计量经济学试验完整版--李子奈

计量经济学试验完整版--李子奈 计量经济学试验??李子奈 目 录 实验一 一元线性回归 5 一 实验目的 5 二 实验要求 5 三 实验原理 5 四 预备知识 5 五 实验内容 5 六 实验步骤 5 1.建立工作文件并录入数据 5 2.数据的描述性统计和图形统计: 7 3.设定模型,用最小二乘法估计 参数 转速和进给参数表a氧化沟运行参数高温蒸汽处理医疗废物pid参数自整定算法口腔医院集中消毒供应 : 8 4.模型检验: 8 5.应用:回归预测: 9 实验二 可化为线性的非线性回归模型估计、受约束回归检验及参数稳定性 检验 12 一 实验目的: 12 二 实验要求 12 三 实验原理 12 四 预备知识 12 五 实验内容 12 六 实验步骤 13 实验三 多元线性回归 14 一 实验目的 14 三 实验原理 15 四 预备知识 15 五 实验内容 15 六 实验步骤 15 6.1 建立工作文件并录入全部数据 15 6.2 建立二元线性回归模型 15 6.3 结果的分析与检验 16 6.4 参数的置信区间 16 6.5 回归预测 17 6.6 置信区间的预测 18 实验四 异方差性 20 一 实验目的 20 二 实验要求 20 三 实验原理 20 四 预备知识 20 五 实验内容 20 六 实验步骤 20 6.1 建立对象: 20 6.2 用普通最小二乘法建立线性模型 21 6.3 检验模型的异方差性 21 6.4 异方差性的修正 24 实验五 自相关性 28 一 实验目地 28 二 实验要求 28 三 实验原理 28 四 预备知识 28 五 实验内容 28 六 实验步骤 28 6.1 建立Workfile和对象 29 6.2 参数估计、检验模型的自相关性 29 6.3 使用广义最小二乘法估计模型 33 6.4 采用差分形式作为新数据,估计模型并检验相关性 35 实验六 多元线性回归和多重共线性 37 一 实验目的 37 二 实验要求 37 三 实验原理 37 四 预备知识 37 五 实验内容 37 六 实验步骤 37 6.1 建立工作文件并录入数据 38 6.2 用OLS估计模型 38 6.3 多重共线性模型的识别 38 6.4 多重共线性模型的修正 39 实验七 分布滞后模型与自回归模型及格兰杰因果关系检验 41 一 实验目的 41 二 实验要求 41 三 实验原理 41 四 预备知识 41 五 实验内容 41 六 实验步骤 42 6.1 建立工作文件并录入数据 42 6.2 使用4期滞后2次多项式估计模型 42 6.3 格兰杰因果关系检验 45 实验八 联立方程计量经济学模型 49 一 实验目的 49 二 实验要求 49 三 实验原理 49 四 预备知识 49 五 实验内容 49 六 实验步骤 50 6.1 分析联立方程模型。 50 6.2 建立工作文件并录入数据,如图1所示。 50 6.3 估计国内生产总值方程 51 6.4 估计货币供给量方程 53 6.5 模型的直接计算机估计 54 实验九 时间序列计量经济学模型 56 一 实验目的 56 二 实验要求 56 三 实验原理 56 四 预备知识 56 五 实验内容 56 六 实验步骤 56 6.1 建立工作文件并录入数据,如图1所示。 56 6.2 平稳性检验 57 6.3 单整性检验 61 6.4 估计的模型 62 实验一 一元线性回归 一 实验目的:掌握一元线性回归的估计与应用,熟悉EViews的基本操作。 二 实验要求:应用教材P61第12 题 快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题 做一元线性回归分析并做预测。 三 实验原理:普通最小二乘法。 四 预备知识:最小二乘法的原理、t检验、拟合优度检验、点预测和区间预 测。 五 实验内容: 第2章练习12 下 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 是中国2007年各地区税收和国内生产总值GDP的统计资料。 