计量经济学实验报告模版.doc

计量经济学实验报告姓名：罗静 班级：B100906 学号：B10090605 计量经济学课程实验报告1专业 国际贸易 班级 B100906 姓名 罗静 日期 2012.9.28 一、 实验目的1 学会Eviews工作文件的建立、数据输入、数据的编辑和描述；2 掌握用Eviews软件求解简单线性回归模型的方法；3掌握用Eviews软件输出结果对模型进行统计检验；4掌握用Eviews软件进行经济预测。二、 实验内容首先根据实际分析居民消费水平与经济增长的关系，并建立回归模型，然后以最小二乘法利用Eviews软件估计参数值，得到估计值后，再根据估计值来进行模型检验，包括经济意义检验、拟合优度和统计检验。最后便可进行回归预测。三、 实验数据 教材p55页，表2.5。年份全体居民人均消费水平(元)Y人均GDP(元)X年份全体居民人均消费水平(元)Y人均GDP(元)X197818438119931393299819792084191994183340441980238463199523555046198126449219962789584619822885281997300264201983316583199831596796198436169519993346715919854468582000363278581986497963200138698622198756511122002410693981988714136620034411105421989788151920044925123361990833164420055463140531991932189320066138161651992111623112007708118934四、 实验步骤1. 分析居民人均消费水平Y和人均GDP的关系2. 模型设定：Yt=1+2Xt+Ut3. 用Eviews估计参数。步骤如下： 1，建立工作文件：双击Eviews图标，进入Eviews主页。在菜单选项中依次点击New - Workfile，出现“Workfile Range”。在“Workfile Frequency”中选择数据频率“Annual”，并在“start Date”菜单中输入“1978”，在“End”菜单中输入“2007”点击“OK”出现未命名文件的“Workfile UNTITLED”工作框。已有对象“c”为截距项，“resid”为剩余项。 2，输入数据：在“Quick”菜单中点击“Empty Group”，出现数据编辑窗口。将第一列命名为“Y”：方法是按上行键“”，对应“obs”格自动上跳，在对应的第二行有边框的“obs”空格中输入变量名为“Y”，再按下行键“”，变量名一下各格出现“NA”，依次输入Y的对应数据。按同样的方法，可对“X”等其他变量命名，并输入对应数据 3，参数估计：在Eviews主页面直接点击“Quick”菜单，点击“Estimate Equation”，出现“Equation specification”对话框，选用OLS估计，然后在该对话框中输入“Y C X”，点击“OK”即出现以下结果 4. 模型检验： 1，经济意义检验：所估计参数1=224.3149，2=0.38643，说明人均GDP每增加1元，平均来说可导致居民消费水平提高0.38643元。这与经济学中边际消费倾向的意义相符。 2，拟合优度和统计检验：通过Eviews软件，估计出可决系数R2=0.988884，说明所建模型整体上对样本数据拟合较好，即解释变量“人均GDP”对被解释变量“居民消费水平”的绝大部分差异作出了解释。 对回归系数t的检验：针对H0：1=0和=0，通过Eviews软件，估计的回归系数1的估计值的标准误差和t值分别为： 55.64114和4.031457；2估计值的标准误差和t值分别为0.007743和49.90815.若取=0.05，查t0.025（28）=2.048.因为1和2的估计值的t值都大于t0.025（28），所以拒绝H0，即表明，人均GDP对居民消费水平确有影响。五、 实验结论通过Eviews估计样本模型如下：t=224.3149+0.38643Xt （55.64114）（0.007743）T=（4.031457）（49.90815）R2=0.98884 F=2490.823 n=301，实验从科学的角度解释了人均GDP与居民消费之间的关2，建立正确的回归预测模型是很关键的一步3，简单随机模型是在一下假定的：零均值假定、同方差假定、无自相关假定、随机扰动与解释变量不相关假定、正态假定4，普通最小二乘法估计参数的基本思想是基于随机误差值最小的计量经济学课程实验报告2专业 国际贸易 班级 B100906 姓名 罗静 日期 2012.11.9 一、 实验目的3 掌握用Eviews软件求解多元线性回归模型的方法；2掌握用Eviews软件输出结果检验是否存在多重共线性；3掌握用Eviews软件模型中的纠正多重共线性。二、 实验内容首先分析解释变量和被解释变量之间的关系，然后建立相应的回归模型，利用Eviews软件最小二乘法进行参数估计，用经济意义检验，拟合优度检验和统计检验来判定是否存在多重共线性，若存在，用Eviews软件进行修正，最后的出修正的结果。三、 实验数据 教材p119页，表4.3。