计量经济学实验讲义.doc

黄山学院实验指导书黄山学院实验指导书 计计 量量 经经 济济 学学 编编 写写 人：包妍平人：包妍平 0 实验一实验一 EViewsEViews 软件的基本操作软件的基本操作 【实验目的实验目的】 通过上机试验，了解 EViews 软件特点、工作窗口的组成、充分掌握 EViews 软件的基本操作、 熟悉数据处理、统计分析（图形分析） 【实验内容实验内容】 EViews 是专门用于从事数据分析、回归分析和预测的工具，使用 EViews 可以迅速从数据中找 出统计关系，并用得到的关系去预测数据的未来值。最小二乘估计是估计变量间线形关系中相互作 用与影响的有效方法，在数据分析中有很重要的作用。本次试验内容包括：进行 EViews 的一些基本 操作来熟悉这个软件。 实验内容以表 1-1 所列出的税收收入和国内生产总值的统计资料为例进行操作。 表表 1-11-1 我国税收与我国税收与 GDPGDP 统计资料统计资料 单位：亿元 年份税收 YGDP X年份税收 YGDP X 1985204189641992329726638 19862091102021993425534634 19872140119631994512746759 19882391149281995603858478 19892727169091996691067885 19902822185481997823474463 19912990216181998926379396 资料来源：中国统计年鉴 1999 【实验步骤实验步骤】 一、数据的输入、编辑与序列生成 创建工作文件 菜单方式 启动 EViews 软件之后，进入 EViews 主窗口。在主菜单上依次点击 File/New/Workfile，即选 择新建对象的类型为工作文件，将弹出一个对话框，由用户选择数据的时间频率（frequency） 、起 始期和终止期。 其中， Annual年度 Monthly月度 Semi-annual半年 Weekly周 Quarterly季度 Daily日 Undated or irregular非时序数据 选择时间频率为 Annual（年度） ，再分别点击起始期栏（Start date）和终止期栏（End date） ， 输入相应的日前 1985 和 1998。然后点击 OK 按钮，将在 EViews 软件的主显示窗口显示相应的工作 文件窗口。 1 工作文件窗口是 EViews 的子窗口，工作文件一开始其中就包含了两个对象，一个是系数向量 C（保存估计系数用） ，另一个是残差序列 RESID（实际值与拟合值之差） 。 命令方式 在 EViews 软件的命令窗口中直接键入 CREATE 命令，也可以建立工作文件。命令格式为： CREATE 时间频率类型 起始期 终止期 则以上菜单方式过程可写为：CREATE A 1985 1998 输入 Y、X 的数据 DATA 命令方式 在 EViews 软件的命令窗口键入 DATA 命令，命令格式为： DATA 本例中可在命令窗口键入如下命令： DATA Y X 将显示一个数组窗口，此时可以按全屏幕编辑方式输入每个变量的统计资料。 鼠标图形界面方式 在 EViews 软件主窗口或工作文件窗口点击 Objects/New Object，对象类型选择 Series，并给 定序列名，一次只能创建一个新序列。再从工作文件目录中选取并双击所创建的新序列就可以展示 该对象，选择 Edit/，进入编辑状态，输入数据。 生成 log（Y） 、log（X） 、X2、1/X、时间变量 T 等序列 在命令窗口中依次键入以下命令即可： GENR LOGY=LOG(Y) GENR LOGX=LOG(X) GENR X1=X2 GENR X2=1/X GENR T=TREND(84)（1984 年对应时间变量 T=0） 或者使用菜单方式 Object/Generate Series 生成新序列。 选择若干变量构成数组，在数组中增加、更名 在工作文件窗口中单击所要选择的变量，按住 Ctrl 键不放，继续用鼠标选择要展示的变量，选 择完以后，单击鼠标右键，在弹出的快捷菜单中点击 Open/as Group，则会弹出数组窗口，其中变 量从左至右按在工作文件窗口中选择变量的顺序来排列。 在数组窗口点击 Edit/，进入全屏幕编辑状态，选择一个空列，点击标题栏，在编辑窗口 输入变量名，再点击屏幕任意位置，即可增加一个新变量。 增加变量后，即可输入数据。点击要更名的变量列的标题栏，在编辑窗口输入新变量名，再点 击屏幕任意位置，弹出 RENAME 对话框，点击 YES 按钮即可。 在工作文件窗口中删除、更名变量。 在工作文件窗口中选取所要删除或更名的变量并单击鼠标右键，在弹出的快捷菜单中选择 2 Delete（删除）或 Rename（更名）即可。 在工作文件窗口中选取所要删除或更名的变量，点击主窗口或工作文件窗口菜单栏中的 Objects/Delete selected（Rename selected） ，即可删除（更名）变量。 