上机课实验作业三 - 用于合并.doc

上机课实验作业三姓名：李姝仪学号：2012310320班级：12级审计二班一：数据集DATA 4-71）先验地预期CM和各个变量之间的关系，并计算样本相关系数。 答：先验地预期：CM与FLR之间呈负相关关系，即女性文盲率越高，婴儿死亡率越低；CM与PGNP之间呈负相关关系，即人均国民产值越高，婴儿死亡率越低；CM与TFR之间呈正相关关系，即总生育率越高，婴儿死亡率就越高。 对应的样本相关系数如下表所示： . correlate cm flr pgnp tfr(obs=64) | cm flr pgnp tfr-+- cm | 1.0000 flr | -0.8183 1.0000 pgnp | -0.4077 0.2685 1.0000 tfr | 0.6711 -0.6260 -0.1857 1.00002）做CM对FLR的回归。答：输入stata命令：. reg cm flr Source | SS df MS Number of obs = 64-+- F( 1, 62) = 125.65 Model | 243515.049 1 243515.049 Prob F = 0.0000 Residual | 120162.951 62 1938.11211 R-squared = 0.6696-+- Adj R-squared = 0.6643 Total | 363678 63 5772.66667 Root MSE = 44.024- cm | Coef. Std. Err. t P|t| 95% Conf. Interval-+- flr | -2.390496 .2132625 -11.21 0.000 -2.816802 -1.96419 _cons | 263.8635 12.22499 21.58 0.000 239.4261 288.3009得回归结果：CM=263.86-2.39FLR。3）做CM对FLR和PGNP的回归。答：输入stata命令：. reg cm flr pgnp Source | SS df MS Number of obs = 64-+- F( 2, 61) = 73.83 Model | 257362.373 2 128681.187 Prob F = 0.0000 Residual | 106315.627 61 1742.87913 R-squared = 0.7077-+- Adj R-squared = 0.6981 Total | 363678 63 5772.66667 Root MSE = 41.748- cm | Coef. Std. Err. t P|t| 95% Conf. Interval-+- flr | -2.231586 .2099472 -10.63 0.000 -2.651401 -1.81177 pgnp | -.0056466 .0020033 -2.82 0.006 -.0096524 -.0016408 _cons | 263.6416 11.59318 22.74 0.000 240.4596 286.8236得回归结果：CM=263.64-2.23FLR-0.0056PGNP。4）做CM对FLR、PGNP和TFR的回归。观察校正拟合优度的变化。答：输入stata命令：. reg cm flr pgnp tfr Source | SS df MS Number of obs = 64-+- F( 3, 60) = 59.17 Model | 271802.616 3 90600.8721 Prob F = 0.0000 Residual | 91875.3836 60 1531.25639 R-squared = 0.7474-+- Adj R-squared = 0.7347 Total | 363678 63 5772.66667 Root MSE = 39.131- cm | Coef. Std. Err. t P|t| 95% Conf. Interval-+- flr | -1.768029 .2480169 -7.13 0.000 -2.264137 -1.271921 pgnp | -.0055112 .0018782 -2.93 0.005 -.0092682 -.0017542 tfr | 12.86864 4.190533 3.07 0.003 4.486323 21.25095 _cons | 168.3067 32.89166 5.12 0.000 102.5136 234.0998得回归结果：CM=168.31-1.77FLR-0.0055PGNP+12.87TFR。观察发现校正拟合优度随着解释变量个数的增加而不断增大，但始终小于拟合优度的数值。5）根据各种回归结果，选择哪个模型？为什么？答：根据以上回归结果，选择4）中的模型。因为此模型中解释变量个数最多，考虑的变量因素多，且此模型的拟合优度和校正拟合优度都比前几个模型大，说明此模型对因变量的解释力较前几个模型更好些，得到的结果更准确。6）对3）中的回归，检验FLR和PGNP的联合显著性。（写出原假设、备择假设、检验统计量） 答：输入stata命令：. reg cm flr pgnp（结果略）. test flr pgnp ( 1) flr = 0 ( 2) pgnp = 0 F( 2, 61) = 73.83 Prob F = 0.0000其中：原假设：H0：2=3=0 备择假设：H1：2与3至少有一个不为零。