滞后变量试验报告.doc

(完整版)滞后变量试验报告
《计量经济学》上机实验报告六
题目:滞后变量
实验日期和时间：
班级:
学号：
姓名：
实验室：
实验环境: Windows XP ； EViews 3。1
实验目的：
掌握滞后效应、因果关系检验及分布滞后变量模型估计，熟悉EViews软件的相关应用

实验内容：利用实例数据和EViews软件,因果关系检验、采用阿尔蒙法估计回归模型、检验及滞后效应分析。
第七章习题7。3
实验步骤：
一、 建立工作文件
⒈菜单方式
⒉命令方式：CREATE A 起始期 终止期
二、 输入数据
三、应用互相关分析命令初步选择滞后期长度,结果如下：
Cross Y X
据此,初步设定分布滞后模型
利用阿尔蒙法估计模型,命令和结果为
Ls Y C PDL(X,3，2）

试验结果：
例3—9
表7给出了某地区制造行业与统计资料（单位：亿元),
（1） 检验库存和销售额之间的因果关系
（2） 利用互相关分析命令，初步设定分布滞后模型滞后期长度
（3） 试阿尔蒙方法估计分布滞后模型建立库存函数
表7 某地区制造行业与统计资料（单位：亿元）
年份
库存y
销售额x
年份
库存y
销售额x
1978
45069
26480
1988
68221
41003
1979
50642
27740
1989
77965
44869
1980
51871
28736
1990
84655
46449
1981
50070
27280
1991
90875
50282
1982
52707
30219
1992
97074
53555
1983
53814
30796
1993
101645
52859
1984
54939
30896
1994
102445
55917
1985
58213
33113
1995
107719
62017
1986
60043
35032
1996
120870
71398
1987
63383
37335
1997
147135
82078
答案：
（1） 检验库存和销售额之间的因果关系
数组窗口中点击view\Granger Causality,分别输入滞后期长度,结果如下:

滞后期为1

滞后期为2

滞后期为3

滞后期为4

滞后期为5

滞后期为6

格兰杰因果关系检验结果表
滞后长度
q=s
格兰杰因果性
F值
F值的P值
结论
1
x不是y的格兰杰原因
y不是x的格兰杰原因
53.3165

4。3467
2.e-06
0.0535
拒绝
接受(,拒绝（（0。10）
2
x不是y的格兰杰原因
y不是x的格兰杰原因
18。4591
2。6558
0.0002
0.1079
拒绝
接受(，接受（（0.10）
3
x不是y的格兰杰原因
y不是x的格兰杰原因
 7。4705

4。1313
0。0065

0.0380
拒绝
拒绝
4
x不是y的格兰杰原因
y不是x的格兰杰原因
7.6333

2.1374
0.0108

0.1790
拒绝
接受
5
x不是y的格兰杰原因
y不是x的格兰杰原因
6.4722

1。2872
0.0472

0.4151
拒绝
接受
6
x不是y的格兰杰原因
y不是x的格兰杰原因
4。5278

0。7346
0。3450

0.7124
接受
接受
从上表可知，当滞后阶数低于6时,因果关系检验结果为拒绝“销售额不是库存的格兰杰原因”的假设，即销售额是影响库存的原因；而当滞后阶数为3和1时拒绝“库存不是销售额的格兰杰原因”，即库存是影响销售额的原因,当随着滞后阶数为2、4、5、6时接受“库存不是销售额的格兰杰原因”，即库存是影响销售额的原因，可见，一年及三年库存和销售额具有双向的因果关系，而4年和5年仅具有销售额对库存的单向因果关系,5年以上二者均不具因果关系。据此,我们确定销售额为影响库存的原因.

