计量经济学实验报告.docx
《计量经济学实验报告.docx》由会员分享，可在线阅读，更多相关《计量经济学实验报告.docx（16页珍藏版）》请在冰豆网上搜索。
计量经济学实验报告
计量经济学实验报告
学院：
班级
姓名：
学号：
一、经济学理论概述
1、需求是指消费者（家庭）在某一特定时期内，在每一价格水平时愿意而且能够购买的某种商品量。
需求是购买欲望与购买能力的统一。
2、需求定理是说明商品本身价格与其需求量之间关系的理论。
其基本内容是：
在其他条件不变的情况下，一种商品的需求量与其本身价格之间成反方向变动，即需求量随着商品本身价格的上升而减少，随商品本身价格的下降而增加。
3、需求量的变动是指其他条件不变的情况下，商品本身价格变动所引起的需求量的变动。
需求量的变动表现为同一条需求曲线上的移动。
二、经济学理论的验证方法
在此次试验中，我运用了Eviews和Excel软件对相关数据进行处理和分析。
1、拟合优度检验——可决系数R2统计量
回归平方和反应了总离差平方和中可由样本回归线解释的部分，它越大，参差平方和越小，表明样本回归线与样本观测值的拟合程度越高。
2、方程总体线性的显着性检验——F检验
（1）方程总体线性的显着性检验，旨在对模型中被解释变量与解释变量之间的线性关系在总体上是否显着成立作出判断。
（2）给定显着性水平α，查表得到临界值Fα（k，n-k-1）,根据样本求出F统计量的数值后，可通过F＞Fα（k，n-k-1）（或F≤Fα（k，n-k-1））来拒绝（或接受）原假设H0，以判定原方程总体上的线性关系是否显着成立。
3、变量的显着性检验——t检验
4、异方差性的检验——怀特检验
怀特检验不需要排序，对任何形式的异方差都适用。
5、序列相关性的检验——图示法和回归检验法
6、多重共线性的检验——逐步回归法
以Y为被解释变量，逐个引入解释变量，构成回归模型，进行模型估计。
三、验证步骤
1、确定变量
（1）被解释变量
“货币流通量”在模型中用“Y”表示。
（2）解释变量
①“货币贷款额”在模型中用“
”表示;
②“居民消费价格指数”在模型中用“
”表示；
③把由于各种原因未考虑到和无法度量的因素归入随机误差项，在模型中用“
”。
2、建立计量经济学模型
根据各相关变量之间的关系，假定：
Y=
+
X1+
X2+
3、数据描述和处理
中国货币流通量、贷款额和居民消费价格指数历史数据
年度
货币流量Y（亿元）
居民消费价格指数P（1990年=100）
贷款额X（亿元）
1978
212
46.2
1850
1979
267.7
47.1
2039.6
1980
346.2
50.6
2414.3
1981
396.3
51.9
2860.2
1982
439.1
52.9
3180.6
1983
529.8
54
3589.9
1984
792.1
55.5
4766.1
1985
987.8
60.6
5905.6
1986
1218.4
64.6
7590.8
1987
1454.5
69.3
9032.5
1988
2134
82.3
10551.3
1989
2344
97
14360.1
1990
2644.4
100
17680.7
1991
3177.8
103.4
21337.8
1992
4336
110
26322.9
1993
5864.7
126.2
32943.1
1994
7288.6
156.7
39976
1995
7885.3
183.4
50544.1
1996
8802
198.7
61156.6
1997
10177.6
204.2
74914.1
1998
11204.2
202.6
86524.1
1999
13455.5
199.7
93734.3
2000
14652.7
200.6
99371.1
2001
15688.8
201.9
112314.7
2002
17278
200.3
131293.9
2003
19746
202.7
158996.2
2004
21468.3
210.6
178197.8
2005
24031.7
214.4
194690.4
2006
27072.6
217.7
225347.2
2007
30375.2
228.1
261690.9
资料来源：
《中国统计年鉴》（2008）、《中国统计资料50年汇编》
4、多元线性计量经济学模型的初步估计与分析
用Eviews软件检测分析：
DependentVariable:
Y
Method:
LeastSquares
Date:
12/30/11Time:
14:
03
Sample:
19782007
Includedobservations:
30
Variable
Coefficient
Std.Error
t-Statistic
Prob.?
?
X1
20.66982
2.632917
7.850540
0.0000
X2
0.103524
0.002419
42.80432
0.0000
C
-886.8463
250.5787
-3.539192
0.0015
R-squared
0.996992
?
?
?
?
Meandependentvar
8542.377
AdjustedR-squared
0.996769
?
?
?
?
S.D.dependentvar
8989.356
S.E.ofregression
510.9580
?
?
?
?
Akaikeinfocriterion
15.40509
Sumsquaredresid
7049108.
?
?
?
?
Schwarzcriterion
15.54521
Loglikelihood
-228.0764
?
