1、為什麼設置來電反迴音說卡槽無slm卡或slm卡錯誤
不建議復你設置來電反制迴音，另外SEM卡錯誤，建議你把那些設置好後，再試試，如果還不行，有可能是卡槽相關接觸不良，換個卡槽或者重新插入試試。
另外如果你是為了想攔截陌生來電，你可以下載騰訊手機管家，或者360什麼的，進行陌生號碼攔截。
具體設置，請參考：http://.網路.com/link?url=cQM99jSv7bMtCMR4UzWKEzaWO3-zkdUAfCsgwnG44_mg6Eozc8-
2、DMD空間光調制器與SLM液晶空間光調制器原理與應用、區別
液晶空間光調制器調制的性能和精度完全由相關材料的屬性決定。現有大部分空間光調制器採用液晶材料，在調制精度上一般量化為8bit（實際精度可能更低），刷新速度為60Hz。這類空間光調制器一般僅能夠對波前的幅度進行調制或者對入射光波前的相位進行調制，現有商品化的產品尚無法在同一空間光調制器上實現獨立的幅度和相位調制。因此現有商品化空間光調制器存在速度慢、精度低、幅度和相位無法獨立調制、承載光強較低等問題。
DMD空間光調制器採用TI公司的DLP系列中的數字微鏡（DMD）器件作為核心的空間光調制器件，再次在此基礎上配合以4f系統所構成的低通空間光濾波器實現對不同空間位置和頻率成分的「混合」，由此可以獨立的對空間光波前的幅度和相位進行調制。而調制的精度由低通濾波器的截止頻率即通帶寬度所決定。
DMD特點與優勢
高精度空間光調制
DMD對於空間光幅度和相位的調制精度可以根據應用需求進行設定。可以設置為最低精度的二元調制或者非常高精度的10bit或16bit量化調制。因此只需通過簡單的軟體和硬體設置，可以實現不同的調制精度要求。
高達15kHz幀率的高速調制數據載入
由於採用DMD器件作為核心電控光學元件，因此調制數據載入的速度有DMD器件的數據更新速度，典型的幀率可以達到15kHz，遠遠大於現有空間光調制器產品的數據載入速度。
高達10W量級的高光功率耐受
DMD採用的調制原理並不依賴液晶等材料，因此可以耐受高達10w量級的光輸入功率。
更加廣域的波段適用范圍
覆蓋了可見光譜段，通過對DMD器件的鍍膜處理可以使之適應極紫外和遠紅外的譜段空間光的處理能力瞬渺科技。
一台設備同時實現幅度相位的獨立調制
利用DMD可以同時實現空間光波前幅度和相位的同時調制，幅度和相位的調制兩者為獨立設置，將極大的降低光學系統的復雜度。
3、如何選擇SLM還是SEM
你是想說sem營銷嗎，是想做這方面的工作嗎，做營銷肯定是有發展的
4、如何製作shp格式文件，並利用Geoda軟體進行空間面板數據分析
以最新空間計量軟體OpenGoeda 為例，其實，對於空間面板數據發
分析與地圖的顯示是兩會兒事，空間分析可以簡單的分為兩塊：第一
是：空間統計分析，即空間數據的探索性分析，一般用到地圖，主要
是為了直觀顯示其屬性值的空間分布情況，另外就是全局空間自相關
分析（全局Morans'I 系數）和局部空間自相關分析（LISA）及Morans
散點圖（HH，HL，LH，LL）；第二是：空間計量分析，主要包括：
空間滯後模型（SLM）和空間誤差模型（SEM），使用的前提是，自
變數和因變數都存在空間自相關性，因此導致經典的計量模型估計有
偏或失效，因此自然而然將空間因素考慮到模型中進行分析，空間因
素的引進涉及最核心的表達空間的權重矩陣。這是空間計量模型和軟
究區域的地圖的製作；地圖和屬性數據的鏈接等。具體如下：首先可
以藉助 Mapinfo 和 Arcgis 軟體製作 shape 格式的地圖文件，並設置
ID 唯一代碼，接著製作屬性值文件，其格式為dbf，然後，將上述制
作完成的 shape 格式文件和 dbf 格式屬性值通過 OpenGoda 軟體的
Table 菜單下的Merge TableDate 進行合並，形成一個完整的包含分
析需要的所有屬性值的shape 格式文件。這樣我們所有準備工作完成
了，接下來就可以進行各種各樣的分析了。
5、sccm和slm是流量的單位，誰能說具體點嗎？
sccm是standard cubic centimeter per minute 的縮寫,意思是標准狀態下,(也就是1個大氣壓,25攝氏度下)每分鍾內1立方厘米(1ml/min)的流量容.