在工作文件窗口中选取所要删除的变量，点击工作文件窗口菜单栏中的 Delete 按钮即可删除 变量。 三、图形分析与描述统计分析 利用 PLOT 命令绘制趋势图 在命令窗口中键入：PLOT Y 则可以绘制变量 Y 的趋势图。 从图中可以看出，我国 19851998 年间税收收入是大体呈指数增长趋势的。 也可以利用 PLOT 命令将多个变量的变化趋势描绘在同一张图中，例如键入以下命令，可以观察 变量 Y、X 的变化趋势。 PLOT Y X 从图中可以看出，我国 19851998 年间税收收入与 GDP 都大体呈指数增长趋势。 利用 SCAT 命令绘制 X、Y 的相关图 在命令窗口中键入：SCAT X（横坐标变量） Y（纵坐标变量） 则可以初步观察变量之间的相关程度与相关类型。 图形表明，税收收入水平与 GDP 密切相关，税收收入水平随着 GDP 的增加而增加，两者大体呈 线性变化趋势。 观察图形参数的设置情况 双击图形区域中任意处或在图形窗口中点击 Procs/Options，则会弹出 Graph Options 窗口，进 入图形编辑状态。选择图形类型、图形属性（是否置入图框内，刻度，是否用彩色） 、柱和线的选项， 设定竖轴（单个，双个，是否交叉） ，设定比例尺度（优化线性尺度，强制通过 0 线，对数尺度，正 态化尺度） ，手动设定比例尺度、线形图选项、柱形图选项、散点图选项（连接，配拟合直线） 、饼 图选项等。 从图中可以看出，本例中 X、Y 相关图使用散点图，且置入图框内，带有刻度与色彩，竖轴是单 个刻度，比例尺度为优化线性尺度，散点图未连接，未配拟合直线，其余一些参数模式是自动设置 的。 在序列和数组窗口观察变量的描述统计量 若是单独序列窗口，从序列窗口菜单选择 View/Descriptive Statistics/ Histogram and Stats，则会显示变量的描述统计量。 若是数组窗口，从数组窗口菜单选择 View/Descriptive Stats/Individual Samples，就对每 个序列计算描述统计量。 其中， Mean均值 Median中位数 Maximum最大值 Minimum最小值 Std.Dev.标准差 Skewness偏度 3 Kurtosis峰度 Jarque-Bera正态分布统计量 Probability概率 Observations观测值个数 四、数据文件的存贮、调用与转换 存贮并调用工作文件 存贮 在 Eviews 主窗口的工具栏上选择 File/Save（Save as） ，再在弹出的对话框中指定存贮路径，点 击确定按钮即可。 调用 在 Eviews 主窗口的工具栏上选择 File/Open/Workfile，再在弹出的对话框中选取要调用的工作文 件，点击确定按钮即可。 存贮若干个变量，并在另一个工作文件中调用存贮的变量 在工作文件窗口中选取所要存贮的变量，点击工作文件窗口菜单栏中的 Store 按钮，弹出 store 对话框，指定存贮路径，点击 YES 按钮即可。 打开另一个工作文件，点击工作文件窗口菜单栏中的 Fetch 按钮，弹出 fetch 对话框，在指定 目录下选取要调用的变量，点击确定按钮即可。 将工作文件分别存贮成文本文件和 Excel 文件 在工作文件窗口中选择要保存的一个或多个变量，点击 Eviews 主窗口菜单栏中的 File/Export/Write Text-Lotus-Excel，在弹出的对话框中指定存贮路径和存贮的文件格式，若存 贮成文本文件则选择 Text-ASCII，若存贮成 Excel 文件则选择 Excel.xls，再点击保存按钮，弹出 ASCII Text Export（Excel Export）窗口，点击 OK 按钮即可。 其中，By Observation-Series in columns 表示各观测值按列排列，By Series-Series in rows 表示各观测值按行排列。 在工作文件中分别调用文本文件和 Excel 文件 点击 Eviews 主窗口菜单栏中的 File/Import/Read Text-Lotus-Excel，在弹出的对话框中选取 要调用的文本文件或 Excel 文件，点击打开按钮后，弹出 ASCII Text Import（Excel Import）窗 口，在 Name for series or Number of series if file names in file 编辑框中要输入调用的变 量名，点击 OK 按钮即可。 其中 in columns 表示按列调用数据，in rows 表示按行调用数据。 在对象窗口中点击 Name 按钮，将对象存贮于工作文件。 以 Y、X 变量组成的数组为例，点击 Name 菜单，弹出 object name 对话框，在 Name to identify object 文本框中输入要命名的数组名称，点击 OK 按钮即可。 