1、为什么设置来电反回音说卡槽无slm卡或slm卡错误
不建议复你设置来电反制回音，另外SEM卡错误，建议你把那些设置好后，再试试，如果还不行，有可能是卡槽相关接触不良，换个卡槽或者重新插入试试。
另外如果你是为了想拦截陌生来电，你可以下载腾讯手机管家，或者360什么的，进行陌生号码拦截。
具体设置，请参考：http://.网络.com/link?url=cQM99jSv7bMtCMR4UzWKEzaWO3-zkdUAfCsgwnG44_mg6Eozc8-
2、DMD空间光调制器与SLM液晶空间光调制器原理与应用、区别
液晶空间光调制器调制的性能和精度完全由相关材料的属性决定。现有大部分空间光调制器采用液晶材料，在调制精度上一般量化为8bit（实际精度可能更低），刷新速度为60Hz。这类空间光调制器一般仅能够对波前的幅度进行调制或者对入射光波前的相位进行调制，现有商品化的产品尚无法在同一空间光调制器上实现独立的幅度和相位调制。因此现有商品化空间光调制器存在速度慢、精度低、幅度和相位无法独立调制、承载光强较低等问题。
DMD空间光调制器采用TI公司的DLP系列中的数字微镜（DMD）器件作为核心的空间光调制器件，再次在此基础上配合以4f系统所构成的低通空间光滤波器实现对不同空间位置和频率成分的“混合”，由此可以独立的对空间光波前的幅度和相位进行调制。而调制的精度由低通滤波器的截止频率即通带宽度所决定。
DMD特点与优势
高精度空间光调制
DMD对于空间光幅度和相位的调制精度可以根据应用需求进行设定。可以设置为最低精度的二元调制或者非常高精度的10bit或16bit量化调制。因此只需通过简单的软件和硬件设置，可以实现不同的调制精度要求。
高达15kHz帧率的高速调制数据加载
由于采用DMD器件作为核心电控光学元件，因此调制数据加载的速度有DMD器件的数据更新速度，典型的帧率可以达到15kHz，远远大于现有空间光调制器产品的数据加载速度。
高达10W量级的高光功率耐受
DMD采用的调制原理并不依赖液晶等材料，因此可以耐受高达10w量级的光输入功率。
更加广域的波段适用范围
覆盖了可见光谱段，通过对DMD器件的镀膜处理可以使之适应极紫外和远红外的谱段空间光的处理能力瞬渺科技。
一台设备同时实现幅度相位的独立调制
利用DMD可以同时实现空间光波前幅度和相位的同时调制，幅度和相位的调制两者为独立设置，将极大的降低光学系统的复杂度。
3、如何选择SLM还是SEM
你是想说sem营销吗，是想做这方面的工作吗，做营销肯定是有发展的
4、如何制作shp格式文件，并利用Geoda软件进行空间面板数据分析
以最新空间计量软件OpenGoeda 为例，其实，对于空间面板数据发
分析与地图的显示是两会儿事，空间分析可以简单的分为两块：第一
是：空间统计分析，即空间数据的探索性分析，一般用到地图，主要
是为了直观显示其属性值的空间分布情况，另外就是全局空间自相关
分析（全局Morans'I 系数）和局部空间自相关分析（LISA）及Morans
散点图（HH，HL，LH，LL）；第二是：空间计量分析，主要包括：
空间滞后模型（SLM）和空间误差模型（SEM），使用的前提是，自
变量和因变量都存在空间自相关性，因此导致经典的计量模型估计有
偏或失效，因此自然而然将空间因素考虑到模型中进行分析，空间因
素的引进涉及最核心的表达空间的权重矩阵。这是空间计量模型和软
究区域的地图的制作；地图和属性数据的链接等。具体如下：首先可
以借助 Mapinfo 和 Arcgis 软件制作 shape 格式的地图文件，并设置
ID 唯一代码，接着制作属性值文件，其格式为dbf，然后，将上述制
作完成的 shape 格式文件和 dbf 格式属性值通过 OpenGoda 软件的
Table 菜单下的Merge TableDate 进行合并，形成一个完整的包含分
析需要的所有属性值的shape 格式文件。这样我们所有准备工作完成
了，接下来就可以进行各种各样的分析了。
5、sccm和slm是流量的单位，谁能说具体点吗？
sccm是standard cubic centimeter per minute 的缩写,意思是标准状态下,(也就是1个大气压,25摄氏度下)每分钟内1立方厘米(1ml/min)的流量容.
slm是standard litre per minute 的缩写,意思是标准状态下1L/min的流量.够清楚吗?