slm是standard litre per minute 的縮寫,意思是標准狀態下1L/min的流量.夠清楚嗎?
6、3D列印中SLM和SLS成型有什麼區別
SLS是選擇性激光燒抄結，所用的金屬材料是經過處理的與低熔點金屬或者高分子材料的混合粉末，在加工的過程中低熔點的材料熔化但高熔點的金屬粉末是不熔化的。利用被熔化的材料實現黏結成型，所以實體存在孔隙，力學性能差，要使用的話還要經過高溫重熔。
SLM是選擇性激光熔化，顧名思義也就是在加工的過程中用激光使粉體完全熔化，不需要黏結劑，成型的精度和力學性能都比SLS要好。
7、UlM卡和SlM卡的區別
UIM卡
UIM(User Identity Model)用戶識別模塊，是應用在cdmaOne手機的一種智能卡，可插入對應的手機以使用行動電話服務。 UIM卡的標准化工作由3GPP2（第三代夥伴計劃2）負責進行。是由中國聯通公司(CDMA業務已被「中國電信」收購)倡導並得到國際CDMA組織(CDG)支持的移動通信終端用戶識別及加密技術。它支持專用的鑒權加密演算法和OTA技術(Over The Air),可以通過無線空中介面方式對卡上的數據進行更新和管理。UIM卡的功能類似於全球通(GSM)手機中使用的SIM卡，可進行用戶的身份識別及通信加密，還可以存儲電話號碼、簡訊息等用戶個人信息。同時UIM卡採用了SIM卡一卡一號的便利使用方式，若手機不幸丟失，別人無法用其它的卡使用，用戶只需擁有一張屬於個人的UIM卡，插入任何一部配有UIM卡介面的手機即可應用。 在CDMA系統的原始設計中，用戶識別信息是直接存儲在移動終端中的，並沒有一個與移動終端可以分離的存儲用戶信息的功能實體。雖然一些運營者和製造商希望在CDMA系統中也能有一個與GSM系統中的SIM卡類似的設備以實現機卡分離，但這種思想一直沒有成為主流思想。直到中國聯通公司聲明希望在CDMA手機上實現SIM卡的功能，才極大地加快了在CDMA系統中實施UIM卡的進程。UIM卡的標准化工作由3GPP2（第三代夥伴計劃2）負責進行。目前，這項工作已經接近完成。
SIM卡
就是最普通的什麼套餐都是可以自己選擇換或者是不要的卡。沒有套餐或者後付費什麼之類的約束
8、hansen檢驗 指令是什麼 stata
stata命令大全
********* 面板數據計量分析與軟體實現 *********
說明：以下do文件相當一部分內容來自於中山大學連玉君STATA教程，感謝他的貢獻。本人做了一定的修改與篩選。
*----------面板數據模型
* 1.靜態面板模型：FE 和RE
* 2.模型選擇：FE vs POLS, RE vs POLS, FE vs RE （pols混合最小二乘估計）
* 3.異方差、序列相關和截面相關檢驗
* 4.動態面板模型（DID-GMM,SYS-GMM）
* 5.面板隨機前沿模型
* 6.面板協整分析（FMOLS,DOLS）
*** 說明：1-5均用STATA軟體實現， 6用GAUSS軟體實現。
* 生產效率分析（尤其指TFP）：數據包絡分析（DEA）與隨機前沿分析（SFA）
***
說明：DEA由DEAP2.1軟體實現，SFA由Frontier4.1實現，尤其後者，側重於比較C-D與Translog生產函數，一步法與兩步法的區別。常應用於地區經濟差異、FDI溢出效應（Spillovers
Effect）、工業行業效率狀況等。
* 空間計量分析：SLM模型與SEM模型
*說明：STATA與Matlab結合使用。常應用於空間溢出效應（R&D）、財政分權、地方政府公共行為等。
* ---------------------------------
* -------- 一、常用的數據處理與作圖 -----------
* ---------------------------------
* 指定面板格式
xtset id year （id為截面名稱，year為時間名稱）
xtdes /*數據特徵*/
xtsum logy h /*數據統計特徵*/
sum logy h /*數據統計特徵*/
*添加標簽或更改變數名
label var h "人力資本"
rename h hum
*排序
sort id year /*是以STATA面板數據格式出現*/
sort year id /*是以DEA格式出現*/
*刪除個別年份或省份
drop if year<1992
drop if id==2 /*注意用==*/
*如何得到連續year或id編號（當完成上述操作時，year或id就不連續，為形成panel格式，需要用egen命令）
egen year_new=group(year)
xtset id year_new
**保留變數或保留觀測值
keep inv /*刪除變數*/
