Business Research Methods 13th Edition by Pamela Schindler电子版

金融市场与金融机构第七版 Financial Markets and Institutions 7th 英文版课后题答案

：(2011)Financial Markets and Institutions (7th Edition) by Frederic S. Mishkin

网上很多答案，但都良莠不齐，
楼主这个是英文版的正版答案，包括原书24个章节

stata如何在ADF检验中实现如下操作

在stata中进行ADF的三个检验：含有截距和趋势项的模型、只含截距项的模型、二者都不含的模型

在stata中执行HP滤波命令

如果非Stata12版，
请用指令hprescott
按您所给的命令去推断，您应当是使用旧指令hprescott
如果您没下载，请findit hprescott

在Stata12版，那么请使用指令tsfilter hp

use http://fmwww.bc.edu/repec/bocode/h/hamiltonfilterdmonthly.dta, clear

stata做probit回归中的Log likelihood

表示  对数似然值
其值一般为负数，但是有时候也是可以为正数的

解释：The likelihood is the product of the density evaluated at the observations. Usually, the density takes values that are smaller than one, so its logarithm will be negative. However, this is not true for every distribution.
一般是越大越好，通常结果还会给出-2*log-likelihood，这个值应该越小越好

stata相关性分析命令

第一种：pwcorr varname
其中pwcorr是命令，varname是分析变量，pwcorr命令需要下载。
若想看看相关性是否显著只需后面加个sig就可以即：pwcorr varname,sig
输出结果包括相关系数和相关性是否显著的p值。
第二种是采用pwcorr_a   varname
pwocrr_a命令是连老师的教程，使用该命令可以输出带*的相关性系数，*表示显著性水平。pwcorr_a命令更好用，可以显示相关性显著的*号。
上面两个命令符都需要下载，pwcorr直接在stata下载就可以。
pwcorr_a需要自己下载安装包进行安装，，提醒一下下载pwcorr_a安装包后是解压后里面两个文件放到 stata11\ado\base\p 文件夹下即可使用

如何用stata对自变量进行去中心化处理

center的命令很建简单

采用Hausman检验得到结果为负不知如何判断

通过模拟分析发现，这主要是RE模型的基本假设Corr(x_it, u_i) =0 无法得到满足。因此，在这种情况下应该采用FE。

模拟过程如下：

* 结论：若传统Hausman检验得到的卡方值为负，则应拒绝RE，而采用FE。

winsor2 批量进行 winsor trimming 处理

NEW: winsor2 已经可以直接在 Stata 内部下载，命令如下：
         ssc install winsor2, replace

简介：winsor2 winsorize or trim (if trim option is specified) the variables in varlist at particular percentiles specified by option cuts(# #). In defult, new variables will be generated with a suffix “_w” or “_tr”, which can be changed by specifying suffix() option. The replace option replaces the variables with their winsorized or trimmed ones.

相比于winsor命令的改进：
(1) 可以批量处理多个变量；
(2) 不仅可以 winsor，也可以 trimming；
(3) 附加了 by() 选项，可以分组 winsor 或 trimming；
(4) 增加了 replace 选项，可以不必生成新变量，直接替换原变量。

范例：

使用方法: winsor2 已经可以直接在 Stata 内部下载，命令如下：
ssc install winsor2, replace

. clear all

. set obs 100
obs was 0, now 100

.
.      set seed 10101

.
.      gen x1var=runiform()

. su

Variable |       Obs        Mean    Std. Dev.       Min        Max
————-+——————————————————–
x1var |       100    .5319284    .2847927   .0019951   .9983786

. clear all

. set obs 100
obs was 0, now 100

.      set seed 10101

.      gen x1var=runiform()

. su

Variable |       Obs        Mean    Std. Dev.       Min        Max
————-+——————————————————–
x1var |       100    .5319284    .2847927   .0019951   .9983786

. clear all

. set obs 100
obs was 0, now 100

.      gen x1var=runiform()

. su

Variable |       Obs        Mean    Std. Dev.       Min        Max
————-+——————————————————–
x1var |       100    .5202217    .2719621   .0018247   .9893382

. clear all

. set obs 100
obs was 0, now 100

.      gen x1var=runiform()

. su

Variable |       Obs        Mean    Std. Dev.       Min        Max
————-+——————————————————–
x1var |       100    .5291396    .2913421   .0010465   .9965927

.