检验统计量：F值，F(2，61) =73.83，且Prob F =0.0000，说明FLR和PGNP通过联合显著性检验，FLR和PGNP是联合显著的。二：数据集DATA6-8（1）做收盘价格对时间的散点图。散点图呈现出什么样的模式？答：输入stata命令，得散点图如下图所示：. twoway scatter close time可以发现，散点图呈现出正相关的模式。（2）建立一个线性模型预测Qualcom股票的收盘价格。 答：建立线性模型：close=1+2time+。输入stata回归命令，可得：. reg close time Source | SS df MS Number of obs = 260-+- F( 1, 258) = 161.30 Model | 493579.523 1 493579.523 Prob F = 0.0000 Residual | 789466.982 258 3059.94954 R-squared = 0.3847-+- Adj R-squared = 0.3823 Total | 1283046.51 259 4953.84751 Root MSE = 55.317- close | Coef. Std. Err. t P|t| 95% Conf. Interval-+- time | .5805136 .0457079 12.70 0.000 .4905056 .6705216 _cons | -4.69406 6.881046 -0.68 0.496 -18.24422 8.856105得回归结果：close=-4.69+0.58time。（3）建立一个二次模型，解释变量包括时间和时间的平方。模型的拟合效果如何？答：建立二次模型：close=1+2time+3time2+。输入stata回归命令，可得：. gen time2=time2. reg close time time2 Source | SS df MS Number of obs = 260-+- F( 2, 257) = 211.27 Model | 797808.219 2 398904.11 Prob F = 0.0000 Residual | 485238.286 257 1888.08672 R-squared = 0.6218-+- Adj R-squared = 0.6189 Total | 1283046.51 259 4953.84751 Root MSE = 43.452- close | Coef. Std. Err. t P|t| 95% Conf. Interval-+- time | -1.191469 .1441386 -8.27 0.000 -1.475312 -.9076263 time2 | .0067892 .0005348 12.69 0.000 .005736 .0078424 _cons | 72.68253 8.146947 8.92 0.000 56.63926 88.7258得回归结果：close=72.68-1.19time0.0068time2。模型的拟合效果一般，拟合优度只有0.6218，校正拟合优度也只有0.6189。（4）建立一个三次模型： 其中，是股票价格，是时间。哪一个模型更好地拟合了数据？答：输入stata命令，得：. gen time2=time2. gen time3=time3. reg close time time2 time3 Source | SS df MS Number of obs = 260-+- F( 3, 256) = 375.21 Model | 1045314.84 3 348438.28 Prob F = 0.0000 Residual | 237731.665 256 928.639316 R-squared = 0.8147-+- Adj R-squared = 0.8125 Total | 1283046.51 259 4953.84751 Root MSE = 30.474- close | Coef. Std. Err. t P|t| 95% Conf. Interval-+- time | 2.612844 .254008 10.29 0.000 2.112632 3.113055 time2 | -.0295807 .0022591 -13.09 0.000 -.0340296 -.0251319 time3 | .0000929 5.69e-06 16.33 0.000 .0000817 .0001041 _cons | -10.85435 7.669922 -1.42 0.158 -25.95852 4.249829得回归结果：close=-10.85+2.61time-0.0296time2+0.000093time3。由回归结果可知，三次模型较二次模型更好地拟合了数据，原因是三次模型的校正拟合优度比二次模型的大，说明了该模型更具解释力。三：数据集DATA6-9（1）利用数据拟合一个LIV（变量线性）模型，解释回归系数的涵义。模型拟合的效果如何？分别做对和对的散点图。散点图是否呈现出线性模式？答：建立模型：Y=1+2 X1+3 X2+。其中回归系数2、3分别表示当其他解释变量不变时，这一解释变量各自对被解释变量Y的影响程度。