计量经济学实验报告csust.doc

实验报告

课程名称： 计量经济学
实验项目： 计量经济学Eviews应用与操作

学生姓名：　　 　　　　　　　　　　　
学 号：　 　　　　　　　　　　　　
班 级：　　 　　　　　　　　　
专 业：　　　 　　　　　　　　　　　
指导教师：　　　 　　　　　　　　　　

2023年12月

指导老师评语：

　　　　　　　　　　　　签字：
　　　　　　　　　　　　　　　　　　年　　月　　日
成绩等级：

备注：
实验任务一
1. 根据数据1构建截面数据一元线性模型。
假设拟建立如下一元回归模型：
Y=
下图为用Eviews 软件对数据进行回归分析的计算结果：
Dependent Variable: Y

Method: Least Squares

Date: 01/07/03 Time: 23:44

Sample: 1 31

Included observations: 31

Coefficient
Std. Error
t-Statistic
Prob.  

X
1.359477
0.043302
31.39525
0.0000
C
-57.90655
377.7595
-0.153289
0.8792

R-squared
0.971419
    Mean dependent var
11363.69
Adjusted R-squared
0.970433
    S.D. dependent var

3294.469
S.E. of regression
566.4812
    Akaike info criterion
15.57911
Sum squared resid
9306127.
    Schwarz criterion
15.67162
Log likelihood
-239.4761
    Hannan-Quinn criter.
15.60926
F-statistic
985.6616
    Durbin-Watson stat
1.294974
Prob(F-statistic)
0.000000

由此可得：
（377.76） （0.043）
（-0.15） （31.40）
R2=0.97
2. 对模型进行检查。
从回归估计的结果看，模型拟合较好。可决系数R2=0.97，拟合优度较高，表白该地区消费支出变化的97%可以由该地区可支配收入的变化来解释。从斜率项的t检查值来看，在1%的水平上通过了显著性检查，它表白，人均可支配收入每增长1元，人均消费支出增长1.36元。但是斜率值1.36＞1，不符合经济规律。
3. 若2023年某地区人均可支配收入为4100元，那么该地区消费支出是多少？
（元）
实验任务二
1. 根据数据2构建时间数据一元线性模型。
假设拟建立如下一元回归模型：
Y=
下图为用Eviews 软件对数据进行回归分析的计算结果：
Dependent Variable: Y

Method: Least Squares

Date: 01/31/02 Time: 15:25

Sample: 1978 2023

Included observations: 29

Coefficient
Std. Error
t-Statistic
Prob.  

X
0.437527
0.009297
47.05950
0.0000
C
2091.295
334.9869
6.242914
0.0000

R-squared
0.987955
    Mean dependent var
14855.72
Adjusted R-squared
0.987509
    S.D. dependent var
9472.076
S.E. of regression
1058.633
    Akaike info criterion
16.83382
Sum squared resid
30259014
    Schwarz criterion
16.92811
Log likelihood
-242.0903
    Hannan-Quinn criter.
16.86335
F-statistic
2214.596
    Durbin-Watson stat
0.277155
Prob(F-statistic)
0.000000

由此可得：
（334.99） （0.009
（6.24） （47.06）
R2=0.99
2. 对模型进行检查。
从回归估计的结果看，可决系数R2=0.99，拟合优度较高，模型拟合较好，表白实际消费支出的变化的99%可以由实际可支配收入的变化来解释。从斜率项的t检查值来看，在1%的水平上通过了显著性检查，且斜率项0<0.44<1,符合经济规律，表白人均可支配收入每增长1亿元，消费支出增长0.44亿元。
3. 若2023年我国可支配总收入为54180亿元，那么该相应的总消费是多少？
（亿元）
实验任务三
1. 根据数据3构建截面数据多元线性模型。
假设拟建立如下多元截面数据模型：
Y=
下图为用Eviews 软件对数据进行回归分析的计算结果：
Dependent Variable: Y

Method: Least Squares

Date: 06/09/15 Time: 22:08

Sample: 1 31

Included observations: 31

Coefficient
Std. Error
t-Statistic
Prob.  

