计量经济学Eviews操作95分线性回归保费收入模型上机作业版 2word资料13页.docx
《计量经济学Eviews操作95分线性回归保费收入模型上机作业版 2word资料13页.docx》由会员分享,可在线阅读,更多相关《计量经济学Eviews操作95分线性回归保费收入模型上机作业版 2word资料13页.docx(30页珍藏版)》请在冰豆网上搜索。
计量经济学Eviews操作95分线性回归保费收入模型上机作业版2word资料13页
保费收入的相关数据表
“师”之概念,大体是从先秦时期的“师长、师傅、先生”而来。
其中“师傅”更早则意指春秋时国君的老师。
《说文解字》中有注曰:
“师教人以道者之称也”。
“师”之含义,现在泛指从事教育工作或是传授知识技术也或是某方面有特长值得学习者。
“老师”的原意并非由“老”而形容“师”。
“老”在旧语义中也是一种尊称,隐喻年长且学识渊博者。
“老”“师”连用最初见于《史记》,有“荀卿最为老师”之说法。
慢慢“老师”之说也不再有年龄的限制,老少皆可适用。
只是司马迁笔下的“老师”当然不是今日意义上的“教师”,其只是“老”和“师”的复合构词,所表达的含义多指对知识渊博者的一种尊称,虽能从其身上学以“道”,但其不一定是知识的传播者。
今天看来,“教师”的必要条件不光是拥有知识,更重于传播知识。
年份
“教书先生”恐怕是市井百姓最为熟悉的一种称呼,从最初的门馆、私塾到晚清的学堂,“教书先生”那一行当怎么说也算是让国人景仰甚或敬畏的一种社会职业。
只是更早的“先生”概念并非源于教书,最初出现的“先生”一词也并非有传授知识那般的含义。
《孟子》中的“先生何为出此言也?
”;《论语》中的“有酒食,先生馔”;《国策》中的“先生坐,何至于此?
”等等,均指“先生”为父兄或有学问、有德行的长辈。
其实《国策》中本身就有“先生长者,有德之称”的说法。
可见“先生”之原意非真正的“教师”之意,倒是与当今“先生”的称呼更接近。
看来,“先生”之本源含义在于礼貌和尊称,并非具学问者的专称。
称“老师”为“先生”的记载,首见于《礼记?
曲礼》,有“从于先生,不越礼而与人言”,其中之“先生”意为“年长、资深之传授知识者”,与教师、老师之意基本一致。
寿险保费收入(亿元)y
要练说,先练胆。
说话胆小是幼儿语言发展的障碍。
不少幼儿当众说话时显得胆怯:
有的结巴重复,面红耳赤;有的声音极低,自讲自听;有的低头不语,扯衣服,扭身子。
总之,说话时外部表现不自然。
我抓住练胆这个关键,面向全体,偏向差生。
一是和幼儿建立和谐的语言交流关系。
每当和幼儿讲话时,我总是笑脸相迎,声音亲切,动作亲昵,消除幼儿畏惧心理,让他能主动的、无拘无束地和我交谈。
二是注重培养幼儿敢于当众说话的习惯。
或在课堂教学中,改变过去老师讲学生听的传统的教学模式,取消了先举手后发言的约束,多采取自由讨论和谈话的形式,给每个幼儿较多的当众说话的机会,培养幼儿爱说话敢说话的兴趣,对一些说话有困难的幼儿,我总是认真地耐心地听,热情地帮助和鼓励他把话说完、说好,增强其说话的勇气和把话说好的信心。
三是要提明确的说话要求,在说话训练中不断提高,我要求每个幼儿在说话时要仪态大方,口齿清楚,声音响亮,学会用眼神。
对说得好的幼儿,即使是某一方面,我都抓住教育,提出表扬,并要其他幼儿模仿。
长期坚持,不断训练,幼儿说话胆量也在不断提高。
GDP(亿元)x1
城镇居民家庭人均可支配收入(元)x2
城镇恩格尔系数x3
65岁以上人口占总人口百分数x4
社会保障基金支出(亿元)x5
通胀率(居民消费价格指数)x6
利率(央行历年存款利率%)x7
1990
49.08
18667.82
1510.2
54.24
5.57
151.9
103.1
2.16
1991
63.17
21781.5
1700.6
53.8
5.7
176.1
103.4
1.8
1992
93.86
26923.48
2026.6
53.04
5.82
327.1
106.4
1.8
1993
85.95
35333.92
2577.4
50.32
5.95
482.2
114.7
3.15
1994
143.13
48197.86
3496.2
50.04
6.07
680
124.1
3.15
1995
160.9
60793.73
4283
50.09
6.2
877.1
117.1
3.15
1996
214.81
71176.59
4838.9
48.76
6.41
1082.4
108.3
1.98
2019
390.48
78973.03
5160.3
46.6
6.54
1339.2