年份国内旅游收入Y（亿元）国内旅游人数X2（万人次）城镇居民人均旅游花费X3（元）农村居民人均旅游花费X4 （元）公路里程 X5（万公里）铁路里程X6（万公里）19941023.552400414.754.9111.785.919951375.76290046461.5115.75.9719961638.463900534.170.5118.586.4919972112.764400599.8145.7122.646.619982391.269450607197127.856.6419992831.971900614.8249.5135.176.7420003175.574400678.6226.6140.276.8720013522.478400708.3212.7169.87.0120023878.487800739.7209.1176.527.1920033442.387000684.9200180.987.320044710.7110200731.8210.2187.077.4420055285.9121200737.1227.6193.057.5420066229.74139400766.4221.9345.77.7120077770.62161000906.9222.5358.377.8四、 实验步骤1， 分析国内旅游收入、国内旅游人数、城镇居民人均旅游花费、农村居民人均旅游花费、公路里程、铁路里程之间的关系2， 建立模型：Yt=0+1X1+2X2+3X3+4X4+5X5+6X6+7X7+Ut3， 用Eviews估计参数。步骤如下（其他步骤参见实验一）：首先建立数据文件Y和X2、X3、X4、X5、X6，其次输入各年对应数据，然后进行参数估计得到如下所示回归结果Dependent Variable: YMethod: Least SquaresDate: 11/17/12 Time: 20:48Sample: 1994 2007Included observations: 14CoefficientStd. Errort-StatisticProb.C-1472.6441137.041-1.2951540.2314X20.0425060.0046149.2131570.0000X34.4321481.0633034.1682820.0031X42.9221531.0935702.6721230.0283X51.4278531.4177281.0071420.3434X6-354.8261244.8543-1.4491320.1853R-squared0.997311Mean dependent var3527.783Adjusted R-squared0.995631S.D. dependent var1927.495S.E. of regression127.4045Akaike info criterion12.83014Sum squared resid129855.2Schwarz criterion13.10402Log likelihood-83.81097Hannan-Quinn criter.12.80479F-statistic593.5006Durbin-Watson stat1.558287Prob(F-statistic)0.0000004，模型检验：1， 经济意义检验：所估计参数6=-354.8261，说明公路里程每增加一个单位，国内旅游收入就减少-354.8261个单位，这与实际不相符合。2， 拟合优度和t 统计检验：通过Eviews模型估计的可决系数R2=0.997311，说明所建模型整体上对样本数据拟合较好，对国内旅游收入、国内旅游人数、城镇居民人均旅游花费、农村居民人均旅游花费、公路里程、铁路里程说明的大部分差异作出解释。对回归系数t的检验：若取=0.05，t0.025（8）=2.31，很显然x5、x6t检验部显著 3，由1,2可以表明，很可能存在严重的多重共线性。5，修正多重共线性： 1，分别作y对先、x2、x3、x4、x5、x6的一元回归，结果如下 变量x2x3x4x5x6参数估计值0.05882614.0224519.6122.5963025.062t统计量18.248839.3093.2718.7099.14R20.9652190.87840.47140.86340.8744修正的R20.9623210.86820.42730.8520.864其中，加入x2的方程修正的R2最大，x2为基础，顺次加入其他变量逐步回归，结果如下变量x2x3x4x5x6修正的R2x2、x30.041（15.2635）5.1427（7.666）0.993519x2、x40.0523（5.3186）5.48299（5.3186）0.988491x2、x50.0587（5.6749）0.0534（0.0127）0.958896x2、x60.0434（8.2145）935.01（3.2754）0.979191经比较，新加入x3的方程拟合优度即修正的R2=0.993519比较高，改进最大,而且各参数的t检验最显著，选择保留x3，再加入其他的新变量逐步回归，结果如下变量x2x3x4x5x6修正的R2x2、x3、x40.0452（16.042）3.666（3.8314）2.1786（1.9744）0.99487x2、x3、x50.0379（7.5527）5.188（7.5314）1.2361（0.7216）0.993224x2、x3、x60.0418（13.702）5.75597（4.8365）-178.7471（-0.6325）0.993145当加入x4时，修正的R2有所改进，保留x4，再加入其他变量逐步回归，结果如下x2x3x4x5x6修正的R20.0394（9.11）3.5794（3.8152）2.4036（2.1957）1.78799（1.2092）0.9950970.0461（15.6285）4.6031（4.3817）2.8112（2.5817）-398.054（-1.64993）0.995624当加入x4时，修正的R2有所增加，但其t检验不显著。