苹果/安卓/wp
积分 124, 距离下一级还需 21 积分
权限: 自定义头衔
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡, 显身卡下一级可获得
道具: 匿名卡
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
在面板模型中看到的这个概念，书上说面板模型使用聚类稳健的标准差而不是普通的标准差，想知道聚类稳健的标准差是怎么求出的，谢谢！！！
载入中......
过了这么久了，不知道对你还有没有帮助。
要得到“聚类稳健标准差”应该是在回归方程后面加命令robust和cluster（），robust是稳健，cluster是聚类修正
本帖被以下文库推荐
& |主题: 10252, 订阅: 26
顶！怎么无人问津啊。。。
vce cluster(x)
能选择的时间选择自己喜欢的，不能选择的时间做好手头的事，为以后的选择做准备！
过了这么久了，不知道对你还有没有帮助。
要得到“聚类稳健标准差”应该是在回归方程后面加命令robust和cluster（），robust是稳健，cluster是聚类修正
总评分:&论坛币 + 3&
bingoxx 发表于
过了这么久了，不知道对你还有没有帮助。
要得到“聚类稳健标准差”应该是在回归方程后面加命令robust和 ...实验了一下，不用robust而只用cluster(var)得到的结果是一样的
minded 发表于
实验了一下，不用robust而只用cluster(var)得到的结果是一样的robust修正的是异方差，那可能是方程中不存在异方差问题
bingoxx 发表于
robust修正的是异方差，那可能是方程中不存在异方差问题cluster主要是处理序列相关是么？
为什么以前在文献中看到robust standard errors clustered at the xx level
本帖最后由 bzandy 于
12:54 编辑
看了大牛的分析好像还不是很明白
以及这个在SAS中应该如何写代码呢？谢谢！
无限扩大经管职场人脉圈！每天抽选10位免费名额，现在就扫& 论坛VIP& 贵宾会员& 可免费加入
加入我们,立即就学扫码下载「就学」app& Join us!& JoinLearn&
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
京ICP证090565号
论坛法律顾问：王进律师夏普比率-标准差-贝他系数
我的图书馆
夏普比率-标准差-贝他系数
现代投资理论的研究表明,风险的大小在决定组合的表现上具有基础性的作用。风险调整后的收益率就是一个可以同时对收益与风险加以考虑的综合指标,以期能够排除风险因素对绩效评估的不利影响。夏普比率就是一个可以同时对收益与风险加以综合考虑的三大经典指标之一。 投资中有一个常规的特点，即投资标的的预期报酬越高，投资人所能忍受的波动风险越高；反之，预期报酬越低，波动风险也越低。所以理性的投资人选择投资标的与投资组合的主要目的为：在固定所能承受的风险下，追求最大的报酬；或在固定的预期报酬下，追求最低的风险。
&　　·夏普比率计算公式
　　·夏普比率在运用中应该注意的问题
　　夏普比率（Sharpe Ratio），又被称为夏普指数 --- 基金绩效评价标准化指标
1990年度诺贝尔经济学奖得主威廉·夏普（William Sharpe）以投资学最重要的理论基础CAPM（Capital Asset Pricing Model，资本资产定价模式）为出发，发展出名闻遐迩的夏普比率（Sharpe Ratio）又被称为夏普指数，用以衡量金融资产的绩效表现。
　　理性的投资者将选择并持有有效的投资组合，即那些在给定的风险水平下使期望回报最大化的投资组合，或那些在给定期望回报率的水平上使风险最小化的投资组合。解释起来非常简单，他认为投资者在建立有风险的投资组合时，至少应该要求投资回报达到无风险投资的回报，或者更多。
　　夏普比率计算公式：=[E(Rp)－Rf]/σp
　　其中E(Rp)：投资组合预期报酬率
　　Rf：无风险利率
　　σp：投资组合的
