多元线性回归实验报告(共10页).doc

《多元线性回归实验报告(共10页).doc》由会员分享，可在线阅读，更多相关《多元线性回归实验报告(共10页).doc（10页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、精选优质文档-倾情为你奉上 实验题目：多元线性回归、异方差、多重共线性实验目的：掌握多元线性回归的最小二乘法，熟练运用Eviews软件的多元线性回归、异方差、多重共线性的操作，并能够对结果进行相应的分析。实验内容：习题3.2，分析1994-2011年中国的出口货物总额（Y）、工业增加值（X2）、人民币汇率（X3），之间的相关性和差异性，并修正。实验步骤：1.建立出口货物总额计量经济模型：（3.1）1.1 建立工作文件并录入数据，得到图1图1在“workfile中按住”ctrl键，点击“Y、X2、X3”，在双击菜单中点“open group”,出现数据表。点”view/graph/line/ok

2、”,形成线性图2。图21.2 对（3.1）采用OLS估计参数在主界面命令框栏中输入 ls y c x2 x3，然后回车，即可得到参数的估计结果，如图3所示。图 3 根据图3中的数据，得到模型（3.1）的估计结果为 （8638.216）（0.）（9.） t=(-2.) (10.58454) (1.) F=522.0976 从上回归结果可以看出，拟合优度很高，整体效果的F检验通过。但当=0.05时，=2.131.有重要变量X3的t检验不显著，可能存在严重的多重共线性。2多重共线性模型的识别2.1计算解释变量x2、 x3的简单相关系数矩阵。点击Eviews主画面的顶部的Quick/Group Sta

3、tistics/Correlatios弹出对话框在对话框中输入解释变量x2、 x3，点击OK，即可得出相关系数矩阵（同图4）。相关系数矩阵图4由图4相关系数矩阵可以看出，各解释变量相互之间的相关系数较高，证实解释变量之间存在多重共线性。2.2多重共线性模型的修正将各变量进行对数变换，在对以下模型进行估计。利用eviews软件，对、X2、X3分别取对数，分别生成lnY、lnX2、lnX3的数据，采用OLS方法估计模型参数，得到回归结果，如图：图5图6模型估计结果为：ln=-20.52+1.5642lnX2+1.7607lnX3(5.4325) (0.0890) (0.6821)t =-3.778

4、 17.578 2.581 F=539.736该模型可决系数很高，F检验值，明显显著。由综合判断法知，上述回归结果基本上消除了多重共线性。对系数估计值的解释如下：在其他变量保持不变的情况下，如果工业增加值增加1%，出口货物总额增加1.564%；人民币汇率提高1%，出口货物总额增加1.761%。 所有解释变量的符号都与先验预期相一致，即工业增加值和人民币汇率与出口货物总额正相关。3.检验模型异方差3.1White检验由图6估计结果，按路径view/Residual tests/white heteroskedasticity（no cross terms or cross terms），进入Wh

5、ite检验。图7 因为模型为ln=-20.52+1.5642lnX2+1.7607lnX3所以异方差与x2,x3的关系为： （3.2）经估计出现White检验结果，见图8。从图8可以看出，由White检验知，在下，查分布表,得临界值，比较计算的统计量与临界值，因为 所以拒绝原假设，不拒绝备择假设，表明模型存在异方差。3.2异方差性的修正 在运用WLS法估计过程中，我们分别选用了权数.权数的生成过程如下,在对话框中的Enter equation处，按如下格式分别键入：w11=1/lnX2,w12=1/lnX3;w21=1/(lnX2)2,w22=1/(lnX3)2;W31=1/sqr(lnX2)

6、,w32=1/sqr(lnX3)经估计检验发现用权数w21的效果最好。 在工作文件窗口中点QuickEstimate Equation,在弹出的对话框中输入 lny c lnx2 lnx3图9然后在图9中点Options选项，选中Weighted LS/TLS复选框，在Weight框中输入w21,即可得到加权最小二乘法的结果。图10估计结果如下 (15.6557) (0.1438) (2.1269)T= (-2.6356) (0.1438) (2.1269)可以看出运用加权小二乘法消除了异方差性后，参数的检验均显著，可决系数大幅提高，检验也显著.4.自相关可以看出运用加权小二乘法消除了异方差性

7、后，参数的检验均显著，可决系数大幅提高，检验也显著.对样本量为18、一个解释变量的模型、5%显著水平，查DW统计表可知，dL=1.16，DW=1.112，模型中DW dU，说明广义差分模型中已无自相关，不必再进行迭代。同时可见，可决系数R2、t、F统计量也均达到理想水平。经广义差分后样本容量会减少1个，为了保证样本数不减少，可以使用普莱斯温斯腾变换补充第一个观测值，方法是和。在本例中即为和。由于要补充因差分而损失的第一个观测值，所以在EViews中,点击工作文件窗口工具栏中的Genr，在弹出的对话框中输入yn=lny-0.5293*lny(-1)，点击OK得到广义差分序列yn，同样的方法得到广义差分序列x2n,x3n。此时的x2n,x3n和yn都缺少第一个观测值，需计算后补充进去，计算得x2n=8.8772,x3n=6.7591,yn=7.0984，双击工作文件窗口的x2n打开序列显示窗口，点击Edit+/-按钮，将x2n=8.8772补充到1994年对应的栏目中，得到x2n的18个观测值的序列。同样的方法可得到yn的18个观测值序列。在命令栏中输入ls yn c xn得到普莱斯温斯腾变换的广义差分模型为图14科克伦奥克特两步法的估计较适合。由此，我们得到最终模型为,实验结果：实验体会与拓展设想： 得分专心-专注-专业