实验二实验二 线性回归模型线性回归模型 第一部分第一部分 一元线性回归模型一元线性回归模型 【实验目的实验目的】 4 掌握一元线性、非线性回归模型的建模方法 【实验内容实验内容】 建立我国税收预测模型 【实验步骤实验步骤】 建立我国税收预测模型。利用实验一的数据使用 Eviews 软件建立一元线性回归模型。 一、估计线性回归模型 在数组窗口中点击 ProcMake Equation，如果不需要重新确定方程中的变量或调整样本区间， 可以直接点击 OK 进行估计。也可以在 Eviews 主窗口中点击 QuickEstimate Equation，在弹出的 方程设定框内输入模型： Y C X 或 XCCY)2() 1 ( 还可以通过在 Eviews 命令窗口中键入 LS 命令来估计模型，其命令格式为： LS 被解释变量 C 解释变量 系统将弹出一个窗口来显示有关估计结果。因此，我国税收模型的估计式为： xy0946 . 0 54.987 这个估计结果表明，GDP 每增长 1 亿元，我国税收收入将增加 0.09646 亿元。 二、估计非线性回归模型 由相关图分析可知，变量之间也可视为非线性的曲线相关关系。因此，可初步将模型设定为指 数函数模型、对数模型和二次函数模型并分别进行估计。 在 Eviews 命令窗口中分别键入以下命令命令来估计模型： 双对数函数模型：LS log(Y) C log(X) 对数函数模型：LS Y C log(X) 指数函数模型：LS log(Y) C X 二次函数模型：LS Y C X X2 还可以采取菜单方式，在上述已经估计过的线性方程窗口中点击 Estimate 项，然后在弹出的方 程定义窗口中依次输入上述模型（方法通线性方程的估计） 。 三、模型比较 四个模型的经济意义都比较合理，解释变量也都通过了 T 检验。但是从模型的拟合优度来看， 二次函数模型的值最大，其次为指数函数模型。因此，对这两个模型再做进一步比较。 2 R 在回归方程（以二次函数模型为例）窗口中点击 ViewActual,Fitted,Residual Actual,Fitted,Residual Table,可以得到相应的残差分布表。 比较可以发现，虽然二次函数模型总拟合误差较小，但其近期误差却比指数函数模型大。所以， 如果所建立的模型是用于经济预测，则指数函数模型更加适合。 第二部分第二部分 多元回归模型多元回归模型 【实验目的实验目的】 掌握建立多元回归模型和比较、筛选模型的方法。 5 【实验内容实验内容】 建立我国国有独立核算工业企业生产函数。根据生产函数理论，生产函数的基本形式为： 。其中，L、K 分别为生产过程中投入的劳动与资金，时间变量 反映技术进步的影,KLtfY t 响。表 3-1 列出了我国 1978-1994 年期间国有独立核算工业企业的有关统计资料；其中产出 Y 为工 业总产值（可比价） ，L、K 分别为年末职工人数和固定资产净值（可比价） 。 表表 3-13-1 我国国有独立核算工业企业统计资料我国国有独立核算工业企业统计资料 年份时间t 工业总产值 Y（亿元） 职工人数 L（万人） 固定资产 K（亿元） 197813289.1831392225.70 197923581.2632082376.34 198033782.1733342522.81 198143877.8634882700.90 198254151.2535822902.19 198364541.0536323141.76 198474946.1136693350.95 198585586.1438153835.79 198695931.3639554302.25 1987106601.6040864786.05 1988117434.0642295251.90 1989127721.0142735808.71 1990137949.5543646365.79 1991148634.8044727071.35 1992159705.5245217757.25 19931610261.6544988628.77 19941710928.6645459374.34 资料来源：根据中国统计年鉴1995和中国工业经济年鉴-1995计算整理 【实验步骤实验步骤】 一、建立多元线性回归模型 建立包括时间变量的三元线性回归模型； 在命令窗口依次键入以下命令即可： 建立工作文件： CREATE A 78 94 输入统计资料： DATA Y L K 生成时间变量 ： GENR T=TREND(77)t 建立回归模型： LS Y C T L K 我国国有独立工业企业的生产函数为： 6 （模型 1）KLty7764 . 0 6667 . 0 6789.7732.675 (-0.252) (0.672) (0.781) (7.433)t 9958. 0 2 R9948 . 0 2 R551.1018F 模型的计算结果表明，我国国有独立核算工业企业的劳动力边际产出为 0.6667，资金的边际产 出为 0.7764，技术进步的影响使工业总产值平均每年递增 77.68 亿元。回归系数的符号和数值是较 为合理的。