计量经济学实验报告(共22页).docx

《计量经济学实验报告(共22页).docx》由会员分享，可在线阅读，更多相关《计量经济学实验报告(共22页).docx（22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-倾情为你奉上计量经济学实 验 报 告实验名称： 计量经济学软件应用 专业班级： 2012 级工商管理（1）班 姓 名： 指导教师： 交通运输管理学院二一四 年 十二 月一、 实验目标学会常用经济计量软件的基本功能，并将其应用在一元线性回归模型的分析中。具体包括：EViews的安装，样本数据基本统计量计算，一元线性回归模型的建立、检验及结果输出与分析，多元回归模型的建立与分析，异方差、序列相关模型的检验与处理等。二、实验环境WindowsXP或Windows7操作系统下，基于EViews6平台。三、实验模型建立与分析案例1（一元线性回归）：已知某市货物运输量Y（万吨），国内生产总值

2、GDP（亿元，1980年不变价）1985年至1998年的样本观测数据如表1-1所示表1-1 ：年份YGDP198518249161.69198618525171.07198718400184.07198816693194.75198915543197.86199015929208.55199118308221.06199217522246.92199321640276.80199423783316.38199524040363.52199624133415.51199725090465.78199824505509.10资料来源：天津统计年鉴，1999年（1）做出散点图，建立货物运输量随国内生

3、产总值变化的一元线性回归方程，并对估计结果进行结构分析。 (图1-2：货物运输量Y与国内生产总值GDP的散点图)利用EViews软件输出结果报告如下：表1-3：Dependent Variable: YMethod: Least SquaresDate: 12/09/14 Time: 19:18Sample: 1985 1998Included observations: 14CoefficientStd. Errort-StatisticProb.GDP26.954154.6.0.0000C12596.271244.56710.121010.0000R-squared0.Mean depen

4、dent var20168.57Adjusted R-squared0.S.D. dependent var3512.487S.E. of regression1710.865Akaike info criterion17.85895Sum squared residSchwarz criterion17.95024Log likelihood-123.0126Hannan-Quinn criter.17.85050F-statistic42.79505Durbin-Watson stat0.Prob(F-statistic)0.（图1-4：残差、实际值和拟合值折线图）由表1-3可知货物运输量

5、随国内生产总值变化的一元线性回归方程为：Y = 26.9541*GDP + 12596.2657其中斜率1=26.9541表示国内生产总值每增加1亿元，货物运输量平均增长26.9541万吨。0=12596.2657是截距，表示不受GDP影响的货物运输量。1和0的符号和大小，均符合经济理论及实际情况。（2）对所建立的一元线性回归方程进行检验经济意义检验1=26.9541，0=12596.2657的符号和大小，符合经济理论和实际情况。统计准则检验拟合优度r2=0.78，说明总离差平方和的78%被样本回归直线解释，有22%未被解释，因此样本回归直线对样本点的拟合优度较高。显著性检验：F-statis

6、tic=42.79505，Prob(F-statistic)=0.，远小于0.05，说明货物运输量与GDP之间存在显著线性关系。对常数项0进行显著性检验在显著性水平=0.05条件下，由EViews输出结果Prob（t）远小于0.05，故拒绝原假设。对1进行显著性检验：在显著性水平=0.05条件下，由EViews输出结果Prob（t）远小于0.05，故拒绝原假设。表明GDP对货物运输量影响显著。计量经济学准则检验由表1-3可得DW=0.，查表可得dL=1.10，所以原模型存在序列正相关。由White检验结果： Heteroskedasticity Test: WhiteF-statistic0.

7、Prob. F(2,11)0.6629Obs*R-squared1.Prob. Chi-Square(2)0.6040Scaled explained SS0.Prob. Chi-Square(2)0.8756可知原模型不存在异方差。（3）预测样本内预测：EViews输出结果如下图所示：(图1-5：样本内预测图，forecast输出结果)Last updated: 12/09/14 - 20:26Modified: 1985 1998 / eq01.fit(f=actual) yf198516954.48198617207.31198717557.72198817845.59198917929

8、.41199018217.55199118554.75199219251.78199320057.17199421124.02199522394.64199623795.98199725150.97199826318.62（表1-6 样本内预测yf序列输出结果）样本外预测若2000年某市以1980为不变价的GDP为620亿元，求2000年货物运输量的预测值及预测区间。首先，在sample或range中改变样本区间，将样本去见扩大到1995，2000，然后输入2000年GDP的值620亿元，在Equation中Forecast，去yf序列中查看，得到预测值y2000= 29307.84由，t0.

