入门模型线性回归模型

入门模型线性回归模型一元线性回归模型案例Case1就是黑龙江省伊春林区1999年16个林业局得年木材采伐量和相应伐木剩余物数据。下面利用该数据介绍怎样利用EViews软件进行OLS回归1、数据文件得读取或打开。2、画散点图。命令方式:scatyx菜单方式:从EViews主菜单中点击Quick键,选择Graph/Scatter功能Group操作方式:首先要将序列y和x组成一个群,再在主窗口选择菜单View/Graph/Scatter

画图时应该先输入横轴得变量名,再输入纵轴得变量名。3、OLS估计菜单操作方式:从工作文件主菜单中点击Quick/EstimateEquation功能。方程设定(EquationSpecification)对话框:在选择框中输入ycx,或输入y=C(1)十C(2)*x,表示一个一元线性回归方程。命令操作方式:Lsycx4、结果显示点击方程对象窗口中得View键:Actual,Fitted,Residua/Actual,Fitted,ResidualTable功能,可以得到图形,用来进行残差分析。Presentation,可以得到输出结果得代数表达式Stats键,可以还原回第一种显示方式。Name键,可以为此输出结果命名Estimate键,可以随时改变估计模型得数学形式、样本范围以及估计方法。输出结果中,Std、Error(标准误差):主要用来衡量回归系数得统计可靠性。标准误差越大,回归系数估计值越不可靠。t-Statistic(t统计量):检验得就是某个系数就是否为零(该变量就是否不存在于回归模型中)。prob(概率),此列显示在服从t分布条件下,对应其左侧一列t统计量值得概率。通过这一信息可以方便地分辨出就是拒绝还就是接受系数真值为零得假设。正常情况下,概率低于0、05即可认为对应系数显著不为零。R-squared(可决系数):表示拟合优度得好坏,可决系数越大,方程拟合得越好。S、E、ofregression(回归得标准误差):这就是一个对预测误差大小得总体度量,就是对残差大小得度量。Sumsquaredresid(残差平方和):就是残差得平方和,可以用做一些检验得输入值。Loglikelihood(对数似然估计值):就是在系数估计值得基础上对对数似然函数得估计值(假定误差服从正态分布)。可以通过观察方程得约束式和非约束式得对数似然估计值得差异;进行似然比检验。Durbin-Watsonstat(DW统计量):这就是对序列相关性进行检验得统计量。如果她比2小很多,则证明这个序列正相关MeanDependentVar(被解释变量得均值):被解释变量得样本均值。F-Statistic(F统计量):这就是对回归方程中得所有系数均为0(除了常数项)得假设检验。Prob(F-Statistic)(F统计量对应得概率):该项就是由上面F统计量得值计算出得概率。10大家应该也有点累了，稍作休息大家有疑问的，可以询问和交流X=20条件下模型得样本外预测方法把工作文件范围从原来得1~16改为1~17。打开x得数据窗口,利用Edit+/-键给x得第17个观测值赋值为20。输出结果窗口中点击Forecast键,随即弹出一个关于预测(Forecast)得对话框。yf在Forecastname选择区自动生成,yf就是保存预测值得变量。在Forecastsample选择区把预测范围从1~17改为17~17,即只预测x=20时得y得值。多元线性回归模型案例case2就是1950-1987年间美国机动汽油消费量和影响消费量得变量数值。其中各变量表示:QMG-机动车汽油消费量;MOB-汽车保有量;PMG-机动汽油零售价格;POP-人口数;GNP-按照1982年美元计算得GNP;以汽油消费量为因变量,其她变量为自变量,建立一个回归模型。1、建立模型菜单方式:选object/newobject,在新建对象对话框中选对象为Equation,并命名,点击OK或选Quick/estimateequation、命令方式:在主窗口命令行输入:Lsqmg=c(1)+c(2)*car+c(3)*pmg+c(4)*pop+c(5)*rgnp或等价得输入变量列表LsQmgccarpmgpoprgnp2、预测菜单命令就是对方程对象操作proc/forecast,或直接从工具栏中选Forecast,Eviews会产生一个新得对话框,可以生成名为原自变量名加f名得新序列,也可自己命名。RMSE均方根误差;MAE平均绝对误差MAPE即平均绝对百分误差Theilinequalitycoefficient希尔不等系数Biasproportion偏差率Varianceproportion方差率Covarianceproportion协变率多元线性回归模型得极大似然估计用对数极大似然估计来估计一个模型,主要得工作就是建立用来求解似然函数得说明文本。EViews中似然函数得说明只就是一系列对序列得赋值语句,这些语句在极大化得过程中被反复得计算。我们要做得就是写下一组语句,在计算时,这些语句将描述一个包含每个观测值对似然函数贡献得序列。利用极大似然法估计模型参数这就就是变量Y得似然函数。对似然函数求极大值和对对数似然函数求极大值就是等价得。EViews编程以case1为例。先在object中打开logl对象在logl对象窗口输入:logllogl1paramc(1)-0、7c(2)0、4c(3)4Res=y-c(1)-c(2)*xVar=c(3)Logl1=log(dnorm(res/sqrt(var)))-log(var)/2

线性化方法在某些情形下,可以将这些非线性模型,通过一定得变换线性化,作为线性模型处理。这类模型称为可线性化得非线性模型。例3case3就是某企业在16个月度得某产品产量(X)和单位成本(Y)资料,研究二者关系。为了明确产量和单位成本就是何种关系,先绘制散点图。三个备选模型:按照线性化得法则,建立非线性模型有两种方法1、用genr命令按变换函数生成新序列,再运用LS命令对新序列进行参数估计。Genrz=1/xLsycz2、在使用LS命令时直接对序列进行操作而不必生成任何新序列。Lsyc1/x在条件许可得情况下建议使用第二种处理方法。从输出结果看,上述三种模型得回归系数和回归方程都通过了显著性检验。说明用这三种模型来描述x和y得关系都就是很好得。决定系数相差不大,但双曲线得决定系数最大。以双曲线模型作为终选模型。虚拟变量得应用一般得线性回归模型,变量取值都就是具体得连续数值,例如国民生产总值、职工年人均收入等,这些都属于定量变量。然而,实际问题中经常会碰到这样一些变量,如性别、职称、历史时期(计划经济或市场经济)等,不就是用数值度量得,被称为定性变量。含有定性变量得线性回归问题可分为自变量含定性变量和因变量含定性变量两种情况,由于后者比较复杂,本节只讨论自变量含定性变量得情况。1、虚拟变量得设立在建立回归模型之前,首先应对属于定性变量得自变量加以数量化处理,常用方法就是引入只取0和1两个值得名义(Dummy)变量。例如研究职工工作量得回归模型:其中,yi和xi分别表示第i个职工得工作量及工作时间,Di就是一个定性变量。引入得虚拟变量,又称哑变量。当描述得事物或现象有m种情况时,引入虚拟变量得个数应为m-1。2、虚拟变量得引入方式(1)加法类型(2)乘法类型用不同方式引入虚拟变量将反映不同得影响效果,所以设置虚拟变量时,最好先根据散点图或经济分析,大致判断定性因素得影响类型(即影响截距还就是斜率),然后再用加法方式或乘法方式在模型中设置虚拟变量。实际应用中,事先往往难以确定定性因素得影响类型。因此,一般就是直接以加法和乘法方式引入虚拟变量,然后再利用t检验判断其系数就是否显著不等于0,进而确定虚拟变量得引入方式。3、EViews得操作解释变量中含有定性变量得问题比较简单,EViews得操作步骤与一般多元线性回归模型得建模过程基本相同,