?
?
?
Hannan-Quinncriter.
15.44992
F-statistic
4474.520
?
?
?
?
Durbin-Watsonstat
0.959975
Prob（F-statistic）
0.000000
普通最小二乘法估计结果如下：
=－86.8463+0.103524X1+20.66982X2+
（－3.54）（42.80）（7.85）
0.996992
0.996769F=4474.520
回归结果表明，在1978——2007年间，Y变化的99.69%可由其他两
个变量的变化来解释。
根据表上F统计量对应的P值可以看出，每个
P值都小于5%，拒绝原假设，表明模型的线性关系在95%的置信水平下显着成立。
5、异方差检验
从普通最小二乘回归得到的残差平方项与X1的散点图看，（图二）上的点总体上呈单调递增趋势，存在异方差性。
再进一步地统计检验，采用怀特（white）检验。
记
为对原始模型进行普通最小二乘回归得到的残差平方项，将其与X1、X2及其平方项与交叉项进行辅助回归，得：
HeteroskedasticityTest:
White
F-statistic
7.618878
?
?
?
?
Prob.F（5,24）
0.0002
Obs*R-squared
18.40475
?
?
?
?
Prob.Chi-Square（5）
0.0025
ScaledexplainedSS
15.36969
?
?
?
?
Prob.Chi-Square（5）
0.0089
TestEquation:
DependentVariable:
RESID^2
Method:
LeastSquares
Date:
12/30/11Time:
14:
19
Sample:
19782007
Includedobservations:
30
Variable
Coefficient
Std.Error
t-Statistic
Prob.?
?
C
-1221567.
774105.2
-1.578038
0.1276
X2
-82.24603
45.19955
-1.819621
0.0813
X2^2
-8.61E-05
5.94E-05
-1.449778
0.1601
X2*X1
0.466404
0.282503
1.650969
0.1118
X1
33493.56
21428.42
1.563044
0.1311
X1^2
-127.7950
101.8538
-1.254691
0.2217
R-squared
0.613492
?
?
?
?
Meandependentvar
234970.3
AdjustedR-squared
0.532969
?
?
?
?
S.D.dependentvar
343174.2
S.E.ofregression
234524.1
?
?
?
?
Akaikeinfocriterion
27.74536
Sumsquaredresid
1.32E+12
?
?
?
?
Schwarzcriterion
28.02560
Loglikelihood
-410.1804
?
?
?
?
Hannan-Quinncriter.
27.83501
F-statistic
7.618878
?
?
?
?
Durbin-Watsonstat
2.296606
Prob（F-statistic）
0.000208
（“X12”表示“X12”；“X22”表示“X22”；“X3”表示“X1×X2”）
=-1221567-82.3X1+33496.6X2+（-8.61E-05）X12-127.8X22+0.47X3
0.613492
怀特统计量nR
=30×0.613492=18.40476,该值大于5%显着水平下、自由度为5的
分布的相应临界值
=11.07，因此，拒绝同方差的原假设，存在异方差性。
6、序列相关检验
建立残差项与
与
（图一）以及时间t（图二）的关系图，图一显示随机误差项存在一阶正序列相关性。
（图一）
（图二）
再用回归检验法对该模型进行序列相关性检验，以
为被解释变量，以
、
为解释变量，建立如下方程：
=
+
………………①
=
+
+
………………②
对上面的模型，用普通最小二乘法进行参数估计，得:
1：
Breusch-GodfreySerialCorrelationLMTest:
F-statistic
9.374977
?
?
?
?
Prob.F（1,26）
0.0051
Obs*R-squared
7.950516
?
?
?
?
Prob.Chi-Square
（1）
0.0048
TestEquation:
DependentVariable:
RESID
Method:
LeastSquares
Date:
12/30/11Time:
14:
33
Sample:
19782007
Includedobservations:
30
Presamplemissingvaluelaggedresidualssettozero.
Variable
Coefficient
Std.Error
t-Statistic
Prob.?
?
X2
-0.000594
0.002122
-0.279845
0.7818
X1
0.174746
2.300937
0.075946
0.9400
C
5.406951
218.9234
0.024698
0.9805
RESID（-1）
0.531255
0.173507
3.061858
0.0051
R-squared
0.265017
?
?
?
?
Meandependentvar
1.93E-13
AdjustedR-squared
0.180211
?
?
?
?
S.D.dependentvar
493.0240
S.E.ofregression
446.3947
?
?
?
?
Akaikeinfocriterion
15.16385
Sumsquaredresid
5180974.
?
?
?
?
Schwarzcriterion
15.35068
Loglikelihood
-223.4577
?
?
?
?
Hannan-Quinncriter.
15.22362
F-statistic
3.124992
?
?
?
?