9、025(14-2)=2.18,得y2000的预测区间为：29307.842.181710.865案例2-1（存在多重共线性的多元线性回归）：表2-1-1是被解释变量Y，解释变量X1，X2，X3，X4的时间序列观测值：表2-1-1：时间序列观测表序号YX1X2X3X416.040.15.51086326.040.34.7947236.547.55.21088647.149.26.810010057.252.37.39910767.658.08.79911178.061.310.210111489.062.514.19711699.064.717.193119109.366.821.3102121

10、（1）采用适当的方法检验多重共线性。建立组对象查看自变量的相关系数矩阵。目的是为了查看哪些变量之间线性相关性比较强，也就是相关系数比较大。EViews输出相关系数矩阵结果如下：表2-1-2：YX1X2X3X4Y1.0.0.-0.0.X10.1.0.-0.0.X20.0.1.-0.0.X3-0.-0.-0.1.-0.X40.0.0.-0.1.以建立方程对象的方式来建立多元线性回归模型，结果如下：表2-1-3：Dependent Variable: YMethod: Least SquaresDate: 12/10/14 Time: 22:37Sample: 1 10Included observ

11、ations: 10CoefficientStd. Errort-StatisticProb.X10.0.1.0.2681X20.0.2.0.0619X3-0.0.-0.0.5190X40.0.0.0.6916C3.1.2.0.1013R-squared0.Mean dependent var7.Adjusted R-squared0.S.D. dependent var1.S.E. of regression0.Akaike info criterion0.Sum squared resid0.Schwarz criterion0.Log likelihood3.Hannan-Quinn c

12、riter.0.F-statistic60.18950Durbin-Watson stat2.Prob(F-statistic)0.对模型结果的解释和评价。本案例中有明显的多重共线性的现象。从计算结果看，R2 较大并接近于1，而且F=60.19F0.05(4，5)=5.19，故认为被解释变量Y与上述所有解释变量间总体线性相关显著。但同时，X1，X2，X3，X4前参数未通过t检验，故认为解释变量间存在多重共线性。结果说明模型存在共线性，与相关系数矩阵得到了相互验证。 即通过观察可见，F统计量概率为0，说明方程显著；但t的prob大于0.05，说明解释变量间存在共线性。（3）逐步引入法选择变量，同

13、时克服多重共线性手动逐个加入自变量分别做被解释变量Y对各个解释变量的回归，得到结果如下：Y对X1的回归结果，表2-1-4：Dependent Variable: YMethod: Least SquaresDate: 12/10/14 Time: 23:00Sample: 1 10Included observations: 10CoefficientStd. Errort-StatisticProb.X10.0.11.736720.0000C0.0.1.0.1387R-squared0.Mean dependent var7.Adjusted R-squared0.S.D. dependen

14、t var1.S.E. of regression0.Akaike info criterion0.Sum squared resid0.Schwarz criterion0.Log likelihood-1.Hannan-Quinn criter.0.F-statistic137.7507Durbin-Watson stat1.Prob(F-statistic)0.Y对X2的回归结果表2-1-5：Dependent Variable: YMethod: Least SquaresDate: 12/10/14 Time: 23:02Sample: 1 10Included observatio

15、ns: 10CoefficientStd. Errort-StatisticProb.X20.0.7.0.0001C5.0.17.877680.0000R-squared0.Mean dependent var7.Adjusted R-squared0.S.D. dependent var1.S.E. of regression0.Akaike info criterion1.Sum squared resid1.Schwarz criterion1.Log likelihood-5.Hannan-Quinn criter.1.F-statistic58.16373Durbin-Watson

16、stat0.Prob(F-statistic)0. Y对X3的回归结果表2-1-6：Dependent Variable: YMethod: Least SquaresDate: 12/10/14 Time: 23:03Sample: 1 10Included observations: 10CoefficientStd. Errort-StatisticProb.X3-0.0.-1.0.2669C17.090217.2.0.0648R-squared0.Mean dependent var7.Adjusted R-squared0.S.D. dependent var1.S.E. of re

17、gression1.Akaike info criterion3.Sum squared resid11.63052Schwarz criterion3.Log likelihood-14.94462Hannan-Quinn criter.3.F-statistic1.Durbin-Watson stat0.Prob(F-statistic)0. Y对X4的回归结果表2-1-7：Dependent Variable: YMethod: Least SquaresDate: 12/10/14 Time: 23:04Sample: 1 10Included observations: 10Coef

18、ficientStd. Errort-StatisticProb.X40.0.6.0.0002C2.0.2.0.0548R-squared0.Mean dependent var7.Adjusted R-squared0.S.D. dependent var1.S.E. of regression0.Akaike info criterion1.Sum squared resid2.Schwarz criterion1.Log likelihood-6.Hannan-Quinn criter.1.F-statistic39.63246Durbin-Watson stat0.Prob(F-sta