X1
0.555644
0.075308
7.378320
0.0000
X2
0.250085
0.113634
2.202391
0.0362
C
143.3265
260.4032
0.550402
0.5864

R-squared
0.975634
    Mean dependent var
8401.468
Adjusted R-squared
0.973893
    S.D. dependent var
2388.459
S.E. of regression
385.9169
    Akaike info criterion
14.84089
Sum squared resid
4170093.
    Schwarz criterion
14.97966
Log likelihood
-227.0337
    Hannan-Quinn criter.
14.88612
F-statistic
560.5650
    Durbin-Watson stat
1.843488
Prob(F-statistic)
0.000000

散点图：表白2023年可支配收入X1与Y存在线性正相关关系，并且，2023年消费支出X2与Y存在线性正相关关系，这表白居民消费支出不仅受本年可支配收入的影响，也受上一年消费支出的影响，即存在棘轮效应。

估计方程：
（0.55） （7.38）（2.20）
2. 对模型进行检查。
①从回归估计结果看出，R2=0.98，，这说明拟合优度高，模型拟合较好，表白2023年消费支出变化的98%可以由2023年可支配收入X1和2023年消费支出X2来解释。
②从回归模型的t检查值来看，X1在1%的水平上通过了显著性检查，X2在5%的水平上通过了显著性检查，可判断X1和X2对Y均有显著影响。从回归模型的F检查值来看，F=560.57其随着概率为零，在1%的水平上通过显著性检查，说明回归方程显著。
③斜率项0<0.56<1,0<0.25<1，符合经济规律。这表白了在2023年可支配收入X1保持不变的情况下,每增长1元2023年消费支出X2,2023年消费支出Y变动0.25元;在2023年消费支出X2保持不变的情况下,每增长1元2023年可支配收入X1,2023年消费支出Y变动0.56元。

实验任务四
1. 根据数据4构建时间序列数据多元线性模型。
根据需求理论，P0为食品价格，P1为通货膨胀率，X为食品消费支出总额。Q=f(X, P0 ,P1), 用Eviews软件对数据进行回归分析，结果如下：

Dependent Variable: Q

Method: Least Squares

Date: 06/10/15 Time: 02:02

Sample: 1985 2023

Included observations: 22

Coefficient
Std. Error
t-Statistic
Prob.  

X
0.210206
0.011751
17.88857
0.0000
P0
6.680334
3.306630
2.020285
0.0585
P1
-5.854723
2.929604
-1.998469
0.0610
C
877.2041
37.09124
23.64990
0.0000

R-squared
0.982629
    Mean dependent var
1830.000
Adjusted R-squared
0.979734
    S.D. dependent var
365.1392
S.E. of regression
51.98063
    Akaike info criterion
10.90258
Sum squared resid
48635.74
    Schwarz criterion
11.10096
Log likelihood
-115.9284
    Hannan-Quinn criter.
10.94932
F-statistic
339.4076
    Durbin-Watson stat
0.737832
Prob(F-statistic)
0.000000

2. 对模型进行检查。
① 可决系数R2=0.9826，,拟合优度较高,模型拟合好。
② 从t检查值看，解释变量X、P0、P1分别在1%、10%、10%的水平上通过了显著性检查。
③ F值=339.41，所相应的随着概率为0，小于1%，表白整体模型在1%的水平上通过了显著性检查。
④ P1的斜率项为-5.85，与理论相悖，是由于随着通货膨胀率的增长，实际收入水平会下降，食品消费支出减少，食品需求减少。P0斜率项为正，说明随着食品价格的增长，消费支出也会增长，此商品为吉芬商品，符合经济规律。

实验任务五

1. 估计中国农村居民人均消费函数。
假设拟建立如下回归模型：
=+X1+X2+
下图为用Eviews 软件对数据进行回归分析的计算结果：

Dependent Variable: Y

Method: Least Squares

Date: 05/25/15 Time: 03:06

Sample: 1 31

Included observations: 31

Coefficient
Std. Error
t-Statistic
Prob.  

X1
0.402097
0.164894
2.438514
0.0213
X2
0.709030
0.041710
16.99911
0.0000
C
728.1402
328.1558
2.218886
0.0348

R-squared
0.922173
    Mean dependent var
2981.623
Adjusted R-squared
0.916614
    S.D. dependent var
1368.763
S.E. of regression
395.2538
    Akaike info criterion
14.88870
Sum squared resid
4374316.
    Schwarz criterion
15.02747
Log likelihood
-227.7748
    Hannan-Quinn criter.
14.93394
F-statistic
165.8853
    Durbin-Watson stat
1.428986
Prob(F-statistic)
0.000000

用普通最小二乘法的估计结果如下：
=728.14+0.40 X1+0.71X2

（2.22） （2.44） （17.00）
=0.92 D.W.=1.43 F=165.89
1． 对模型进行异方差检查。
2.1图示法

不同地区农村人均消费支出的差别重要来源于非农经营收入及工资收入、财政收入等其他收入的差别上，因此，假如存在异方差性，则也许是X2引起的。
上图我们得到了残差平方项与X2的散点图，残差平方项在不断变化，存在明显的散点扩大趋势，且随着X2的增大，残差平方项也在不断增大，因此存在递增型异方差性。

2.2 G-Q检查

Heteroskedasticity Test: Breusch-Pagan-Godfrey

F-statistic
8.048853
    Prob. F(2,28)
0.0017
Obs*R-squared
11.31644
    Prob. Chi-Square(2)
0.0035
Scaled explained SS
23.78437
    Prob. Chi-Square(2)
0.0000

Test Equation:

Dependent Variable: RESID^2

Method: Least Squares

Date: 06/10/15 Time: 13:57

Sample: 1 31

Included observations: 31

Coefficient
Std. Error
t-Statistic
Prob.  

