• 书信范文
  • 文秘范文
  • 党团范文
  • 工作总结
  • 工作计划
  • 工作报告
  • 心得体会
  • 合同范文
  • 节日大全
  • 自我鉴定
  • 演讲稿
  • 汉字意思
  • 其他范文
  • 当前位置: 天一资源网 > 计量 正文

    计量经济学实验报告2019【计量经济学实验报告材料模版】

    时间:2020-07-16 08:18:57 来源:天一资源网 本文已影响 天一资源网手机站

     量

     经

     济

     学

     实

     验

     报

     告

     :罗静 班级:B100906 学号: 《计量经济学》课程实验报告1

     专业 国际贸易 班级 B100906 罗静 日期 2012.9.28

     实验目的学会Eviews工作文件的建立、数据输入、数据的编辑和描述;

     掌握用Eviews软件求解简单线性回归模型的方法;

     3.掌握用Eviews软件输出结果对模型进行统计检验;

     4.掌握用Eviews软件进行经济预测。

     实验容

     首先根据实际分析居民消费水平与经济增长的关系,并建立回归模型,然后以最小二乘法利用Eviews软件估计参数值,得到估计值后,再根据估计值来进行模型检验,包括经济意义检验、拟合优度和统计检验。最后便可进行回归预测。

     实验数据

     

     教材p55页,表2.5。

     年份

     全体居民人均消费水平(元)Y

     人均GDP(元)X

     年份

     全体居民人均消费水平(元)Y

     人均GDP(元)X

     1978

     184

     381

     1993

     1393

     2998

     1979

     208

     419

     1994

     1833

     4044

     1980

     238

     463

     1995

     2355

     5046

     1981

     264

     492

     1996

     2789

     5846

     1982

     288

     528

     1997

     3002

     6420

     1983

     316

     583

     1998

     3159

     6796

     1984

     361

     695

     1999

     3346

     7159

     1985

     446

     858

     2000

     3632

     7858

     1986

     497

     963

     2001

     3869

     8622

     1987

     565

     1112

     2002

     4106

     9398

     1988

     714

     1366

     2003

     4411

     10542

     1989

     788

     1519

     2004

     4925

     12336

     1990

     833

     1644

     2005

     5463

     14053

     1991

     932

     1893

     2006

     6138

     16165

     1992

     1116

     2311

     2007

     7081

     18934

     实验步骤

     分析居民人均消费水平Y和人均GDP的关系

     模型设定:Yt=β1+β2Xt+Ut

     用Eviews估计参数。步骤如下:

      1,建立工作文件:双击Eviews图标,进入Eviews主页。在菜单选项中依次点击New --- Workfile,出现“Workfile Range”。在“Workfile Frequency”中选择数据频率“Annual”,并在“start Date”菜单中输入“1978”,在“End”菜单中输入“2007”点击“OK”出现未命名文件的“Workfile UNTITLED”工作框。已有对象“c”为截距项,“resid”为剩余项。

      2,输入数据:在“Quick”菜单中点击“Empty Group”,出现数据编辑窗口。将第一列命名为“Y”:方法是按上行键“↑”,对应“obs”格自动上跳,,在对应的第二行有边框的“obs”空格中输入变量名为“Y”,再按下行键“↓”,变量名一下各格出现“NA”,依次输入Y的对应数据。按同样的方法,可对“X”等其他变量命名,并输入对应数据

      3,参数估计:在Eviews主页面直接点击“Quick”菜单,点击“Estimate Equation”,出现“Equation specification”对话框,选用OLS估计,然后在该对话框中输入“Y C X”,点击“OK”即出现以下结果

     

     模型检验:

      1,经济意义检验:所估计参数β1=224.3149,β2=0.38643,说明人均GDP每增加1元,平均来说可导致居民消费水平提高0.38643元。这与经济学中边际消费倾向的意义相符。

      2,拟合优度和统计检验:通过Eviews软件,估计出可决系数R^2=0.988884,说明所建模型整体上对样本数据拟合较好,即解释变量“人均GDP”对被解释变量“居民消费水平”的绝大部分差异作出了解释。