102,8
1.71
2019
750.22
84402.28
5425.1
44.66
6.7
1636.9
99.2
1.44
2019
878.95
89677.05
5854.02
42.07
6.9
2108.1
98.6
0.99
2000
990
99214.55
6280
39.44
6.96
2385.6
100.4
0.99
2019
1423.52
109655.17
6859.6
38.2
7.1
2748
100.7
0.99
2019
2274.8
120332.69
7702.8
37.68
7.3
3471.5
99.2
0.72
2019
3011
135822.76
8472.2
37.1
7.5
4016.4
101.2
0.72
2019
3194
159878.34
9421.6
37.7
7.6
4627.4
103.9
0.72
2019
3649
184937.37
10493
36.7
7.7
5401
101.8
0.72
2019
4061
216314.43
11759.5
35.8
7.9
6583
101.5
0.72
2019
4949.7
265810.31
13785.8
36.29
8.1
7887.8
104.8
0.72
2019
7338
314045.43
15780.76
37.89
8.3
9925.1
105.9
0.36
2009
8144.4
340902.81
17174.65
36.52
8.5
12302.6
99.3
0.36
2019
10501.1
401202.03
19109.44
35.7
8.87
9014.243
101.3
0.36
2019
9560
472881.6
21809.8
36.3
9.13
9547.935
105.4
0.4
1、提出并分析相关问题
2、利用数据,构造计量经济学模型
3、估计并完成模型,对结果给出评价
4、对你的研究给出结论及展望。
1.提出并分析相关问题
提出问题:
寿险保费收入与其他变量怎样拟合能较好的解释其变化?
分析问题:
寿险保费收入作为被解释变量,可以在其他6个解释变量下,通过一定的设计,做出有经济学意义的回归模型。
一、首先要选择合适的与寿险保费收入的经济学理论和行为相关的变量。
变量x1为GDP,在GDP越高的情况下,生产总值的提升说明社会发展水平提升,对寿险的重视程度很可能也随之提高,因此人们的保费收入也会成正相关变化。
变量x2为城镇居民家庭人均可支配收入,与GDP类似,该变量与保费收入成正相关变化。
但其没有包括农村居民收入,因此有些局限性。
还要通过进一步分析确定。
变量x3城镇恩格尔系数越低,说明居民花在食品上的费用占总费用比重越小,其生活水平越高,按该情况居民应更有基础注重保险业务。
但从数据上来看,该变量若作为解释变量,其系数应为负。
也就是说明,该变量或许与Y的关系并不单纯直接,应该还会有其他的因素影响。
变量x4是65岁以上人口占总人口百分数,当该比例越大时,表明需要人寿保险的群体比重增加,保费收入也应该增加。
变量x5社会保障基金支出的增长,有助于促进保费收入的增加。
变量x6通胀率(居民消费价格指数)通货膨胀率受很多方面的影响,同时大体上来看,它与保费收入的关系并不密切。
变量x7利率(央行历年存款利率%),利率一般是由央行根据整个经济情况决定的,是个比较宏观的(相对来说)变动较小经济变量,同样与保费收入关系不密切,应予以剔除。
二、结合散点图,根据经济行为理论,确定变量之间的数学关系。
通过散点图,可初步推断y与x1~x5有线性关系。
y与x1~x5散点图
同时,根据经济学意义以及对各变量的分析(见上一标题),也可得出y与各变量成线性相关的关系。
三.根据经济学意义确定剩下的变量的模型参数估计。
同时注意他们之间的独立性。
可以通过数据,发现y与x1~x5有正相关关系,故它们前面的系数应该都为正数。
另外,通过相关系数矩阵,发现他们之间存在严重的多重共线性。
有的相关系数甚至达到了0.99以上,对其的相关处理我将在后面进行。
X1
X2
X3
X4
X5
X6
X1
1
0.995591
-0.75397
0.954979
0.947109
-0.26679
X2
0.995591
1
-0.80634
0.977026
0.959676
-0.2963
X3
-0.75397
-0.80634
1
-0.91088
-0.7945
0.514843
X4
0.954979
0.977026
-0.91088
1
0.941551
-0.39444
X5
