如果模型被检验证明存在序列相关性，则可以采用广义差分法消除自相关

A、德宾-沃森d统计量的取值在-1和+1之间。

B、德宾-沃森d检验假定误差项具有同方差性。

C、德宾-沃森d检验只能检验一阶序列相关。

D、序列相关违背的是关于随机干扰项和解释变量的假定

A、A

B、B

C、C

D、D

预期ρ落在-1与+1之间，为确定它的位置，希尔德需思和卢提出一种系统的“扫描"或搜寻程序。他们建议在-1与+1之间按一定的问隔，比方说，每隔0.1单位试选ρ值，并通过广义差分方程(12.6.5)对数据做变换。即把ρ选为-0.9，-0.8，....0.8，0.9.对每一选取的p值，做一个广义差分回归并得到相应的RSS：。希尔德需思和卢建议最后选择使RSS最小(从而使R²最大)的p值。如果需要更精细的结果，则还可采用更小的单位间隔，如每隔0.01单位，把ρ取为-0.99，-0.98，...0.90，0.91，等等。

a.希尔德雷思-卢程序有何优越性?

b.怎样知道最后选取的p值所做的数据转换事实上能保证最小?

A、用OLS估计得到的模型残差对其一阶滞后进行回归，一阶滞后的参数估计量作为ρ的估计量。

B、通过DW统计量来计算，即r=1-DW/2。

C、直接计算模型残差与其一阶滞后的简单相关系数。

D、用被解释变量与其一阶滞后回归，一阶滞后的参数估计量作为ρ的估计量。

B、共享元素

C、专业元素

D、模型元素

(i)用混合OLS估计一个以学期GPA(trmgpa)为因变量的模型。解释变量是sprng，sat，hsperc，feale，black，white，frestsem，tothrs，crsgpa和season。试解释season的系数。它统计显著吗?

(ii)在仅参与秋季运动项目的运动员中，大多数是足球运动员。假定足球运动员的能力水平和其他运动员的能力水平有系统差异。如果SAT分数和中学成绩百分位数不能很好地反映一个人的能力水平，那么混合OLS估计量将是有偏误的。试解释。

(iii)现在，取两个学期数据的差分，问哪些变量将随之消失?现在检验赛季效应。

(iv)你能想象一个或多个有潜在重要性而又不随时间而变化的变量，在此分析中被我们忽略了吗?

a.估计上述回归。

b.利用(i)德宾-沃森检验和(ii)方程(12.6.13)所给的大样本正态性检验，从估计的残差中探明是否有正的自相关。

c.如果ρ是正的，利用贝伦布鲁特-韦布检验去检验假设ρ=1。

d.如果你猜测自回归误差结构的阶数是P，可用布罗施-戈弗雷检验去证实这一点。你会怎样选择阶数P呢?

e.根据此检验的结果，你会怎样转换数据从而把自回归除掉?说明你的全部计算。

f.重复前面的步骤，但用以下模型：。

g.你在线性与对数线性两种设定之间如何取舍?说明你的检验方法。

在线性回归模型中，如果解释变量和的观测值成比例，即，其中k为非零常数，则表明模型中可能存在的问题是（ ）

A、多重共线性

B、模型设定误差

C、自相关性

D、异方差性

A、增大

B、减小

C、有偏

D、不再具有最小方差性