输入stata回归命令可得：（因为所给数据有缺失,故剔除了两组数据）. rename lifeexp Y. rename peopletv X1. rename peoplephys X2. reg Y X1 X2 Source | SS df MS Number of obs = 38-+- F( 2, 35) = 13.75 Model | 991.123688 2 495.561844 Prob F = 0.0000 Residual | 1261.24473 35 36.0355638 R-squared = 0.4400-+- Adj R-squared = 0.4080 Total | 2252.36842 37 60.8748222 Root MSE = 6.003- Y | Coef. Std. Err. t P|t| 95% Conf. Interval-+- X1 | -.0234954 .0096469 -2.44 0.020 -.0430796 -.0039112 X2 | -.000432 .0002023 -2.14 0.040 -.0008427 -.0000214 _cons | 70.25196 1.087705 64.59 0.000 68.0438 72.46012回归结果：Y=70.25-0.0235X1-0.0004X2。由回归数据可得，该模型的拟合优度只有0.44，即该模型的拟合效果不是很好。 分别做Y对X1和Y对X2的散点图如下：. twoway scatter Y X1. twoway scatter Y X2 Y对X1Y对X2可以上图看出，这两个散点图都没有呈现出线性模型。（2）分别做对和对的散点图。散点图是否呈现出线性模式？答：输入stata命令可得：. gen lnY=log(Y). gen lnX1=log(X1). gen lnX2=log(X2). twoway scatter lnY lnX1. twoway scatter lnY lnX2 lnY对lnX1 lnY对lnX2由上图可以看出，这两个散点图都呈现出线性模式，而且是负相关。（3）估计一个双对数模型。拟合的效果如何？ 答：建立双对数模型：lnY=1+2 lnX1+3 lnX2+。输入stata命令可得：. reg lnY lnX1 lnX2 Source | SS df MS Number of obs = 38-+- F( 2, 35) = 69.45 Model | .423465472 2 .211732736 Prob F = 0.0000 Residual | .106700184 35 .003048577 R-squared = 0.7987-+- Adj R-squared = 0.7872 Total | .530165656 37 .014328802 Root MSE = .05521- lnY | Coef. Std. Err. t P|t| 95% Conf. Interval-+- lnX1 | -.0449974 .0088061 -5.11 0.000 -.0628747 -.0271202 lnX2 | -.035013 .0111428 -3.14 0.003 -.057634 -.012392 _cons | 4.563085 .064933 70.27 0.000 4.431264 4.694906得回归结果：lnY=4.56 -0.045lnX1-0.035lnX2。从回归数据可得，该双对数模型的拟合优度达0.7987，高于线性模型的拟合优度。所以此模型的拟合效果较线性模型的拟合效果更好些。（4）解释双对数模型中的回归系数。这些回归系数是否合理？答：回归系数2表示，在其他解释变量不变的情况下，X1的1%的变化引起Y改变2%，即为-0.045%；：回归系数3表示，在其他解释变量不变的情况下，X2的1%的变化引起Y改变3%，即为-0.035%；这些回归系数中，回归系数2合理，回归系数3不合理。四、使用数据集wage.dta，求得wage、educ、exper、tenure之间的相关系数矩阵。答：输入stata命令得：. correlate wage educ exper tenure(obs=526) | wage educ exper tenure-+- wage | 1.0000 educ | 0.4059 1.0000 exper | 0.1129 -0.2995 1.0000 tenure | 0.3469 -0.0562 0.4993 1.0000wage、educ、exper、tenure之间的相关系数矩阵即如上图所示。五、使用mroz.dta数据集，剔除其中在5%的显著性水平下不显著的自变量。答：输入stata命令，得：. sw reg wage inlf hours kidslt6 kidsge6 age educ hushrs husage huseduc huswage faminc motheduc fatheduc exper expersq,pr(.05)(inlf dropped because constant) begin with full modelp = 0.9747 = 0.0500 removing fatheducp = 0.9230 = 0.0500 removing expersqp = 0.8791 = 0.0500 removing husagep = 0.7765 = 0.0500 removing kidslt6p = 0.4023 = 0.0500 removing kidsge6p = 0.2174 = 0.0500 removing huseducp = 0.2087 = 0.0500 rem