0.947109
0.959676
-0.7945
0.941551
1
-0.3265
X6
-0.26679
-0.2963
0.514843
-0.39444
-0.3265
1
2.利用数据,构造计量经济学模型
首先,对y做一个对所有变量的多元回归模型。
DependentVariable:
Y
Method:
LeastSquares
Date:
06/05/13Time:
20:
21
Sample:
19902019
Includedobservations:
22
Variable
Coefficient
Std.Error
t-Statistic
Prob.
X1
0.062356
0.027134
2.298104
0.0354
X2
-1.716488
0.952019
-1.803008
0.0903
X3
190.6488
150.8816
1.263566
0.2245
X4
4815.267
3016.598
1.596258
0.1300
X5
0.382722
0.151151
2.532061
0.0222
C
-36195.42
23730.64
-1.525261
0.1467
R-squared
0.976812
Meandependentvar
2814.867
AdjustedR-squared
0.969565
S.D.dependentvar
3315.807
S.E.ofregression
578.4598
Akaikeinfocriterion
15.78562
Sumsquaredresid
5353852.
Schwarzcriterion
16.08317
Loglikelihood
-167.6418
Hannan-Quinncriter.
15.85571
F-statistic
134.8008
Durbin-Watsonstat
1.910836
Prob(F-statistic)
0.000000
发现t值较为显著的仅有x1和x5.¥%……&*()—可继续说明—
3.估计并完成模型,对结果给出评价
一、估计并完成模型:
思路一:
下面运用Eviews软件系统自动逐步回归法做出的多元线性模型为:
Variable
Coefficient
Std.Error
t-Statistic
Prob.*
X1
0.024973
0.001013
24.64162
0.0000
X6
-9.516028
1.918036
-4.961339
0.0001
R-squared
0.967105
Meandependentvar
2814.867
AdjustedR-squared
0.965460
S.D.dependentvar
3315.807
S.E.ofregression
616.2375
Akaikeinfocriterion
15.77165
Sumsquaredresid
7594973.
Schwarzcriterion
15.87084
Loglikelihood
-171.4881
Hannan-Quinncriter.
15.79502
Durbin-Watsonstat
1.406837
分析:
可见其
思路二:
利用向前选择法
第一步,用每个解释变量分别对被解释变量做简单回归,得到
1Y与x1:
ŷ=-1013.927+0.025092x1
(24.08990)
R²=0.966685F=580.3233
2对x2
ŷ=-1835.837+0.551502x2
(271.1357)(20.75179)
R²=0.9555618F=430.6369
3对x3
ŷ=17955.12-354.7465x3
(5.577219)(-4.759700)
R²=0.531119F=22.65474DW=0.172052
4对X4
X4
2946.593
250.7429
11.75145
0.0000
C
-18188.99
1805.815
-10.07245
0.0000
R-squared
0.873495
Meandependentvar
2814.867
AdjustedR-squared
0.867170
S.D.dependentvar
3315.807
S.E.ofregression
1208.475
Akaikeinfocriterion
17.11861
Sumsquaredresid
29208222
Schwarzcriterion
17.21780
Loglikelihood
-186.3047
Hannan-Quinncriter.
