计量经济学实验二.docx

实验二 （一）异方差性【实验目的】掌握异方差性的检验及处理方法【实验内容】建立并检验我国制造业利润函数模型【实验步骤】【例1】表1列出了1998年我国主要制造工业销售收入与销售利润的统计资料，请利用统计软件Eviews建立我国制造业利润函数模型。表1 我国制造工业1998年销售利润与销售收入情况行业名称销售利润销售收入行业名称销售利润销售收入食品加工业187.253180.44医药制造业238.711264.1食品制造业111.421119.88化学纤维制品81.57779.46饮料制造业205.421489.89橡胶制品业77.84692.08烟草加工业183.871328.59塑料制品业144.341345纺织业316.793862.9非金属矿制品339.262866.14服装制品业157.71779.1黑色金属冶炼367.473868.28皮革羽绒制品81.71081.77有色金属冶炼144.291535.16木材加工业35.67443.74金属制品业201.421948.12家具制造业31.06226.78普通机械制造354.692351.68造纸及纸品业134.41124.94专用设备制造238.161714.73印刷业90.12499.83交通运输设备511.944011.53文教体育用品54.4504.44电子机械制造409.833286.15石油加工业194.452363.8电子通讯设备508.154499.19化学原料纸品502.614195.22仪器仪表设备72.46663.68一、 检验异方差性图形分析检验观察销售利润（Y）与销售收入（X）的相关图(图1)：SCAT X Y图1 我国制造工业销售利润与销售收入相关图从图中可以看出，随着销售收入的增加，销售利润的平均水平不断提高，但离散程度也逐步扩大。这说明变量之间可能存在递增的异方差性。残差分析首先将数据排序（命令格式为：SORT 解释变量），然后建立回归方程。在方程窗口中点击Resids按钮就可以得到模型的残差分布图（或建立方程后在Eviews工作文件窗口中点击resid对象来观察）。图2 我国制造业销售利润回归模型残差分布图2显示回归方程的残差分布有明显的扩大趋势，即表明存在异方差性。Goldfeld-Quant检验将样本安解释变量排序（SORT X）并分成两部分（分别有1到10共11个样本合19到28共10个样本）利用样本1建立回归模型1（回归结果如图3），其残差平方和为2579.587。SMPL 1 10LS Y C X图3 样本1回归结果利用样本2建立回归模型2（回归结果如图4），其残差平方和为63769.67。SMPL 19 28LS Y C X图4 样本2回归结果计算F统计量：63769.67/2579.59=24.72，分别是模型1和模型2的残差平方和。取时，查F分布表得，而，所以存在异方差性White检验建立回归模型：LS Y C X，回归结果如图5。图5 我国制造业销售利润回归模型在方程窗口上点击ViewResidualTestWhite Heteroskedastcity,检验结果如图6。图6 White检验结果其中F值为辅助回归模型的F统计量值。取显著水平，由于,所以存在异方差性。实际应用中可以直接观察相伴概率p值的大小，若p值较小，则认为存在异方差性。反之，则认为不存在异方差性。Park检验建立回归模型（结果同图5所示）。生成新变量序列：GENR LNE2=log(RESID2)GENR LNX=log建立新残差序列对解释变量的回归模型：LS LNE2 C LNX，回归结果如图7所示。图7 Park检验回归模型从图7所示的回归结果中可以看出，LNX的系数估计值不为0且能通过显著性检验，即随即误差项的方差与解释变量存在较强的相关关系，即认为存在异方差性。Gleiser检验（Gleiser检验与Park检验原理相同）建立回归模型（结果同图5所示）。生成新变量序列：GENR E=ABS(RESID)分别建立新残差序列（E）对各解释变量（X X2 X(1/2) X(1) X(2) X(1/2)）的回归模型：LS E C X，回归结果如图8所示。图 8由上述各回归结果可知，各回归模型中解释变量的系数估计值显著不为0且均能通过显著性检验。所以认为存在异方差性。