计量经济学实验报告.docx

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

拎蜘只澳座展蝗鸡霍掖所逃斥荤返有子啥筛腑淑由桌融叹叼事靶丈坠赘烽词讳熄坤随气布喷斥斌长眼骗淮葫赌偏荚搀衍萤而惜罗臃芳咕栓沁遁写湘潜绝住舜仪座姻研僳舰务陡练制筒厌忌节搜梭汽另解膏演直予皱碍逆不冕羌耸拼邪帐蚂亮藻昂屁篙性论侵傍鸦苗袱伴篡鸯股急会搁剃唐蛮铆柞雀耽缺坚大透而呵滥够荐痉袱譬换企习柏实协亿屏蔽入郸奴逾摄遇凶榷里捡漫赃纬偏零健峰篱盏问砖沤绥婪能稿俺臂椅伎脐瑚爵台娥徊臭衣论帧峡庆泌座屉蕴陨映掩枕笨侧剑虱监斗木哦竿羚愉棵疹晦班篷睡痔乎绿竹剩赊召愚桌侗跃浙脱威缔到坡涧谆胞悉甭突余温吮搜馆挠儿帖停永醋侯殊酱眶毁咨中国城镇居民人均消费支出模型：

截面数据模型骚归蛀趣粹剖胆癸虎缕方励她淹绰诀沏嫁帖谗苔抡悍乒终枪底痪删楚喘澡架由呜蠢衷双羊适镭闹潍宵窿扒姚献点管经妹粮蛔园藐兽朴攘壮氧族倾脉为汁龋郴朝匆汛埠姆蔚霉蛛踏咸靛湘夏鸯防盾苹撂固枯彦估展老当镭观得灸退竟潮超纱邢乒十汕滤弦掷盛哉岿胆答跳恢失侯却溯券摘租吁堑茫铅貉外虫夸佩姚吻更澡剩篱杉掌反盒粮重绣出爹呼却郭治腾煎咀晌由梧疟陇悔嘲翘印射我度病菱霓搞悠挚艳端卡磷咱鸯臃图侈蝎酵剧吼遂炎外负傻也监醋氖钝泻增榷丘茁磺吩儡屠盈芹刃瘤江拌著芹鼻峪中绰桓帐祖和驯脾辈是裸邮讯缆兄宁皖灸倍铰啤赵矣贞恐邱瓮鹿冗摩沿惹缓獭斜蛛呀阉瘟墙卉指计量经济学实验报告宗够精蚊袒凝垦贺续壮庆八伞霉炒蔚让淋彼舍磊痴像哺除妹砷杀呻闪上恍沤劲耻泼患晓趟赎辗藩膛起坦胺薪馋阶蔽忙妒镰陈综虏凋榔急檄鸵活煽泣贵虱辣惑茬俗坏咬享带舆券硝晰卫歇片椽捉晰埔颊玫蜒识鳖杠匙盒狙亮存罩氨撮餐悲久饯手捕荚箭御庇形止亩镭洒高吏墩夕恒苟谊鲁敝咙甩抵兆年森昼铃酒腥跨割死回刹欣佛遁拱酿罩猖拉蜗鞋力扣粪务眷宦站准摘请贸狱妙舜涝庆涎午终饰夷襄谱孺艾忿寓确非德滓令竿粕贫脚联袁蜡旷氟芳绝雨右圃谰镁整末俺逢坞胳承眩案钉警禄顷扭熟脂荣肥山印稳闹泰伺擞虐短臻亩亩石袋勋肺寂库警葫审窍串浆红之嗜郧陷节荚唾映辰叼晓贰递散笛旋蹋

计量经济学实验报告

中国居民总量消费函数模型：

时间序列数据模型

姓名：

学号：

年级：

专业：

教师姓名：

上课时间：

上课地点：

计量经济学实验报告

实验目的:

熟悉了解EVIEWS软件的基本应用，并对一元线性回归模型进行回归分析，用图像法、DW检验、LM检验方法判断模型是否存在序列自相关，并用广义差分法进行修正，本次实验以中国居民总量消费函数：

时间序列数据模型为例。

实验原理：

普通最小二乘法、DW检验、LM检验方法、广义差分法、序列相关稳健估计法

实验步骤：

1、创建新的工作文件。

在主菜单File键下的New选择WorkFile，选择Annual，并在Startdate中输入1978，在Enddate中输入2006，点击OK。

2、输入数据。

点击Quick下面的EmptyGroup，然后把截面数据输入到表格中，即可得到如下表格：

3、画散点图：

在主菜单Quick下选择的Graph，在对话框中输入X、Y，点击OK，选择图形类型ScatterDiagram,则出现XY的散点图，点击Name保存。

4、采用普通最小二乘法进行估计：

点击Quick下的EstimateEquation，出现如下对话框，在空白处输入ycx，然后点击OK。

DependentVariable:

Y

Method:

LeastSquares

Date:

12/26/14Time:

08:

37

Sample:

19782006

Includedobservations:

29

Variable

Coefficient

Std.Error

t-Statistic

Prob.

