选择Logistic回归中的One-Vs-AII方法中的哪个选项是真实的（n＞2)？（）

A.系数存在向下的偏差，可能为负

B.系数存在向下的偏差，但不能为负

C.系数存在向上的偏差

D.系数不会存在偏差

利用MURDER.RAW中的数据。

(i)利用1990年和1993年的数据，用混合OLS估计方程

并以常用形式报告结论。不必担心通常的OLS标准误因a，的出现而不适当。你估计出了死刑的威慑效应吗？

(ii)计算FD估计值(只使用1990~1993年的差分;在FD回归中，你应该有51个观测)。现在，你对威慑效应有何结论？

(iii)在第(ii)部分的FD回归中，求残差的布罗施-帕甘回归，并计算异方差性的F检验。同样做怀特检验的特殊情形[即将对回归，其中拟合值得自第(ii)部分]。你对FD方程中的异方差性有何结论？

(iv)做第(ii)部分中的同样回归，但求异方差-稳健的t统计量。结果如何？

(v)你认为Aexec;的哪个统计量更值得信赖，是通常的：统计量还是异方差-稳健的!统计量？为什么？

利用BARIUM.RAW中的数据。

(i)用前119次观测(即不包含1988年的最后12个月观测)，估计线性趋势模型。这个回归的标准误是什么？

(ii)同样用除了最后12个月以外的所有数据，估计chnimp的一个AR(1)模型。把这个回归的标准误与第(i)部分中的标准误相比较。哪一个模型提供了更好的样本内拟合？

(iii)用第(i)和第(ii)部分中的模型计算1988年12个月的提前一期预测误差。(每个方法都应该得到12个预测误差。)计算并比较这两种方法的RMSE和MAE。就样本外提前一期预测而言，哪种方法效果更好？

(iv)在第(i)部分的回归中添加月度虚拟变量。它们是联合显著的吗？(当我们检验联合显著性时，不必担心误差中轻度的序列相关。)

利用NYSE.RAW中的数据。

(i)估计教材方程(12.47)中的模型并求OLS残差平方。求u²t在整个样本中的平均值、最小值和最大值。

(ii)利用OLS残差平方估计如下的异方差性模型

报告估计系数、标准误、R²和调整R²。

(ii)将条件方差描述成滞后return_-1的函数。方差在return_，取何值时最小？这个方差是多少？

(iii)为了预测动态方差，第(ii)部分的模型得到了负的方差估计值吗？

(v)第(ii)部分中的模型拟合效果比教材例12.9中的ARCH(1)模型更好还是更差？请解释。

(vi)在教材方程(12.51)的ARCH(1)回归中添加二阶滞后ut-22。这个滞后看起来重要吗？这个ARCH(2)模型比第(ii)部分中的模型拟合得更好吗？

当研究的因变量是一个跳跃值时，绝对不能用logistic回归，而是要用线性回归。()

在某品牌分析示例中，因变量包括三个没有明显排序的选项，这时应当采用：

A 二元logistic回归

B 三元logistic回归

C 多项logistic回归

D 无序logistic回归

A.线性回归

B.二元logistic回归

C.多元logistic回归

D.序数回归

在二元logistic回归操作中，一般不会出现检验P值大于0.05的情况。此种说法：()

A.Transportation

B.Supply

C.Procurement

D.Safety

A.朴素贝叶斯(NaiveBayes,NB)

B.Logistic回归(LogisticRegression,LR)

C.支持向量机(SupportVectorMachine,SVM)

D.决策树(DecisionTree,DT)