单位:亿元 地区 Y GDP 地区 Y GDP 北 京 1435.7 9353.3湖 北 434.0 9230.7天 津 438.4 5050.4湖 南 410.7 9200.0河 北 618.3 13709.5广 东 2415.5 31084.4山 西 430.5 5733.4广 西 282.7 5955.7内蒙古 347.9 6091.1海 南 88.0 1223.3辽 宁 815.7 11023.5重 庆 294.5 4122.5吉 林 237.4 5284.7四 川 629.0 10505.3黑龙江 335.0 7065.0贵 州 211.9 2741.9上 海 1975.5 12188.9云 南 378.6 4741.3江 苏 1894.8 25741.2西 藏 11.7 342.2浙 江 1535.4 18780.4陕 西 355.5 5465.8安 徽 401.9 7364.2甘 肃 142.1 2702.4福 建 594.0 9249.1青 海 43.3 783.6江 西 281.9 5500.3宁 夏 58.8 889.2山 东 1308.4 25965.9新 疆 220.6 3523.2河 南 625.0 15012.5要求,以手工和运用Eviews软件: 1作出散点图,建立税收随国内生产总值GDP变化的一元线性回归方程,并解释斜率的经济意义; 2对所建立的回归方程进行检验; 3若2008年某地区国内生产总值为8500亿元,求该地区税收收入的预测值及预测区间。 六 实验步骤 1.建立工作文件并录入数据: 1双击桌面快速启动图标,启动Microsoft Office Excel, 如图1,将题目的数据输入到excel表格中并保存。 2双击桌面快速启动图标,启动EViews6程序。 3点击File/New/ Workfile„,弹出Workfile Create对话框。在Workfile Create对话框左侧Workfile structure type栏中选择Unstructured/Undated 选项,在右侧Data Range中填入样本个数31.在右下方输入Workfile的名称P53.如图2所示。 图 1 图 2 4下面录入数据,点击File/Import/Read Text-Lotus-Excel选中第1步保存的excel表格,弹出Excel Spreadsheet Import对话框,在Upper-left data cell栏输入数据的起始单元格B2,在Excel 5+sheet name栏中输入数据所在的工作表sheet1,在Names for series or Number if named in file栏中输入变量名Y GDP,如图3所示,点击OK,得到如图4所示界面。 图 3 图 4 5按住Ctrl键同时选中Workfile界面的gdp表跟y表,点击鼠标右键选Open/as Group得到完整表格如图5,并点击Group表格上菜单命令Name,在弹出的对话框中命名为group01. 图 5 图 6 2.数据的描述性统计和图形统计: 以上建立的序列GDP和Y之后,可对其做描述统计和统计以把握该数据的 一些统计属性。 1描述属性: 点View/Descriptive Stats\Common Sample,得描述统计结果,如图6所示,其中:Mean为均值,Std.Dev为 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 差。 2图形统计: 双击序列GDP,打开GDP的表格形式,点击表格左边View/Graph,可得图7。 同样可查看序列Y的线形图。 很多时候需要把两个序列放在一个图形中来查看两者的相互关系,用线图或散点图都可以。 在命令栏键入:scat GDP Y,然后回车,就可以得到用散点图来查看GDP和Y的关系,如图8所示。 图 7 图 8 3.设定模型,用最小二乘法估计参数: 设定模型为。 按住Ctrl键,同时选中序列Y和序列GDP,点击右键,在所出现的右键菜单中,选择Open/as Equation„后弹出一对话框,在框中一次输入“y c gdp ”,(注意被解释变量在最前,变量间要空格,如图9)点击其下的确定,即可得到回归结果(如图10)。 图 9图 10 由图10数据结果,可得到回归分析模型为: , ,其中,括号内的数为相应的t检验值。是可决系数,与是有关的两个检验统计量。 4.模型检验: 1经济意义检验。斜率为边际可支国内生产总值GDP,表明2007年,中国内地各省区GDP每增加1亿元时,税收平均增加0.071047亿元。 2t检验和拟合优度检验。在显著性水平下,自由度为31-229的t分布的临界值。因此,从参数的t检验值看,斜率项显然不为零,但不拒绝截距项为零的假设。另外,拟合优度表明,税收的76%的变化也以由GDP的变化来解释,因此拟合情况较好。