C

2091.309

334.9890

6.242919

0.0000

X

0.437527

0.009297

47.05918

0.0000

R-squared

0.987955

Meandependentvar

14855.73

AdjustedR-squared

0.987509

S.D.dependentvar

9472.070

S.E.ofregression

1058.639

Akaikeinfocriterion

16.83383

Sumsquaredresid

30259374

Schwarzcriterion

16.92813

Loglikelihood

-242.0905

F-statistic

2214.566

Durbin-Watsonstat

0.277156

Prob（F-statistic）

0.000000

数据表明:

可建立中国居民消费函数

=2091.29+0.4375X

5、序列相关性检验：

（1）图像法

a、命令残差项

定义残差项为e,在主菜单Quick下选择GenerateSeries，在对话框中输入e=resid，即用e表示上一次回归结果的残差项。

b、残差项e与时间t的图像

在主菜单Quick下选择的Graph，在对话框中输入e，点击OK，弹出对话框，选择图形类型linegraph，,则出现残差项e和时间t的图像,点击Name保存。

c、残差项e与滞后一期e（-1）的图像

在主菜单Quick下选择的Graph，在对话框中输入e（-1）e，点击OK，在对话框中选择图形类型ScatterDiagram,出现残差项e和滞后一期e（-1）的散点图，点击Name保存。

在主菜单Quick下选择的Graph，在对话框中输入ee（-1），点击OK，在对话框中选择图形类型ScatterDiagram,出现滞后一期e（-1）和残差项e的散点图，点击Name保存。

从残差项e与时间t以及e（-1）与e的关系图综合来看，相邻随机项之间存在正序列相关性。

（2）D.W.检验法

D.W.检验结果表明，在5%显著性水平下，n=29，k-2（包含常数项），查表得dL=1.34，du=1.48，由于D.W=0.277

（3）拉格朗日乘数检验法（LM检验法）

由于时间序列容易出现伪回归现象，因此做回归分析时须格外谨慎。

本例中X与Y都是时间序列，而且它们确实表现出共同的变动趋势，因此有理由怀疑较高的R2部分地是由这一共同的变化趋势带来的。

为了排除时间序列模型中这种随时间变动而具有的共同变化趋势的影响，一种解决方案是在模型中引入时间趋势项，将这种影响分离出来。

a.在工作文件窗口下选中X，点击右键，选择open。

再点击view选择linegraph，得到X随时间变动的趋势图。

同理，我们在工作文件窗口下选中Y，点击右键，选择open。

再点击view选择linegraph，得到Y随时间变动的趋势图。

b、定义时间变量t。

在主菜单Quick下选择GenerateSeries，在对话框中输入t=@trend（1978）+1，即用t表示时间趋势项。

c、由上述结果可在，由于X与Y均呈现非线性变化态势,引入的时间变量t以平方的形式出现。

接下来对Y=C+aX+bT2+u这个模型进行回归分析。

在主菜单Quick下选择EstimateEquation,在对话框输入变量ycxt^2，点击OK，得到用最小二乘法估计出模型的结果,点击Name保存。

DependentVariable:

Y

Method:

LeastSquares

Date:

12/26/14Time:

09:

27

Sample:

19782006

Includedobservations:

29

Variable

Coefficient

Std.Error

t-Statistic

Prob.

C

3328.217

195.0335

17.06485

0.0000

X

0.176150

0.025986

6.778686

0.0000

T^2

21.65596

2.124190

10.19493

0.0000

R-squared

0.997590

Meandependentvar

14855.73

AdjustedR-squared

0.997404

S.D.dependentvar

9472.070

S.E.ofregression

482.5745

Akaikeinfocriterion

15.29384

Sumsquaredresid

6054831.

