第五章案例分析.doc

第五章 案例分析一、问题的提出和模型设定根据本章引子提出的问题,为了给制定医疗机构的规划提供依据，分析比较医疗机构与人口数量的关系，建立卫生医疗机构数与人口数的回归模型。假定医疗机构数与人口数之间满足线性约束,则理论模型设定为 （5.31)其中表示卫生医疗机构数，表示人口数.由2001年四川统计年鉴得到如下数据.表5。1 四川省2000年各地区医疗机构数与人口数地区人口数（万人)X医疗机构数（个）Y地区人口数（万人）X医疗机构数(个）Y成都1013.36304眉山339。9827自贡315911宜宾508.51530攀枝花103934广安438。61589泸州463。71297达州620.12403德阳379.31085雅安149。8866绵阳518。41616巴中346.71223广元302.61021资阳488.41361遂宁3711375阿坝82。9536内江419.91212甘孜88。9594乐山345。91132凉山402。41471南充 709。2 4064二、参数估计进入EViews软件包，确定时间范围；编辑输入数据；选择估计方程菜单，估计样本回归函数如下 表5.2估计结果为 (5。32)括号内为t统计量值。 三、检验模型的异方差本例用的是四川省2000年各地市州的医疗机构数和人口数，由于地区之间存在的不同人口数，因此，对各种医疗机构的设置数量会存在不同的需求，这种差异使得模型很容易产生异方差，从而影响模型的估计和运用。为此，必须对该模型是否存在异方差进行检验。（一）图形法1、EViews软件操作。由路径：Quick/Qstimate Equation，进入Equation Specification窗口，键入“y c x,确认并“ok”，得样本回归估计结果,见表5。2。（1）生成残差平方序列。在得到表5。2估计结果后，立即用生成命令建立序列,记为e2.生成过程如下，先按路径：Procs/Generate Series，进入Generate Series by Equation对话框,即 图5.4然后，在Generate Series by Equation对话框中（如图5.4）,键入“e2=（resid）2”，则生成序列。（2）绘制对的散点图。选择变量名X与e2（注意选择变量的顺序,先选的变量将在图形中表示横轴，后选的变量表示纵轴)，进入数据列表，再按路径view/graph/scatter,可得散点图，见图5。5。 图5。52、判断.由图5。5可以看出，残差平方对解释变量X的散点图主要分布在图形中的下三角部分，大致看出残差平方随的变动呈增大的趋势,因此，模型很可能存在异方差。但是否确实存在异方差还应通过更进一步的检验.（二）GoldfeldQuanadt检验1、EViews软件操作。（1）对变量取值排序（按递增或递减）。在Procs菜单里选Sort Series命令,出现排序对话框，如果以递增型排序,选Ascenging，如果以递减型排序，则应选Descending，键入X，点ok。本例选递增型排序，这时变量Y与X将以X按递增型排序。（2）构造子样本区间，建立回归模型.在本例中，样本容量n=21，删除中间1/4的观测值，即大约5个观测值，余下部分平分得两个样本区间：18和14-21，它们的样本个数均是8个,即。在Sample菜单里，将区间定义为18，然后用OLS方法求得如下结果表5.3在Sample菜单里，将区间定义为14-21,再用OLS方法求得如下结果表5。4（3)求F统计量值。基于表5.3和表5.4中残差平方和的数据,即Sum squared resid的值。由表5.3计算得到的残差平方和为，由表5.4计算得到的残差平方和为，根据Goldfeld-Quanadt检验,F统计量为 (5.33）(4）判断。在下，式（5.33）中分子、分母的自由度均为6，查F分布表得临界值为，因为，所以拒绝原假设，表明模型确实存在异方差。（三）White检验由表5。2估计结果，按路径view/residual tests/white heteroskedasticity（no cross terms or cross terms)，进入White检验。根据White检验中辅助函数的构造，最后一项为变量的交叉乘积项，因为本例为一元函数,故无交叉乘积项，因此应选no cross terms,则辅助函数为 （5。34)经估计出现White检验结果，见表5。5。从表5。5可以看出，,由White检验知,在下,查分布表,得临界值（在（5。34）式中只有两项含有解释变量，故自由度为2)，比较计算的统计量与临界值，因为，所以拒绝原假设，不拒绝备择假设，表明模型存在异方差.表5.5 四、异方差性的修正 （一）加权最小二乘法(WLS)在运用WLS法估计过程中，我们分别选用了权数。权数的生成过程如下，由图5.4，在对话框中的Enter Quation处,按如下格式分别键入：；，经估计检验发现用权数的效果最好。下面仅给出用权数的结果。表5.7表5。7的估计结果如下 （5。36)括号中数据为t统计量值。可以看出运用加权小二乘法消除了异方差性后，参数的t检验均显著，可决系数大幅提高，F检验也显著,并说明人口数量每增加1万人，平均说来将增加2.953个卫生医疗机构，而不是引子中得出的增加5。3735个医疗机构。虽然这个模型可能还存在某些其他需要进一步解决的问题，但这一估计结果或许比引子中的结论更为接近真实情况。