计量经济学实验报告

1、大连海事大学实验报告 学号：2220123514 大连海事大学实 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： 宋 杨 指导教师： 赵冰茹 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：Eview6.0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，序列相关模型的检验与处理等。二、实验环境WINDOWSXP或2007操作系统下，基于EVIEWS6.0平台。三、实验模型建立与分析案例1：一元线性回归模型的建立与

2、分析已知某市货物运输量Y（万吨），国内生产总值GDP（亿元，1980年不变价）。（数据来源：计量经济学基础第3版 张晓峒 南开大学出版社 42页习题6）表一：1985年1998年的样本观测值见下表年份YGDP198518249161.69198618525171.07198718400184.07198816693194.75198915543197.86199015929208.55199118308221.06199217522246.92199321640276.8199423783316.38199524040363.52199624133415.51199725090465.7819

3、9824505509.11. 散点图分析建立货物运输量Y随国内生产总值GDP的一元线性回归模型图1-1从图中可以看出Y与GDP之间可能存在线性相关关系。但是我们无法得出Y与GDP之间精确的计量关系，因此用普通最小二乘法进行一元线性回归模型的估计。2普通最小二乘法建立一元线性回归模型。将Y作为被解释变量，GDP作为解释变量利用eviews6.0的Equation进行模型估计，输出结果报告如下：Dependent Variable: YMethod: Least SquaresDate: 12/20/14 Time: 16:49Sample: 1985 1998Included observati

4、ons: 14CoefficientStd. Errort-StatisticProb.  GDP26.954154.1203006.5417920.0000C12596.271244.56710.121010.0000R-squared0.781002    Mean dependent var20168.57Adjusted R-squared0.762752    S.D. dependent var3512.487S.E. of regression1710.865  

5、;  Akaike info criterion17.85895Sum squared resid35124719    Schwarz criterion17.95024Log likelihood-123.0126    Hannan-Quinn criter.17.85050F-statistic42.79505    Durbin-Watson stat0.859998Prob(F-statistic)0.000028图1-2 由上表可知货物运输量

6、随国内生产总值变化的一元线性回归方程为: Y = 12596.27+ 26.9542* GDP其中斜率26.95415表示国内生产总值每增加一元,货物运输量平均增长26.9542万辆。3对所建立建立的回归方程进行检验（t（12）=2.18） 经济学意义上的检验从回归方程来看，国内生产总值每增加一元，货物运输量平均增长26.9542万辆。系数为正，符合经济发展规律，是具有经济意义的模型。统计学意义上的检验l 可决系数R-squared=0.762752，说明被解释变量的变异中有76%以上可由方程解释，模型总体拟合程度还不错。l F统计量=42.79505，其伴随概率0.000028<0.0

7、5，在5%的显著性水平下，拒绝原假设，接受备择假设，即方程总体是显著的。l 所有系数的t统计量伴随概率均小于0.05，在5%的显著性水平下，拒绝原假设。说明系数显著，GDP对货物运输量有显著影响。 4对模型的估计与预测 假如2000年某市以1980年为不变价的国内生产总值为620亿元，求2000年货物运输量预测值及预测区间。国内生产总值为620亿元，货物运输量的预测值 =12596.27+ 26.9542* 620 =29307.84 万吨经计算 =1710.8658*276.1905 故货物运输量的预测区间为: （28873.08746万辆，29742.59254万辆）5案例总结 从本案例中

8、，我们知道交通运输业的发展与经济情况密切相关，影响着国内生产总值GDP的发展。在进行分析时，应注意从经济意义，统计学意义上进行分析，争取做到结果更准确。案例2：多元线性回归模型的建立与分析为了研究税收收入的影响因素，表二给出了我国20002012年国家税收收入y（亿元），国内生产总值x1（亿元），财政支出x2（亿元），商品零售价格指数x3（%），货物运输总量x4（万吨），对它们之间的关系进行回归分析。（数据来源：国家统计局官网，统计年鉴）表二：年份税收收入y国内生产总值x1财政支出x2商品零售价格指数x3货物运输总量x4200012581.5198000.515886.50100.413586

9、82200115301.38108068.218902.58100.71401786200217636.45119095.722053.1599.21483447200320017.31134977.024649.95101.21564492200424165.68159453.628486.89103.91706412200528778.54183617.433930.28101.81862066200634804.35215904.440422.73101.52037060200745621.97266422.049781.35104.82275822200854223.79316030.

