计量经济学报告记录Word文件下载.docx

1、农村居民消费价格指数（上年=100）商品零售价格指数（上年=100）2005年101.8101.6102.2100.82006年101.51012007年104.8104.5105.4103.82008年105.9105.6106.52009年99.399.199.798.82010年103.3103.2103.6103.12011年105.3105.8104.92012年102.6102.7102.51022013年102.8101.42014年102.12015年101.3100.11用eviews进行参数估计，写出多元线性回归的数学模型；2进行拟合优度检验，方程的显著性检验和变量的显著性

2、检验；3作异方差检验，用加权最小二乘法重新估计模型，与（1）的模型作对比和评价；4作序列相关检验，用广义最小二乘法或广义差分法重新估计模型，与（1）和（2）的模型作对比和评价；5做多重共线性检验，如果存在多重共线性则消除多重共线性，与前面的模型作对比和评价；6分别用前述3个模型进行点预测和区间预测，对预测结果作适当评价。解题：（1） 以居民消费价格指数为（）,城市居民消费价格指数（）,农村居民消费价格指数（）,商品零售价格指数（）,做参数估计得到以下结果，如图1：图 1其对应的回归表达式为：（0.24） （0.00） （0.00） （0.5293）（2） 拟合优度，说明模型的拟合优度高；在给定

3、显著性水平的情况下（例子中解释变量的数目为3，样本容量为11），显然有表明模型的线性关系在95%的置信水平下显著成立，即方程是显著的。给定显著性水平0.05，可知变量t统计量的概率值只有没有通过检验，因为其，因此将接受原假设，解释变量显著为0，而其他的都是显著不为零。（3） 异方差检验如图2所示：图 2White统计量，该值大于5%显著性水平下自由度为6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11），因此接受同方差性的原假设。（4） 序列相关检验为：作残差项与时间t以及与的关系图，如图3：图 3从图1中可以看出：DW检验结果表明，在5%的显著性水平下，n=24，k=2，

4、查表，由于，故无自相关。（5） 多重共线性检验： 根据回归表达式的结果，未能通过t检验,故认为解释变量间存在多重共线性。对进行简单的相关系数检验，过程如图4：图 4由图4相关系数矩阵可以看出，各解析变量之间的相关系数较高，可以看出之间存在严重的自相关性，证实解析变量之间存在多重共线性。下面我们将采用逐步回归法来减少共线性的严重程度而不是彻底地消除它接下来找出最简单的回归形式。分别做出间的回归，结果如下图：a. 图 5Y = -2.65077605319 + 1.0266075388*X1 （0.3376） （0.0000）b. 图 6Y = 8.07937028738 + 0.91936009

5、7819*X2 （0.0596） （0.0000）c. 图 7Y = 10.9635103926 + 0.899538106235*X3 （0.0873） （0.0000）通过一元回归结果图5图7进行对比分析，依据调整可决系数最大原则，选择作为进入回归模型的第一个解析变量，形成一元回归模型。采用逐步回归寻找最佳回归方程：1） 在初始模型中引入，结果如下图:图 8从上面的结果可以看出，模型拟合度显著提高，且参数符号合理，变量也通过了t检验。从而引入，根据第一问的结果，尽管拟合度有所提高，但的参数未能通过t检验，且符号不合理。所以最终的粮食生产函数应以为最优，拟合结果如下：Y = 0.605901

6、803263 + 0.636442109226*X1 + 0.357379251056*X2 （0.2588） （0.0000） （0.0000）相比于模型1中得到的结果，我们认为与其他变量存在多重共线性，去掉后，模型的结果显著改变。（6） 点预测与区间预测由于我们所得模型不存在序列相关性和异方差性，所以我们只对存在多重共线性的模型进行点预测和区间预测，其预测结果如下：点预测内插预测：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，

7、如图9所示。图 9外推预测：双击Workfile菜单下的Range所在行，出现将Workfile structured对话框，将右侧Observation旁边的数值改为12，然后点击OK，即可用将Workfile的Range以及Sample的Range改为2016；双击打开group01序列表格形式，将编辑状态切换为“可编辑”，在序列中补充输入；同样的方法录入在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10所示。实际值、预测值、残差序列，在view菜单选择Grap/Line，画折线图，如图11所示。

8、图 10 图 11因此，当城市居民消费价格指数，农村居民消费价格指数时，居民消费指数。区间预测接下来将进行个别值的置信区间的预测：图 12把预测值的标准差，命名为YS1，然后点解OK，即可在Workfile界面看到一个名为YS1的序列。双击打开这一序列，如图12所示，在第2016年（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：2.建立中国长期的水资源模型。考虑到水资源的总量是衡量一个国家是否有长期发展的一个基本要素，而影响水资源总量的因素，不仅在本期，而且长期在发挥作用。对于水资源总量的影响因素部分为人均水资源量，表2给出了相关数据，其来源与中

9、国统计年鉴。表 2水资源总量（亿立方米）人均水资源量（立方米/人）27962.62039.2527266.91998.6427957.862059.6929526.882186.0523256.71730.230906.412310.4124180.21816.1827434.32071.0525255.161916.3425330.141932.0928053.12151.82004年24129.561856.29长期的水资源模型可设定为使用4期滞后2次多项式估计模型：在工作文件中，点击QuickEstimate Equation，然后在弹出的对话框中输入：Y C PDL（X,4,2），点击

10、OK，得到如图13所示的回归分析结果。其中，“PDL指令”表示进行多项式分布滞后（Ploynamial Distributed Lags）模型的估计，X为滞后序列名，4表示滞后长度，2表示多项式次数。由表2中的数据，我们得到估计结果如下：最后得到的分布滞后模型估计式为：图 13为了进行比较，下面直接对滞后4期的模型进行OLS估计。在工作文件中，点击QuickEstimate Equation.，然后在弹出的对话框中输入：Y C X X（-1） X（-2） X（-3） X（-4），点击OK，得到如图14所示的回归分析结果。图 14由图14中数据我们得到可以看出，尽管拟合优度有所提高，但变量的系数

11、大多数未通过显著性水平为5%的t检验。格兰杰因果关系检验：Granger因果关系检验结果，如图15所示：图15由图15中伴随概率知，在5%的显著性水平下，拒绝“X不是Y的格兰杰原因”的原假设，即“X是Y的格兰杰原因”；同时接受“Y不是X的格兰杰原因”。因此，从1阶滞后情况来看，X的增长是水资源总量增长的格兰杰原因，同时厂房开支Y增长不是是X增长的格兰杰原因，即水资源总量Y与X人均水资源量的增长有单向影响。3.表3中给出了中国19902009年以城乡储蓄存款新增额代表的居民当年储蓄及以GNP代表的居民当年收入的数据。以1999年为界，判断1999年前和1999年后的两个时期中国居民的储蓄收入关系是否已发生变化。表 3时间城镇居民家庭人均可支配收入X（元）城乡居民人民币储蓄存款年底余额Y（亿元）1990年1510.27119.62000年628064332.381991年1700.69244.92001年6859.673762.431992年2026.611757.32002年7702.886910.651993年2577.415203.52003年8