Iteration 迭代， 得到最后结果， 而IterationList得到一个列表（包含中间结果）

A、vector <int> :: iterator it;

B、iterator it;

C、vector:: iterator it;

D、vector <int> v1; v1:: iterator it;

A.要运行的迭代次数

B.梯度下降的步长

C.是否给数据加干扰特征或者偏差特征

D.Lasso和ridge的正规化参数

A、列表

B、元组

C、字符串

D、迭代器

估计ρ：科克伦-奥克特两步法。这是科克伦-奥克特迭代程序的一个简化版。第一步，我们从第一次迭代[即上一题中的方程③]中估计出ρ，第二步就用所估计的ρ做上一题方程④中的广义差分方程。实践中，有时候这种两步法给出的结果，与多次煞费苦心的迭代所得到的结果十分相似。

在正文中给出的说明性工资生产率回归(12.5.1)中使用科克伦-奥克特两步法，并将结果与迭代法所得到的结果进行比较。特别注意在变换中对第一次观测的处理。

估计p：科克伦-奥克特迭代程序。作为对此程序的一个说明，考虑双变量模型：

及AR(1)模式

于是科克伦和奥克特推荐如下步腺来估计ρ。

(1)用通常的OLS方法估计方程①并得到残差u_t。顺便指出，你可以在模型中包含不止一个X变量。

(2)利用第1步得到的残差做如下回归：

这是方程②在实证中的对应表达式。

(3)利用方程③中得到的，估计广义差分方程(129.6)。

(4)由于事先不知道方程③中得到的是不是ρ的最佳估计值，所以把第3步中得到的值代入原回归①，并得到新的残差解为

(5)现在估计如下回归

它类似于方程③，并给出p的第二轮估计值。由于我们不知道p的第二轮估计值是不是真实p的最佳估计值，所以我们进入第三轮估计，如此等等。这正是科克伦-奧克特程序被称为迭代程序的原因。我们该把这种(愉快的)轮回操作进行到什么程度呢?一般的建议是，当p的两个相邻估计值相差很小(比如不是0.01或0.005)时，便可停止迭代。在工资-生产率一例中，在停止之前约需要3次迭代。

a.利用科克伦-奥克特迭代程序，估计工资生产率回归(12.5.2)的p.在得到ρ的“最终”估计值之前需要多少次迭代?

b.利用a中得到的p的最终估计值，在去掉第一次观测和保留第一次观测的情况下，估计工资生产率回归。结果有何差异?

c.你认为在变换数据以解决自相关问题时保留第一次观测重要吗?