以下是本月推荐阅读的精选：Athey, S. & G. W. Imbens，2019 年。经济学家应该了解的机器学习方法。Mimeo。Bhagwat, P. & E. Marchand，2019 年。关于适当的贝叶斯但不可接受的估计量。美国统计学家，在线。Canals, C. & A. Canals，2019 年。什么时候 n 足够大？寻找合适的样本量来估计比例。《统计计算与模拟杂志》，89，1887-1898。Cavaliere, G. & A. Rahbek，2019 年。时间序列模型中假设的引导检验入门：应用于双自回归模型。讨论文件 19-03，哥本哈根大学经济学系。Chudik, A.
A Permutation Test Regression Example
在上周的一篇文章中，我谈到了排列（随机化）检验，以及它们与我们在计量经济学中通常使用的（经典参数）检验程序有何不同。我假设您已经阅读了该文章。（可能在某个时候会有一次小测验！）我承诺会提供一个基于回归的示例。毕竟，我在上一篇文章中介绍的两个示例旨在揭示排列/随机化检验的基本原理。它们确实没有太多“计量经济学内容”。在下文中，我将交替使用术语“排列检验”和“随机化检验”。我们在这里要做的是查看一个简单的回归模型，看看我们如何使用随机化检验来查看回归变量 x 和因变量 y 之间是否存在线性关系。请注意，我说的是“简单回归”模型。这意味着只有一个回归量（除了截距）。多元回归模型为置换检验提出了各种各
来自“我们要加权什么？”加里·索伦（Gary Solon），史蒂文·海德（Steven Haider）和杰弗里·沃尔德里奇（Jeffrey Wooldridge）：在他们教科书的一部分开始时，关于回归模型的加权估计，Angrist and Pischke（2009，p。91）承认：“很少有事情能使应用研究人员作为样本权重的作用而混淆，即使现在，在phl.d phl.d pph。
Mathematical model for predicting the thickness of the anodic oxide coating on AMg6 aluminum alloy
解决了AMg6铝合金阳极氧化膜厚度对阳极氧化各工艺参数依赖性的回归模型构建问题。确定了阳极氧化的关键因素是电流密度、温度和时间。获得了描述涂层厚度对技术参数的依赖性的经验方程。评估模型质量并提供结果的图形解释。平均近似误差为 7.032%。