（2）利用互相关分析命令，初步设定滞后期长度
Cross y x

从上图Y与X的各期滞后值的相关系数及直方图可知，(考试中根据相关系数接近0.5的最大滞后期，做论文时可以先初步设定再逐步改变滞后期长度，当判定系数最大或赤池准则和施瓦兹准则最小者时，其对应的滞后期长度）库存额可能与当年和前三年的销售额相关,故初步设定滞后期长度为3，模型为
Yt=a+b0Xt+ b1Xt—1+ b2Xt-2+ b3Xt-3+
2、利用阿尔蒙法估计模型，命令和结果如下:
（1）假定bi可以用一个二次多项式逼近（注:一般多项式次数m小于滞后期长度s）
Ls Y C PDL（X，3，2）

经阿尔蒙变换之后的估计结果为:
= —7140。754+1。1311Z0t+0.0377 Z1t-0。4322Z2t
T= (—3.5829） （6.2844) （0.2323) (-2.5960）
R= 0.9968，=0.9961， F=1348.639，prob（F)= 0.000000 DW=1。8482
即= -7140.754，=1。13114，= 0.0377，= -0.4322
还原成原分布滞后模型：
将估计结果代入以下公式
=+（i—1）+(i—1）2 i=0，1,2，3,4
（注:Eviews软件中为了对模型回归系数两端数据进行控制约束,对多项式公式进行调整，此公式已与前述理论有所区别。根据Eviews输出结果中的值（PDL1的系数），可以判断估计过程中对多项式的设定形式，若 =,则多项式的设定形式为=+（i—s）+(i—s)2+….。+ （i-s）m ,如本例中 =，则多项式设为=+(i—1)+（i-1）2）
得:
=-+=1.1311-0。0377 —0.4322=0.6613
==1.1311
=++=1.1311+0。0377 -0。4322=0.7367
=+2+4=1。1311+0.0377＊2 —0.4322*4=—0.5220
在Eviews软件的窗口中已给出了上述计算结果，即库存模型为：
= —7140.754 + 0.6613＊Xt + 1.1311*Xt-1 + 0.7367* Xt-2-0.5220＊ Xt—3
T= (—3.5829） （3.9960） （ 6。2844） （4。4846) (-2。2231）
R= 0.9968，=0。9961， F=1348。639，prob(F）= 0.000000 DW=1.8482
从估计结果来看,有所改善,所有X的参数T统计量值大大提高，且检验均显著，F检验也显著,模型也不存在一阶自相关.
模型的经济意义（乘数分析）：短期乘数为0。6613,表明本期销售额增长1%，本期库存将增长0.6613％；长期乘数为2。0071，表明本期销售额增长1％，库存总的增长2。0071％。

(2）假定bi可以用一个一次多项式逼近（注：一般多项式次数小于滞后期长度）
Ls Y C PDL（X,2,1）

经阿尔蒙变换之后的估计结果为：
= -7984.934+0。6850Z0t—0.1760Z1t
T= （—3。6107) (31。0723) （-1。0581）
R=0。9954，=0.9948， F=1524.817，prob（F）= 0.000000 DW=1.4811
即= —7984。934,=0。6850,=-0.1760
还原成原分布滞后模型：
将估计结果代入以下公式
=+（i—1） i=0，1，2，
(注：Eviews软件中为了对模型回归系数两端数据进行控制约束,对多项式公式进行调整，此公式已与前述理论有所区别。根据Eviews输出结果中的值(PDL1的系数），可以判断估计过程中对多项式的设定形式，若 =，则多项式的设定形式为=+(i—s)+（i—s）2+….。+ (i—s）m ,如本例中 =，则多项式设为=+（i-1）
得:
=—=0。6850+0.1760=0。8610
==0.6850
=+=0.6850—0。1760=0.5090
在Eviews软件的窗口中已给出了上述计算结果，即库存模型为:
= —7984。934 + 0。8610＊Xt + 0.6850*Xt—1 +0。5090＊ Xt—2
T= （-3。6107) （5。7827） (31。0723) （2.7552)
从估计结果来看，X的回归系数均显著，F统计量值很大，方程整体显著，R接近于1，说明模型整体上对样本数据拟合较好，但PDL02回归系数不显著，说明多项式次数选择不太合理。
（2)将滞后期调整为3,初步设定模型为：
Yt=a+b0Xt+ b1Xt—1+ b2Xt—2+ b3Xt-3+
利用阿尔蒙法估计模型，命令和结果为
Ls Y C PDL（X,3，1）