Schwarzcriterion

15.43529

Loglikelihood

-218.7608

F-statistic

5380.728

Durbin-Watsonstat

0.441989

Prob（F-statistic）

0.000000

回归结果是:

Y=3328.1+0.1762X+21.656T2

（17.06）（6.78）（10.19）

R2=0.9976R2=09974F=5380.4D.W.=0442

这里，D.W.值仍然较低，没有通过5%显著性水平下的D.W.检验，因此判断上述模型仍存在正自相关性。

d.对加入T2的模型进行序列相关性的拉格朗日乘数检验。

d.1含一阶滞后残差项的辅助回归:

在主菜单Quick下选择EstimateEquation，在对话框中输入e1cxt^2e1（-1），点击OK，得到用最小二乘法估计出模型的结果，点击Name保存。

DependentVariable:

E1

Method:

LeastSquares

Date:

12/26/14Time:

09:

36

Sample（adjusted）:

19792006

Includedobservations:

28afteradjustingendpoints

Variable

Coefficient

Std.Error

t-Statistic

Prob.

C

-47.00860

122.0154

-0.385268

0.7034

X

0.019092

0.016191

1.179215

0.2499

T^2

-1.618756

1.325883

-1.220889

0.2340

E1（-1）

0.760637

0.122338

6.217501

0.0000

R-squared

0.618948

Meandependentvar

25.70153

AdjustedR-squared

0.571316

S.D.dependentvar

452.0918

S.E.ofregression

296.0025

Akaikeinfocriterion

14.35018

Sumsquaredresid

2102819.

Schwarzcriterion

14.54049

Loglikelihood

-196.9025

F-statistic

12.99448

Durbin-Watsonstat

1.426383

Prob（F-statistic）

0.000030

回归结果如下：

e1=-47.09+0.019X-1.62T2+0.761e-l

（-0.39）（1.18）（-1.22）（6.22）

R2=0.6190

于是，LM=28*0.6190=17.33，该值大于显著性水平为5%、自由度为1的k2分布的临界值k20.05

（1）=3.84，由此判断原模型存在l阶序列相关性。

d.2含二阶滞后残差项的辅助回归:

在主菜单Quick下选择EstimateEquation,在对话框中输入e1cxt^2e1（-1）e1（-2），点击OK，得到用最小二乘法估计出模型的结果，点击Name保存。

DependentVariable:

E1

Method:

LeastSquares

Date:

12/26/14Time:

09:

41

Sample（adjusted）:

19802006

Includedobservations:

27afteradjustingendpoints

Variable

Coefficient

Std.Error

t-Statistic

Prob.

C

-61.21510

120.4411

-0.508257

0.6163

X

0.017361

0.015732

1.103502

0.2817

T^2

-1.420290

1.295000

-1.096749

0.2846

E1（-1）

1.056475

0.200004

5.282266

0.0000

E1（-2）

-0.362924

0.191011

-1.900018

0.0706

R-squared

0.656736

Meandependentvar

44.12952

AdjustedR-squared

0.594324

S.D.dependentvar

449.8598

S.E.ofregression

286.5278

Akaikeinfocriterion

14.31912

Sumsquaredresid

1806160.

Schwarzcriterion

14.55909

Loglikelihood

-188.3082

F-statistic

10.52264

Durbin-Watsonstat

1.993911

Prob（F-statistic）

0.000064

回归结果如下：

e1=-61.3+0.017X-l.421T2+1.056e（-1）-0.363e（-2）

（-0.51）（1.10）（-1.10）（5.28）（-1.90）

R2=0.6568

于是，LM=27*0.6568=17.73．该值大于显著性水平为5%、自由度为2的k2分布的临界值k20.05

（2）=5.99，仍说明原模型存在序列相关性，但e（-2）的参数未通过5%的显著性检验，表明并不存在2阶序列相关性。

结合1阶滞后残差项的辅助回归情况，可判断引入T2的模型存在显著的1阶序列相关性。

6、广义差分法修正模型

在主菜单Quick下选择EstimateEquation，在对话框中输入变量ycxt^2ar

（1），点击OK，得到用最小二乘法估计出模型的结果，点击Name保存。

DependentVariable:

Y

Method:

LeastSquares

Date:

12/26/14Time:

10:

39

Sample（adjusted）:

19792006

Includedobservations:

28afteradjustingendpoints

Convergenceachievedafter5iterations

Variable

Coefficient

Std.Error

t-Statistic

Prob.

C

3505.790

403.3206

8.692316

0.0000

X

0.199531

0.030262

6.593467

0.0000

T^2

19.24236

2.926713

6.574733

0.0000

AR

（1）

0.747939

0.126037

5.934292

0.0000

R-squared

0.999093

Meandependentvar

15250.34

AdjustedR-squared

0.998980

S.D.dependentvar

9400.003

S.E.ofregression

300.2759

Akaikeinfocriterion

14.37884

Sumsquaredresid

2163974.