，说明模型有很高的拟合优度，F 检验也是高度显著的，说明职工人数 L、9958 . 0 2 R 资金 K 和时间变量 对工业总产值的总影响是显著的。从图 3-1 看出，解释变量资金 K 的 统计量值tt 为 7.433，表明资金对企业产出的影响是显著的。但是，模型中其他变量（包括常数项）的 统计量t 值都较小，未通过检验。因此，需要对以上三元线性回归模型做适当的调整，按照统计检验程序， 一般应先剔除 统计量最小的变量（即时间变量）而重新建立模型。t 建立剔除时间变量的二元线性回归模型； 命令：LS Y C L K 我国国有独立工业企业的生产函数为： （模型 2）KLy8345 . 0 2085 . 1 27.2387 (-2.922) (4.427) (14.533)t 9956. 0 2 R9950 . 0 2 R953.1589F 从结果看出，回归系数的符号和数值也是合理的。劳动力边际产出为 1.2085，资金的边际产出 为 0.8345，表明这段时期劳动力投入的增加对我国国有独立核算工业企业的产出的影响最为明显。 模型 2 的拟合优度较模型 1 并无多大变化，F 检验也是高度显著的。这里，解释变量、常数项的 检t 验值都比较大，显著性概率都小于 0.05，因此模型 2 较模型 1 更为合理。 建立非线性回归模型C-D 生产函数。 C-D 生产函数为：，对于此类非线性函数，可以采用以下两种方式建立模型。 eKALY 方式 1：转化成线性模型进行估计； 在模型两端同时取对数，得： KLAylnlnlnln 在 EViews 软件的命令窗口中依次键入以下命令： GENR LNY=log（Y） GENR LNL=log（L） GENR LNK=log（K） LS LNY C LNL LNK 得到 C-D 生产函数的估计式为： （模型 3）KLyln6737 . 0 ln6045 . 0 9513 . 1 ln (-1.172) (2.217) (9.310)t 9958. 0 2 R9951 . 0 2 R407.1641F 即： 6737. 06045. 0 1424 . 0 KLy 7 从模型 3 中看出，资本与劳动的产出弹性都是在 0 到 1 之间，模型的经济意义合理，而且拟合 优度较模型 2 还略有提高，解释变量都通过了显著性检验。 方式 2：迭代估计非线性模型，迭代过程中可以作如下控制： 在工作文件窗口中双击序列 C，输入参数的初始值； 在方程描述框中点击 Options，输入精度控制值。 控制过程： 参数初值：0，0，0；迭代精度：103； 此时，函数表达式为： （模型 4） 0443 . 1 054 . 1 89.5896KLy (0.305)(2.063)(8.606)t 9834 . 0 2 R9811 . 0 2 R 可以看出，模型 4 中劳动力弹性-1.01161，资金的产出弹性1.0317，很显然模型的经 济意义不合理，因此，该模型不能用来描述经济变量间的关系。而且模型的拟合优度也有所下降， 解释变量 L 的显著性检验也未通过，所以应舍弃该模型。 参数初值：0，0，0；迭代精度：105；迭代次数：100 将收敛的误差精度改为 105后，迭代 100 次后仍报告不收敛，说明在使用迭代估计法时参数的 初始值与误差精度或迭代次数设置不当，会直接影响模型的估计结果。 参数初值：0，0，0；迭代精度：105，迭代次数 1000； 此时，迭代 414 次后收敛，函数表达式为： （模型 5） 6649 . 0 6110 . 0 1450 . 0 KLy (0.581)(2.2653)(10.47975)t 9957 . 0 2 R9950. 0 2 R 从模型 5 中看出，资本与劳动的产出弹性都是在 0 到 1 之间，模型的经济意义合理， ，具有很高的拟合优度，解释变量都通过了显著性检验。将模型 5 与通过方式 1 所估9957 . 0 2 R 计的模型 3 比较，可见两者是相当接近的。 参数初值：1，1，1；迭代精度：105，迭代次数 1000； 此时，迭代 129 次后收敛，估计结果与模型 5 相同。 比较方式 2 的不同控制过程可见，迭代估计过程的收敛性及收敛速度与参数初始值的选取密切 相关。若选取的初始值与参数真值比较接近，则收敛速度快；反之，则收敛速度慢甚至发散。因此， 估计模型时最好依据参数的经济意义和有关先验信息，设定好参数的初始值。 二、比较、选择最佳模型 估计过程中，对每个模型检验以下内容，以便选择出一个最佳模型： 回归系数的符号及数值是否合理； 模型的更改是否提高了拟合优度； 模型中各个解释变量是否显著； 8 残差分布情况 以上比较模型的、步在步骤一中已有阐述，现分析步骤一中 5 个不同模型的残差分布 情况。 分别在模型 1模型 5 的各方程窗口中点击 View/Actual, Fitted, Residual/ Actual, Fitted, Residual Table，可以得到各个模型相应的残差分布表。 