1

1.1
H 0：种族和偏执程度之间是独立的。
H A ：种族和偏执程度之间是相关的。
1.2
d.f=(r-1)(c-1)=(1)(1)=1, 这个自由度下的 =3.8415。
χ 20.05
20∗25 20∗22
白人高的期望值是 =10.6383，黑人高的期望值是 =9.3617，白人低的
47 47
27∗25 27∗22
期望值是 =14.3617，黑人低的期望值是 =12.6383 。
47 47
因此
2( 15−10.6383)2 (5−9.3617)2 ( 17−12.6383 )2
χ= + + …+ =6.6504
10.6383 9.3617 12.6383
可见 ，因此落入拒绝域内，所以我们可以认为种族和偏执程度之间是关联的。
χ 2 > χ 20.05
（但是对于黑人/白人在偏执程度上是否更高，需要换成检验两个总体均值的差的方式
来 做 。 重 新 设H 0 ： μ1−μ 2=0 。 H A ：
定 假 设 ：
μ1−μ 2>0 。 将数据导入 EXCEL ，选择 TTEST 函数 ， 得到 P=0.4195>0.05 ，因 此
落入拒绝域内，因此白人的偏执程度比黑人更高。
1.3
χ2
=0.1415， 因此 Φ= √0.3762 。
2
Φ=
n

2
2.1
H 0：行业和电脑使用时间之间是没有关系的。（ H 0 : μ1=μ2=μ 3）
H A ：行业和电脑使用时间之间是相关的。（ H A : μ1 ≠ μ2 ≠ μ 3）
2.2
10.8+8+ 8.4
X 1 =10.8， X 2 =8 ， X 3=8.4 ； X́= =9.0667
3
Source Sum Square d.f. Mean Square
Treat K-1=2 MST=SST/(K-1)=11.4667
SST =∑ 5∗( X− X́ ) =¿ ¿
2

22.9333
Error N-K=12 MSE=SSE/(N-K)=2
SSE=[ ( 12−10.8 ) + ( 10−10.8 ) +…+ (10−8.4 ) ]=24
2 2 2

Total SS=SST +SSE =46.9333 N-1=14 F=MST/MSE=5.7333

2.3
因为 F 0.05,2,12=5.10 而 F=5.7333，所以 F 0.05,2,12< F ，因此拒绝原假设，即在 0.05 水平
上我们认为电脑使用时间是存在行业差异的。

3
3.1

Cov ( X , Y ) 1
ρ X ,Y = = =0.5
√ √
∑ ( X i−X ) ∑ (Y i−Y ) 2
2 2

3.2

E ( XY )=Cov ( X ,Y )+ E ( X )∗E(Y )=1

3.3
mean=3E(X)+E(Z)+1=4
variance=9var(X)+var(Z)+6cov(X,Z)=18
3.4
由题目所给的信息可以列出如下方程

{ 2
aE ( X )+ bE ( Y )=−3
2
a D ( X )+ b D ( Y ) +2 abCov ( X ,Y ) =28
将表中所给值代入，最后解得：a=2 或者 4，b=-3。

4
4.1
正确。这满足 OLS 中对随机误差项的（零均值）假定。
4.2

σ2
错误。应该是越小，根据公式 var ^
( β 1 X )= | 可以看出，X 的范围越大，分
∑ ( X i− X )2

母越大，因此这个式子的值越小。
4.3
错误。这违背 OLS 中对随机误差项的（正态性）假定。

5
5.1
证明：
因为 ，则 ~ ~ 。
Y i= β^0 + β^1 X i+ ui c 1 Y i= β 0+ β1 c 2 X i+ ui

而 ， ~ ~ 。
E ( Y )= β^0 + ^
β 1 E ¿ E ( c 1 Y )= β 0 + β 1 c2 E ¿

根据期望性质，有
E ( c 1 Y )=c 1 E (Y )。

因此联立这些等式可得~ ~ c1 。
β 0=c1 ^
β 0 ， β 1= β^1
c2
5.2
证明：
 因为 ，则 ~ ~ 。
Y i= β^0 + β^1 X i+ ui c 1 +Y i= β 0 + β 1 ( X i +c 2 )+u i

而 ， ~ ~ 。
E ( Y )= β^0 + ^
β 1 E ¿ E ( c 1 +Y ) = β0 + β 1 E(c 2 + X )

根据期望性质，有
E ( c 1 +Y ) =E (Y )。

联立这些等式可得~ ~ 。
β 1= β^1 ， β 0= β^0 +c 1−c2 ^
β1
5.3
证明：
因为 ~ ~
log ( Y i ) = ^ β1 X i +ui ，则log ( c 1 Y i )= β 0 + β 1 X i+u i。
β 0+ ^

而 ，则 ~ ~
E ( log ( Y ) ) = ^
β 0+ β^1 X E ( log ( c1 Y ) ) = β 0 + β 1 E( X)

根据期望性质和对数运算法则，有
E ( log ( c1 Y ) ) =log ( c 1 ) + E ( logY )。

联立这些等式可得~ ~
β 1= β^1 ， β 0=log ( c1 ) + β^0 。
5.4
因为 ~ ~
Y i= β^0 + β^1 log ( X i ) +ui ，则Y i= β 0 + β 1 log ( c 2 X i ) + ui。

而 ， 则 ~ ~
E ( Y )= β^0 + ^
β1 E ( X ) E ( Y )= β 0 + β 1 E (log ( c 2 X ) )， 而

E ( log ( c2 X ) ) =log ( c 2) + E ( logX )。

联立这些等式可得~ ^ ^ ，~ 。
β 0= β 0 − β1 log ⁡( c 2) β 1= β^1