在Eqution界面点击菜单命令 View/Actual,Fitted,Residual/Actual,Fitted.Residual Graph可得到图11,可直观看到实际观测站和拟合值非常接近。 图 11 图 12 5.应用:回归预测: 1被解释变量Y的个别值和平均值的点预测: 由第二章第五节知道,个别值和平均值点预测的预测公式均为 内插预测: 在Equation框中,点击“Forecast”,在Forecast name框中可以为所预测的预测值序列命名,计算机默认为yf,点击“OK”,得到样本期内被解释变量的预测值序列yf(也称拟合值序列)的图形形式(图12)。同时在Workfile中出现一个新序列对象yf。 外推预测: 录入2008年某地区国内生产总值GDP为8500亿元的数据。 双击Workfile菜单下的Range所在行,出现将Workfile structured对话框,讲右侧Observation旁边的数值改为32,然后点击OK,即可用将Workfile的Range以及Sample的Range改为32; 双击打开GDP序列表格形式,将编辑状态切换为“可编辑”,在GDP序列中补充输入GDP8500(如图13所示)。 图13图 14 进行预测 在Equation框中,点击“Forecast”,弹出一对话框,在其中为预测的序 列命名,如yf2。点击OK即可用得到预测结果的图形形式(如图14所示)。 点击Workfile中新出现的序列yf2,可以看到预测值为593.2667(图15)(注意:因为没有对默认预测区间1-32做改变,这时候得到的是所有内插预测与外插预测的值,若将区间改为32 32,则只会得到外推预测结果)。 图 15 图 16 结果查看 按住Ctrl键,同时选中y、yf、resid,点击右键,在右键菜单中选Open/as Group可打开实际值、预测值、残差序列,在view菜单选择Graph,画折线图(如图16所示)。 2区间预测原理: 当2007年中国某省区GDP为8500亿元时,预测的税收为 被解释变量Y的个别值区间预测公式为: , 被解释变量Y的均值区间预测公式为: 。 具体地说,可以在前面点预测序列中找到;可以查t分布表得到;样本数n31为已知;中的为已知,,可以在序列GDP的描述统计中找到,;,从而;由X总体方差的无偏估计式,可以计算 可在序列X的描述统计中找到。 3区间预测的Eviews操作: ?个别值置信区间的计算: 在命令栏输入:(yfu为个别值的置信上界,yfl为个别值的置信下界) “scalar yfu593.2667+2.045*@sqrt95183.1*1+1/31+152979.5/55957878.6” “scalar yfl593.2667-2.045*@sqrt95183.1*1+1/31+152979.5/55957878.6” 得到: yfu1235.12876632 yfl-48.5953663235 于是95%的置信度下预测的2008年某省区税收入个值的置信区间为: (-48.5953663235,1235.12876632)。 ?均值的置信区间的计算: 在命令栏输入:(eyfu为均值的置信上界,eyfl为均值的置信下界) “scalar eyfu593.2667+2.045*@sqrt95183.1*1/31+152979.5/55957878.6” “scalar eyfl593.2667-2.045*@sqrt95183.1*1/31+152979.5/55957878.6” 得到: eyfu711.287072849 eyfl475.246327151 于是在95%的置信度下,预测省区的2008年的税收收入均值的置信区间为: (475.246327151,711.287072849)。 实验二 可化为线性的非线性回归模型估计、受约束回归检验及参数稳定性检验 一 实验目的: (1)掌握可化为线性的非线性回归模型的估计方法; (2)模型参数的线性约束检验方法; (3)掌握Chow检验的基本原理和主要用途; (4)掌握Chow分割点检验和Chow预测检验的操作过程,判断分割点。 二 实验要求:应用教材P83例子3.5.1做可化为线性的非线性回归模型估计, 利剑受约束回归检验,掌握Chow稳定性检验。 三 实验原理:普通最小二乘法、模型参数线性受约束检验法、Chow检验法。 四 预备知识:最小二乘估计原理、t检验、F检验、Chow检验。 五 实验内容: 下表列出了中国某年按行业分的全部制造业国有企业及规模以上制造业非 国有企业的工业总产值Y,资产合计K及职工人数L。 