6、3D打印中SLM和SLS成型有什么区别
SLS是选择性激光烧抄结，所用的金属材料是经过处理的与低熔点金属或者高分子材料的混合粉末，在加工的过程中低熔点的材料熔化但高熔点的金属粉末是不熔化的。利用被熔化的材料实现黏结成型，所以实体存在孔隙，力学性能差，要使用的话还要经过高温重熔。
SLM是选择性激光熔化，顾名思义也就是在加工的过程中用激光使粉体完全熔化，不需要黏结剂，成型的精度和力学性能都比SLS要好。
7、UlM卡和SlM卡的区别
UIM卡
UIM(User Identity Model)用户识别模块，是应用在cdmaOne手机的一种智能卡，可插入对应的手机以使用移动电话服务。 UIM卡的标准化工作由3GPP2（第三代伙伴计划2）负责进行。是由中国联通公司(CDMA业务已被“中国电信”收购)倡导并得到国际CDMA组织(CDG)支持的移动通信终端用户识别及加密技术。它支持专用的鉴权加密算法和OTA技术(Over The Air),可以通过无线空中接口方式对卡上的数据进行更新和管理。UIM卡的功能类似于全球通(GSM)手机中使用的SIM卡，可进行用户的身份识别及通信加密，还可以存储电话号码、短信息等用户个人信息。同时UIM卡采用了SIM卡一卡一号的便利使用方式，若手机不幸丢失，别人无法用其它的卡使用，用户只需拥有一张属于个人的UIM卡，插入任何一部配有UIM卡接口的手机即可应用。 在CDMA系统的原始设计中，用户识别信息是直接存储在移动终端中的，并没有一个与移动终端可以分离的存储用户信息的功能实体。虽然一些运营者和制造商希望在CDMA系统中也能有一个与GSM系统中的SIM卡类似的设备以实现机卡分离，但这种思想一直没有成为主流思想。直到中国联通公司声明希望在CDMA手机上实现SIM卡的功能，才极大地加快了在CDMA系统中实施UIM卡的进程。UIM卡的标准化工作由3GPP2（第三代伙伴计划2）负责进行。目前，这项工作已经接近完成。
SIM卡
就是最普通的什么套餐都是可以自己选择换或者是不要的卡。没有套餐或者后付费什么之类的约束
8、hansen检验 指令是什么 stata
stata命令大全
********* 面板数据计量分析与软件实现 *********
说明：以下do文件相当一部分内容来自于中山大学连玉君STATA教程，感谢他的贡献。本人做了一定的修改与筛选。
*----------面板数据模型
* 1.静态面板模型：FE 和RE
* 2.模型选择：FE vs POLS, RE vs POLS, FE vs RE （pols混合最小二乘估计）
* 3.异方差、序列相关和截面相关检验
* 4.动态面板模型（DID-GMM,SYS-GMM）
* 5.面板随机前沿模型
* 6.面板协整分析（FMOLS,DOLS）
*** 说明：1-5均用STATA软件实现， 6用GAUSS软件实现。
* 生产效率分析（尤其指TFP）：数据包络分析（DEA）与随机前沿分析（SFA）
***
说明：DEA由DEAP2.1软件实现，SFA由Frontier4.1实现，尤其后者，侧重于比较C-D与Translog生产函数，一步法与两步法的区别。常应用于地区经济差异、FDI溢出效应（Spillovers
Effect）、工业行业效率状况等。
* 空间计量分析：SLM模型与SEM模型
*说明：STATA与Matlab结合使用。常应用于空间溢出效应（R&D）、财政分权、地方政府公共行为等。
* ---------------------------------
* -------- 一、常用的数据处理与作图 -----------
* ---------------------------------
* 指定面板格式
xtset id year （id为截面名称，year为时间名称）
xtdes /*数据特征*/
xtsum logy h /*数据统计特征*/
sum logy h /*数据统计特征*/
*添加标签或更改变量名
label var h "人力资本"
rename h hum
*排序
sort id year /*是以STATA面板数据格式出现*/
sort year id /*是以DEA格式出现*/
*删除个别年份或省份
drop if year<1992
drop if id==2 /*注意用==*/
*如何得到连续year或id编号（当完成上述操作时，year或id就不连续，为形成panel格式，需要用egen命令）
egen year_new=group(year)
xtset id year_new
**保留变量或保留观测值
keep inv /*删除变量*/
**或
keep if year==2000
**排序
sort id year /*是以STATA面板数据格式出现
sort year id /*是以DEA格式出现
**长数据和宽数据的转换
*长>>>宽数据
reshape wide logy,i(id) j(year)
*宽>>>长数据
reshape logy,i(id) j(year)
**追加数据（用于面板数据和时间序列）
xtset id year
*或者
xtdes
tsappend,add(5) /表示在每个省份再追加5年，用于面板数据/
tsset
*或者
tsdes
.tsappend,add(8) /表示追加8年，用于时间序列/
*方差分解，比如三个变量Y,X,Z都是面板格式的数据，且满足Y=X+Z，求方差var(Y),协方差Cov(X,Y)和Cov（Z,Y）
bysort year:corr Y X Z,cov
**生产虚拟变量
*生成年份虚拟变量
tab year,gen(yr)
*生成省份虚拟变量
tab id,gen(m)
**生成滞后项和差分项
xtset id year
gen ylag=l.y /*产生一阶滞后项)，同样可产生二阶滞后项*/
gen ylag2=L2.y
gen dy=D.y /*产生差分项*/
*求出各省2000年以前的open inv的平均增长率
collapse (mean) open inv if year<2000,by(id)
变量排序，当变量太多，按规律排列。可用命令
aorder
或者
order fdi open insti
*-----------------
* 二、静态面板模型
*-----------------
*--------- 简介 -----------
* 面板数据的结构(兼具截面资料和时间序列资料的特征)
use proct.dta, clear
browse
xtset id year
xtdes
* ---------------------------------
* -------- 固定效应模型 -----------
* ---------------------------------
* 实质上就是在传统的线性回归模型中加入 N-1 个虚拟变量，
* 使得每个截面都有自己的截距项，
* 截距项的不同反映了个体的某些不随时间改变的特征
*
* 例如： lny = a_i + b1*lnK + b2*lnL + e_it
* 考虑中国29个省份的C-D生产函数