　　目的是计算投资组合每承受一单位总风险，会产生多少的超额报酬。比率依据资本市场线(Capital Market Line,CML)的观念而来，是市场上最常见的衡量比率。当投资组合内的资产皆为风险性资产时，适用夏普比率。夏普指数代表投资人每多承担一分风险，可以拿到几分报酬；若为正值，代表基金报酬率高过波动风险；若为负值，代表基金操作风险大过于报酬率。这样一来，每个投资组合都可以计算Sharpe Ratio,即投资回报与多冒风险的比例，这个比例越高，投资组合越佳。
　　举例而言，假如国债的回报是3%，而您的投资组合预期回报是15%，您的投资组合的标准偏差是6%，那么用15%－3%,可以得出12%（代表您超出无风险投资的回报），再用12%÷6%=2，代表投资者风险每增长1%，换来的是2%的多余收益。
　　夏普理论告诉我们，投资时也要比较风险，尽可能用科学的方法以冒小风险来换大回报。所以说，投资者应该成熟起来，尽量避免一些不值得冒的风险。同时当您在投资时如缺乏投资经验与研究时间，可以让真正的专业人士（不是只会卖金融产品给你的SALES）来帮到您建立起适合自己的，可承受风险最小化的投资组合。这些投资组合可以通过Sharpe Ratio来衡量出风险和回报比例。
　　夏普比率在运用中应该注意的问题夏普比率在计算上尽管非常简单，但在具体运用中仍需要对夏普比率的适用性加以注意：
　　1、用标准差对收益进行风险调整，其隐含的假设就是所考察的组合构成了投资者投资的全部。因此只有在考虑在众多的基金中选择购买某一只基金时，夏普比率才能够作为一项重要的依据；
　　2、使用标准差作为风险指标也被人们认为不很合适的。
　　3、夏普比率的有效性还依赖于可以以相同的无风险利率借贷的假设；
　　4、夏普比率没有基准点，因此其大小本身没有意义，只有在与其他组合的比较中才有价值；
　　5、夏普比率是线性的，但在有效前沿上，风险与收益之间的变换并不是线性的。因此，夏普指数在对标准差较大的基金的绩效衡量上存在偏误；
　　6、夏普比率未考虑组合之间的相关性，因此纯粹依据夏普值的大小构建组合存在很大问题；
　　7、夏普比率与其他很多指标一样，衡量的是基金的历史表现，因此并不能简单地依据基金的历史表现进行未来操作。
　　8、计算上，夏普指数同样存在一个稳定性问题：夏普指数的计算结果与时间跨度和收益计算的时间间隔的选取有关。
　　尽管夏普比率存在上述诸多限制和问题，但它仍以其计算上的简便性和不需要过多的假设条件而在实践中获得了广泛的运用。
　　基金较高的净值增长率可能是在承受较高风险的情况下取得的，因此仅仅根据净值增长率来评价基金的业绩表现并不全面，衡量基金表现必须兼顾收益和风险两个方面，夏普比率就是一个可以同时对收益与风险加以综合考虑的指标。夏普比率又被称为夏普指数，由诺贝尔奖获得者威廉·夏普于1966年最早提出，目前已成为国际上用以衡量基金绩效表现的最为常用的一个标准化指标。
　　夏普比率的计算非常简单，用基金净值增长率的平均值减无风险利率再除以基金净值增长率的标准差就可以得到基金的夏普比率。它反映了单位风险基金净值增长率超过无风险收益率的程度。如果夏普比率为正值，说明在衡量期内基金的平均净值增长率超过了无风险利率，在以同期银行存款利率作为无风险利率的情况下，说明投资基金比银行存款要好。夏普比率越大，说明基金单位风险所获得的风险回报越高。夏普比率为负时，按大小排序没有意义。
　　以夏普比率的大小对基金表现加以排序的理论基础在于，假设投资者可以以无风险利率进行借贷，这样，通过确定适当的融资比例，高夏普比率的基金总是能够在同等风险的情况下获得比低夏普比率的基金高的投资收益。例如，假设有两个基金A和B，A基金的年平均净值增长率为20%，标准差为10%，B基金的年平均净值增长率为15%，标准差为5%，年平均无风险利率为5%，那么，基金A和基金B的夏普比率分别为1.5和2，依据夏普比率基金B的风险调整收益要好于基金A。为了更清楚地对此加以解释，可以以无风险利率的水平，融入等量的资金（融资比例为1：1），投资于B，那么，B的标准差将会扩大1倍，达到与A相同的水平，但这时B 的净值增长率则等于25%（即2#15%－5%）则要大于A基金。 使用月夏普比率及年夏普比率的情况较为常见。