序号 工业总产值Y 资产合计K 职工人数L 序号 工业总产值Y 资 产合计K 职工人数L (亿元) (亿元) (万人)(亿元) (亿元) (万人) 1 3722.7 3078.22 113 17 812.7 1118.81 43 2 1442.52 1684.43 67 18 1899.7 2052.16 61 3 1752.37 2742.77 84 19 3692.85 6113.11 240 4 1451.29 1973.82 27 20 4732.9 9228.25 222 5 5149.3 5917.01 327 21 2180.23 2866.65 80 6 2291.16 1758.77 120 22 2539.76 2545.63 96 7 1345.17 939.1 58 23 3046.95 4787.9 222 8 656.77 694.94 31 24 2192.63 3255.29 163 9 370.18 363.48 16 25 5364.83 8129.68 244 10 1590.36 2511.99 66 26 4834.68 5260.2 145 11 616.71 973.73 58 27 7549.58 7518.79 138 12 617.94 516.01 28 28 867.91 984.52 46 13 4429.19 3785.91 61 29 4611.39 18626.94 218 14 5749.02 8688.03 254 30 170.3 610.91 19 15 1781.37 2798.9 83 31 325.53 1523.19 45 16 1243.07 1808.44 33 设定模型为(1)利用上述资料,进行回归分析。 (2)回答:中国概念的制造总体呈现规模报酬不变状态吗? 六 实验步骤: 建立工作文件并导入全部数据,如图 1所示 1设定并估计可化为线性的非线性回归模型: 在Eviews软件下,点击主界 面菜单Qucik/Estimate Equation,在弹出的对话框中输入logY C logK logL,点击确定即可得到回归结果,如图2所示。根据图2中的数据,得到模型的估计结 果为:(1.586) (3.454) (1.790) R20.809925 0.796348 D.W.0.793209 ?ei25.070303 F59.65501 df2,28 随机干扰项的方差估计值为:5.070303/280.18108225 回归结果表明,这一年lnY变化的81%可由lnK和lnL的变化来解释。在 5%的显著性水平下,F统计量的临界值未,表明模型的线性关系显著成立。在5%的显著性水平下,自由度为n-k-128的t统计量临界值为,因此lnK的参数通过了 该显著性水平下的t检验,但lnL未通过检验。如果将显著性水平设为10%,则t 分布的临界值为,此时lnL的参数也通过了显著性水平检验。图 1图 2 2从上述回归结果可以得到:,也就是说,资产与劳动的产出弹性之和可以认为为1,即中国制造业这年呈现出规模报酬不变的状态。 下面进行参数的约束检验,原假设。 若原假设为真,则可估计如下模型: 点击主界面菜单Qucik/Estimate Equation,在弹出的对话框中输入logY/L C logK/L,点击确定即可得到回归结果,如图3所示。 由回归结果可看到此模型通过了F检验和t检验,而 在5%的显著性水平为,自由度为(1,28)的F分布的临界值为4.20,F4.20,不拒绝原假设,表明该年中国制造业呈现规模报酬不变的状态。 在Eviews软件中,当估计完图2所示的模型后,选中View\Coefficient Test\Wald Coefficient Restrictions,然后在对话框中输入C2+C31,点击OK可得到如图4所示的结果。得出的结论仍然是不拒绝原假设的,就原假设为真,所以该年中国制造业呈现规模报酬不变的状态的结果。 图 3 图 4 实验三 多元线性回归 一 实验目的: 1 掌握多元线性回归模型的估计方法 2 模型方程的F检验,参数的t检验 3 模型的外推预测与置信区间预测 二 实验要求:应用教材P105习题11做多元线性回归模型估计,对回归方程和回归参数进行检验并做出单点预测与置信区间预测 三 实验原理:最小二乘法 四 预备知识:最小二乘法估计原理、t检验、F检验、点预测和置信区间预测 五 实验内容: 在一项对某社区家庭对某种消费品的消费需要调查中,得到书中的表所示的资料。 