成： 2.97 (1 0.375)/(177 8) (0.375 0.353)/ 2 = − − − F = 在 10%的显著性水平下，自由度为（2，）的 F 分布的临界值为 2.30；在 5%的显著性水平 下，临界值为 3.0。由此可知在 10%的显著性水平下拒绝6＝7＝０的假设，表明原模型有 设定偏误问题；而在 5%的显著性水平下则不拒绝6＝7＝０的假设，表明原模型没有设定 偏误问题