搜索
计量经济学实验指导实验一多元线性回归模型【实验目的】通过本实验，了解Eviews软件，熟悉软件建立工作文件，文件窗口操作，数据输入与处理等基本操作。掌握多元线性回归模型的估计方法，学会用Eiews软件进行多元回归分析。通过本实验使得学生能够根据所学知识，对实际经济问题进行分析，建立计量模型，利用Eiews软件进行数据分析，并能够对输出结果进行解释说明。【实验内容及步骤】本实验选用美国金属行业主要的27家企业相关数据，如下表，其中被解释变量Y表示产出，解释变量L表示劳动力投入，K表示资本投入。试建立三者之间的回归关系。观测值YLK观测值YLK1657.31162279.99151917.555362109.342935.93214542.5169849.17156413989.5531110.65186721.51171088.27214884.2441200.892451167.68188095.6310839119.751052.68211811.77193175.395215686.9963406.026904558.02201653.383041701.0672427.894523069.91215159.318355206.3684257.467145585.01223378.42843288.7291625.193201618.7523592.85150357.32101272.052531562.08241601.982592031.93111004.45236662.04252065.854972492.9812598.87140875.37262293.872751711.7413853.11541696.9827745.67134768.59141165.632401078.79【实验内容及步骤】1.数据的输入STEP1：双击桌面上Eviews快捷图标，打开Eviews，如图1.图1STEP2：点击Eviews主画面顶部按钮file/new/Workfile，如图2，弹出workfilecreate对话框如图3。在frequency中选择integerdata，在startdate和enddate中分别输入1和27，点击OK，出现图如4画面，Workfile定义完毕。在新建的workfile中已经存在两个objects，即c和residual。c是系数向量、residual是残差序列，当估计完一个模型后，该模型的系数、残差就分别保存在c和residual中。图2图3图4STEP3：在workfile空白部分单击右键，选择Newobject，在Typeofobject中选择Series，将该对象命名为Y,如图5.单击ok，得到图6。图5图6STEP4：双击图6中的图标“y”，得到如下图7，是关于序列“y”的工作表。点击表示命令栏中的“Edit+/-”即可进入数据输入状态，利用给定的数据逐步输入27个数值。图7STEP5：重复上面的数据输入步骤，依次输入序列“L”和“K”.如下图8所示.图82数据描述(1).数据的查看方式。Eviews可以有多种不同数据的查看方式，在数据输入时用的表格形式，即Spreadsheet。双击“y”，得到Spreadsheet形式，点击表格命令栏中的view，选择Graph可以用图的形式显示数据。如选择Line，得到图10的线性图。图9图10(2).数据的统计性质。双击“y”，得到Spreadsheet形式，点击表格命令栏中的“view”，选择“DescriptiveStatistics”、“HistogramandState”，如图11，得到图12，其中给出了序列“y”的均值、方差等统计量以及用以判断该序列是否服从正态分布的JB概率等。图11图123.多个序列的走势图。有些时候为了方便找出多个变量之间的关系，需要观察多个变量的走势，Eviews处理这个问题的方法也很简单。在workfile中按住control键依次选中“y”“l”“k”，单击右键，选择“open”“asgroup”如图13，得到图14。此时3个序列被显示在一张表格中。单击图13中的“View”“Graph”“Line”得到图15。图13图14图154.生成新的序列。有时为了研究的需要要在原有序列的基础上进行处理生产新的序列。比如我们需要对序列“y”“l”“k”取对数的步骤如下：在命令栏中点击“Genr”得到如图15的对话框，在空白部分输入“lny=log（y）”表示新建的序列lny是由原有序列y取对数得到的。点击“ok”后，lny序列被保存。相同的方法可建立新序列lnl与lnk，如图17。图16图174.多元回归分析。利用序列“lny”“lnl”“lnk”进行多元回归分析的方法有两种。按住control键，依次选中三个序列，右键选择“open”“asEquation”如图18得到图19。或者在窗口上方的命令栏中点击选择“Quick”“EstimateEquation”如图19得到图20。在图20中输入lny、lnc、lnl、lnk，中间用空格键隔开，点击“确定”得到最终的回归分析结果，如图21。图18图19图20图215.结果分析。从图20可以看出，回归方程为LNY=0.6078151931*LNL+0.371887487*LNK+1.171524819，并且通过了F检验和t检验，并且可决系数为0.9424，调整后的可决系数为0.9377，表明建立的回归方程的统计性质是是比较好的。点击命令栏中的“Resids”得到图21，可以看出实际值和拟合值是非常的接近的。图22从图22中可以看出残差在0的上下摆动，可以对其进行正态性检验。点击“resid”序列，选择“View”“DescriptiveStatistics”，“HistogramandState”得到图23，通过正态性检验。图23作业：利用中国统计年鉴2011，建立我国税收收入、国内生产总值、财政支出、商品零售价格指数的回归模型。