C
-246960.3
222964.1
-1.107623
0.2774
X1
88.52762
112.0369
0.790165
0.4361
X2
108.5096
28.33955
3.828909
0.0007

R-squared
0.365046
    Mean dependent var
141107.0
Adjusted R-squared
0.319692
    S.D. dependent var
325595.5
S.E. of regression
268553.6
    Akaike info criterion
27.93125
Sum squared resid
2.02E+12
    Schwarz criterion
28.07003
Log likelihood
-429.9344
    Hannan-Quinn criter.
27.97649
F-statistic
8.048853
    Durbin-Watson stat
2.178345
Prob(F-statistic)
0.001731

由此可得，在1%的显著性水平下拒绝同方差的原假设，该模型存在异方差。

2.3怀特检查

Heteroskedasticity Test: White

F-statistic
3898573
    Prob. F(5,25)
0.0095
Obs*R-squared
13.58148
    Prob. Chi-Square(5)
0.0185
Scaled explained SS
28.54493
    Prob. Chi-Square(5)
0.0000

Test Equation:

Dependent Variable: RESID^2

Method: Least Squares

Date: 05/25/15 Time: 03:11

Sample: 1 31

Included observations: 31

Coefficient
Std. Error
t-Statistic
Prob.  

C
1062731.
993615.4
1.069559
0.2950
X1
-902.4493
1056.763
-0.853975
0.4012
X1^2
0.185265
0.269249
0.688079
0.4977
X1*X2
0.246797
0.138910
1.776665
0.0878
X2
-522.6261
363.4949
-1.437781
0.1629
X2^2
0.045546
0.029326
1.553115
0.1330

R-squared
0.438112
    Mean dependent var
141107.0
Adjusted R-squared
0.325735
    S.D. dependent var
325595.5
S.E. of regression
267358.4
    Akaike info criterion
28.00255
Sum squared resid
1.79E+12
    Schwarz criterion
28.28010
Log likelihood
-428.0396
    Hannan-Quinn criter.
28.09303
F-statistic
3.898573
    Durbin-Watson stat
2.151382
Prob(F-statistic)
0.009480

由此可得，模型在1%的显著性水平下拒绝同方差的原假设，该模型存在异方差。
3. 采用加权最小二乘法估计方程

Dependent Variable: Y

Method: Least Squares

Date: 05/25/15 Time: 03:27

Sample: 1 31

Included observations: 31

Weighting series: 1/ABS(RESID)

Coefficient
Std. Error
t-Statistic
Prob.  

X1
0.471024
0.035570
13.24221
0.0000
X2
0.691298
0.011628
59.45173
0.0000
C
642.1640
56.79157
11.30738
0.0000

Weighted Statistics

R-squared
0.992927
    Mean dependent var
2595.506
Adjusted R-squared
0.992422
    S.D. dependent var
3551.699
S.E. of regression
67.05808
    Akaike info criterion
11.34076
Sum squared resid
125910.0
    Schwarz criterion
11.47953
Log likelihood
-172.7818
    Hannan-Quinn criter.
11.38600
F-statistic
1965.400
    Durbin-Watson stat
1.604499
Prob(F-statistic)
0.000000

Unweighted Statistics

R-squared
0.920239
    Mean dependent var
2981.623
Adjusted R-squared
0.914424
    S.D. dependent var
1368.763
S.E. of regression
400.4084
    Sum squared resid
4489153.
Durbin-Watson stat
1.580905

由此可得：
（11.31）（13.24）（59.45）
R2=0.99
通过比较可以发现在加权后，R2值增长了，模型的拟合优度提高，消除了异方差。同时X1，X2的t记录量有了显著改善，都在1%的限度上通过了显著性检查，更好拟合了原模型。

实验任务六

1. 对实验数据3各变量取对数，并估计方程 ，判断其是否存在序列相关性。
下图为用Eviews 软件对数据进行回归分析的计算结果：

Dependent Variable: LNY

Method: Least Squares

Date: 06/10/15 Time: 15:28

Sample: 1980 2023

Included observations: 28

Coefficient
Std. Error
t-Statistic
Prob.  