加入x6后，修正R2有所增加，但t检验部显著，且参数为负，与实际不相符合。从相关关系可知，x5、x6与其他变量高度相关，这说明主要是x5、x6引起了多重共线性，应当剔除。五、 实验结论最后修正多重共线性影响后的回归结果为 t=-3136.713+0.00458X2t+3.66603X3t+2.17858X4t （295.9214）（0.0027）（90.9568）（1.12342） T=(9-10.5998）(16.0418)(3.83139)(1.974398)R2=0.996054 修正的R2=0.99487 F=841.4324 DW=1.176321，在生活中的很多模型是存在多重共线性，利用Eviews软件，然后进行各种检验可基本判别哪些解释变量存在多重共线性2，多重共线性的修正步骤比较多，但思路是比较清晰的，尤其是逐步回归法3，逐步回归的结果虽然减轻多重共线性的目的，但某些解释变量被剔除，可能会给模型带来设定偏误，这是需要我们注意的计量经济学课程实验报告3专业 国际贸易 班级 B100906 姓名 罗静 日期 2012.11.14 一、 实验目的1掌握用Eviews软件检验线性回归模型是否存在异方差的图形检验法、Goldfeld-Quanadt检验和White检验的方法；2掌握用Eviews软件消除模型中的异方差的方法；二、 实验内容根据实际分析医疗机构数和人口数的关系，建立回归模型，利用Eviews软件进行回归的参数预测，然后通过图形法、Goldfeld-Quanadt检验、White检验来判定模型是否存在异方差性，若存在，则进行模型修正。最后得出修正结果三、 实验数据 教材p142-143页，表5.1。地区人口数（万人）医疗机构数（个）Y地区人口数（万人）医疗机构数（个）YXX成都1013.36304眉山339.9827自贡315911宜宾508.51530攀枝花103934广安438.61589泸州463.71297达州620.12403德阳379.31085雅安149.8866绵阳518.41616巴中346.71223广元302.61021资阳488.41361遂宁3711375阿坝82.9536内江419.91212甘孜88.9594乐山345.91132凉山402.41471南充709.24064四、 实验步骤1， 分析医疗机构和人口数的关系2， 模型建立：Yt=1+2X+Ut3， 用Eviews估计参数。步骤如下（其他步骤参见实验一）：首先建立数据文件Y和X1，其次输入各年对应数据，然后进行参数估计得到如下所示回归结果4，模型的异方差检验：1，图形法：1，生成残差平方序列ei2，记为e2，路径：ObjectGenerate Series，进入Generate Series by Equation对话框，在对话框中输入“e2=（resid）2”，则生成ei2系列. 2，绘制et2对Xt的散点图。选择变量X与e2，进入数据列表，再按路径ViewGraphScatter，可得散点图，如下 3，判断，由图可知道，残差平方ei2对解释变量X的散点图主要分布在图形中的下三角部分，大致看出残差平方ei2随Xi的变动呈增大的趋势，因此模型很可能存在异方差。2，Goldfeld-Quanadt检验：1，对变量取值排序。在Procs菜单中选Sort Series命令，选Ascending，表示递增型排序，输入X，点击Ok 2，构造子样本区间，建立回归模型。样本容量n=21，删除中间的4分之1，余下1-8,和14-21，在sample菜单中将区间定义为1-8，然后用OLS方法估计，结果如下Dependent Variable: YMethod: Least SquaresDate: 11/25/12 Time: 09:34Sample: 1 8Included observations: 8CoefficientStd. Errort-StatisticProb.C598.2525119.29225.0150180.0024X1.1776500.4901872.4024520.0531R-squared0.490306Mean dependent var852.6250Adjusted R-squared0.405357S.D. dependent var201.5667S.E. of regression155.4343Akaike info criterion13.14264Sum squared resid144958.9Schwarz criterion13.16250Log likelihood-50.57056Hannan-Quinn criter.13.00869F-statistic5.771775Durbin-Watson stat1.656269Prob(F-statistic)0.053117Dependent Variable: YMethod: Least