由F值或确定异方差类型二、 调整异方差性确定权数变量根据Park检验生成权数变量：GENR W1=1/X1.6743根据Gleiser检验生成权数变量：GENR W2=1/X0.5另外生成：GENR W3=1/ABS(RESID）GENR W4=1/ RESID 2利用加权最小二乘法估计模型在Eviews命令窗口中依次键入命令：LS(W=) Y C X或在方程窗口中点击EstimateOption按钮，并在权数变量栏里依次输入W1、W2、W3、W4，进行回归w1结果图所示。图 9对所估计的模型再进行White检验，观察异方差的调整情况对所估计的模型再进行White检验。图 10（二）自相关性【实验目的】掌握自相关性的检验与处理方法。【实验内容】利用表5-1资料，试建立我国城乡居民储蓄存款模型，并检验模型的自相关性。表5-1 我国城乡居民储蓄存款与GDP统计资料（1978年100）年份存款余额YGDP指数X年份存款余额YGDP指数X1978210.60100.019895146.90271.31979281.00107.619907034.20281.71980399.50116.019919107.00307.61981523.70122.1199211545.40351.41982675.40133.1199314762.39398.81983892.50147.6199421518.80449.319841214.70170.0199529662.25496.519851622.60192.9199638520.84544.119862237.60210.0199746279.80592.019873073.30234.0199853407.47638.219883801.50260.7【实验步骤】一、回归模型的筛选相关图分析SCAT X Y相关图表明，GDP指数与居民储蓄存款二者的曲线相关关系较为明显。现将函数初步设定为线性、双对数、对数、指数、二次多项式等不同形式，进而加以比较分析。估计模型，利用LS命令分别建立以下模型LS Y C X (-6.706) (13.862)0.9100 F192.145 S.E5030.809二、自相关性检验DW检验；双对数模型因为n21，k1，取显著性水平0.05时，查表得1.22，1.42，而00.7062DW，所以存在（正）自相关。偏相关系数检验在方程窗口中点击View/Residual Test/Correlogram-Q-statistics，并输入滞后期为10，则会得到残差与的各期相关系数和偏相关系数。BG检验在方程窗口中点击View/Residual Test/Series Correlation LM Test，并选择滞后期为2，则会得到如图所示的信息。图 双对数模型的BG检验图中，=11.31531，临界概率P=0.0034，因此辅助回归模型是显著的，即存在自相关性。又因为，的回归系数均显著地不为0，说明双对数模型存在一阶和二阶自相关性。三、自相关性的调整：加入AR项对双对数模型进行调整；在LS命令中加上AR(1)和AR(2)，使用迭代估计法估计模型。键入命令：LS LNY C LNX AR(1) AR(2)结果表明，估计过程经过4次迭代后收敛；，的估计值分别为0.9459和-0.5914，并且检验显著，说明双对数模型确实存在一阶和二阶自相关性。调整后模型的DW1.6445，n19，k1，取显著性水平0.05时，查表得1.18，1.40，而1.6445DW4，说明模型不存在一阶自相关性；再进行偏相关系数检验（图5-17）和BG检验（图5-18），也表明不存在高阶自相关性，因此，中国城乡居民储蓄存款的双对数模型为： (-25.263) (52.683)0.9982 F2709.985 S.E0.0744 DW1.6445四、重新设定双对数模型中的解释变量：模型1：加入上期储蓄LNY(-1)；模型2：解释变量取成：上期储蓄LNY(-1)、本期X的增长DLOG(X)。检验自相关性；模型1键入命令：LS LNY C LNX LNY(-1)结果表明了DW=1.358，n20，k2，查表得1.100，1.537，而1.358DW，属于无法判定区域。采用偏相关系数检验的结果如图所示，图中偏相关系数方块均未超过虚线，模型1不存在自相关性。图 模型1的偏相关系数检验结果模型2表明了DW=1.388，n20，k2，查表得1.100，1.537，而1.388DW，属于无法判定区域。解释模型的经济含义。模型1模型2