*******-------画图------*
*散点图+线性拟合直线
twoway (scatter logy h) (lfit logy h)
*散点图+二次拟合曲线
twoway (scatter logy h) (qfit logy h)
*散点图+线性拟合直线+置信区间
twoway (scatter logy h) (lfit logy h) (lfitci logy h)
*按不同个体画出散点图和拟合线，可以以做出fe vs re的初判断*
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)
*按不同个体画散点图,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"))
**每个省份logy与h的散点图，并将各个图形合并
twoway scatter logy h,by(id) ylabel(,format(%3.0f))
xlabel(,format(%3.0f))
*每个个体的时间趋势图*
xtline h if id<11,overlay legend(on)
* 一个例子：中国29个省份的C-D生产函数的估计
tab id, gen(m)
list
* 回归分析
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 检验
test logk=logl=0
test logk=logl
* stata的估计方法解析
* 目的：如果截面的个数非常多，那么采用虚拟变量的方式运算量过大
* 因此，要寻求合理的方式去除掉个体效应
* 因为，我们关注的是 x 的系数，而非每个截面的截距项
* 处理方法：
*
* y_it = u_i + x_it*b + e_it (1)
* ym_i = u_i + xm_i*b + em_i (2) 组内平均
* ym = um + xm*b + em (3) 样本平均
* (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)
* 可重新表示为：
* Y_it = a_0 + X_it*b + E_it
* 对该模型执行 OLS 估计，即可得到 b 的无偏估计量
**stata后台操作，揭开fe估计的神秘面纱！！！
egen y_meanw = mean(logy), by(id) /*个体内部平均*/
egen y_mean = mean(logy) /*样本平均*/
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)
* 解读 xtreg,fe 的估计结果
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)对应的R2，是一个真正意义上的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检验除常数项外其他解释变量的联合显著性
*
*
*-- 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)
*
* 个体效应是否显著？
* F(28, 373) = 338.86 H0: a1 = a2 = a3 = a4 = a29
* Prob > F = 0.0000 表明，固定效应高度显著
*---如何得到调整后的 R2,即 adj-R2 ？
ereturn list
reg logy h inv gov open m*
*---拟合值和残差
* 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
* ---------------------------------
* ---------- 随机效应模型 ---------
* ---------------------------------
* y_it = x_it*b + (a_i + u_it)
* = x_it*b + v_it
* 基本思想：将随机干扰项分成两种
* 一种是不随时间改变的，即个体效应 a_i
* 另一种是随时间改变的，即通常意义上的干扰项 u_it
* 估计方法：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
* 可以估计出sigma_a^2和sigma_u^2,进而采用GLS或FGLS
* Re估计量是Fe估计量和Be估计量的加权平均
* 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)]
* 解读 xtreg,re 的估计结果
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都不是真正意义上的R2，因为Re模型采用的是GLS估计。
*
* 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)
* 这是随机效应模型的一个最重要，也限制该模型应用的一个重要假设
* 然而，采用固定效应模型，我们可以粗略估计出corr(u_i, X)
xtreg market invest stock, fe
*
* Wald chi2(2) = 10962.50 Prob> chi2 = 0.0000
*-------- 时间效应、模型的筛选和常见问题
*---------目录--------
* 7.2.1 时间效应（双向固定(随机)效应模型）
* 7.2.2 模型的筛选
* 7.2.3 面板数据常见问题
* 7.2.4 面板数据的转换
* ----------------------------------
* ------------时间效应--------------
* ----------------------------------
* 单向固定效应模型
* y_it = u_i + x_it*b + e_it
* 双向固定效应模型
* y_it = u_i + f_t + x_it*b + e_it
qui tab year, gen(yr)
drop yr1
xtreg logy logk logl yr*, fe
* 随机效应模型中的时间效应
xtreg logy logk logl yr*, fe
* ---------------------------------
* ----------- 模型的筛选 ----------
* ---------------------------------
* 固定效应模型还是Pooled OLS？
xtreg logy logk logl yr*, fe /*Wald 检验*/
qui tab id, gen(m) /*LR检验*/
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 检验
xtreg logy logk logl, re
xttest0
* FE vs RE?
