计量经济学回归模型实验报告（大全）

第一篇：计量经济学回归模型实验报告（大全）

回归模型分析报告

背景意义：

教育是立国之本，强国之基。随着改革开放的进行、经济的快速发展和人们生活水平的逐步提高，“教育”越来越受到人们的重视。一方面，人均国内生产总值的增加与教育经费收入的增加有着某种联系，而人口的增长也必定会对教育经费收入产生影响。本报告将从这两个方面进行分析。

我国 1991 年~2013 年的教育经费收入、人均国内生产总值指数、年末城镇人口数的统计资料如下表所示。试建立教育经费收入 Y 关于人均国内生产总值指数 X 1 和年末城镇人口数 X 2的回归模型，并进行回归分析。

年份 教育经费收入

Y（亿元）

人均国内生产总值指数

X 1(1978 年=100)年末城镇人口数

X 2（万人）

1991 731.50282 256.67 31203 1992 867.04905 289.72 32175 1993 1059.93744 326.32 33173 1994 1488.78126 364.91 34169 1995 1877.95011 400.6 35174 1996 2262.33935 435.76 37304 1997 2531.73257 471.13 39449 1998 2949.05918 503.25 41608 1999 3349.04164 536.94 43748

2000 3849.08058 577.64 45906 2001 4637.66262 621.09 48064 2002 5480.02776 672.99 50212 2003 6208.2653 735.84 52376 2004 7242.59892 805.2 54283 2005 8418.83905 891.31 56212 2006 9815.30865 998.79 58288 2007 12148.0663 1134.67 60633 2008 14500.73742 1237.48 62403 2009 16502.7065 1345.07 64512 2010 19561.84707 1480.87 66978 2011 23869.29356 1613.61 69079 2012 28655.30519 1730.18 71182 2013 30364.71815 1853.97 73111 资料来源：中经网统计数据库。

根据经济理论和对实际情况的分析可以知道，教育经费收入 Y 依赖于人均国内生产总值指数 X 1 和年末城镇人口数 X 2 的变化，因此我们设定回归模型为

第二篇：计量经济学实验报告

目录

(一)研究背景.................................................................................................................2(二)理论来源.................................................................................................................2(三)模型设定.................................................................................................................2(四)数据处理.................................................................................................................2

1.数据来源.............................................................................................................2 2.解释变量的设置.................................................................................................3(五)先验预期.................................................................................................................3

1.经验预期.............................................................................................................3 2.散点图分析.........................................................................................................3(六)参数估计.................................................................................................................4(七)显著性检验.............................................................................................................5(八)正态性检验.............................................................................................................5(九)MWD检验..............................................................................................................5(十)相关系数.................................................................................................................7(十一)虚拟变量.............................................................................................................7(十二)异方差检验、修正.............................................................................................8

1.图形检验.............................................................................................................8 2.格莱泽检验.........................................................................................................9 3.帕克检验...........................................................................................................10 4.异方差的修正加权最小二乘法.......................................................................10 5.异方差修正后的检验.......................................................................................11(十三)自相关检验.......................................................................................................11 1.图形法...............................................................................................................11 2.德宾-沃森d检验.............................................................................................12(十四)最终结果...........................................................................................................12

(一)研究背景

中国是一个大国，幅员辽阔，历史上自然地形成了一个极端不平衡发展的格局。而1978年开始的改革，政府采取了由东向西梯度推进的非均衡发展战略，使已经存在的地区间的差距进一步扩大，不利于整个社会的稳定和发展。地区发展不平衡问题包括社会发展不平衡，尤其是教育发展的不平衡。因此关注中国教育发展的地区不平衡性非常迫切。不仅是因为教育的重要性，还因为当前我国需要进一步推进教育改革的进程，使其朝着更健康的方向发展。

