the estimating scheme in such a man

the estimating scheme in such a manner that observations coming from pop-
ulations with greater variability are given less weight than those coming from
populations with smaller variability. Examining Table 11.1, we would like to
weight observations coming from employment classes 10–19 and 20–49
more heavily than those coming from employment classes like 5–9 and
250–499, for the former are more closely clustered around their mean values
than the latter, thereby enabling us to estimate the PRF more accurately.
Unfortunately, the usual OLS method does not follow this strategy and
therefore does not make use of the “information” contained in the unequal
variability of the dependent variable Y, say, employee compensation of
Table 11.1: It assigns equal weight or importance to each observation. But a
method of estimation, known as generalized least squares (GLS), takes
such information into account explicitly and is therefore capable of produc-
ing estimators that are BLUE. To see how this is accomplished, let us con-
tinue with the now-familiar two-variable model:
Yi = β1 + β2Xi + ui (11.3.1)
which for ease of algebraic manipulation we write as
Yi = β1X0i + β2Xi + ui (11.3.2)
where X0i = 1 for each i. The reader can see that these two formulations are
identical.
Now assume that the heteroscedastic variances σ 2
i are known. Divide
(11.3.2) through by σi to obtain

Kết quả (Việt) 1:

ước tính các đề án trong một cách mà quan sát đến từ cửa sổ pop-ulations với sự biến đổi lớn hơn được trọng lượng ít hơn so với những người đến từquần với nhiều thay đổi nhỏ. Cách kiểm tra bảng 11.1, chúng tôi mong muốntrọng lượng quan sát đến từ việc làm lớp 10-19 và 20-49nhiều hơn so với những người đến từ việc làm lớp học như 5-9 và250-499, cho các cựu chặt chẽ hơn nhóm quanh các giá trị có nghĩa làhơn sau này, do đó cho phép chúng tôi để ước tính PRF chính xác hơn.Thật không may, các phương pháp OLS thông thường không tuân theo chiến lược này vàdo đó không làm cho việc sử dụng những thông tin"" có trong unequalsự biến đổi của biến phụ thuộc Y, nói rằng, các nhân viên bồi thường củaBảng 11.1: Nó gán trọng lượng bằng nhau hoặc tầm quan trọng cho mỗi quan sát. Nhưng mộtphương pháp tính toán, được gọi là tối thiểu tổng quát (GLS), mấtnhững thông tin đó vào tài khoản một cách rõ ràng và do đó có khả năng sản phẩm -ing estimators đó là màu xanh. Để xem làm thế nào điều này thực hiện, hãy cho chúng tôi con-Tinue với mô hình hai biến quen thuộc bây giờ:Yi = β1 + β2Xi + ui (11.3.1)mà để dễ dàng thao tác đại chúng tôi viết nhưYi = β1X0i + β2Xi + ui (11.3.2)nơi X0i = 1 cho mỗi i. Người đọc có thể thấy rằng các công thức 2giống hệt nhau.Bây giờ giả sử rằng heteroscedastic chênh lệch σ 2tôi được biết đến. Phân chia(11.3.2) thông qua bởi σi để có được

Kết quả (Việt) 2:

Đề án ước tính theo cách như vậy mà quan sát đến từ pop-
ulations với biến đổi lớn hơn được cho trọng lượng ít hơn so với những người đến từ
các quần với biến đổi nhỏ. Kiểm tra bảng 11.1, chúng tôi muốn
trọng lượng quan sát đến từ các lớp học làm việc từ 10-19 và 20-49
nặng nề hơn những người đến từ các lớp học làm việc như 5-9 và
250-499, cho các cựu được nhóm chặt chẽ hơn xung quanh giá trị trung bình của họ
hơn sau này, qua đó cho phép chúng tôi ước tính PRF chính xác hơn.
Thật không may, phương pháp OLS thông thường không làm theo chiến lược này và
do đó không tận dụng các "thông tin" chứa trong bất bình đẳng
thay đổi của biến Y phụ thuộc, nói, bồi thường nhân viên của
Bảng 11.1: Nó gán trọng lượng bằng hoặc tầm quan trọng để mỗi quan sát. Tuy nhiên, một
phương pháp lập dự toán, được gọi là tổng quát phương tối thiểu (GLS), mất
thông tin đó vào tài khoản một cách rõ ràng và do đó có khả năng produc-
ước lượng ing mà BLUE. Để xem cách này được thực hiện, chúng ta hãy niệm
tinue với các mô hình bây giờ quen thuộc hai biến:
Yi = β1 + β2Xi + ui (11.3.1)
mà để dễ thao tác đại số chúng ta viết như
Yi = β1X0i + β2Xi + ui (11.3.2)
nơi X0i = 1 cho mỗi i. Người đọc có thể thấy rằng hai công thức này là
giống hệt nhau.
Bây giờ giả sử rằng heteroscedastic phương sai σ 2
i được biết đến. Divide
(11.3.2) thông qua bởi σi để có được