* y_it = u_i + x_it*b + e_it
*--- Hausman 检验 ---
* 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
* 基本步骤
***情形1：huasman为正数
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 检验值为负怎么办？
* 通常是因为RE模型的基本假设 Corr(x,u_i)=0 无法得到满足
* 检验过程中两个模型的方差-协方差矩阵都采用Fe模型的
hausman fe re, sigmaless
* 两个模型的方差-协方差矩阵都采用Re模型的
hausman fe re, sigmamore
*== 为何有些变量会被drop掉？
use nlswork.dta, clear
tsset idcode year
xtreg ln_wage hours tenure ttl_exp, fe /*正常执行*/
* 产生种族虚拟变量
tab race, gen(m_race)
xtreg ln_wage hours tenure ttl_exp m_race2 m_race3, fe
* 为何 m_race2 和 m_race3 会被 dropped ?
* 固定效应模型的设定：y_it = u_i + x_it*b + e_it (1)
* 由于个体效应 u_i 不随时间改变，
* 因此若 x_it 包含了任何不随时间改变的变量，
* 都会与 u_i 构成多重共线性，Stata会自动删除之。
*******异方差、序列相关和截面相关问题
* ---------------- 简 介 -------------
* y_it = x_it*b + u_i + e_it
*
* 由于面板数据同时兼顾了截面数据和时间序列的特征，
* 所以异方差和序列相关必然会存在于面板数据中；
* 同时，由于面板数据中每个截面（公司、个人、国家、地区）之间还可能存在内在的联系， * 所以，截面相关性也是一个需要考虑的问题。
*
* 此前的分析依赖三个假设条件：
* （1） Var[e_it] = sigma^2 同方差假设
* (2) Corr[e_it, e_it-s] = 0 序列无关假设
* (3) Corr[e_it, e_jt] = 0 截面不相关假设
*
* 当这三个假设无法得到满足时，便分别出现 异方差、序列相关和截面相关问题； * 我们一方面要采用各种方法来检验这些假设是否得到了满足；
* 另一方面，也要在这些假设无法满足时寻求合理的估计方法。
* ---------------- 假设检验 -------------
*== 组间异方差检验（截面数据的特征）
* Var(e_i) = sigma_i^2
* Fe 模型
xtreg logy logk logl, fe
xttest3
* Re 模型
* Re本身已经较大程度的考虑了异方差问题，主要体现在sigma_u^2上
*== 序列相关检验
* Fe 模型
* xtserial Wooldridge(2002)，若无序列相关，则一阶差分后残差相关系数应为-0.5
xtserial logy logk logl
xtserial logy logk logl, output
* Re 模型
xtreg logy logk logl, re
xttest1 /*提供多个统计检验量*/
*== 截面相关检验
* xttest2命令 H0: 所有截面残差的相关系数都相等
xtreg logy logk logl, fe
xttest2
* 由于检验过程中执行了SUE估计，所以要求T>N
xtreg logy logk logl if id<6, fe
xttest2
* xtcsd 命令（提供了三种检验方法）
xtreg logy logk logl, fe
xtcsd , pesaran /*Pesaran(2004)*/
xtcsd , friedman /*Friedman(1937)*/
xtreg logy logk logl, re
xtcsd , pesaran
* ----------------- 估计方法 ---------------------
*== 异方差稳健型估计
xtreg logy h inv gov open, fe robust
est store fe_rb
xtreg logy h inv gov open, fe robust
est store fe
* 结果对比
esttab fe_rb fe, b(%6.3f) se(%6.3f) mtitle(fe_rb fe)
*== 序列相关估计
* 一阶自相关 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 与 slm 的换算关系是?
一个是压力的单位，一个是流量的单位，你让他们怎么换算啊？