实验三实验三 多重共线性多重共线性 【实验目的】 掌握多重共线性的检验及处理方法 【实验内容】 建立并检验我国钢材产量预测模型 【实验步骤】 表 4-1 是 19781997 年我国钢材产量（万吨） 、生铁产量（万吨） 、发电量（亿千瓦时） 、固定 资产投资（亿元） 、国内生产总值（亿元） 、铁路运输量（万吨）的统计资料。 表 4-1 我国钢材产量及其它相关经济变量统计资料 年份 钢材产量 Y 生铁产量 X1 发电量 X2 固定资产投资 X3 国内生产 总值 X4 铁路运输量 X5 1978220834792566668.723264110119 1979249736732820699.364038111893 1980271638023006746.94518111279 1981267034173093638.214862107673 1982292035513277805.95295113495 1983307237383514885.265935118784 19843372400137701052.437171124074 19853693438441071523.518964130709 19864058506444951795.3210202135635 19874386550349732101.6911963140653 19884689570454522554.8614928144948 19894859582058482340.5216909151489 1990515362386212253418548150681 19915638676567753139.0321618152893 19926697758975394473.7626638157627 19937716895683956811.3534634162663 19948428974192819355.3546759163093 19958980105291007010702.9758478165855 9 19969338107231081312185.7967885168803 19979979115111135613838.9674463169734 一、检验多重共线性 相关系数检验 利用相关系数可以分析解释变量之间的两两相关情况。在 Eviews 软件中可以直接计算相关系数 矩阵。在 Eviews 软件命令窗口中键入： COR X1 X2 X3 X4 X5 或在包含所有解释变量的数组窗口中点击 ViewCorrelations。由相关系数矩阵可以看出，解 释变量之间的相关系数均为 0.93 以上，即解释变量之间时高度相关的。 辅助回归方程检验 当解释变量多余两个且变量之间呈现出较复杂的相关关系时，可以通过建立辅助回归模型来检 验多重共线性。本例中，在 Eviews 软件命令窗口中键入： LS X1 C X2 X3 X4 X5 LS X2 C X1 X3 X4 X5 LS X3 C X1 X2 X4 X5 LS X4 C X1 X2 X3 X5 LS X5 C X1 X2 X3 X4 上述每个回归方程的 F 检验值都非常显著，方程回归系数的 T 检验值表明：X1 与 X5、X2 与 X3、X3 与 X5、X4 与 X、X5 与 X1、X3、X4 的 T 检验值较小，这些变量之间可能不相关或相关程度较 小。 二、利用逐步回归方法处理多重共线性 建立基本的一元回归方程 根据相关系数和理论分析，钢材产量与生铁产量关联程度最大。所以，设建立的一元回归方程 为： 1XY 逐步引入其它变量，确定最适合的多元回归方程（回归结果如表所示） 表 钢材产量预测模型逐步回归结果 模型X1X2X3X4X5 Y=f(X1) 0.92 (56.8) 0.9949 0.99 Y=f(X1,X2 ) 0.416( 3.5394 ) 0.4872 (4.3234) 0.9974 0.997 Y=f(X1,X3 ) 0.959 (14.2) 0.0249 (-0.574) 0.9950 0.994 2 R 2 R 10 Y=f(X1,X4 ) 0.94 (13.0) -0.0025 (-0.285) 0.9945 0.994 8 Y=f(X1,X5 ) 0.858 (20.2) 0.0084 (-0.285) 0.9919 0.991 Y=f(X1,X2 ,X3) 0.405 (2.84) 0.491 (4.1225) 0.0046 (0.1424) 0.99690.997 Y=f(X1,X2 ,X4) 0.4433 (3.49) 0.4911 (4.2748) -0.0039 (-0.635) 0.99690.997 Y=f(X1,X2 ,X5) 0.4073 (3.18) 0.5025 (3.6357) -0.001 (-0.204) 0.99690.997 所以，建立的多元回归模型为： Y = -287.68669 + 0.4159*X1 + 0.4872*X2 实验四实验四 异方差性异方差性 【实验目的实验目的】 掌握异方差性的检验及处理方法 【实验内容实验内容】 建立并检验我国制造业利润函数模型 【实验步骤实验步骤】 表 5-1 列出了 1998 年我国 28 个主要制造工业销售收入与销售利润的统计资料，请利用统计软 件 Eviews 建立我国制造业利润函数模型。 