计
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