      对回归系数t的检验:针对H0:β1=0和β=0,通过Eviews软件,估计的回归系数β1的估计值的标准误差和t值分别为: 55.64114和4.031457;β2估计值的标准误差和t值分别为0.007743和49.90815.若取α=0.05,查t0.025(28)=2.048.因为β1和β2的估计值的t值都大于t0.025(28),所以拒绝H0,即表明,人均GDP对居民消费水平确有影响。

     实验结论

     通过Eviews估计样本模型如下:

     Yt=224.3149+0.38643Xt

      (55.64114)(0.007743)

     T=(4.031457)(49.90815)

     R^2=0.98884 F=2490.823 n=30

     1,实验从科学的角度解释了人均GDP与居民消费之间的关

     2,建立正确的回归预测模型是很关键的一步

     3,简单随机模型是在一下假定的:零均值假定、同方差假定、无自相关假定、随机扰动与解释变量不相关假定、正态假定

     4,普通最小二乘法估计参数的基本思想是基于随机误差值最小的《计量经济学》课程实验报告2

     专业 国际贸易 班级 B100906 罗静 日期 2012.11.9

     实验目的掌握用Eviews软件求解多元线性回归模型的方法;

     2.掌握用Eviews软件输出结果检验是否存在多重共线性;

     3.掌握用Eviews软件模型中的纠正多重共线性。

     实验容

     首先分析解释变量和被解释变量之间的关系,然后建立相应的回归模型,利用Eviews软件最小二乘法进行参数估计,用经济意义检验,拟合优度检验和统计检验来判定是否存在多重共线性,若存在,用Eviews软件进行修正,最后的出修正的结果。

     实验数据

     

     教材p119页,表4.3。

     年份

     国旅游收入Y(亿元)

     国旅游人数X2(万人次)

     城镇居民人均旅游花费X3(元)

     农村居民人均旅游花费X4 (元)

     公路里程 X5(万公里)

     铁路里程X6(万公里)

     1994

     1023.5

     52400

     414.7

     54.9

     111.78

     5.9

     1995

     1375.7

     62900

     464

     61.5

     115.7

     5.97

     1996

     1638.4

     63900

     534.1

     70.5

     118.58

     6.49

     1997

     2112.7

     64400

     599.8

     145.7

     122.64

     6.6

     1998

     2391.2

     69450

     607

     197

     127.85

     6.64

     1999

     2831.9

     71900

     614.8

     249.5

     135.17

     6.74

     2000

     3175.5

     74400

     678.6

     226.6

     140.27

     6.87

     2001

     3522.4

     78400

     708.3

     212.7

     169.8

     7.01

     2002

     3878.4

     87800

     739.7

     209.1

     176.52

     7.19

     2003

     3442.3

     87000

     684.9

     200

     180.98

     7.3

     2004

     4710.7

     110200

     731.8

     210.2

     187.07

     7.44

     2005

     5285.9

     121200

     737.1

     227.6

     193.05

     7.54

     2006

     6229.74

     139400

     766.4

     221.9

     345.7

     7.71

     2007

     7770.62

     161000

     906.9

     222.5

     358.37

     7.8

     实验步骤

     分析国旅游收入、国旅游人数、城镇居民人均旅游花费、农村居民人均旅游花费、公路里程、铁路里程之间的关系

     建立模型:Yt=β0+β1X1+β2X2+β3X3+β4X4+β5X5+β6X6+β7X7+Ut

     用Eviews估计参数。步骤如下(其他步骤参见实验一):

     首先建立数据文件Y和X2、X3、X4、X5、X6,其次输入各年对应数据,然后进行参数估计得到如下所示回归结果

     Dependent Variable: Y

     Method: Least Squares

     Date: 11/17/12 Time: 20:48

     Sample: 1994 2007

     Included observations: 14

     Coefficient

     Std. Error

     t-Statistic

     Prob.