19、tistic)0.逐步回归Y对X1，X2的回归结果，表2-1-8：Dependent Variable: YMethod: Least SquaresDate: 12/10/14 Time: 23:08Sample: 1 10Included observations: 10CoefficientStd. Errort-StatisticProb.X10.0.5.0.0012X20.0.2.0.0222C2.0.3.0.0076R-squared0.Mean dependent var7.Adjusted R-squared0.S.D. dependent var1.S.E. of regre

20、ssion0.Akaike info criterion0.Sum squared resid0.Schwarz criterion0.Log likelihood2.Hannan-Quinn criter.-0.F-statistic138.1058Durbin-Watson stat2.Prob(F-statistic)0.从回归结果看，拟合优度提高，X1和X2的系数显著，因此接受X2。Y对X1，X2，X4的回归结果，表2-1-9：Dependent Variable: YMethod: Least SquaresDate: 12/10/14 Time: 23:15Sample: 1 10

21、Included observations: 10CoefficientStd. Errort-StatisticProb.X10.0.1.0.3030X20.0.2.0.0314X40.0.0.0.4509C2.0.3.0.0141R-squared0.Mean dependent var7.Adjusted R-squared0.S.D. dependent var1.S.E. of regression0.Akaike info criterion0.Sum squared resid0.Schwarz criterion0.Log likelihood3.Hannan-Quinn cr

22、iter.0.F-statistic87.68160Durbin-Watson stat2.Prob(F-statistic)0.从回归结果看，拟合优度虽然上升，但X4的系数不显著，因此，存在共线性，剔除X4。Y对X1，X2，X3的回归结果，表2-1-10：Dependent Variable: YMethod: Least SquaresDate: 12/10/14 Time: 23:20Sample: 1 10Included observations: 10CoefficientStd. Errort-StatisticProb.X10.0.5.0.0024X20.0.2.0.0268X

23、3-0.0.-1.0.3471C4.1.2.0.0653R-squared0.Mean dependent var7.Adjusted R-squared0.S.D. dependent var1.S.E. of regression0.Akaike info criterion0.Sum squared resid0.Schwarz criterion0.Log likelihood3.Hannan-Quinn criter.-0.F-statistic92.94557Durbin-Watson stat2.Prob(F-statistic)0.从回归结果看，拟合优度虽然上升，但X3的系数不

24、显著，因此，存在共线性，剔除X3。最后，经过逐步引入法，保留X1，X2，得到Y对X1，X2的回归结果，表2-1-11Dependent Variable: YMethod: Least SquaresDate: 12/10/14 Time: 23:08Sample: 1 10Included observations: 10CoefficientStd. Errort-StatisticProb.X10.0.5.0.0012X20.0.2.0.0222C2.0.3.0.0076R-squared0.Mean dependent var7.Adjusted R-squared0.S.D. dep

25、endent var1.S.E. of regression0.Akaike info criterion0.Sum squared resid0.Schwarz criterion0.Log likelihood2.Hannan-Quinn criter.-0.F-statistic138.1058Durbin-Watson stat2.Prob(F-statistic)0.即，回归方程为：Y=2.3229+0.0818X10.0799X2计算机自动逐步回归Equation对象设置时，选择最后逐步回归法（step wise ）,同时，第一个框中输入因变量和必须包含的自变量，当前输入y和c；第

26、二个框输入所有解释变量，让EViews自己去选择，再点击option选项卡，选择向前还是向后回归，向前即逐步加入回归，向后即先将所有变量都放进去，再删除，本例中选择，forward确定后，观察结果，与手动结果一样，回归方程为：Y=2.3229+0.0818X10.0799X2 EViews逐步回归输出结果：表2-1-12：Dependent Variable: YMethod: Stepwise RegressionDate: 12/10/14 Time: 23:18Sample: 1 10Included observations: 10Number of always included r

27、egressors: 1Number of search regressors: 4Selection method: Stepwise forwardsStopping criterion: p-value forwards/backwards = 0.05/0.05CoefficientStd. Errort-StatisticProb.*C2.0.3.0.0076X10.0.5.0.0012X20.0.2.0.0222R-squared0.Mean dependent var7.Adjusted R-squared0.S.D. dependent var1.S.E. of regress

28、ion0.Akaike info criterion0.Sum squared resid0.Schwarz criterion0.Log likelihood2.Hannan-Quinn criter.-0.F-statistic138.1058Durbin-Watson stat2.Prob(F-statistic)0.案例2-2（多元线性回归）：经研究发现，学生用于购买书籍及课外读物的支出与本人受教育年限和家庭收入水平有关，对18名学生进行调查的统计资料如下表2-1所示。表2-2-1：18名学生的调查资料学生序号购买书籍及课外读物的支出Y(元/年)受教育年限X1（年）家庭月可支配收入X2