从估计结果来看,PDL项的回归系数均显著，F统计量值很大，方程整体显著，但降低,且 Xt—3的回归系数不显著。
(4）将滞后期调整为4,初步设定模型为：
Yt=a+b0Xt+ b1Xt-1+ b2Xt-2+ b3Xt—3+ b3Xt—4+
利用阿尔蒙法估计模型，命令和结果为
Ls Y C PDL(X，4，1）

从估计结果来看，PDL项的回归系数均显著，F统计量值很大，方程整体显著，有所改善,但Xt-3的回归系数不显著.
（5)从上述分析可以看出，假定bi为一次多项式估计均存在一些问题，为此，假定bi可以用一个二次多项式逼近，重新用阿尔蒙法估计模型，命令及结果如下：

Ls Y C PDL（X，3,2)

由图可知，有所改善， F统计量值很大，方程整体显著，回归系数显著,但PDL02项的回归系数不显著。
(6)继续将滞后期长度调整为4，再运用阿尔蒙法估计模型，命令和结果如下：
Ls Y C PDL（X，4，2）

经阿尔蒙变换之后的估计结果为：
= —5816.974+0.7420Z0t-0.3996 Z1t—0.1787 Z2t
T= (-3。0119） (5。3651) （—7。8286） （-2。5798）
R= 0.9973，=0。9966, F=1477。353，prob(F)= 0。000000 DW=1。1731
即=—5816。974，=0.7420,=—0.3996，=—0.1787
还原成原分布滞后模型：
将估计结果代入以下公式
=+(i-2)+（i—2）2 i=0，1，2,3,4
（注：Eviews软件中为了对模型回归系数两端数据进行控制约束,对多项式公式进行调整，此公式已与前述理论有所区别。根据Eviews输出结果中的值（PDL1的系数），可以判断估计过程中对多项式的设定形式，若 =，则多项式的设定形式为=+（i-s）+（i-s）2+….。+ （i-s）m ，如本例中 =，则多项式设为=+(i—2）+（i-2）2）
得：
=-2+4=0.7420+0。3996＊2-0.1787＊4= 0。8263
=—+=0。7420+0。3996—0。1787=0。9629
==0。7420
=++=0.7420-0。3996—0.1787=0.1637
=+2+4=0。7420—0。3996＊2-0.1787*4=— 0.7722
在Eviews软件的窗口中已给出了上述计算结果，即库存模型为:
= -5816.9745 + 0。8263＊Xt + 0.9629*Xt—1 + 0。741920＊ Xt-2+ 0.1636* Xt-3- 0。7722＊ Xt-4
T=（—3。0119) （6.7105） （9.8222） （5。3651) （2.2474) (—3。6437）
从估计结果来看，有所改善，F检验也显著,所有X的参数均显著,PDL项的回归系数均显著，但DW检验无法判定模型是否存在一阶自相关。为了确认模型的自相关性，运用广义差分法估计模型，结果显示该模型的AR项回归系数显著地为零，表明模型确实不存在一阶自相关。
（7）假定bi可以用一个三次多项式逼近，运用阿尔蒙法估计模型,命令和结果如下：
Ls Y C PDL(X,4,3）

从估计结果来看，AIC和SC上升， Xt-3的参数不显著，PDL04项的回归系数也不显著。

8）模型比较:

(滞后期，多项式次数)
(2,1）
（3,1）
（4,1）
（3，2)
（4，2)
(4，3)
阿
尔
蒙
变
换
后
方
程
c
—7984。934
(-3。6108）
-6552.174
（-2。7868）
—5467。259
(—2.3690）
—7140.754
(—3.5829）
—5816。974
（-3.0119）
-6091。301
（—3。1204)
Z0t
0。6850
（31.0723)
0。6686
(21.9770)
0.3868
(24。6665）
1。1311
(6.2844)
0。7420
(5。3651）
0.7264
(5.2166）
Z1t
-0。1760
(—1。0581）
—0.3373
(-3。8205)
—0.3401
（-6.2350）
0.0377
(0。2323)
-0。3996
（-7。8286)
-0.7209
（—2.2013）
Z2t

