递推是由一个变量的值推出其他变量值的过程；迭代就是反复替换，即不断用变量的新值替换其旧值的过程。递推和迭代并没有严格的界限。

A. 会

B. 不会

C. 有可能

D. 不一定

A、快速构建

B、可运行

C、不断评价

D、不断改进

及AR(1)模式

于是科克伦和奥克特推荐如下步腺来估计ρ。

(1)用通常的OLS方法估计方程①并得到残差u_t。顺便指出，你可以在模型中包含不止一个X变量。

(2)利用第1步得到的残差做如下回归：

这是方程②在实证中的对应表达式。

(3)利用方程③中得到的，估计广义差分方程(129.6)。

(4)由于事先不知道方程③中得到的是不是ρ的最佳估计值，所以把第3步中得到的值代入原回归①，并得到新的残差解为

(5)现在估计如下回归

它类似于方程③，并给出p的第二轮估计值。由于我们不知道p的第二轮估计值是不是真实p的最佳估计值，所以我们进入第三轮估计，如此等等。这正是科克伦-奧克特程序被称为迭代程序的原因。我们该把这种(愉快的)轮回操作进行到什么程度呢?一般的建议是，当p的两个相邻估计值相差很小(比如不是0.01或0.005)时，便可停止迭代。在工资-生产率一例中，在停止之前约需要3次迭代。

a.利用科克伦-奥克特迭代程序，估计工资生产率回归(12.5.2)的p.在得到ρ的“最终”估计值之前需要多少次迭代?

b.利用a中得到的p的最终估计值，在去掉第一次观测和保留第一次观测的情况下，估计工资生产率回归。结果有何差异?

c.你认为在变换数据以解决自相关问题时保留第一次观测重要吗?

A、概念数据模型

B、逻辑数据模型

C、物理数据模型

D、抽象数据模型

A、SELECT *　FROM 学生选课表　WHERE 成绩>=70 AND 成绩<=80<br> B、SELECT *　FROM 学生选课表　WHERE 成绩≥70 AND成绩≤80

C、SELECT *　FROM 学生选课表　WHERE 成绩>='70’OR成绩<='80’<br> D、SELECT *　FROM 学生选课表　WHERE 成绩>=70 OR成绩<=80<br>

A、DELETE FROM 课程基本情况表.课程号= m08001

B、DELETE FROM 课程基本情况表 WHERE m08001

C、DELETE FROM 课程基本情况表 WHERE 课程号='m08001'

D、DELETE FROM 课程基本情况表 IF 课程号= m08001

A、SET 学生选课表 UPDATE 成绩=成绩+10　WHERE 课程号= 'k08001’

B、UPDATE 学生选课表　SET 成绩+10　WHERE 课程号='k08001’

C、UPDATE 学生选课表 SET 成绩=成绩+10　WHERE 课程号='k08001’

D、UPDATE 学生选课表　SET 成绩=成绩+10　WHERE 课程号=k08001