     C

     -1472.644

     1137.041

     -1.295154

     0.2314

     X2

     0.042506

     0.004614

     9.213157

     0.0000

     X3

     4.432148

     1.063303

     4.168282

     0.0031

     X4

     2.922153

     1.093570

     2.672123

     0.0283

     X5

     1.427853

     1.417728

     1.007142

     0.3434

     X6

     -354.8261

     244.8543

     -1.449132

     0.1853

     R-squared

     0.997311

     ?Mean dependent var

     3527.783

     Adjusted R-squared

     0.995631

     ?S.D. dependent var

     1927.495

     S.E. of regression

     127.4045

     ?Akaike info criterion

     12.83014

     Sum squared resid

     129855.2

     ?Schwarz criterion

     13.10402

     Log likelihood

     -83.81097

     ?Hannan-Quinn criter.

     12.80479

     F-statistic

     593.5006

     ?Durbin-Watson stat

     1.558287

     Prob(F-statistic)

     0.000000

     4,模型检验:

     经济意义检验:所估计参数β6=-354.8261,说明公路里程每增加一个单位,国旅游收入就减少-354.8261个单位,这与实际不相符合。

     拟合优度和t 统计检验:通过Eviews模型估计的可决系数R^2=0.997311,说明所建模型整体上对样本数据拟合较好,对国旅游收入、国旅游人数、城镇居民人均旅游花费、农村居民人均旅游花费、公路里程、铁路里程说明的大部分差异作出解释。

     对回归系数t的检验:若取α=0.05,t0.025(8)=2.31,很显然x5、x6t检验部显著

      3,由1,2可以表明,很可能存在严重的多重共线性。

     5,修正多重共线性:

      1,分别作y对先、x2、x3、x4、x5、x6的一元回归,结果如下

     

     变量

     x2

     x3

     x4

     x5

     x6

     参数估计值

     0.058826

     14.02245

     19.61

     22.596

     3025.062

     t统计量

     18.24883

     9.309

     3.271

     8.709

     9.14

     R^2

     0.965219

     0.8784

     0.4714

     0.8634

     0.8744

     修正的R^2

     0.962321

     0.8682

     0.4273

     0.852

     0.864

     其中,加入x2的方程修正的R^2最大,x2为基础,顺次加入其他变量逐步回归,结果如下

     变量

     x2

     x3

     x4

     x5

     x6

     修正的R^2

     x2、x3

     0.041(15.2635)

     5.1427(7.666)

     0.993519

     x2、x4

     0.0523(5.3186)

     5.48299(5.3186)

     0.988491

     x2、x5

     0.0587(5.6749)

     0.0534(0.0127)

     0.958896

     x2、x6

     0.0434(8.2145)

     935.01(3.2754)

     0.979191

     经比较,新加入x3的方程拟合优度即修正的R^2=0.993519比较高,改进最大,而且各参数的t检验最显著,选择保留x3,再加入其他的新变量逐步回归,结果如下

     变量

     x2

     x3

     x4

     x5

     x6

     修正的R^2

     x2、x3、x4

     0.0452(16.042)

     3.666(3.8314)

     2.1786(1.9744)

     0.99487

     x2、x3、x5

     0.0379(7.5527)

     5.188(7.5314)

     1.2361(0.7216)

     0.993224

     x2、x3、x6

     0.0418(13.702)

     5.75597(4.8365)

     -178.7471(-0.6325)

     0.993145

     当加入x4时,修正的R^2有所改进,保留x4,再加入其他变量逐步回归,结果如下

     x2

     x3

     x4

     x5

     x6

     修正的R^2

     0.0394(9.11)

     3.5794(3.8152)

     2.4036(2.1957)

     1.78799(1.2092)

     0.995097

     0.0461(15.6285)

     4.6031(4.3817)

     2.8112(2.5817)

     -398.054(-1.64993)

     0.995624

     当加入x4时,修正的R^2有所增加,但其t检验不显著。加入x6后,修正R^2有所增加,但t检验部显著,且参数为负,与实际不相符合。从相关关系可知,x5、x6与其他变量高度相关,这说明主要是x5、x6引起了多重共线性,应当剔除。

     实验结论

     最后修正多重共线性影响后的回归结果为

      Yt=-3136.713+0.00458X2t+3.66603X3t+2.17858X4t

      (295.9214)(0.0027)(90.9568)(1.12342)