**或
keep if year==2000
**排序
sort id year /*是以STATA面板數據格式出現
sort year id /*是以DEA格式出現
**長數據和寬數據的轉換
*長>>>寬數據
reshape wide logy,i(id) j(year)
*寬>>>長數據
reshape logy,i(id) j(year)
**追加數據（用於面板數據和時間序列）
xtset id year
*或者
xtdes
tsappend,add(5) /表示在每個省份再追加5年，用於面板數據/
tsset
*或者
tsdes
.tsappend,add(8) /表示追加8年，用於時間序列/
*方差分解，比如三個變數Y,X,Z都是面板格式的數據，且滿足Y=X+Z，求方差var(Y),協方差Cov(X,Y)和Cov（Z,Y）
bysort year:corr Y X Z,cov
**生產虛擬變數
*生成年份虛擬變數
tab year,gen(yr)
*生成省份虛擬變數
tab id,gen(m)
**生成滯後項和差分項
xtset id year
gen ylag=l.y /*產生一階滯後項)，同樣可產生二階滯後項*/
gen ylag2=L2.y
gen dy=D.y /*產生差分項*/
*求出各省2000年以前的open inv的平均增長率
collapse (mean) open inv if year<2000,by(id)
變數排序，當變數太多，按規律排列。可用命令
aorder
或者
order fdi open insti
*-----------------
* 二、靜態面板模型
*-----------------
*--------- 簡介 -----------
* 面板數據的結構(兼具截面資料和時間序列資料的特徵)
use proct.dta, clear
browse
xtset id year
xtdes
* ---------------------------------
* -------- 固定效應模型 -----------
* ---------------------------------
* 實質上就是在傳統的線性回歸模型中加入 N-1 個虛擬變數，
* 使得每個截面都有自己的截距項，
* 截距項的不同反映了個體的某些不隨時間改變的特徵
*
* 例如： lny = a_i + b1*lnK + b2*lnL + e_it
* 考慮中國29個省份的C-D生產函數
*******-------畫圖------*
*散點圖+線性擬合直線
twoway (scatter logy h) (lfit logy h)
*散點圖+二次擬合曲線
twoway (scatter logy h) (qfit logy h)
*散點圖+線性擬合直線+置信區間
twoway (scatter logy h) (lfit logy h) (lfitci logy h)
*按不同個體畫出散點圖和擬合線，可以以做出fe vs re的初判斷*
twoway (scatter logy h if id<4) (lfit logy h if id<4) (lfit logy h if
id==1) (lfit logy h if id==2) (lfit logy h if id==3)
*按不同個體畫散點圖,so beautiful!!!*
graph twoway scatter logy h if id==1 || scatter logy h if id==2,msymbol(Sh)
|| scatter logy h if id==3,msymbol(T) || scatter logy h if id==4,msymbol(d) || ,
legend(position(11) ring(0) label(1 "北京") label(2 "天津") label(3 "河北") label(4
"山西"))
**每個省份logy與h的散點圖，並將各個圖形合並
twoway scatter logy h,by(id) ylabel(,format(%3.0f))
xlabel(,format(%3.0f))
*每個個體的時間趨勢圖*
xtline h if id<11,overlay legend(on)
* 一個例子：中國29個省份的C-D生產函數的估計
tab id, gen(m)
list
* 回歸分析
reg logy logk logl m*,
est store m_ols
xtreg logy logk logl, fe
est store m_fe
est table m_ols m_fe, b(%6.3f) star(0.1 0.05 0.01)