Durbin-Watsonstat
1.351046
Prob（F-statistic）
0.042949
=0.49889
+17.94369
（3.080898）（0.224795）
0.260110
0.232707F=9.491932
由分析结果可以看出，该模型拟合优度不高。
在5%的显着性水平下
>
（28）,所以变量通过显着性检验。
与
相关，存在序列相关性。
②式：
Breusch-GodfreySerialCorrelationLMTest:
F-statistic
13.27278
?
?
?
?
Prob.F（2,25）
0.0001
Obs*R-squared
15.44977
?
?
?
?
Prob.Chi-Square
（2）
0.0004
TestEquation:
DependentVariable:
RESID
Method:
LeastSquares
Date:
12/30/11Time:
14:
39
Sample:
19782007
Includedobservations:
30
Presamplemissingvaluelaggedresidualssettozero.
Variable
Coefficient
Std.Error
t-Statistic
Prob.?
?
X2
-0.000335
0.001759
-0.190168
0.8507
X1
0.252857
1.906274
0.132645
0.8955
C
-19.07516
181.4895
-0.105103
0.9171
RESID（-1）
0.846976
0.168513
5.026183
0.0000
RESID（-2）
-0.606869
0.169064
-3.589583
0.0014
R-squared
0.514992
?
?
?
?
Meandependentvar
1.93E-13
AdjustedR-squared
0.437391
?
?
?
?
S.D.dependentvar
493.0240
S.E.ofregression
369.8039
?
?
?
?
Akaikeinfocriterion
14.81483
Sumsquaredresid
3418872.
?
?
?
?
Schwarzcriterion
15.04837
Loglikelihood
-217.2225
?
?
?
?
Hannan-Quinncriter.
14.88954
F-statistic
6.636391
?
?
?
?
Durbin-Watsonstat
2.199538
Prob（F-statistic）
0.000878
=0.825271
-0.564146
-1.108979
（5.175431）（-3.617678）（-0.016462）
0.529008
0.491329F=14.03975
由分析结果可以看出，该模型的拟合优度不高。
在5%的显着性水平下
>
（27）,
>
（27），变量
，
通过显着性检验，所以
与
相关，存在序列相关性，而
与
相关，存在序列相关性。
7、多重共线性检验
由于r=0.851148接近1。
因此
与
间存在较高的相关性。
再用逐步回归法寻找最优方程。
首先找出最简单的回归形式，分别作y与x1、x2间的回归，得：
（1）
=821.9852+0.119685X2
（3.721859）（52.98755）
R2=0.990126D.W.=0.351995
（2）
=－6977.121+116.5944X2
（－4.151105）（10.35281）
R2=0.792870D.W.=0.104111
可见，货币流量受贷款额的影响较大，因此选
（1）作为初始的回归模型。
再将X2导入初始的回归模型，得：
C
X1
X2
D.W.
Y=f（X1）
821.9852
0.119685
0.989773
0.351995
t值
3.721859
52.98755
Y=f（X1，X2）
-886.8463
0.103524
20.66982
0.996769
0.959975
t值
-3.539192
42.80432
7.85054
=－86.8463+0.103524X1+20.66982X2+
（－3.54）（42.80）（7.85）
0.996992
0.996769F=4474.520
初始模型导入X2后，模型的拟合优度提高，且参数的符号合理，变量也通过了t检验。
因此最优方程是Y=f（X1,X2），拟合结果如下：
Y=－86.8463+0.103524X1+20.66982X2+
8、计量经济学模型的最终确定
经过一系列的检验和分析，最终的模型为：
lnY=
+
X1+
X2+
模型的变量显着性成立，且存在异方差性、存在较高的多重共线性。
9、检验结果分析
从以上的分析和检验中可得出，贷款额每增加一个单位，货币流通量就增加0.103524个单位；居民消费价格指数每增加一个单位，货币流通量增加20.66982个单位。
进而得出，居民消费价格指数的增加对货币流通量的作用大于贷款额增加对货币流通量的作用。
四、结论
（1）由于各种原因，得出的模型仍然存在有诸多问题，比如存在序列共线性，并未对其进行修正，留待以后进行进一步的研究。
（2）从计量经济学角度来看，根据已知的贷款额和居民消费价格指数而建立的货币流通量的模型，其通过了变量的显着性检验、且存在异方差性，也具备较高的多重共线性。
（3）从经济学角度来看，货币流通量受居民消费价格指数的影响大于贷款额的影响，也就是贷款额的增加对货币流通量的提高影响并不是很大，而居民消费价格指数的增加将会提高货币流通量，从而刺激生产的扩大，最终导致国家福利的增加。
但若货币流通量过大或是货币流通速度过大，将导致供过于求即通货膨胀，货币贬值、物价上涨，将不利于经济的可持续发展。
正如温家宝总理指出：
“通货膨胀和腐败的结合将动摇国家的政权稳定。
”由此可见，货币流通量的增加对国民经济来讲是一把双刃剑。
升级会员 