序号 对某商品的消费支出Y 商品单价X1 家庭月收入X2 序号 对 某商品的消费支出Y 商品单价X1 家庭月收入X2 1 591.9 23.56 7620 6 644.4 34.14 12920 2 654.5 24.44 9120 7 680.0 35.3 14340 3 623.6 32.07 10670 8 724.0 38.7 15960 4 647.0 32.46 11160 9 757.1 39.63 18000 5 674.0 31.15 11900 10 706.8 46.68 19300 请用手工与软件两种方法对该社区家庭对该商品的消费需求支出作二元线 性回归分析。 1估计回归方程的参数及及随机干扰项的方差,计算及。 2对方程进行F检验,对参数进行t检验,并构造参数95%的置信区间. 3如果商品单价变为35元,则某一月收入为20000元的家庭的消费支出估计是多少?构造该估计值的95%的置信区间。 六 实验步骤: 6.1 建立工作文件并录入全部数据 如图1所示: 图 1 6.2 建立二元线性回归模型 点击主界面菜单Quick\Estimate Equation 选项,在弹出的对话框中 输入:Y C X1 X2 点击确定即可得到回归结果,如图2所示 图 2 根据图2的信息,得到回归模型的估计结果为: 随机干扰项的方差估计值为 6.3 结果的分析与检验 6.3.1 方程的F检验 回归模型的F值为: 因为在5%的显著性水平下,F统计量的临界值为 所以有 所以回归方程通过F检验,方程显著成立。 6.3.2 参数的t检验 由图2的估计结果,常数项、X1、X2系数的参数估计的t值分别为: 在5%的显著性水平下,t统计量的临界值为: 显然有所以拒绝原假设,即回归方程的三个估计参数均显著,通过t检验。 6.4 参数的置信区间 由图2的结果,可以看到: 因为参数的区间估计为: 又因为在的显著性水平下, 所以得:于是,常数项的95%的置信区间为: 同样的有: 于是,X1项的系数的95%的置信区间为:同样的有: 于是,X2项的系数的95%的置信区间为:6.5 回归预测 6.5.1 内插预测 在Equation框中,点击“Forecast”,在Forecast name框中可以为所预测的预测值序列命名,计算机默认为yf,点击“OK”,得到样本期内被解释变量的预测值序列yf(也称拟合值序列)的图形形式,如图3所示。同时在Workfile中出现一个新序列对象yf。 图 3 图 4 6.5.2 外推预测 1录入数据 双击Workfile菜单下的Range所在行,出现将Workfile structured对话框,讲右侧Observation旁边的数值改为11,然后点击OK,即可用将Workfile 的Range以及Sample的Range改为11; 双击打开group01序列表格形式,将编辑状态切换为“可编辑”,在X1序列中补充输入X135.同样的方法录入X220000 2进行预测 在Equation框中,点击“Forecast”,弹出一对话框,在其中为预测的序列命名,如yf2。点击OK即可用得到预测结果的图形形式,如图4所示。 点击Workfile中新出现的序列yf2,可以看到预测值为856.2025(如图5所示) 图 5图 6 3结果查看 按住Ctrl键,同时选中y、yf、resid,点击右键,在右键菜单中选Open/as Group可打开实际值、预测值、残差序列,在view菜单选择Grap/Line,画折线图,如图6所示。 6.6 置信区间的预测 消费支出Y的个别值的预测置信区间为: 其中, 为Y的个别值预测的标准差为: 消费支出Y的均值的预测置信区间为: 其中,为Y的均值预测的标准差为: 6.6.1 Y个别值的置信区间的预测 在Equation框中,点击“Forecast”,弹出Forecast话框,如图7所示 图 7图 8 在图7中S.E.那一栏为预测值的标准差,命名为yczbzc,然后点解OK,即可在Workfile界面看到一个名为yczbzc的序列。双击打开这一序列,如图8所 示,在第11行(预测行)即可直接显示个别值的预测值标准差为: 把结果代入,即可得到Y个别值的95%的置信区间为: 6.6.2 Y均值的置信区间的预测: 由于 且所以可计算得: 代入公式即可得到Y均值的预测标准差为: 再把结果代入均值的置信区间公式得到Y均值的95%的置信区间为: 实验四 异方差性 一 实验目的:掌握异方差性模型的检验方法与处理方法 二 实验要求:应用教材P155习题8案例做异方差模型的图形法检验、Goldfeld-Quanadt检验与White检验,使用WLS方法、异方差稳健标准误方法对异方差进行修正。 