* Wald 檢驗
test logk=logl=0
test logk=logl
* stata的估計方法解析
* 目的：如果截面的個數非常多，那麼採用虛擬變數的方式運算量過大
* 因此，要尋求合理的方式去除掉個體效應
* 因為，我們關注的是 x 的系數，而非每個截面的截距項
* 處理方法：
*
* y_it = u_i + x_it*b + e_it (1)
* ym_i = u_i + xm_i*b + em_i (2) 組內平均
* ym = um + xm*b + em (3) 樣本平均
* (1) - (2), 可得：
* (y_it - ym_i) = (x_it - xm_i)*b + (e_it - em_i) （4） /*within estimator*/ *
(4)+(3), 可得：
* (y_it-ym_i+ym) = um + (x_it-xm_i+xm)*b + (e_it-em_i+em)
* 可重新表示為：
* Y_it = a_0 + X_it*b + E_it
* 對該模型執行 OLS 估計，即可得到 b 的無偏估計量
**stata後台操作，揭開fe估計的神秘面紗！！！
egen y_meanw = mean(logy), by(id) /*個體內部平均*/
egen y_mean = mean(logy) /*樣本平均*/
egen k_meanw = mean(logk), by(id)
egen k_mean = mean(logk)
egen l_meanw = mean(logl), by(id)
egen l_mean = mean(logl)
gen dyw = logy - y_meanw
gen dkw = logk - k_meanw
gen dlw=logl-l_meanw
reg dyw dkw dlw,nocons
est store m_stata
gen dy = logy - y_meanw + y_mean
gen dk = logk - k_meanw +k_mean
gen dl=logl-l_meanw+l_mean
reg dy dk dl
est store m_stata
est table m_*, b(%6.3f) star(0.1 0.05 0.01)
* 解讀 xtreg,fe 的估計結果
xtreg logy h inv gov open,fe
*-- R^2
* y_it = a_0 + x_it*b_o + e_it (1) pooled OLS
* y_it = u_i + x_it*b_w + e_it (2) within estimator
* ym_i = a_0 + xm_i*b_b + em_i (3) between estimator
*
* --> R-sq: within 模型(2)對應的R2，是一個真正意義上的R2
* --> R-sq: between corr{xm_i*b_w,ym_i}^2
* --> R-sq: overall corr{x_it*b_w,y_it}^2
*
*-- F(4,373) = 855.93檢驗除常數項外其他解釋變數的聯合顯著性
*
*
*-- corr(u_i, Xb) = -0.2347
*
*-- sigma_u, sigma_e, rho
* rho = sigma_u^2 / (sigma_u^2 + sigma_e^2)
dis e(sigma_u)^2 / (e(sigma_u)^2 + e(sigma_e)^2)
*
* 個體效應是否顯著？
* F(28, 373) = 338.86 H0: a1 = a2 = a3 = a4 = a29
* Prob > F = 0.0000 表明，固定效應高度顯著
*---如何得到調整後的 R2,即 adj-R2 ？
ereturn list
reg logy h inv gov open m*
*---擬合值和殘差
* y_it = u_i + x_it*b + e_it
* predict newvar, [option]
/*
xb xb, fitted values; the default
stdp calculate standard error of the fitted values
ue u_i + e_it, the combined resial
xbu xb + u_i, prediction including effect
u u_i, the fixed- or random-error component
e e_it, the overall error component */
xtreg logy logk logl, fe