      T=(9-10.5998)(16.0418)(3.83139)(1.974398)

     R^2=0.996054 修正的R^2=0.99487 F=841.4324 DW=1.17632

     1,在生活中的很多模型是存在多重共线性,利用Eviews软件,然后进行各种检验可基本判别哪些解释变量存在多重共线性

     2,多重共线性的修正步骤比较多,但思路是比较清晰的,尤其是逐步回归法

     3,逐步回归的结果虽然减轻多重共线性的目的,但某些解释变量被剔除,可能会给模型带来设定偏误,这是需要我们注意的《计量经济学》课程实验报告3

     专业 国际贸易 班级 B100906 罗静 日期 2012.11.14

     实验目的1.掌握用Eviews软件检验线性回归模型是否存在异方差的图形检验法、Goldfeld-Quanadt检验和White检验的方法;

     2.掌握用Eviews软件消除模型中的异方差的方法;

     实验容

     根据实际分析医疗机构数和人口数的关系,建立回归模型,利用Eviews软件进行回归的参数预测,然后通过图形法、Goldfeld-Quanadt检验、White检验来判定模型是否存在异方差性,若存在,则进行模型修正。最后得出修正结果

     实验数据

     

     教材p142-143页,表5.1。

     地区

     人口数(万人)

     医疗机构数(个)Y

     地区

     人口数(万人)

     医疗机构数(个)Y

     X

     X

     1013.3

     6304

     眉山

     339.9

     827

     315

     911

     508.5

     1530

     103

     934

     438.6

     1589

     463.7

     1297

     达州

     620.1

     2403

     德阳

     379.3

     1085

     149.8

     866

     518.4

     1616

     346.7

     1223

     302.6

     1021

     资阳

     488.4

     1361

     371

     1375

     阿坝

     82.9

     536

     江

     419.9

     1212

     甘孜

     88.9

     594

     345.9

     1132

     凉山

     402.4

     1471

     709.2

     4064

     实验步骤

     分析医疗机构和人口数的关系

     模型建立:Yt=β1+β2X+Ut

     用Eviews估计参数。步骤如下(其他步骤参见实验一):

     首先建立数据文件Y和X1,其次输入各年对应数据,然后进行参数估计得到如下所示回归结果

     4,模型的异方差检验:

     1,图形法:1,生成残差平方序列ei^2,记为e2,路径:Object→Generate Series,进入Generate Series by Equation对话框,在对话框中输入“e2=(resid)^2”,则生成ei^2系列.

      2,绘制et^2对Xt的散点图。选择变量X与e2,进入数据列表,再按路径View→Graph→Scatter,可得散点图,如下

      3,判断,由图可知道,残差平方ei2对解释变量X的散点图主要分布在图形中的下三角部分,大致看出残差平方ei2随Xi的变动呈增大的趋势,因此模型很可能存在异方差。

     2,Goldfeld-Quanadt检验:1,对变量取值排序。在Procs菜单中选Sort Series命令,选Ascending,表示递增型排序,输入X,点击Ok

      2,构造子样本区间,建立回归模型。样本容量n=21,删除中间的4分之1,余下1-8,和14-21,在sample菜单中将区间定义为1-8,然后用OLS方法估计,结果如下

     Dependent Variable: Y

     Method: Least Squares

     Date: 11/25/12 Time: 09:34

     Sample: 1 8

     Included observations: 8

     Coefficient

     Std. Error

     t-Statistic

     Prob.

     C

     598.2525

     119.2922

     5.015018

     0.0024

     X

     1.177650

     0.490187

     2.402452

     0.0531

     R-squared

     0.490306

     ?Mean dependent var

     852.6250

     Adjusted R-squared

     0.405357

     ?S.D. dependent var

     201.5667

     S.E. of regression

     155.4343

     ?Akaike info criterion

     13.14264

     Sum squared resid

     144958.9

     ?Schwarz criterion

     13.16250

     Log likelihood

     -50.57056

     ?Hannan-Quinn criter.