夏普比率的大小对基金表现加以排序的理论基础在于，假设投资者可以以无风险利率进行借贷，这样，通过确定适当的融资比例，高夏普比率的基金总是能够在同等风险的情况下获得比低夏普比率的基金高的投资收益。例如，假设有两个基金A和B，A基金的年平均净值增长率为20%，标准差为10%，B基金的年平均净值增长率为15%，标准差为5%，年平均无风险利率为5%，那么，基金A和基金B的夏普比率分别为1.5和2，依据夏普比率基金B的风险调整收益要好于基金A。为了更清楚地对此加以解释，可以以无风险利率的水平，融入等量的资金（融资比例为1：1），投资于B，那么，B的标准差将会扩大1倍，达到与A相同的水平，但这时B的净值增长率则等于25%（即2*15%－5%）则要大于A基金。使用月夏普比率及年夏普比率的情况较为常见。&投资基金优秀与否不指与夏普比率有关由投信投顾公会每月定期公布的基金绩效评量，即针对基金的类别，以不同期间的报酬率、标准差、夏普指标等来评等基金标准差衡量报成率的波动性和夏普直衡量投资人每承担一分的风险相对可获得的报酬和贝他值衡量风险度简单的说，“基金周转率”是指一段期间内，基金投资组合内持股买卖变更次数，换句话说，50%的周转率意味着基金投资组合内有一半的股票被买卖转换过。周转率的高或低并不能与绩效的好坏划上绝对关系，但周转率高的基金，成本以及风险相对高，因此选择上仍应留意。 基金的周转率高有两项缺点，其一是导致交易成本过高，降低基金操作绩效。由于投资股票的交易成本包括证券交易税以及证券交易手续费，这两项费用都和股票进出买卖的次数成正比，因此周转率越高的基金，成本负担越大。由于这部份的成本都隐含在基金净值里面，绝大都多数的投资人都忽略。另一项缺点是短线进出，将提高投资风险。由于短线进出容易错估买卖时点，可能意味着基金经理人专业判断能力不足，经常喜欢追逐热门股，或是投资意志不坚，经常换股操作。此外，周转率高可能是投信为了提高自家券商业绩，因而经常下单买卖。 &
标准差-透露净值波动风险：标准差为统计上的术语，用来衡量一段期间内基金净值波动的程度，当标准差越大，表示基金净值波动程度越大，风险越高。例如，两支报酬相同的基金，A基金为高科技基金，B基金以投资绩优股为主，由于高科技本身风险高，股价起伏波动程度大，因此A基金的净值起伏将相当剧烈；B基金由于以绩优股为主，因此B基金的净值涨跌相对较平缓，反映在标准差上，即是A基金的标准差大于B基金的标准差。 &
贝他系数—衡量市场风险：贝他系数用来评估基金投资组合和市场指数相较的波动程度。假设该基金的贝他系数为0.7，当大盘指数上升5%，该基金的净值平均涨幅为3.5%，也就是说贝他系数小于一的基金，代表风险与报酬都小于市场指数。 在实务上，若为积极型投资人，且认为市场多头格局确立，可以选择贝他系数高的基金，以加速资本增长的机会；若为稳健成长型投资人，则应选择贝他系数接近一的基金。若股市空头格局确立，则应选择贝他系数小于一的基金，由于股票基金通常有最低70%持股的限制，因此受到大盘影响程度大，投资人在空头时，就应该转换基金至债券或是平衡式基金。&&&&夏普指数—：一分风险，一分报酬为全球使用最广泛的共同基金绩效评比方式，夏普指数就是用来衡量承担每单位风险可获得的超额利润。所谓超额利润就是指基金过去一年平均月报酬率超过一个月定存利率部份。因此，夏普指数越高，代表每单位总风险可以获得的超额报酬越多。&
发表评论：
TA的最新馆藏[转]&[转]&[转]&[转]&[转]&[转]&ArcGIS Help 10.1 - 解释 OLS 结果
“OLS 回归”工具生成的输出包括以下内容：
输出要素类OLS 残差图 统计结果的消息窗口报表OLS 统计报表可选 PDF 报表文件 可选解释变量系数表OLS 模型结果系数表 可选回归诊断表OLS 模型诊断表
下文将引用一系列运行 OLS 回归和解释 OLS 结果的步骤对上述的每项输出进行说明。
(A) 要运行 工具，需提供一个带有唯一 ID 字段的输入要素类、建模/解释/预测时使用的因变量以及一组解释变量。您还需提供输出要素类的路径，同时也可选择提供输出报表文件、系数输出表和诊断输出表的路径。
普通最小二乘法工具对话框
运行 OLS 后，您首先要检查的是写入结果 窗口的 OLS 汇总报表。右键单击结果 窗口中的并选择查看，将在消息对话框中显示汇总信息。如果在执行此工具，那么汇总信息也会显示在进度对话框中。