表 5-1 我国制造工业 1998 年销售利润与销售收入情况 行业名称销售利润销售收入行业名称销售利润销售收入 食品加工业187.253180.44医药制造业238.711264.1 食品制造业111.421119.88化学纤维制品81.57779.46 饮料制造业205.421489.89橡胶制品业77.84692.08 烟草加工业183.871328.59塑料制品业144.341345 纺织业316.793862.9非金属矿制品339.262866.14 服装制品业157.71779.1黑色金属冶炼367.473868.28 皮革羽绒制品81.71081.77有色金属冶炼144.291535.16 木材加工业35.67443.74金属制品业201.421948.12 家具制造业31.06226.78普通机械制造354.692351.68 造纸及纸品业134.41124.94专用设备制造238.161714.73 印刷业90.12499.83交通运输设备511.944011.53 11 文教体育用品54.4504.44电子机械制造409.833286.15 石油加工业194.452363.8电子通讯设备508.154499.19 化学原料纸品502.614195.22仪器仪表设备72.46663.68 一、 检验异方差性 图形分析检验 散点图分析 从散点图中可以看出，随着销售收入的增加，销售利润的平均水平不断提高，但离散程度也逐 步扩大。这说明变量之间可能存在递增的异方差性。 残差分析 首先将数据排序（命令格式为：SORT 解释变量） ，然后建立回归方程。在方程窗口中点击 Resids 按钮就可以得到模型的残差分布图（或建立方程后在 Eviews 工作文件窗口中点击 resid 对 象来观察） 。 显示回归方程的残差分布有明显的扩大趋势，即表明存在异方差性。 Goldfeld-Quant 检验 将样本安解释变量排序（SORT X）并分成两部分（分别有 1 到 10 共 11 个样本合 19 到 28 共 10 个样本） 利用样本 1 建立回归模型 1，其残差平方和为 2579.587。 SMPL 1 10 LS Y C X 利用样本 2 建立回归模型 2，其残差平方和为 63769.67。 SMPL 19 28 LS Y C X 计算 F 统计量：63769.67/2579.59=24.72，分别是模型 1 和 12/ RSS RSSF 21 RSSRSS 和 模型 2 的残差平方和。 取时，查 F 分布表得，而05 . 0 44 . 3 ) 1110, 1110( 05 . 0 F ，所以存在异方差性44 . 3 72.24 05 . 0 FF White 检验 建立回归模型：LS Y C X。 在方程窗口上点击 ViewResidualTestHeteroskedastcity TestsWhite。 其中 F 值为辅助回归模型的 F 统计量值。取显著水平，由于05 . 0 ,所以存在异方差性。实际应用中可以直接观察相伴概率 p 值的2704 . 6 99 . 5 )2( 22 05 . 0 nR 大小，若 p 值较小，则认为存在异方差性。反之，则认为不存在异方差性。 Park 检验 建立回归模型。 生成新变量序列：GENR LNE2=log(RESID2) 12 GENR LNX=log(x) 建立新残差序列对解释变量的回归模型：LS LNE2 C LNX。 回归结果中可以看出，LNX 的系数估计值不为 0 且能通过显著性检验，即随即误差项的方差与 解释变量存在较强的相关关系，即认为存在异方差性。 或在方程窗口上点击 ViewResidualTestHeteroskedastcity TestsHarvey。 Gleiser 检验（Gleiser 检验与 Park 检验原理相同） 建立回归模型。 生成新变量序列：GENR E=ABS(RESID) 分别建立新残差序列（E）对各解释变量（X/X2/X(1/2)/X(1)/ X(2)/ X(1/2)） 的回归模型：LS E C X。 由上述各回归结果可知，各回归模型中解释变量的系数估计值显著不为 0 且均能通过显著性检 验。所以认为存在异方差性。 由 F 值或确定异方差类型 2 R Gleiser 检验中可以通过 F 值或值确定异方差的具体形式。一般选用回归方程 F 值（） 2 R 2 R 最大作为异方差的形式。 或在方程窗口上点击 ViewResidualTestHeteroskedastcity TestsGleiser。 