17.14198
F-statistic
138.0967
Durbin-Watsonstat
0.316946
Prob(F-statistic)
0.000000
ŷ=-18188.99+2946.593x4
(-10.07245)(11.75145)
R²=0.873495F=138.0967DW=0.316946
5对x5
ŷ=0.77532x5
(17.6609)
R²=0.8893=294DW=1.109666
根据R²统计量的大小排序,可见解释变量的重要程度依次为x1,x2,x5,x4,x3,
第二步,以ŷ=-1013.927+0.025092x1为基础,依次引入x2,x5,x4,x3,与逐步回归法不同的是,不再引入已经删除掉的变量。
首先把x2引入模型回归得
Variable
Coefficient
Std.Error
t-Statistic
Prob.
X1
0.028871
0.011359
2.541631
0.0199
X2
-0.083903
0.251106
-0.334135
0.7419
C
-882.9879
445.3053
-1.982882
0.0620
R-squared
0.966879
Meandependentvar
2814.867
AdjustedR-squared
0.963393
S.D.dependentvar
3315.807
S.E.ofregression
634.4133
Akaikeinfocriterion
15.86940
Sumsquaredresid
7647125.
Schwarzcriterion
16.01818
Loglikelihood
-171.5634
Hannan-Quinncriter.
15.90445
F-statistic
277.3292
Durbin-Watsonstat
1.447167
Prob(F-statistic)
0.000000
AdjustedR-squared0.963393
因为x2的引入是R改善幅度较小,且x2的系数没有通过t显著性检验所以在模型中剔除x2,引入x5
Variable
Coefficient
Std.Error
t-Statistic
Prob.
X1
0.020792
0.003163
6.573520
0.0000
X5
0.158927
0.110717
1.435428
0.1674
C
-984.6087
202.5046
-4.862156
0.0001
R-squared
0.969944
Meandependentvar
2814.867
AdjustedR-squared
0.966780
S.D.dependentvar
3315.807
S.E.ofregression
604.3485
Akaikeinfocriterion
15.77230
Sumsquaredresid
6939506.
Schwarzcriterion
15.92108
Loglikelihood
-170.4953
Hannan-Quinncriter.
15.80735
F-statistic
306.5770
Durbin-Watsonstat
1.630647
Prob(F-statistic)
0.000000
上一步的原因相同,剔除x5,引入x4
Variable
Coefficient
Std.Error
t-Statistic
Prob.
X1
0.026290
0.003591
7.321895
0.0000
X4
-154.9759
443.5722
-0.349381
0.7306
C
-92.03537
2647.097
-0.034768
0.9726
R-squared
0.966897
Meandependentvar
2814.867
AdjustedR-squared
0.963413
S.D.dependentvar
3315.807
S.E.ofregression
634.2404
Akaikeinfocriterion
15.86886
Sumsquaredresid
7642957.
Schwarzcriterion
16.01764
Loglikelihood
-171.5574
Hannan-Quinncriter.
15.90390
F-statistic
277.4856
Durbin-Watsonstat
1.458254
Prob(F-statistic)
0.000000
剔除x4引入x3
Variable
Coefficient
Std.Error
t-Statistic
Prob.
X1
0.025651
0.001618
15.85417
0.0000
X3
14.12441
30.85878
0.457711
0.6524
C
-1701.940
1517.891
-1.121254
0.2762
R-squared
0.967048
Meandependentvar
2814.867
AdjustedR-squared
0.963579
S.D.dependentvar
3315.807
S.E.ofregression
632.7954
Akaikeinfocriterion
15.86430
Sumsquaredresid
7608170.
Schwarzcriterion
16.01307
Loglikelihood
-171.5072
Hannan-Quinncriter.
15.89934
F-statistic
278.7978
Durbin-Watsonstat
1.456218
Prob(F-statistic)
0.000000
剔除x3引入x7
Variable
Coefficient
Std.Error
t-Statistic
Prob.
X1
0.024556
0.001533
16.01957
0.0000
X7
-104.7564
215.6323
-0.485810
0.6327
C
-793.3857
500.5261
-1.585104
0.1294
R-squared
0.967093
Meande