三 实验原理:图形法检验、Goldfeld-Quanadt检验与White检验与加权最小二乘法、异方差稳健标准误方法。 四 预备知识:Goldfeld-Quanadt检验与White检验与加权最小二乘法。 五 实验内容: 下表列出了某年中国部分省市城镇居民每个家庭平均全年可支配收入X与消费性支出Y的统计数据。 地区 可支配收入(X) 消费性支出(Y) 地区 可支配收入(X) 消费性支出(Y) 北 京 10349.69 8493.49 浙 江 9279.16 7020.22 天 津 8140.50 6121.04 山 东 6489.97 5022.00 河 北 5661.16 4348.47 河 南 4766.26 3830.71 山 西 4724.11 3941.87 湖 北 5524.54 4644.5 内蒙古 5129.05 3927.75 湖 南 6218.73 5218.79 辽 宁 5357.79 4356.06 广 东 9761.57 8016.91 吉 林 4810.00 4020.87 陕 西 5124.24 4276.67 黑龙江 4912.88 3824.44 甘 肃 4916.25 4126.47 上 海 11718.01 8868.19 青 海 5169.96 4185.73 江 苏 6800.23 5323.18 新 疆 5644.86 4422.93 1使用普通最小二乘法建立居民人均消费支出与可支配收入的线性模型; 2检验模型是否存在异方差性; 3如果存在异方差性,试采用适当的方法估计模型参数。 六 实验步骤: 6.1 建立对象: 录入变量可支配收入X和消费性支出Y,如图1所示: 图 1 图 2 6.2 用普通最小二乘法建立线性模型 设定一元线性回归模型为: 点击主界面菜单Quick\Estimate Equation,在弹出的对话框中输入Y、C、 X,点击确定即可得到回归结果,如图2所示。 根据图2中的数据,得到模型的估计结果为 估计结果显示,即使在10%的显著性水平下,都不拒绝常数项为零的假设。 6.3 检验模型的异方差性 6.3.1 图形检验法 生成残差序列。在得到图2结果后,在工作文件中点击Object\Generate Series„,在弹出的窗口中,在主窗口键入命令如下“e2resid^2”,如图3所示,得到残差平方和序列e2。 图 3 图4 如果存在异方差,则只可能是由于可支配收入X引起的。 绘制对的散点图。按住Ctrl键,同时选择变量X与e2,以组对象方式打开,进入数据列表,再点击View\Graph\Scatter\Simple Scatter,可得散点图,如图4所示。 由图4可以看出,残差平方和对大致存在递增关系,即存在单调增型异方差。 6.3.2 Goldfeld-Quanadt检验 对变量取值排序按递增或递减。在工作文件中点击Proc\Scrt Current Page„,在弹出对话框中输入X即可默认项是升序,如图5所示。本列选择升序排列,这时变量Y将以X按升序排列。 图 5 图6 构造子样本区间,建立回归模型。在本题中,样本容量n20,删除中间1/4 的观测值,大约4个数据,余下部分平分得两个样本区间:1-8和13-20,它们的样本个数均是8个,即.在工作文件窗口中点击Sample菜单,在弹出的对话框中输入1 8,将样本期改为1~8,如图6所示。 然后,用OLS方法求得如图7的结果 图 7 图 8 根据图7中的数据,得到模型的估计结果为: 同样的,在Sample菜单中,将区间定义为13~20,再利用OLS方法求得如图8的结果。 根据图8中的数据,得到模型的估计结果为: 计算F统计量: 如果设定显著性水平为5%,那么自由度为6,6的F分布的临界值为,即有,所以拒绝原假设,表明模型存在异方差性 6.3.3 White检验 由图2的估计结果中,点击View\Residual tests\white heteroskedasticityno cross terms,进入White检验,进过估计出现White检验的结果如图9所示。 图 9 由图9中的数据,得到 White统计量,该值大于5%显著性水平下自由度为2的分布的相应临界值,在估计模型中含有两个解释变量,所以自由度为2因此拒绝同方差性的原假设。 