predict y_hat
predict a , u
predict res,e
predict cres, ue
gen ares = a + res
list ares cres in 1/10
* ---------------------------------
* ---------- 隨機效應模型 ---------
* ---------------------------------
* y_it = x_it*b + (a_i + u_it)
* = x_it*b + v_it
* 基本思想：將隨機干擾項分成兩種
* 一種是不隨時間改變的，即個體效應 a_i
* 另一種是隨時間改變的，即通常意義上的干擾項 u_it
* 估計方法：FGLS
* Var(v_it) = sigma_a^2 + sigma_u^2
* Cov(v_it,v_is) = sigma_a^2
* Cov(v_it,v_js) = 0
* 利用Pooled OLS，Within Estimator, Between Estimator
* 可以估計出sigma_a^2和sigma_u^2,進而採用GLS或FGLS
* Re估計量是Fe估計量和Be估計量的加權平均
* yr_it = y_it - theta*ym_i
* xr_it = x_it - theta*xm_i
* theta = 1 - sigma_u / sqrt[(T*sigma_a^2 + sigma_u^2)]
* 解讀 xtreg,re 的估計結果
use proct.dta, clear
xtreg logy logk logl, re
*-- R2
* --> R-sq: within corr{(x_it-xm_i)*b_r, y_it-ym_i}^2
* --> R-sq: between corr{xm_i*b_r,ym_i}^2
* --> R-sq: overall corr{x_it*b_r,y_it}^2
* 上述R2都不是真正意義上的R2，因為Re模型採用的是GLS估計。
*
* rho = sigma_u^2 / (sigma_u^2 + sigma_e^2)
dis e(sigma_u)^2 / (e(sigma_u)^2 + e(sigma_e)^2)
*
* corr(u_i, X) = 0 (assumed)
* 這是隨機效應模型的一個最重要，也限制該模型應用的一個重要假設
* 然而，採用固定效應模型，我們可以粗略估計出corr(u_i, X)
xtreg market invest stock, fe
*
* Wald chi2(2) = 10962.50 Prob> chi2 = 0.0000
*-------- 時間效應、模型的篩選和常見問題
*---------目錄--------
* 7.2.1 時間效應（雙向固定(隨機)效應模型）
* 7.2.2 模型的篩選
* 7.2.3 面板數據常見問題
* 7.2.4 面板數據的轉換
* ----------------------------------
* ------------時間效應--------------
* ----------------------------------
* 單向固定效應模型
* y_it = u_i + x_it*b + e_it
* 雙向固定效應模型
* y_it = u_i + f_t + x_it*b + e_it
qui tab year, gen(yr)
drop yr1
xtreg logy logk logl yr*, fe
* 隨機效應模型中的時間效應
xtreg logy logk logl yr*, fe
* ---------------------------------
* ----------- 模型的篩選 ----------
* ---------------------------------
* 固定效應模型還是Pooled OLS？
xtreg logy logk logl yr*, fe /*Wald 檢驗*/
qui tab id, gen(m) /*LR檢驗*/
reg logy logk logl /*POLS*/
est store m_ols
reg logy logk logl m*,nocons
est store m_fe
lrtest m_ols m_fe
est table m_*, b(%6.3f) star(0.1 0.05 0.01)
* RE vs Pooled OLS？
* H0: Var(u) = 0
* 方法一：B-P 檢驗
xtreg logy logk logl, re
xttest0
* FE vs RE?