LNX
0.854415
0.014219
60.09058
0.0000
C
1.588478
0.134220
11.83492
0.0000

R-squared
0.992851
    Mean dependent var
9.552256
Adjusted R-squared
0.992576
    S.D. dependent var
1.303948
S.E. of regression
0.112351
    Akaike info criterion
-1.465625
Sum squared resid
0.328192
    Schwarz criterion
-1.370468
Log likelihood
22.51875
    Hannan-Quinn criter.
-1.436535
F-statistic
3610.878
    Durbin-Watson stat
0.379323
Prob(F-statistic)
0.000000

由此可得：
（11.83）（60.09）
R2=0.99 D.W=0.3793 F=3610.88
2.对模型进行序列相关性检查。
2.1 图示法

由图：这期的残差e随着上一期的残差e1的增长而增长，存在正序列相关性。

2.2 D.W.检查法
由于D.W=0.3793, n=28, k=2,查D.W分布表可得，dL=1.33, du=1.48,01)=0.0001，因此在1%的水平上拒绝不存在自相关的原假设，表白存在一阶自相关。
Breusch-Godfrey Serial Correlation LM Test:

F-statistic
32.78471
    Prob. F(1,25)
0.0000
Obs*R-squared
15.88607
    Prob. Chi-Square(1)
0.0001

Test Equation:

Dependent Variable: RESID

Method: Least Squares

Date: 06/10/15 Time: 16:28

Sample: 1980 2023

Included observations: 28

Presample missing value lagged residuals set to zero.

Coefficient
Std. Error
t-Statistic
Prob.  

INX
-0.002836
0.009551
-0.296927
0.7690
C
0.023345
0.090124
0.259033
0.7977
RESID(-1)
0.769716
0.134430
5.725793
0.0000

R-squared
0.567360
    Mean dependent var
7.33E-16
Adjusted R-squared
0.532748
    S.D. dependent var
0.110251
S.E. of regression
0.075363
    Akaike info criterion
-2.232045
Sum squared resid
0.141989
    Schwarz criterion
-2.089309
Log likelihood
34.24863
    Hannan-Quinn criter.
-2.188409
F-statistic
16.39235
    Durbin-Watson stat
1.042286
Prob(F-statistic)
0.000028

(2)一直检查到15阶，随着概率11.14%才大于10%，没有通过检查，这表白模型存在直到15阶的自相关。下图为15阶自相关检查。
Breusch-Godfrey Serial Correlation LM Test:

F-statistic
2.612572
    Prob. F(15,11)
0.0568
Obs*R-squared
21.86315
    Prob. Chi-Square(15)
0.1114

Test Equation:

Dependent Variable: RESID

Method: Least Squares

Date: 06/10/15 Time: 16:48

Sample: 1980 2023

Included observations: 28

Presample missing value lagged residuals set to zero.

Coefficient
Std. Error
t-Statistic
Prob.  

INX
-0.002108
0.011190
-0.188362
0.8540
C
0.013530
0.103707
0.130466
0.8986
RESID(-1)
1.044683
0.298728
3.497102
0.0050
RESID(-2)
-0.689205
0.434177
-1.587382
0.1407
RESID(-3)
0.300810
0.482539
0.623389
0.5457
RESID(-4)
-0.467902
0.484487
-0.965767
0.3549
RESID(-5)
0.425773
0.504899
0.843283
0.4170
RESID(-6)
-0.324709
0.519778
-0.624706
0.5449
RESID(-7)
-0.028321
0.530359
-0.053400
0.9584
RESID(-8)
-0.110678
0.531208
-0.208352
0.8388
RESID(-9)
0.082966
0.540990
0.153360
0.8809
RESID(-10)
-0.223730
0.553029
-0.404553
0.6936
RESID(-11)
0.032267
0.569923
0.056617
0.9559
RESID(-12)
-0.312762
0.549093
-0569597
0.5804
RESID(-13)
-0.030329
0.555608
-0.054586
0.9574
RESID(-14)
0.027348
0.494117
0.055347
0.9569
RESID(-15)
-0.178625
0.354512
-0.503863
0.6243

R-squared
0.780827
    Mean dependent var
7.33E-16
Adjusted R-squared
0.462029
    S.D. dependent var
0.110251
S.E. of regression
0.080865
    Akaike info criterion
-1.912089
Sum squared resid
0.071931
    Schwarz criterion
-1.103251
Log likelihood
43.76925
    Hannan-Quinn criter.
-1.664819
F-statistic
2.449286
    Durbin-Watson stat
1.536255
Prob(F-statistic)
0.068306

3.采用广义差分法估计方程
（1）一阶广义差分：如下图，D.W=0.83,n=27,k=3,查表，得到临界值dL=1.02 和du=1.32, 0ed after 200 iterations

Coefficient
Std. Error
t-Statistic
Prob.  

INX
0.496388
0.100539
4.937250
0.0000
C
333.6558
40410.85
0.008257
0.9935
AR(1)
0.999832
0.020770
48.13872
0.0000

R-squared
0.998115
    Mean depen