(B) 按照下面所述的带编号的步骤检查汇总报表：
OLS 统计报表的组成部分
分解统计报表评估模型性能。的值都可用于测量模型的性能。值的可能范围从 0.0 到 1.0。由于“校正可决系数”的值与数据本身相关因而更能准确地衡量模型的性能，从而反映模型的复杂性（变量数），因此“校正可决系数”值通常要比“多重可决系数”值略小。为模型添加一个额外解释变量可能会增大“R 平方的倍数”值，但也可能会减小“校正的 R 平方”值。假设正在创建一个入室盗窃数据（即每个人口普查区块的入室盗窃数量为，y）的回归模型。如果“校正可决系数”的值为 0.39，则表示您的模型（使用线性回归建模）可解释因变量中大约 39% 的变化。换句话说，该模型表达了大约 39% 的入室盗窃案件。使用 R 平方值量化模型性能 评估模型中的每一个解释变量：系数、概率、稳健概率和方差膨胀因子 (VIF)。每个解释变量的既反映它与因变量之间的关系强度，也反映它与因变量之间的关系类型。当与系数关联的符号为负时，该系数与因变量为负向关系。例如，距离城镇中心的距离越大，入室盗窃的数量就越少。当与系数关联的符号为正时，该系数与因变量为正向关系。例如，人口越多，入室盗窃的数量就越多。系数的单位与其关联的解释变量的单位相同。例如，与某一表示人口数的解释变量关联的系数为 0.005，则该系数可解释为 0.005 个人。系数反映了所有其他解释变量保持不变时，关联的解释变量的每单位变化导致其因变量发生的预期变化量。例如，保持其他解释变量不变的情况下，人口普查区块每增加1人，入室盗窃系数就会增加 0.005。T 检验是用来评估某个解释变量是否具有统计显著性。零假设是指所有的意图和目的的系数值为零，因此零假设对于模型没有帮助。当概率或稳健概率（）很小时，系数实际为零的几率也会很小。如果 Koenker 检验（见下图）具有统计显著性，则应使用稳健概率来评估解释变量的统计显著性。对于具有统计显著性的概率，其旁边会带有一个星号 (*)。如果理论/常识已表明某解释变量（与统计学上显著的系数相关联）与因变量之间具有有效关系，关系模型主要为线性模型，而且该变量对模型中所有其他解释变量而言不是冗余变量，则该变量对回归模型而言是很重要的。VIF 用于测量解释变量中的冗余。一般来说，与大于 7.5 的 VIF 值关联的解释变量应逐一从回归模型中移除。例如，如果某回归模型中同时含有人口变量（人数）和就业变量（就业人数），那么，您会发现，这些变量很大可能与较大的 VIF 值关联，从而表明这些变量讲述的是同一个故事，因此，您应将人口变量或就业变量从该模型中移除。评估哪一个变量具有统计显著性评估模型是否具有显著性。联合 F 统计量和联合卡方统计量均用于检验整个模型的统计显著性。只有在 Koenker (BP) 统计量（见下图）不具有统计显著性时，“联合 F 统计量”才可信。如果 Koenker (BP) 统计量具有显著性，应参考“联合卡方统计量”来确定整个模型的显著性。这两种检验的零假设均为模型中的解释变量不起作用。对于大小为 95% 的置信度，p 值（概率）小于 0.05 表示模型具有统计显著性。评估回归模型的整体统计显著性。评估稳态。Koenker (BP) 统计量（Koenker 的标准化 Breusch-Pagan 统计量）是一种检验方法，用于确定模型的解释变量是否在地理空间和数据空间中都与因变量具有一致的关系。如果模型在地理空间中一致，由解释变量表示的空间进程在研究区（进程稳态）各位置处的行为也将一致。如果模型在数据空间中一致，则预测值与每个解释变量之间关系的变化不会随解释变量值的变化而变化（模型不存在异方差性）。假设要对犯罪情况进行预测，其中一个解释变量为收入。如果对收入的中位数较小的位置的预测比对收入的中位数较大的位置的预测更准确，则说明模型的异方差性就会出现问题。该检验的零假设为所检验的模型是稳态的。对于大小为 95% 的置信度，p 值（概率）小于 0.05 表示模型具有统计学上的显著异方差性和/或非稳态。如果该检验的结果具有统计显著性，则需参考稳健系数标准差和概率来评估每个解释变量的效果。具有统计显著性非稳态的回归模型通常很适合进行 (GWR) 分析。