10、362592.66105.92585937200959521.59340320.076299.9399.32825222201073210.79399759.589874.16103.33241807201189738.39468562.4109247.79105.436969612012100614.28516282.1125952.97102.640994001. 建立y与x1、x2、x3、x4的散点图如下：图2-1由散点图可知，解释变量与被解释变量X4之间较为显著。解释变量之间存在着线性关系。1. 建立相关系数矩阵建立以y，x1，x2，x3，x4为组的group对象，查看解释变量之间的相

11、关系数矩阵，结果如图：YX1X2X3X4Y 1.000000 0.998575 0.997723 0.485290 0.999270X1 0.998575 1.000000 0.994892 0.496808 0.997655X2 0.997723 0.994892 1.000000 0.434516 0.999044X3 0.485290 0.496808 0.434516 1.000000 0

12、.463057X4 0.999270 0.997655 0.999044 0.463057 1.000000图2-2观察发现，变量之间存在着多重共线性。X1与X2和X4之间，X2与X4之间相关系数很高，可能存在存在多重共线性，在建立模型时注意消除因此带来的影响。2. 建立多元线性回归方程 以Y为被解释变量，X1,X2,X3,X4为解释变量，用普通最小二乘法（OLS）建立多元线性回归模型，输出结果如下：Dependent Variable: YMethod: Least SquaresDate: 12/23/14 Time: 11:17Sampl

13、e: 2000 2012Included observations: 13CoefficientStd. Errort-StatisticProb.  X10.0579160.0321881.7992840.1097X20.3311990.2332231.4200930.1934X3408.6352183.13402.2313460.0562X40.0094530.0120340.7854790.4548C-52001.5116903.58-3.0763610.0152R-squared0.999459    Mean depende

14、nt var44324.31Adjusted R-squared0.999188    S.D. dependent var29279.90S.E. of regression834.1345    Akaike info criterion16.57439Sum squared resid5566243.    Schwarz criterion16.79168Log likelihood-102.7335    Hannan-Qui

15、nn criter.16.52973F-statistic3694.478    Durbin-Watson stat1.693475Prob(F-statistic)0.000000图2-3 由上表可知，线性回归方程为：Y = 0.0579158044159*X1 + 0.331198960995*X2 + 408.635230644*X3 + 0.0094525271349*X4 - 52001.5104925分析： 从表面上，方程的R平方与R-squared值很高，F统计量值明显通过检验且Prob很小，DW值也接近于2，方程的拟合程度看上去非常好，

16、出现了“经典征兆”。但是，通过观察，X1，X2,X3,X4前参数均未通过t检验，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。说明解释变量间存在共线性。残差图：图2-4 3. 多重共线性的修正为了消除多重共线性的影响，采用逐步引入法选择解释变量。在eviews软件中采取逐步回归的办法让计算机自动选择变量。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，选择向前回归，逐步加入回归，结果如下:Dependent Variable

17、: YMethod: Stepwise RegressionDate: 12/23/14 Time: 11:19Sample: 2000 2012Included observations: 13Number of always included regressors: 1Number of search regressors: 4Selection method: Stepwise forwardsStopping criterion: p-value forwards/backwards = 0.05/0.05CoefficientStd. Errort-StatisticProb.*&#

18、160; C-67901.0313354.51-5.0845020.0005X40.0317130.00032797.038540.0000X3378.2860133.77352.8278100.0179R-squared0.999189    Mean dependent var44324.31Adjusted R-squared0.999027    S.D. dependent var29279.90S.E. of regression913.4238    

19、Akaike info criterion16.67145Sum squared resid8343430.    Schwarz criterion16.80182Log likelihood-105.3644    Hannan-Quinn criter.16.64465F-statistic6160.179    Durbin-Watson stat1.819396Prob(F-statistic)0.000000Selection SummaryAdded X4Add

20、ed X3*Note: p-values and subsequent tests do not account for stepwise        selection.图2-5 分析：R与R-squared的值很高，说明方程拟合程度很好，F统计量及其概率以及DW值明显上升，变量X4与X3的t统计量的概率均小于5%，说明逐步回归消除了多重共线性的影响。因此，国家税收收入随着货物运输量x4，商品零售价格指数x3的二元线性回归方程为：Y = -67901.0274323 + 0.0317132628344*X4 +