6.4 异方差性的修正 6.4.1 加权最小二乘法 运用OLS方法估计过程中,我们选用权数。权数生成过程如下,在图2的情况下,在工作文件中点击Object\Generate Series„,在弹出的窗口中,在Enter equation处输入w1/@absresid. 在工作文件中点击Quick\Estimate Equation,在弹出的画框中输入Y、C、X,如图10所示。 图 10 图 11 然后,在图10中点击Options选项,选中Weighted LS/TLS复选框,在Weight框中输入w,如图11所示,点击确定,即可得到加权最小二乘法的结果,如图12所示。 图 12 由图12中的数据,得到模型的估计结果: 可以看出,常数项的t统计量的值有了显著的改进。 下面检验是否经加权的回归的模型已不存在异方差性。 记为加权回归后模型的残差估计的平方和。在图12中,点击View\Residual tests\white heteroskedasticityno cross terms,进入White检验,经过估计出现White检验结果,如图13所示。 图 13 由图13中的数据,得到 White统计量,其所对应的伴随概率为,因此在5%的显著性水平下,不能拒绝同方差的假设。 6.4.2 异方差稳健性标准误方法 在图2中,点击Estimate按钮,出现Spection窗口图14,点击Option按钮,在出现的EstimationOptions窗口中,选择“Heteroskedasticity”选项,并选择默认的White选项图15,点击按钮退回到Equation Spection窗口图14,再点击OK按钮,即得到如图16所示的结果。 图14图 15 图 16 可以看出,估计的参数与普通最小二乘法的结果相同,只是由于参数的标准差得到了修正,从而使得t检验值与普通最小二乘法的结果不同。 实验五 自相关性 一 实验目地:掌握自相关性模型的检验方法与处理方法 二 实验要求:应用教材P155习题9案例做自相关性模型的图形法检验和DW检验,使用广义最小二乘法和广义差分法进行修正。 三 实验原理:图形法检验、DW检验、广义最小二乘法和广义差分法。 四 预备知识:最小二乘法、DW检验、广义最小二乘法和广义差分法。 五 实验内容: 中国1980~2007年全社会固定资产投资总额X与工业总产值Y的统计资 料如下表所示。 单位:亿元 年份 全社会固定资产投资(X) 工业增加值(Y) 年份 全社会固定资 产投资(X) 工业增加值(Y) 1980 910.9 1996.5 1994 17042.1 19480.7 1981 961 2048.4 1995 20019.3 24950.6 1982 1230.4 2162.3 1996 22913.5 29447.6 1983 1430.1 2375.6 1997 24941.1 32921.4 1984 1832.9 2789.0 1998 28406.2 34018.4 1985 2543.2 3448.7 1999 29854.7 35861.5 1986 3120.6 3967.0 2000 32917.7 40033.6 1987 3791.7 4585.8 2001 37213.5 43580.6 1988 4753.8 5777.2 2002 43499.9 47431.3 1989 4410.4 6484.0 2003 55566.6 54945.5 1990 4517 6858.0 2004 70477.4 65210.0 1991 5594.5 8087.1 2005 88773.6 77230.8 1992 8080.1 10284.5 2006 109998.2 91310.9 1993 13072.3 14188.0 2007 137323.9 107367.2 试问: 1当设定模型为时,是否存在序列相关性? 2若按一阶自相关假设,试用广义最小二乘法估计原模型。 3采用差分形式与作为新数据,估计模型,该模型是否存在序列相关? 六 实验步骤: 在经济系统中,经济变量前后期之间很可能有关联,使得随机误差项不能满足无自相关性的假设。本案例将探讨随机误差项不满足无自相关性的古典假定的参数估计问题。着重讨论自相关性模型的图形法检验、DW检验与广义最小二乘估计和广义差分法。 6.1 建立Workfile和对象 录入1980?2007年全社会固定资产投资X以及工业增加值Y,如图1所示。 