29、（元/月）1450.5 4171.2 2507.7 4174.2 3613.9 5204.3 4563.4 5218.7 5501.5 5219.4 6781.5 7240.4 7541.8 4273.5 8611.1 5294.8 91222.1 10330.2 10793.2 7333.1 11660.8 5366.0 12792.7 6350.9 13580.8 4357.9 14612.7 5359.0 15890.8 7371.9 161121.0 9435.3 171094.2 8523.9 181253.0 10604.1 （1）求出学生购买书籍及课外读物的支出Y与受教育年限X1

30、和家庭收入水平X2的估计的回归方程。EViews输出结果如下：表2-2-2：Dependent Variable: YMethod: Least SquaresDate: 12/11/14 Time: 22:07Sample: 1 18Included observations: 18CoefficientStd. Errort-StatisticProb.X1105.00427.14.514050.0000X20.0.3.0.0015C-44.7879935.07900-1.0.2211R-squared0.Mean dependent var755.1500Adjusted R-squar

31、ed0.S.D. dependent var258.6859S.E. of regression43.67125Akaike info criterion10.54227Sum squared resid28607.68Schwarz criterion10.69066Log likelihood-91.88042Hannan-Quinn criter.10.56273F-statistic290.7449Durbin-Watson stat2.Prob(F-statistic)0.回归方程为：Y=44.7880+105.0042X10.4887X2（2）检验从经济意义来看，受教育年限X1前的

32、系数和家庭收入水平X2前的系数为正数，介于0和1之间，与实际情况符合。从统计角度看，R-squared=0.，Adjusted R-squared=0.，从多元回归修正的判定系数看，回归方程较好地拟合了散点，被解释变量的变异中有97%以上可以由方程来解释。从F统计量的结果来看，F=290.7449F0.05 (2，15)=3.68，可见方程总体来看，在0.05水平上显著，即学生购买书籍及课外读物的支出Y与受教育年限X1和家庭收入水平X2之间存在显著的线性关系。这一点结论由F统计量的精确显著性水平Prob=0.也可得到。从t统计量结果来看，受教育年限X1的系数，t =14.51405t0.025

33、(15)=2.13，系数显著，受教育年限对学生购买书籍及课外读物的支出Y有显著影响，变量X1保留；而对于家庭收入水平X2的系数，t=3.t0.025(15)=2.13。以上结论由Eviews输出结果中系数的精确显著性水平Prob也可以直接得到。从计量经济学角度来看，R-squared=0.，Prob(F-statistic)=0，X1，X2前系数都通过了t检验，不存经典征兆，因此该模型不存在多重共线性。（4）预测：假设有一学生的受教育年限X1=10年，家庭月可支配收入X2=480元/月，预测该学生全年购买书籍及课外读物的支出，并求出相应的预测区间（=0.05）点预测将X1=10，X2=480代

34、入估计方程：Y=44.7880+105.0042X10.4887X2，得到Y的估计值为1239.83（也可以在Eviews中调整扩大数据范围至19，再将解释变量的数据输入，再利用Equation窗口下的forecast进行预测，估计值即保存在Yf序列中，得到的预测值为Y= 1239.8209）区间预测E(Y0)的区间预测：Y的估计值的Y0的方差估计为，已知X0矩阵为：X0=1 10 480则X0矩阵的转置矩阵为：，而解释变量X矩阵为：14171.2 14174.2 15204.3 15218.7 15219.4 17240.4 14273.5 15294.8 110330.2 17333.1

35、15366.0 16350.9 14357.9 15359.0 17371.9 19435.3 18523.9 110604.1 183 X矩阵的转置矩阵是一个318规模的矩阵，由于页面不够显示，这里就不列出了。因此，（其中残差的方差可由输出结果计算得到，即43.6712的平方，其它各项可由矩阵运算得到。）从而得到的标准差估计值为，于是，对于给定的显著性水平，计算得到E（Y0）的95%置信区间为：同理可计算Y0的预测区间为：从而得到的标准差估计值为，于是，对于给定的显著性水平，计算得到Y0的95%置信区间为：案例3（序列相关）： 全国城镇居民收支情况指标城镇居民人均可支配收入(元)城镇居民家庭人均消费支出(元)城镇居民消费价格指数(1978=100)1978年343.40311.20100.001979年405.00362.30101.901980年477.60412.40109.501981年500.40456.84112.201982年535.30471.00114.401983年564.60505.92116.701984年652.10559.44119.90198