课堂练习据相关数据以税收收入为被解释变量，国民生产总值和财政支出及商品零售价格指数为解释变量建立我国税收收入的多元模型。实验二异方差的检验与处理【实验目的】了解异方差的概念及产生的原因，学会异方差的检验方法(图示法、帕克检验法、格里瑟检验法、GQ检验法等)和修正的方法-加权最小二乘法。【实验内容及步骤】Y消费性支出X可支配支出Y消费性支出X可支配支出8493.4910349.697020.229279.166121.048140.550226489.974348.475661.163830.714766.263941.874724.114644.55524.543927.755129.055218.796218.734356.065357.798016.919761.574020.8748104276.675124.243824.444912.884126.474916.258868.1911718.014185.735169.965323.186800.234422.935644.86(1)采用OLS估计结果如图1：图1(2)观察e2—X图。首先生成e2序列。点击“genr”输入“e2=resid*resid”得到残差的平方e2。点击窗口上方的“Quick”“Graph”“Scatter”如图2，得到图3，在空白部分输入“x，e2”，点击“ok”得到图4。从中不看出随着X的增大e2有变大的趋势，可以初步判断存在递增型的异方差。图2图3图4(3)G-Q检验首先对序列“x”进行排序，然后选择前8个样本进行最小二乘回归，结果如下图5，选择后8个样本回归的结果如图6。图5图6由图5和图6知道两组样本的残差平方和即SSR分别是126528.3、615472.0。构造F统计量21/(811)4.86/(811)SSRFSSR，又因为0.05(6,6)4.28F，于是拒绝无异方差的假设，表明模型存在异方差。(4)怀特检验。在对原模型进行OLS估计后的窗口中，选择“View”“ResidualTests”“WhiteHetero…”，如图7，得到如图8的检验结果。图7图8从图8中可以看出nR2统计量的伴随概率为0.001789，即在5%的显著性水平下，原模型存在异方差。(5)异方差的修正。首先用log(e2)关于x的OLS回归，如下图9图9结果显示，变量的线性关系在5%的显著性水平下成立。可生成权序列1exp(6.82510.00046)wx。具体的方法为点击“genr”在对话框中输入w=1/@sqrt(exp(6.8251+0.00046))如下图10。点击“ok”即可生成序列“w”图10下面用加权最小二乘法进行估计。首先选中序列“x”“y”，右键选择“open”“asequation”，在出现的对话框中输入“ycx”，如图11。然后选择“option”，选中“WeightedLS/TSLS”，输入“w”，如图12。点击“确定”，得到加权最小二乘的估计表达式，如图13。图11图12图13可以看出与不加权的最小二乘小比较，加权的最小二乘估计使得参数估计值有所下降，但是标准差却增大了。表明最小二乘低估了x对应参数的标准差。可以验证加权最小二乘估计的模型已经不存在异方差，怀特检验的结果如图14。图14注：在实际建立模型时候，可以对原有的序列取对数，这种方法有时可以消除异方差或者有效降低异方差。课堂练习选择某省份，查找该省城镇居民家庭人均消费和收入的相关数据，建立回归模型后在进行异方差的检验与处理。实验三序列相关的检验与处理【实验目的】在理解自相关的基本概念及其导致的后果的基础上，掌握诊断自相关存在的方法和修正自相关的方法。能够熟练使用Eviews对实际经济问题独立进行自相关的诊断与处理。【实验内容及步骤】下表是我国1980-2007年社会固定资产总额X和工业增加值的统计结果，如果采用对数形式的模型：01lnyX，试对该模型进行序列相关的检验，若存在序列相关的问题，请采用相关方法处理。obsYXobsYX19801996.5910.9199419480.717042.119812048.4961199524950.620019.319822162.31230.4199629447.622913.519832375.61430.1199732921.424941.1198427891832.9199834018.428406.219853448.72543.2199935861.529854.7198639673120.6200040033.632917.719874585.83791.7200143580.637213.519885777.24753.8200247431.343499.9198964844410.4200354945.555566.619906858451720046521070477.419918087.15594.5200577230.888773.6199210284.58080.1200691310.9109998.219931418813072.32007107367.2137323.9(1)首先对取对数后的lny与lnx进行回归分析，结果如图1。点击“Resids”得到残差序列图2。(2)从残差图观察，此时似乎不太好像结论，下面用其他的检验方法检验相关性。(3)D.W检验。从图1中发现D.W.的值为0.379323。又因为5%的显著性水平下，样本容量为28的D.W.分布的下限临界值为dL为1.33，因此模型存在1阶序列相关。(4)LM检验。在估计窗口中依次选中“View”“ResidualTests”“SerialCorrelationLMTest”如图3。在得到的窗口中输入滞后阶数“1”如图4所示。点击“ok”后得到图5。图1图2图3图4图5从图5中发现nR2统计量的伴随概率小于显著性水平5%，从而可知模型存在1阶的序列自相关。同样的方法输入滞后阶数“2”“3”得到图6和图7。图