图 1 图 2 6.2 参数估计、检验模型的自相关性 6.2.1 参数估计 设定模型为 点击主界面菜单Quick\Estimate Equation,在弹出的对话框中输入logY C logX,点击确定即可得到回归结果,如图2所示。 根据图2中数据,得到模型的估计结果为: 该回归方程的可决系数较高,回归系数显著。对样本容量为28、一个解析变量的模型、5%的显著性水平,查D.W.统计表可知,,,模型中,显然模型中存在正自相关。 下面对模型的自相关性进行检验。 6.2.2 检验模型的自相关性 点击Eviews方程输出窗口的按钮Resids可以得到残差图,如图3所示。 图 3图 4 图3的残差图中,残差的变动有系统模式,连续为正和连续为负,表明残差存在一阶正自相关,模型中t统计量和F统计量的结论不可信,需要采取补救措施。 点击工作文件窗口工具栏中的Object\Generate Series„,在弹出的对话框中输入etresid,如图4所示,点击OK得到残差序列et。 点击Quick\Graph\Line Graph,在弹出的对话框中输入:et,再点击OK,得到残差项与时间的关系图,如图5所示,点击Quick\Graph\Scatter,在弹出的对话框中输入:et-1 et,再点击OK,得到残差项 与时间的关系图,如图6所示。 图 5 图 6 从图5和图6中可以看出,随机干扰项呈现正相关。 由于时间序列数据容易出现为回归现象,因此做回归分析是须格外谨慎的。本例中,Y和X都是事件序列书记,因此有理由怀疑较高的部分是由这一共同的变化趋势带来的。为了排除事件序列模型中的这种随时间变动而具有的共同变化趋势的影响,一种解决 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 是在模型中引入时间趋势项,将这种影响分离出来。点击Quick\Graph\Line Graph,在弹出对话框中输入:X Y,再点击OK,得到去社会固定资产投资X与工业增加值Y的变动图,如图7所示。 图 7 图 8 由图7可以看出,由于全社会固定资产投资X与工业增加值Y均呈现非线性变化态势,我们引入时间变量以平方的形式出现。 点击工作文件窗口工具栏中的Object\ Generate Series„,在弹出的对话框中输入T@TREND+1,点击OK得到时间变量序列T。 点击主界面菜单Quick\Estimate Equation,在弹出的对话框中输入logY C logX T^2,点击确定即可得到回归结果,如图8所示。 从图8中的数据,我 们可以看到T^2的系数估计非常的小,而且其伪概率P值为0.7632,即接受其系数为0的原假设,于是不通过假设检验。 我们认为原模型不存在虚假序列相关的成分,所以我们仍然采用原模型,即不引入时间趋势项。即原模型中较低的D.W.值是纯序列相关引起的。 下面再对模型进行序列相关性的拉格朗日乘数检验。 在图2中,点击View\Residual Tests\Serial Correlation LM Test„,在弹出的对话框中输入:1,点击OK,得到如图9所示结果。 根据图9中的数据得到: ,其所对应的伴随概率为,因此如果取显著性水平5%,则可以判断原模型存在1阶序列相关性。 图 9 图 10 在图2中,点击View\Residual Tests\Serial Correlation LM Test„,在弹出的对话框中输入:2,点击OK,得到如图10所示结果。 根据图10中的数据得到: ,其所对应的伴随概率为,模型存在序列相关性,又的参数通过了5%的显著性检验,表明模型存在2阶序列相关性。 同样的,在图2中,点击View\Residual Tests\Serial Correlation LM Test„,在弹出的对话框中输入:3,点击OK,得到如图11所示结果。 图 11图 12 根据图11中的数据得到: ,其所对应的伴随概率为,因此如果取显著性水平5%,则可以判断原模型存在序列相关性,但的参数未通过5%的显著性检验,表明并不存在3阶序列相关性。结合2阶滞后残差项的辅助回归情况,可以判断模型存在显著的2阶序列相关性。 点击主界面Quick\Estimate Equation,在弹出的对话框中输入logY C logX AR1 AR2,点击确定即可得到回归结果,如图12所示。 根据图12中的数据得到广义最小二乘的估计结果为: 在5%的显著性水平下,查D.W.统计表可知,,,样本容量为26,则有,即序列已经不存在相关性。 1阶L