评估稳态：如果 Koenker 检验具有统计显著性 (*)，则应参考稳健概率来确定解释变量系数是否具有显著性。评估模型偏差。Jarque-Bera统计量用于指示（已观测/已知的因变量值减去预测/估计值）是否呈正态分布。该检验的零假设为残差呈正态分布，因此，如果为这些残差建立直方图，这些残差的分布将与典型钟形曲线或高斯分布相似。当该检验的 p 值（概率）较小（例如，对于大小为 95% 的置信度，其值小于 0.05）时，回归不会呈正态分布，并指示您的模型有偏差。如果残差还存在统计学上显著的空间自相关（请参阅下文），则偏差可能是（该模型的某个关键变量缺失）的结果。从错误指定的 OLS 模型得到的结果是不可信的。如果尝试构建非线性关系模型、数据的某些异常值存在影响或者存在（请参阅上文），也可进行统计学上显著的 Jarque-Bera 检验。评估模型偏差。评估残差空间自相关。始终对回归残差运行 工具可确保回归残差在空间上随机分布。高残差和/或低残差（模型偏高预计值和偏低预计值）的统计显著性聚集表明模型（指定错误）中的某个关键变量缺失了。当模型错误设定时，OLS 结果不可信。使用“空间自相关”工具可以确保不对模型残差执行空间自相关。最后，请查看文档中标题为部分，以便检查 OLS 回归模型是否正确指定。如果查找正确指定的回归模型很困难，则可借助工具。OLS 汇总报表结尾部分的解释注意事项，可帮助您记住每个统计检验的作用，而且当您的模型未通过一个或多个诊断检验时，它将引导您找到一个解释。OLS 报告中包含的“注意事项”可帮助您解释诊断输出。(C) 如果为可选输出报表文件提供了路径，则会创建一个 PDF，其中包含摘要报表中的所有信息以及附加图表，可帮助您对模型进行评估。此报表的第一页提供与每个解释变量相关的信息。与汇总报表的第一部分（查看上述编号 2）相似，您可使用该页中的信息来确定每个解释变量的系数是否具有统计显著性并带有预期符号 (+/-)。如果 Koenker 检验具有统计显著性（请参阅上述编号 4），则仅可采用稳健概率来确定变量是否对您的模型有帮助。对于具有统计显著性的系数，其概率和/或稳健概率列的 p 值旁将带有星号。您也可以从此报表该页上的信息了解是否存在任何冗余的解释变量（表示有问题的）。除非理论另有说明，否则应逐个删除具有较高方差膨胀因子 (VIF) 值的解释变量，直到剩下的所有解释变量的 VIF 值均小于 7.5。输出报表文件中的下一部分列出 OLS 诊断的检查结果。该页还包括说明每项检查的重要性原因的解释注意事项。如果您的模型未通过其中一项诊断，可参考概述每个问题严重性并提供可能补救方法的表。此报表其他页上的图表还可以帮助您识别和修复模型存在的问题。输出报表文件的第 3 部分包含显示模型中每个变量的分布的直方图以及显示因变量与每个解释变量之间关系的散点图。如果模型存在偏差（通过具有统计显著性的 Jarque-Bera p 值指示），可查找直方图之间的偏分布，并尝试变换这些变量，以查看这是否可以消除偏差并改善模型性能。散点图将显示哪些变量是最好的预测因子。这些散点图还可用于检查变量之间的。在某些情况下，变换一个或多个变量将修复非线性关系并消除模型偏差。数据中的也可导致模型偏差。可查看直方图和散点图了解这些数据值和/或数据关系。尝试运行具有和不具有异常值的模型，了解它对结果的影响程度。您可能会发现异常值为无效数据（错误输入或记录的数据）并可从您的数据集中删除相关要素。如果异常值反映的是有效数据并在很大程度上影响您的分析结果，则您可以决定报告具有异常值的结果以及不具有异常值的结果。当您具有正确指定的模型时，偏高预计值和偏低预计值将反映随机噪声。如果您要创建随机噪声的直方图，此图将呈正态分布（如钟形曲线）。输出报表文件的第 4 部分显示模型偏高和偏低预计值的直方图。直方图的条块显示实际分布，如果您的残差实际上呈正态分布，则叠加在直方图顶部的蓝色线将显示直方图呈现的形状。完美是不太可能的，因此您需要检查 Jarque-Bera 检验以确定正态分布的偏差是否具有统计学上的显著性。Koenker 诊断会告诉您正在建模的关系在整个研究区域内是否发生变化（）或者是否随您正尝试预测的变量值而变化（）。将解决不稳定性问题；输出报表文件的第 5 部分的图表将向您显示是否存在问题。