21、 378.28599775*X35案例总结 当研究的模型存在多个解释变量时，不应该被建立出来的方程的“经典征兆”而模糊判断，而是该全面观察是否有多重共线性的可能，进而进行消除影响，此时得到的模型才是比较正确的。案例3： 序列相关模型的检验与处理 2000年2012年年我国城镇居民消费支出（CONSUM），人均可支配收入（INCOME）以及消费价格指数PRICE（1978年=100）（数据来源：国家统计局，19952013年统计年鉴，人民生活部分）表3 年份消费价格指数人均消费支出人均可支配收入19952.9033537.5704283.30019963.0163919.4704838.9001

22、9973.1194185.6405160.30019983.2994331.6105425.10019993.6064615.9105854.00020003.9116850.0006280.00020014.0637160.7676859.60020024.2627486.0317702.80020034.5618060.2218472.20020044.8778912.2579421.60020055.1189593.24910493.00020065.52710618.25211759.50020076.06212130.22713785.80020086.47913653.426157

23、80.80020097.06514904.35217174.70020107.48316546.36019109.40020118.03319107.73321809.80020128.66321119.68324564.700 1. 分析散点图考虑到价格指数的影响，将CONSUM和INCOME各自除以价格指数，形成被解释变量CONSUM/PRICE和解释变量INCOME/PRICE，并作散点图如下，分析散点图，CONSUM/PRICE和INCOME/PRICE呈线性相关图3-1 2. 回归结果建立以CONSUM/PRICE为被解释变量，以INCOME/PRICE为解释变量的回归方程。Depe

24、ndent Variable: CONSUM/PRICEMethod: Least SquaresDate: 12/21/14 Time: 14:55Sample: 2000 2012Included observations: 13CoefficientStd. Errort-StatisticProb.  INCOME/PRICE0.5888870.03878515.183180.0000C710.187085.757588.2813320.0000R-squared0.954457    Mean dependent var19

25、92.769Adjusted R-squared0.950317    S.D. dependent var239.1207S.E. of regression53.29950    Akaike info criterion10.93037Sum squared resid31249.20    Schwarz criterion11.01728Log likelihood-69.04740    Hannan-Quinn crite

26、r.10.91250F-statistic230.5291    Durbin-Watson stat0.473658Prob(F-statistic)0.000000图3-2 根据以上结果，得到回归方程：CONSUM/PRICE=710.1870+0.588887* INCOME/PRICE在水平上，T=18条件下，k=1时，临界值Dl=1.16，由结果可知，DW=0.28<Dl,因此原模型中存在序列正相关。3. LM检验LM统计量：Breusch-Godfrey Serial Correlation LM Test:F-statistic5.9

27、04158    Prob. F(1,10)0.0355Obs*R-squared4.826037    Prob. Chi-Square(1)0.0280辅助回归： Test Equation:Dependent Variable: RESIDMethod: Least SquaresDate: 12/21/14 Time: 15:55Sample: 2000 2012Included observations: 13Presample missing value lagged residuals set to

28、zero.CoefficientStd. Errort-StatisticProb.  INCOME/PRICE0.0148440.0328290.4521560.6608C-29.3916872.33885-0.4063060.6931RESID(-1)0.6594170.2713822.4298470.0355R-squared0.371234    Mean dependent var1.89E-13Adjusted R-squared0.245480    S.D. dependent

29、var51.03039S.E. of regression44.32657    Akaike info criterion10.62022Sum squared resid19648.45    Schwarz criterion10.75059Log likelihood-66.03143    Hannan-Quinn criter.10.59342F-statistic2.952079    Durbin-Watson stat1.199909Prob(F-statistic)0.098276图3-3 由LM检验可见，卡方统计量TR2=4.83，而水平下，TR2=4.83>,因此，拒绝零假设，认为存在一阶序列相关。0.659417说明存在正相关。4. 用广义最小二乘法估计参数计算一阶相关系数,对原变量做广义差分。若令：, ,则以和为样本再次计算回归方程：GDY = 44.89513 + 0.784615*GDXDependent Variable: GDYMethod: Least SquaresDate: 12/21/14 Time: 15:05Sample (adjusted): 2001 2012I