     13.00869

     F-statistic

     5.771775

     ?Durbin-Watson stat

     1.656269

     Prob(F-statistic)

     0.053117

     Dependent Variable: Y

     Method: Least Squares

     Date: 11/25/12 Time: 09:35

     Sample: 14 21

     Included observations: 8

     Coefficient

     Std. Error

     t-Statistic

     Prob.

     C

     -2940.426

     430.7787

     -6.825839

     0.0005

     X

     9.177641

     0.693419

     13.23534

     0.0000

     R-squared

     0.966883

     ?Mean dependent var

     2520.500

     Adjusted R-squared

     0.961363

     ?S.D. dependent var

     1781.627

     S.E. of regression

     350.2011

     ?Akaike info criterion

     14.76721

     Sum squared resid

     735844.7

     ?Schwarz criterion

     14.78707

     Log likelihood

     -57.06884

     ?Hannan-Quinn criter.

     14.63326

     F-statistic

     175.1744

     ?Durbin-Watson stat

     1.815102

     Prob(F-statistic)

     0.000011

      3,求F统计量。由以上Σe1i^2=144958.9,Σe2i^2=73588.4,那么

      F=Σe1i^2÷Σe2i^2=73588.4÷144958.9=5.0762

      4,判断,在α=0.05下,以上F统计量的自由度都为6,查F表可得F0.05(6,6)=4.28<F=5.0762,所以模型确实存在异方差。

     3,White检验:对原始Y和X进行参数估计,然后按路径View→Residual→White heteroskedasticity,进入White检验,选择no cross terms,估计结果如下

     Heteroskedasticity Test: White

     F-statistic

     55.61118

     ?Prob. F(2,18)

     0.0000

     Obs*R-squared

     18.07481

     ?Prob. Chi-Square(2)

     0.0001

     Scaled explained SS

     11.78770

     ?Prob. Chi-Square(2)

     0.0028

     Test Equation:

     Dependent Variable: RESID^2

     Method: Least Squares

     Date: 11/25/12 Time: 10:14

     Sample: 1 21

     Included observations: 21

     Coefficient

     Std. Error

     t-Statistic

     Prob.

     C

     823375.5

     130273.4

     6.320365

     0.0000

     X

     -3605.578

     553.5894

     -6.513091

     0.0000

     X^2

     4.742387

     0.532352

     8.908366

     0.0000

     R-squared

     0.860705

     ?Mean dependent var

     351198.3

     Adjusted R-squared

     0.845228

     ?S.D. dependent var

     454261.0

     S.E. of regression

     178711.1

     ?Akaike info criterion

     27.15649

     Sum squared resid

     5.75E+11

     ?Schwarz criterion

     27.30571

     Log likelihood

     -282.1432

     ?Hannan-Quinn criter.

     27.18888

     F-statistic

     55.61118

     ?Durbin-Watson stat

     1.687985

     Prob(F-statistic)

     0.000000

     由以上结果可得到,nR^2=18.07481,由White检验知,在α=0.05下,查2 0.05(2)=5.9915,同时X和X2的t检验值也显著。因为nR^2=18.07481>2 .05(2)=5.9915,所以,表明模型存在异方差。

     5,异方差的修正

      运用加权最小二乘法,分别选择权数w1t=/Xt,w2t=1/Xt^2,w3t=1/√Xt。权数的生成过程如下,在Enter equation处,分别输入w1=1/X,w2=1/X^2,w3=1/sqr(X),各种估计如下

     

     Dependent Variable: Y

     Method: Least Squares

     Date: 11/25/12 Time: 10:37

     Sample: 1 21

     Included observations: 21

     Weighting series: W1

     Coefficient

     Std. Error

     t-Statistic

     Prob.

     C

     384.6123

     87.90442

     4.375346

     0.0003

     X

     2.723571

     0.433389

     6.284353

     0.0000

     Weighted Statistics

     R-squared

     0.675175

     ?Mean dependent var

     1104.228

     Adjusted R-squared

     0.658079

     ?S.D. dependent var

     464.4126

     S.E. of regression

     336.2853

     ?Akaike info criterion

     14.56419

     Sum squared resid

     2148668.