—0。4322
（—2。5960)
-0.1787
（—2。5797)
-0.1693
(-2.4192）
Z3t

0.0993
(0。9931）
还
原
成
原
分
布
滞
后
模
型
Xt
0。8610
(5。7827）
1.0059
(8。5748）
1。0670
(11.0810)
0。6613
（3.9960）
0。8263
（ 6.7105)
0。6963
(3.8721)
Xt—1
0.6850
（31。0723)
0.6686
（21.9770）
0。7269
（17。2120)
1。1311
（6。2844）
0.9629
(9。8222）
1。1787
(4。9436)
Xt-2
0.5090
（2。7552)
0.3313
（5。4656)
0.3868
(24.6665）
0.7367
（4。4846）
0.7420
（ 5.3651)
0。7264
(—2.2013)
Xt-3

—0.0059
（-0.0397)
0。0467
（ 0.6842)
-0.5220
(-2.2231）
0.1636
(2.2474)
—0.1693
(-2.4192)
Xt—4

—0。2934
（—2。3938)

-0.7722
(-3.6437）
0。0994
(0.9931）

0。9948
0.9944
0。9952
0.9961
0。9966
0.9966
F

1524.817
1432.357
1541。925
1348.639
1477。353
1106。996
DW

1.4811
1。4470
1。3433
1。8482
1.1731
1。0553
检验
说明

参数T检验通过，F检验显著
降低,Xt—3参数T检验不显著
提高，但 Xt—3参数T检验不显著
提高，参数T检验显著且无自相关性
AIC和SC最小，参数T检验通过,无自相关，此模型为最优模型
改善但Xt—4参数T检验不通过
经赤池信息准则AIC和施瓦兹信息准则SC比较，当滞后期为4，多项式次数为2时，此模型AIC和SC为最小，故该模型为最优模型即:
= —5816。9745 + 0。8263*Xt + 0。9629*Xt-1 + 0.741920* Xt—2+ 0。1636＊ Xt-3— 0.7722* Xt-4
T=（-3。0119） （6.7105） (9.8222) （5。3651） (2.2474) （—3。6437）
R= 0。9973,=0。9966， F=1477.353,prob(F）= 0.000000 DW=1。1731
模型的经济意义（乘数分析）：短期乘数为0.8263,表明本期销售额若增长1亿元，则本期最佳库存量为0。8263亿元;长期乘数为2.0071，表明本期销售额若增长1亿元，则未来最佳库存量为2。0071亿元。
3。 局部调整模型
在局部调整假定下，先估计一阶自回归模型,
回归的估计结果如下：

=-4730。975 +1。148953*Xt + 0.9629＊Yt-1
(2073。403) (0。1578) （0.1056）
T= (-2。3221） （7。2825） （4.1655）
R= 0.9941,=0。9933， F=1182。218，prob(F）= 0.000000 DW=1.5953
根据局部调整模型的参数关系，有
将上述估计结果代入得到：
1-0.439765=0.5602345
-4730。976/(1—0。439765)=—8444.628
长期乘数1。148953/(1—0.439765）=2。05084
短期乘数=1。148953
故局部调整模型估计结果为：-8444.628+2.050841＊Xt
可以看到，回归系数均显著；F统计量较大，方程整体显著；较高，模型整体上对样本数据拟合较好.运用德宾h检验一阶自相关：
= （1—1。5953/2)* （17/（1-17*0。105574^2))^(0.5)=0.926714
在显著性水平上,查标准正态分布表得临界值，由于=0。9267〈，则接收原假设，说明自回归模型不存在一阶自相关问题。
经济意义：为了达到销售额的计划值，寻求一个未来预期的最佳库存量.销售额计划每增加1(亿元）,则未来预期最佳的库存量为2。05084亿元。