* y_it = u_i + x_it*b + e_it
*--- Hausman 檢驗 ---
* 基本思想：如果 Corr(u_i,x_it) = 0, Fe 和 Re 都是一致的，但Re更有效
* 如果 Corr(u_i,x_it)!= 0, Fe 仍然有效，但Re是有偏的
* 基本步驟
***情形1：huasman為正數
xtreg logy logk logl, fe
est store m_fe
xtreg logy logk logl, re
est store m_re
hausman m_fe m_re
*** 情形2：
qui xtreg logy h inv gov open,fe
est store fe
qui xtreg logy h inv gov open,re
est store re
hausman fe re
* Hausman 檢驗值為負怎麼辦？
* 通常是因為RE模型的基本假設 Corr(x,u_i)=0 無法得到滿足
* 檢驗過程中兩個模型的方差-協方差矩陣都採用Fe模型的
hausman fe re, sigmaless
* 兩個模型的方差-協方差矩陣都採用Re模型的
hausman fe re, sigmamore
*== 為何有些變數會被drop掉？
use nlswork.dta, clear
tsset idcode year
xtreg ln_wage hours tenure ttl_exp, fe /*正常執行*/
* 產生種族虛擬變數
tab race, gen(m_race)
xtreg ln_wage hours tenure ttl_exp m_race2 m_race3, fe
* 為何 m_race2 和 m_race3 會被 dropped ?
* 固定效應模型的設定：y_it = u_i + x_it*b + e_it (1)
* 由於個體效應 u_i 不隨時間改變，
* 因此若 x_it 包含了任何不隨時間改變的變數，
* 都會與 u_i 構成多重共線性，Stata會自動刪除之。
*******異方差、序列相關和截面相關問題
* ---------------- 簡 介 -------------
* y_it = x_it*b + u_i + e_it
*
* 由於面板數據同時兼顧了截面數據和時間序列的特徵，
* 所以異方差和序列相關必然會存在於面板數據中；
* 同時，由於面板數據中每個截面（公司、個人、國家、地區）之間還可能存在內在的聯系， * 所以，截面相關性也是一個需要考慮的問題。
*
* 此前的分析依賴三個假設條件：
* （1） Var[e_it] = sigma^2 同方差假設
* (2) Corr[e_it, e_it-s] = 0 序列無關假設
* (3) Corr[e_it, e_jt] = 0 截面不相關假設
*
* 當這三個假設無法得到滿足時，便分別出現 異方差、序列相關和截面相關問題； * 我們一方面要採用各種方法來檢驗這些假設是否得到了滿足；
* 另一方面，也要在這些假設無法滿足時尋求合理的估計方法。
* ---------------- 假設檢驗 -------------
*== 組間異方差檢驗（截面數據的特徵）
* Var(e_i) = sigma_i^2
* Fe 模型
xtreg logy logk logl, fe
xttest3
* Re 模型
* Re本身已經較大程度的考慮了異方差問題，主要體現在sigma_u^2上
*== 序列相關檢驗
* Fe 模型
* xtserial Wooldridge(2002)，若無序列相關，則一階差分後殘差相關系數應為-0.5
xtserial logy logk logl
xtserial logy logk logl, output
* Re 模型
xtreg logy logk logl, re
xttest1 /*提供多個統計檢驗量*/
*== 截面相關檢驗
* xttest2命令 H0: 所有截面殘差的相關系數都相等
xtreg logy logk logl, fe
xttest2
* 由於檢驗過程中執行了SUE估計，所以要求T>N
xtreg logy logk logl if id<6, fe
xttest2
* xtcsd 命令（提供了三種檢驗方法）
xtreg logy logk logl, fe
xtcsd , pesaran /*Pesaran(2004)*/
xtcsd , friedman /*Friedman(1937)*/
xtreg logy logk logl, re
xtcsd , pesaran
* ----------------- 估計方法 ---------------------
*== 異方差穩健型估計
xtreg logy h inv gov open, fe robust
est store fe_rb
xtreg logy h inv gov open, fe robust
est store fe
* 結果對比
esttab fe_rb fe, b(%6.3f) se(%6.3f) mtitle(fe_rb fe)
*== 序列相關估計
* 一階自相關 xtregar, fe/re
* 模型： y_it = u_i + x_it*b + v_it (1)
* v_it = rho*v_it-1 + z_it (2)
xtregar logy h inv gov open, fe
est store fe_ar1
xtregar logy h inv gov open,fe lbi /*Baltagi-Wu LBI test*/
9、psi 與 slm 的換算關系是?
一個是壓力的單位，一個是流量的單位，你讓他們怎麼換算啊？