此散点图（如下所示）描述了模型残差与预测值之间的关系。假设您正在对犯罪率进行建模。如果图表呈，其尖端位于左侧且最远会离散到图表右侧，则表示您的模型可以很好地预测犯罪率较低的地点，但不能很好地预测犯罪率较高的地点。报表的最后一页记录创建报表时使用的所有参数设置。(D) 检查输出要素类中找到的模型。正确指定的回归模型的偏高预计值和偏低预计值将会随机分布。偏高预计值和/或偏低预计值的聚类表明至少丢失了一个关键解释变量。检查模型残差的分布格局可了解是否可从这些分布格局中确定可能丢失的那些变量。有时，对回归残差执行可帮助您确定分布更广的格局。用于处理未正确指定的模型的策略在中进行了概括介绍。OLS 输出：映射的残差(E) 查看系数和诊断表。创建系数和诊断表为可选操作。当您正寻找有效模型时，可能会选择不创建这些表格。模型构建过程会循环进行，在确定一些较好的模型之前，您可能会尝试构建众多不同的模型（不同的解释变量）。您可以使用 OLS 统计报告中的修正的 Akaike 信息准则 (AICc) 来比较不同的模型。AICc 值越小，模型就越好（换句话说，考虑到模型的复杂程度，具有越小 AICc 值的模型会更符合已观测的数据）。可使用 AICc 值来比较各个回归模型。为最终 OLS 模型创建系数和诊断表，可以获得该 OLS 报表的重要元素。系数表中包含模型所用的一系列解释变量以及这些变量的系数、标准化系数、标准误差和概率。通过系数可以估算关联的解释变量每变化一单位时因变量的变化量。系数单位与解释变量相匹配。例如，如果是总人口数的解释变量，则该变量的系数单位是人口个数；如果另一解释变量是离火车站的距离（米），则系数单位是米。如果将系数转换为标准差，则将它们称为标准化系数。可以使用标准化系数比较不同解释变量对因变量的影响。去掉 +/- 号（取绝对值）后标准化系数最大的解释变量对因变量的影响最大。但是，只能根据标准误差来解释系数。标准误差表示可以对数据重新采样并无数次重新校准模型时得到相同系数的可能性。如果系数的标准误差较大，则重采样过程会产生多个可能系数值；如果标准误差较小，则表示系数相当一致。
系数表中包含计算的系数、标准差和变量概率。诊断表中包含每个诊断检验的结果以及如何解释这些结果的准则。诊断报表中包含用于解释模型诊断检验结果的注意事项。
其他资源您可以通过许多优质资源来了解上的 OLS 回归的相关详细信息。可从阅读文档和/或观看一小时的免费
Web 研讨会开始。然后，通读。将回归分析应用于您自己的数据，请参考以及文章了解有关其他策略的信息。如果查找正确指定的回归模型很困难，则可借助工具。苹果/安卓/wp
积分 10674, 距离下一级还需 7626 积分
权限: 自定义头衔, 签名中使用图片, 隐身, 设置帖子权限, 设置回复可见, 签名中使用代码
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡, 显身卡, 匿名卡, 抢沙发, 提升卡, 沉默卡, 千斤顶, 变色卡下一级可获得
道具: 置顶卡
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
本帖最后由 feather3891 于
22:01 编辑
后来发现我阅读的文章中有错误，比如陈刚和李树的《ZF和茹能够让人幸福》中则写为稳健性标准差，实际上是稳健性标准误！
载入中......
谩骂如同苍蝇，坏了我自己品尝美食的心情。谩骂导致逆淘汰，将无法习惯谩骂的人淘汰出去，留下来的人则相对而言习惯了谩骂。可惜，不习惯谩骂的人往往心灵更敏感，于是网络社会的思想性将日益减少——汪丁丁
回帖奖励 +10
请参考 陈强著 高级计量及Stata P80，电子版第86页。
回帖奖励 +10
回帖奖励 +10
初学乍道，认真学习
我思故我在
无限扩大经管职场人脉圈！每天抽选10位免费名额，现在就扫& 论坛VIP& 贵宾会员& 可免费加入
加入我们,立即就学扫码下载「就学」app& Join us!& JoinLearn&
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
京ICP证090565号
论坛法律顾问：王进律师