     ?Schwarz criterion

     14.66367

     Log likelihood

     -150.9240

     ?Hannan-Quinn criter.

     14.58578

     F-statistic

     39.49310

     ?Durbin-Watson stat

     0.787378

     Prob(F-statistic)

     0.000005

     Unweighted Statistics

     R-squared

     0.586654

     ?Mean dependent var

     1588.143

     Adjusted R-squared

     0.564899

     ?S.D. dependent var

     1310.975

     S.E. of regression

     864.7480

     ?Sum squared residDurbin-Watson stat

     0.362833

     Dependent Variable: Y

     Method: Least Squares

     Date: 11/25/12 Time: 10:37

     Sample: 1 21

     Included observations: 21

     Weighting series: W2

     Coefficient

     Std. Error

     t-Statistic

     Prob.

     C

     368.6203

     84.16826

     4.379564

     0.0003

     X

     2.952837

     0.822684

     3.589272

     0.0020

     Weighted Statistics

     R-squared

     0.938666

     ?Mean dependent var

     808.6869

     Adjusted R-squared

     0.935438

     ?S.D. dependent var

     1086.417

     S.E. of regression

     276.0477

     ?Akaike info criterion

     14.16942

     Sum squared resid

     1447845.

     ?Schwarz criterion

     14.26890

     Log likelihood

     -146.7789

     ?Hannan-Quinn criter.

     14.19101

     F-statistic

     12.88288

     ?Durbin-Watson stat

     1.706018

     Prob(F-statistic)

     0.001956

     Unweighted Statistics

     R-squared

     0.625243

     ?Mean dependent var

     1588.143

     Adjusted R-squared

     0.605519

     ?S.D. dependent var

     1310.975

     S.E. of regression

     823.3933

     ?Sum squared residDurbin-Watson stat

     0.380812

     Dependent Variable: Y

     Method: Least Squares

     Date: 11/25/12 Time: 10:38

     Sample: 1 21

     Included observations: 21

     Weighting series: W3

     Coefficient

     Std. Error

     t-Statistic

     Prob.

     C

     165.0524

     174.8553

     0.943937

     0.3571

     X

     3.554552

     0.537618

     6.611664

     0.0000

     Weighted Statistics

     R-squared

     0.697038

     ?Mean dependent var

     1329.555

     Adjusted R-squared

     0.681092

     ?S.D. dependent var

     618.3564

     S.E. of regression

     498.7255

     ?Akaike info criterion

     15.35238

     Sum squared resid

     4725815.

     ?Schwarz criterion

     15.45186

     Log likelihood

     -159.2000

     ?Hannan-Quinn criter.

     15.37397

     F-statistic

     43.71411

     ?Durbin-Watson stat

     0.481837

     Prob(F-statistic)

     0.000003

     Unweighted Statistics

     R-squared

     0.695483

     ?Mean dependent var

     1588.143

     Adjusted R-squared

     0.679456

     ?S.D. dependent var

     1310.975

     S.E. of regression

     742.2299

     ?Sum squared residDurbin-Watson stat

     0.412776

     由以上可知,w2的效果最好,那么估计结果如下

      Yi=368.6203+2.9528Xi

      (4.3796)(3.5893)

      R^2=0.9378 DW=1.7060 F=12.8829

     验结论

     1,异方差在生活中很多见,利用Eviews估计检验异方差不能单靠图形法,还需要利用其他方法来进行确认是否存在异方差性,避免偶然错误,并且要注意他们的假设条件

     2,在选择权数的时候一般选择1/X或者1/X^2,来尽量抵销异方差性

     3,在选择使用Goldfeld-Quanadt检验时,选择排序类型对结果至关重要

     4,修正异方差性的主要方法是加权最小二乘法,也可以用变量变换法和对数变换法

    相关关键词: 计量经济学论文选题 计量经济学论文范文 计量经济学课程论文 计量经济学参考文献 计量经济学硕士论文
    相关热词搜索: 计量 模版 经济学 实验 材料

    • 范文大全
    • 教案下载
    • 优秀作文
    • 励志
    • 课件
    • 散文
    • 名人名言