线性回归模型添加一个不重要的特征可能会造成R-square增加。（)

A.线性回归

B.逻辑回归

C.支持向量机

D.神经网络

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。)

A.常数参数模型

B.截距与斜率同时变动模型

C.截距变动模型

D.分段线性回归模型

A.y=a+b

B.y=na

C.y=a+bx

D.y=na+bx

试证明最小二乘估计量是标准一元线性回归模型中总体回归系数β2的最优线性无偏估计量。

(i)在方程(11.27)中添加一个线性时间趋势。在一阶差分方程中，时间趋势是必要的吗？

(ii)从式(11.27)中去掉时间趋势并添加变量ww2和pil(不要对虚拟变量进行差分)。这两个变量在5%的水平上是显著的吗？

(iii)用第(ii)部分中的模型估计LRP并求出其标准误。与从式(10.19)得到的结果相比较，在式(10.19)中gfr和pe是以水平值形式而非差分形式出现的。

利用CONSUMP.RAW中的数据。

(i)估计一个反映真实人均(非耐用品和服务)消费增长与真实人均可支配收入增长之间关系的简单回归模型，并都使用对数变化量表示。用通常形式报告结果。解释方程并讨论统计显著性。

(ii)在第(i)部分的方程中添加真实人均可支配收入增长的一期滞后。你对消费增长的滞后调整有何看法？

(iii)在第(i)部分的方程中添加真实利率，它影响消费增长吗？

为另一种形式：斜率与原来相同，但截距和误差有所不同，并且新的误差期望值为零。

A.向前选择法是从模型中没有自变量开始，然后将所有自变量依次增加到模型中

B.向后剔除法是先对所有自变量拟合线性回归模型，然后依次将所有自变量剔除模型

C.逐步回归法是将向前选择法和向后剔除法结合起来，但不能保证得到的回归模型一定就显著

D.逐步回归法选择变量时，在前面步骤中增加的自变量在后面的步骤中有可能被剔除，而在前面步骤中剔除的自变量在后面的步骤中也可能重新进入到模型中