二、 调整异方差性 确定权数变量 根据 Park 检验生成权数变量：GENR W1=1/X1.6743 根据 Gleiser 检验生成权数变量：GENR W2=1/X0.5 另外生成：GENR W3=1/ABS(RESID） GENR W4=1/ RESID 2 利用加权最小二乘法估计模型 在 Eviews 命令窗口中依次键入命令： LS(W=) Y C X （i=1,2,3,4） i W 或在方程窗口中点击 EstimateOption 按钮，并在权数变量栏里依次输入 W1、W2、W3、W4。 对所估计的模型再进行 White 检验，观察异方差的调整情况 对所估计的模型再进行 White 检验，P 值如果较大，就接收不存在异方差的原假设，即认为已 经消除了回归模型的异方差性。如果对应的 White 检验没有显示 F 值和的值，这表示异方差性 2 nR 已经得到很好的解决。 实验五实验五 自相关性自相关性 【实验目的实验目的】 掌握自相关性的检验与处理方法。 【实验内容实验内容】 利用表 6-1 资料，试建立我国城乡居民储蓄存款模型，并检验模型的自相关性。 13 表表 6-16-1 我国城乡居民储蓄存款与我国城乡居民储蓄存款与 GDPGDP 统计资料统计资料（1978 年100） 年份存款余额 YGDP 指数 X年份存款余额 Y GDP 指 数 X 1978210.60100.019895146.90271.3 1979281.00107.619907034.20281.7 1980399.50116.019919107.00307.6 1981523.70122.1199211545.40351.4 1982675.40133.1199314762.39398.8 1983892.50147.6199421518.80449.3 19841214.70170.0199529662.25496.5 19851622.60192.9199638520.84544.1 19862237.60210.0199746279.80592.0 19873073.30234.0199853407.47638.2 19883801.50260.7 【实验步骤实验步骤】 一、回归模型的筛选一、回归模型的筛选 相关图分析 SCAT X Y 相关图表明，GDP 指数与居民储蓄存款二者的曲线相关关系较为明显。现将函数初步设定为线 性、双对数、对数、指数、二次多项式等不同形式，进而加以比较分析。 估计模型，利用 LS 命令分别建立以下模型 线性模型： LS Y C X xy5075.9284.14984 (-6.706) (13.862)t 0.9100 F192.145 S.E5030.809 2 R 双对数模型：GENR LNY=LOG(Y) GENR LNX=LOG(X) LS LNY C LNX xyln9588 . 2 0753 . 8 ln (-31.604) (64.189)t 0.9954 F4120.223 S.E0.1221 2 R 对数模型：LS Y C LNX xyln82.23605 8 . 118140 (-6.501) (7.200)t 0.7318 F51.8455 S.E8685.043 2 R 14 指数模型：LS LNY C X xy010005. 03185. 5ln (23.716) (14.939)t 0.9215 F223.166 S.E0.5049 2 R 二次多项式模型：GENR X2=X2 LS Y C X X2 2 1966 . 0 5485.4456.2944xxy (3.747) (-8.235) (25.886)t 0.9976 F3814.274 S.E835.979 2 R 选择模型 比较以上模型，可见各模型回归系数的符号及数值较为合理。各解释变量及常数项都通过了 检t 验，模型都较为显著。除了对数模型的拟合优度较低外，其余模型都具有高拟合优度，因此可以首 先剔除对数模型。 比较各模型的残差分布表。线性模型的残差在较长时期内呈连续递减趋势而后又转为连续递增 趋势，指数模型则大体相反，残差先呈连续递增趋势而后又转为连续递减趋势，因此，可以初步判 断这两种函数形式设置是不当的。而且，这两个模型的拟合优度也较双对数模型和二次多项式模型 低，所以又可舍弃线性模型和指数模型。双对数模型和二次多项式模型都具有很高的拟合优度，因 而初步选定回归模型为这两个模型。 三、自相关性检验 DW 检验； 双对数模型 因为 n21，k1，取显著性水平0.05 时，查表得1.22，1.42，而 L d U d 00.7062DW，所以存在（正）自相关。 L d 二次多项式模型 1.22，1.42，而1.2479DW，所以通过 DW 检验并不能判断是否存在自相关。 L d U d L d U d 偏相关系数检验 在方程窗口中点击 View/Residual Test/Correlogram-Q-statistics，并输入滞后期为 10，则 会得到残差与的各期相关系数和偏相关系数。 t e 1021 , ttt eee 从图中可以看出，双对数模型的第 1 期、第 2 期偏相关系数的直方块超过了虚线部分，存在着 一阶和二阶自相关，二次多项式模型仅存在二阶自相关。 