引言

本學期正在學習伍德里奇第四版的計量經濟學導論，為了增強對計量經濟學的理解和熟悉R語言的操作，決定對計量經濟學導論的計算機操作部分進行R語言實現，如果各位看官發現有任何錯誤請在下面評論，不勝感激。

題目就不在博客中重復，內容主要是R語言代碼和習題解答。這一系列博客主要參照了計量經濟學導論習題解答、王斌會老師出的計量經濟學模型及R語言應用以及Applied Econometrics with R。

第四版計量經濟學導論excel文件見百度網盤
經過整理后的本博客數據和本篇博客Rmd文本見這里

C2.1

(1)

#導入數據 請注意修改文件路徑名 data_2.1<-read.csv("E:\\博客\\計量經濟學\\ch_2\\401k.csv",header=TRUE) #平均參與率 ave_prate<-mean(data_2.1$prate) #平均匹配率 ave_mrate<-mean(data_2.1$mrate)

(2)

#估計回歸方程 lm_prate<-lm(prate~mrate,data=data_2.1) summary(lm_prate) #估計結果 #prate=83.0755+5.8611mrate #n=1534 #R-squared=0.0747

(3)

#解釋系數 #當匹配率為0的時候，回報率為83.0755% #mrate的系數表明在其他條件不變的條件下，當匹配率每增加一美元，回報率平均增加5.86%。

(4)

#輸入mrate數據 輸出fit的值就是點估計 point<-data.frame(mrate=3.5) predict(lm(prate~mrate,data=data_2.1),point,interval = "confidence") #點估計為103.5892%，顯然這個答案是不可能的，這是由于數據集1534個記錄中，只有34個記錄中的mrate是大于3.5的，當mrate較大時，擬合效果不好。

(5)

#prate的變異中，只有7.47%由mrate進行解釋。該值不大，說明有其他因素影響著回報率。

C2.2

(1)

data_2.2<-read.csv("E:\\博客\\計量經濟學\\ch_2\\ceosal2.csv") #為簡便，將數據導入內存 attach(data_2.2) #平均年薪 ave_salary<-mean(salary) #平均任期 ave_ceoten<-mean(ceoten)

(2)

#任期一年個數 n_ceoten<-length(which(ceoten==0)) #最長任期 max_ceoten<-max(ceoten)

(3)

#參數估計 lm_ceosal<-lm(log(salary)~ceoten) summary(lm_ceosal) #回歸方程為 log(salary)=6.505498+0.009723*ceoten #報告 #每多擔任一年ceo，年薪平均增長幾乎1% #釋放數據集 detach(data_2.2)

C2.3

(1)

data_2.3<-read.csv("E:\\博客\\計量經濟學\\ch_2\\sleep75.csv") attach(data_2.3) #方程擬合 lm_sleep75<-lm(sleep~totwrk) summary(lm_sleep75) #sleep=3586.37695-0.15075*totwrk #觀測次數 #n=706 #R-squared=0.1033 #截距項表示，每周不工作時睡眠時間約等于3586.37695分鐘

(2)

#預測多工作兩小時（120分鐘）睡眠時間減少 #Δsleep=-0.15075*120=-18.09 每晚減少-18.09分鐘，效應不大 detach(data_2.3)

C2.4

(1)

data_2.4<-read.csv("E:\\博客\\計量經濟學\\ch_2\\wage2.csv") attach(data_2.4) #平均工資 ave_wage<-mean(wage) #平均IQ ave_IQ<-mean(IQ) #IQ樣本標準差 sd_IQ<-sd(IQ)

(2)

lm_wage2<-lm(wage~IQ) summary(lm_wage2) #回歸方程為 #wage=116.9916+8.3031*IQ #n = 935,R-squared=0.09554 #IQ增加15單位，工資預期變化 #Δwage=8.3031*15=124.5465 #IQ能夠解釋9.554%的工資變化

(3)

#由題可得，可以構建對數水平模型 #log(wage)=a+bIQ+u #估計可得 lm_wage<-lm(log(wage)~IQ) summary(lm_wage) #log(wage)=5.8869943+0.0088072*IQ #IQ提高15個單位 wage平均提高13.21% #Δlog(wage)=0.0088072*15=0.132108 detach(data_2.4)

C2.5

(1)

data_2.5<-read.csv("E:\\博客\\計量經濟學\\ch_2\\rdchem.csv") attach(data_2.5) #構建模型為 #log(rd)=a +b*log(sales)+u #b為rd對sales的彈性

(2)

lm_rdchem<-lm(log(rd)~log(sales)) summary(lm_rdchem) #log(rd)=-4.10472+1.07573*log(sales) #彈性值為1.07573 #當其他條件不變時，sales每增加1%，rd增加1.07573%。 detach(data_2.5)

C2.6

(1)

data_2.6<-read.csv("E:\\博客\\計量經濟學\\ch_2\\meap93.csv") attach(data_2.6) #隨著更多一美元的花費，對通過率的影響越來越小。 #因為當支持較低時，可以通過購買教學書籍、上輔導班，增加一美元對數學通過率提高影響較大；隨著支出增加到一定地步時，此時已經有大量書籍、有名師等教育資源，增加一美元對數學通過率的提高影響越來越小。

(2)

#見書中證明，略

(3)

lm_meap93<-lm(math10~log(expend)) summary(lm_meap93) #math10=-69.341+11.164*log(expend) #n=408 R-squared=0.02727

(4)

#支出影響多大 #當其他條件不變時，expend每增加1%，math10平均增加0.11164% #支出提高10%，math10會增加1.1164%。

(5)

max_fit<--69.341+11.164*max(log(expend)) detach(data_2.6) #可知數據集中最大為30.15033%，沒有超過100%

C2.7

(1)

data_2.7<-read.csv("E:\\博客\\計量經濟學\\ch_2\\charity.csv") attach(data_2.7) #平均捐款數量 ave_gift<-mean(gift) #沒有捐款的百分比 占比60% percent_gift<-100*((length(which(respond==0)))/length(respond))

(2)

#平均郵遞數 ave_mailsyear<-mean(mailsyear) #最小、最大郵遞數 min_mailsyear<-min(mailsyear) max_mailsyear<-max(mailsyear)

(3)

lm_gift<-lm(gift~mailsyear) summary(lm_gift) #估計的回歸方程為 #gift=2.0141+2.6495*mailsyear #n=4268,R-squared=0.01379

(4)

#回歸系數表明當其他條件不變時，每年的郵件郵寄數量每增加一封，捐款平均增加2.6495荷蘭盾 #當郵遞成本為1荷蘭盾時，仍然有2.6495-1=1.6495的凈利潤 #這只是平均所獲凈利潤，仍然有length(which(gift<1))=2561封郵件沒有捐款

(5)

#最小預測值為2.676475 min_fit<-min(mailsyear)*2.6495+2.0141 #從該回歸分析可得，不可能預測gift為0，因為最小值為2.676475。 detach(data_2.7)

總結

以上是生活随笔為你收集整理的伍德里奇计量经济学导论之计算机操作题的R语言实现（简单线性回归）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。