SquaresDate: 11/25/12 Time: 09:35Sample: 14 21Included observations: 8CoefficientStd. Errort-StatisticProb.C-2940.426430.7787-6.8258390.0005X9.1776410.69341913.235340.0000R-squared0.966883Mean dependent var2520.500Adjusted R-squared0.961363S.D. dependent var1781.627S.E. of regression350.2011Akaike info criterion14.76721Sum squared resid735844.7Schwarz criterion14.78707Log likelihood-57.06884Hannan-Quinn criter.14.63326F-statistic175.1744Durbin-Watson stat1.815102Prob(F-statistic)0.000011 3，求F统计量。由以上e1i2=144958.9，e2i2=73588.4，那么 F=e1i2e2i2=73588.4144958.9=5.0762 4，判断，在=0.05下，以上F统计量的自由度都为6，查F表可得F0.05（6,6）=4.282 .05（2）=5.9915，所以，表明模型存在异方差。5，异方差的修正 运用加权最小二乘法，分别选择权数w1t=/Xt，w2t=1/Xt2，w3t=1/Xt。权数的生成过程如下，在Enter equation处，分别输入w1=1/X，w2=1/X2，w3=1/sqr（X），各种估计如下 Dependent Variable: YMethod: Least SquaresDate: 11/25/12 Time: 10:37Sample: 1 21Included observations: 21Weighting series: W1CoefficientStd. Errort-StatisticProb.C384.612387.904424.3753460.0003X2.7235710.4333896.2843530.0000Weighted StatisticsR-squared0.675175Mean dependent var1104.228Adjusted R-squared0.658079S.D. dependent var464.4126S.E. of regression336.2853Akaike info criterion14.56419Sum squared resid2148668.Schwarz criterion14.66367Log likelihood-150.9240Hannan-Quinn criter.14.58578F-statistic39.49310Durbin-Watson stat0.787378Prob(F-statistic)0.000005Unweighted StatisticsR-squared0.586654Mean dependent var1588.143Adjusted R-squared0.564899S.D. dependent var1310.975S.E. of regression864.7480Sum squared resid14207993Durbin-Watson stat0.362833Dependent Variable: YMethod: Least SquaresDate: 11/25/12 Time: 10:37Sample: 1 21Included observations: 21Weighting series: W2CoefficientStd. Errort-StatisticProb.C368.620384.168264.3795640.0003X2.9528370.8226843.5892720.0020Weighted StatisticsR-squared0.938666Mean dependent var808.6869Adjusted R-squared0.935438S.D. dependent var1086.417S.E. of regression276.0477Akaike info criterion14.16942Sum squared resid1447845.Schwarz criterion14.26890Log likelihood-146.7789Hannan-Quinn criter.14.19101F-statistic12.88288Durbin-Watson stat1.706018Prob(F-statistic)0.001956Unweighted StatisticsR-squared0.625243Mean dependent var1588.143Adjusted R-squared0.605519S.D. dependent var1310.975S.E. of regression823.3933Sum squared resid12881555Durbin-Watson stat0.380812Dependent Variable: Y