BG 检验 在方程窗口中点击 View/Residual Test/Series Correlation LM Test，并选择滞后期为 2。 =11.31531，临界概率 P=0.0034，因此辅助回归模型是显著的，即存在自相关性。又因为 2 nR ，的回归系数均显著地不为 0，说明双对数模型存在一阶和二阶自相关性。 1t e 2t e 15 二次多项式 BG 检验 BG 检验与偏相关系数检验结果不同 四、自相关性的调整：加入 AR 项 对双对数模型进行调整； 在 LS 命令中加上 AR(1)和 AR(2)，使用迭代估计法估计模型。键入命令： LS LNY C LNX AR(1) AR(2) 估计过程经过 4 次迭代后收敛；，的估计值分别为 0.9459 和-0.5914，并且 检验显著， 1 2 t 说明双对数模型确实存在一阶和二阶自相关性。调整后模型的 DW1.6445，n19，k1，取显著 性水平0.05 时，查表得1.18，1.40，而1.6445DW4，说明模型不存在 L d U d U d U d 一阶自相关性；再进行偏相关系数检验和 BG 检验，也表明不存在高阶自相关性，因此，中国城乡居 民储蓄存款的双对数模型为： xyln9193 . 2 8445 . 7 ln (-25.263) (52.683)t 0.9982 F2709.985 S.E0.0744 DW1.6445 2 R 对二次多项式模型进行调整； 键入命令： LS Y C X X2 AR(2) 则估计结果如图 5-19 所示。 加上 ar1 2 调整后不存在自相关性，但仅有 AR(2)项调整后用偏相关系数检验仍然存在 2 阶和 6 阶自相关，且 BG 检验结果与偏相关系数检验结果不同，且 BG 检验滞后期不同，结果不同。 从双对数模型和二次多项式模型中选择调整结果较好的模型。 五、重新设定双对数模型中的解释变量： 模型 1：加入上期储蓄 LNY(-1)； 模型 2：解释变量取成：上期储蓄 LNY(-1)、本期 X 的增长 DLOG(X)。 检验自相关性； 模型 1 键入命令： LS LNY C LNX LNY(-1) 结果表明了 DW=1.358，n20，k2，查表得1.100，1.537，而 L d U d 1.358DW，属于无法判定区域。采用偏相关系数检验的结果模型 1 不存在自相关性。 L d U d 模型 2 键入命令： GENR DLNX=D(LNX) LS LNY C LNY(-1) DLNX 结果表明了 DW=1.388，n20，k2，查表得1.100，1.537，而 L d U d 16 1.388DW，属于无法判定区域。采用偏相关系数检验的结果模型 2 不存在自相关性。 L d U d 解释模型的经济含义。 模型 1 模型 1 的表达式为： 1ln8794 . 0 ln3200 . 0 5240 . 0 lnyxy 表示我国城乡居民储蓄存款余额的相对变动不仅与 GDP 指数相关，而且受上期居民存款余额的 影响。当 GDP 指数相对增加 1时，城乡居民存款余额相对增加 0.32，当上期居民存款余额相对 增加 1时，城乡居民存款余额相对增加 0.8794。 模型 2 模型 2 的表达式为： xDyyln1128 . 0 1ln9865 . 0 3754 . 0 ln 表示上期居民存款余额相对增加 1时，城乡居民存款余额相对增加 0.9865，当 GDP 指数的 发展速度相对增加 1时，城乡居民存款余额相对增加 0.1128。 实验七实验七 滞后变量模型（选作）滞后变量模型（选作） 【实验目的实验目的】 掌握分布滞后模型的估计方法 【实验内容实验内容】 建立天然橡胶价格影响的分布滞后模型。 表 7-1 列出期货市场 29 个连续交易日的原油和天然橡胶的价格数据，请利用分布滞后模型建立天然 橡胶价格影响模型。 表表 7-1 2929 个连续交易日的原油和天然橡胶的价格数据个连续交易日的原油和天然橡胶的价格数据 日期橡胶价格原油价格日期橡胶价格原油价格 12.0111800369.4912.2310520355.80 12.0211185314.7512.2410350342.12 12.0310515314.7512.2610680355.80 12.049965294.2212.2910895362.65 12.0810195294.2212.3011045369.49 12.099925267.3812.3111360396.86 12.1010320307.901.0511905423.83 12.1110275321.591.0612615430.67 12.1210045314.751.0813200403.32 12.1510425301.071.0913550403.32 12.1610495294.221.1213200396.49 12.1710695273.701.1313185403.32 12.1810135246.331.1413500389.65 12.1910110225.801.1513500396.49 12.