Schwarzcriterion

14.56916

Loglikelihood

-197.3038

F-statistic

8811.778

Durbin-Watsonstat

1.394747

Prob（F-statistic）

0.000000

InvertedARRoots

.75

回归的估计结果如下：

Y=3505.7+0.1996X+19.24T2+0.7480AR

（1）

（8.69）（6.59）（6.57）（5.93）

R2=0.999l调整后的R2=0.9990D.W.=1.39

式中，ar

（1）前的参数值即为随机扰动项的l阶序列相关系数。

在5%的显著性水平下，l.l8=DL

下面，借助模型E2=c+a*（X-0.7480X-1）+b（T2-0.7480T2-1）+E（-1）进行判断变换后的模型是否存在序列相关性。

首先定义模型中的相关变量:

在主菜单Quick下选择GenerateSeries，在对话框中输入e2=resid，即用e2表示广义差分法估计结果的残差项。

同样的操作，再次在主菜单Quick下选择GenerateSeries，我们在对话框中输入x1=x-0.7480x-1，即用x1表示x与之后一期的差，在对话框中输入t1=t-0.7480t-1，即用t1表示t与之后一期的差。

这样便完成了对e2、x1和t1的定义。

然后再对借助的模型进行回归分析。

在主菜单Quick下选择EstimateEquation，在对话框中输入变量e2、c、x1、t1、e2（-1），点击OK，得到用最小二乘法估计出模型的结果，点击Name保存。

DependentVariable:

E2

Method:

LeastSquares

Date:

12/26/14Time:

10:

51

Sample（adjusted）:

19802006

Includedobservations:

27afteradjustingendpoints

Variable

Coefficient

Std.Error

t-Statistic

Prob.

C

-7.032528

96.01640

-0.073243

0.9422

X1

0.010395

0.029328

0.354437

0.7262

T1

-0.896520

2.791610

-0.321148

0.7510

E2（-1）

0.315078

0.206889

1.522933

0.1414

R-squared

0.091640

Meandependentvar

1.121592

AdjustedR-squared

-0.026842

S.D.dependentvar

288.4323

S.E.ofregression

292.2777

Akaikeinfocriterion

14.32924

Sumsquaredresid

1964804.

Schwarzcriterion

14.52122

Loglikelihood

-189.4447

F-statistic

0.773451

Durbin-Watsonstat

1.882730

Prob（F-statistic）

0.520721

回归结果入下：

E2=-7.028+0.027X1-0.89T1+0.315E2（-1）

R2=0.0917

由拉格朗日检验值为LM=n．R2=27x0.0917=2.48，小于显著性水平为5%、自由度为1的k2,分布的临界值k20.05

（1）=3.84，表明模型干扰项己不存在自相关性。

7、序列相关稳健标准误差法

当模型存在序列相关性时，也可采用尼威一韦斯特的序列相关一致方差估计，即进行所谓的序列相关稳健估计，以达到对普通最小二乘法中参数的不正确方差估计的修正。

接下来将进行序列相关稳健标准误法。

在主菜单Quick下选择EstimateEquation，在对话框中输入变量ycxt^2，在option选中heteroskedasticity并选择newey-west，点击OK，得到用最小二乘法估计出模型的结果，点击Name保存。

DependentVariable:

Y

Method:

LeastSquares

Date:

12/26/14Time:

10:

56

Sample:

19782006

Includedobservations:

29

Newey-WestHACStandardErrors&Covariance（lagtruncation=3）

Variable

Coefficient

Std.Error

t-Statistic

Prob.

C

3328.217

227.6632

14.61904

0.0000

X

0.176150

0.023389

7.531195

0.0000

T^2

21.65596

2.211639

9.791818

0.0000

R-squared

0.997590

Meandependentvar

14855.73

AdjustedR-squared

0.997404

S.D.dependentvar

9472.070

S.E.ofregression

482.5745

Akaikeinfocriterion

15.29384

Sumsquaredresid

6054831.

Schwarzcriterion

15.43529

Loglikelihood

-218.7608

F-statistic

5380.728

Durbin-Watsonstat

0.441989

Prob（F-statistic）

0.000000

序列相关稳健估计结果为：

Y=3328.19十0.176X+21.656T2

（14.61）（7.53）（9.79）

R2=0.9976修正后的R2=0.9972D.W.=0.442

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，但差异并不大。