(二)理论来源

刘红梅.中国各地区教育发展水平差异的实证分析[J]数理统计与管理.2013.7(三)模型设定

 Yi=B1+B2X2i+B3X3i+B4X4i+B5X2i+B6X4i+ui

Y——地区教育水平，用平均受教育年限表示，（年）X2——学生平均预算内教育经费，（万元/人）X3——人均GDP，（万元/人）X4——平均生师比

22   

(四)数据处理

1.数据来源：国家统计局官网，选取2014年的数据：

1)各省GDP 2)各地区总人口

3)各地区每十万人拥有的各种受教育程度人口比较数据 4)地区在校总学生数 5)各地区教育财政投入 6)地区每十万总专任教师数

2.解释变量的设置：

 X2=地区预算内教育经费/地区在校总学生数 =学生平均预算内教育经费（万元/人）X3=地区总GDP/地区总人口=人均GDP（万元/人）

X4=地区每十万人口各级学校平均在校生数的和/地区每十万人口总专任教师数

=平均生师比  

其中：

P为各地区每十万人拥有的各种受教育程度人口比较数 T为教育年限1，6，9,12,16(五)先验预期

1.经验预期：

平均受教育年限分别跟学生平均预算内教育经费、人均GDP呈正相关关系，跟平均生师比呈负相关关系。

2.散点图分析：

学生平均预算内教育经费和平均受教育水平成正比，人均GDP和受教育水平成正比，平均生师比和平均受教育水平成反比。(六)参数估计

设定经济计量模型：Yi=B1+B2X2i+B3X3i+B4X4i+B5X2i+B6X4i+ui 参数估计：进行OLS回归

图6-1

图5-1 根据参考文献，广东和西藏是强影响点，所以我们把两地的数据去除，剩下29个地区的数据。于是，我们对剩下的29个数据进行了回归，得出这个回归结果：

图6-2 回归结果：

22Yi=23.2406-24.6626X2i+0.2296X3i-1.6477X4i+59.1341X2i2+0.0516X4i2(七)显著性检验

H0：B2=B3=B4=B5=B6=0 H1：B2,B3,B4 ,B5, B6不全为0 P=0.000000<0.01 故拒绝原假设，即认为学生平均教育经费、人均GDP、平均生师比对平均受教育年限有显著影响。

(八)正态性检验

图8-1 根据JB检验，得到其值为0.431311，接近于零，残差接近正态分布。

(九)MWD检验

对数-线性模型：Yi=B1+B2X2i+B3X3i+B4X4i+B5X2i+B6X4i 线性模型：LnYi=B1+B2X2i+B3X3i+B4X4i+B5X2i+B6X4i H0：线性模型：Y是X的线性函数 H1：对数-线性模型：lnY是X的线性函数

2图9-1

图9-2 由图9-2可得，Z1的系数是统计不显著的，则不拒绝H0, 则说明线性模型是可行的。

图9-3 由图9-3可得，Z2的系数也是统计不显著的，则不拒绝H1, 则说明对数线性模型也是可行的。

MWD检验的结论是：最后的结果是两个模型都是合理的。

(十)相关系数

图10-1 由图10-1可得，X2和X3，X4的相关程度低。另外X22 ,X42分别是X2、X4的非线性函数,所以将它们同时包含在一个模型中没有违反经典线性模型中“解释变量之间不能存在精确的线性关系”的假定。由此可得，多重共线性的程度较低

（其中X22用X5来表示，,X42用X6来表示。）

(十一)虚拟变量

设立含虚拟变量的模型：

Yi=B1+B2X2i+B3X3i+B4X4i+B5X2i2 +B6X4i2+B7D1+B8D2+ui

其中 D1：（1-中部，0-其他）D2：（1-西部，0-其他）

图11-1 回归结果表明：虚拟变量D1、D2回归系数统计不显著，即中国东、中、西部的平均受教育年限没有显著不同，可能因为中国教育机制日趋完善，教育资源趋于均衡，所以地区差异缩小

(十二)异方差检验、修正

1.图形检验：

图12-1残差平方对教育经费

图12-2残差平方对人均GDP

图12-3残差平方对平均生师比

由图形检验结果可知：数据存在相当大的变异性，表明回归模型和可能存在异方差。

2.格莱泽检验：

类型1：H0：B2=0｜ei｜=B1+B2X2+vi

图12-4 回归结果表明：X2的系数是统计显著的，所以拒绝原假设，回归模型中部存在异方差

类型2：H0：B3=0｜ei｜=B1+B3X3+vi

图12-5 回归结果表明：X3的系数是统计显著的，所以拒绝原假设，回归模型中部存在异方差。综上所述,回归模型中存在异方差。

3.帕克检验：

图12-6 由于Y的估计值的系数是统计显著的，因此帕克检验表明，回归模型存在异方差。

通过以上三种异方差的检验，我们得出该回归模型存在异方差的理论。

4.异方差的修正：加权最小二乘法

图12-7 经过多次的试验，我们最终选择1/X23作为权重，其能有效地消除异方差。

5.异方差修正后的检验

图12-8 由图12-8可知，帕克检验中，得出Y的系数是统计不显著的，因此，回归方程不存在异方差。

(十三)自相关检验

1.图形法

图13-1 由图13-1可知，对et及et-1作回归，残差的递差之间没有关系。2.德宾-沃森d检验

图13-2 由图13-2可知，d=2.206761，根据D-W表，对于n=29，k=6，在5%的显著水平下，dL=1.050，dU=1.841，由于d位于2.159和2.95之间，所以，我们无法判断是否存在自相关。

综合以上两种自相关的检验，我们得出该模型不存在自相关的结论。

(十四)最终结果

Yi/X2i3=67.3323+2.4598/X2i2+0.3444X3i/X2i3-7.9644X4i/X2i3-3.239358X22i/X2i3+0.25936X4i2/X2i3

对回归得结果解释如下：B2= 2.4598表明，如果学生平均预算内教育经费提高1个单位，则实际的地区平均受教育年限平均提高2.4598年，但其不是特别显著。B3= 0.3444表明，如果人均提高1个单位，则实际的地区平均受教育年限平均提高0.3444年，其效果小于教育经费的提高带来的影响。B4=-7.9644表明，如果平均生师比提高1个单位，则实际的地区平均受教育年限平均下降7.9644年。

R2约为0.8739，表明这几个解释变量解释了地区平均受教育年限87.39%的变异，R2值相当高。

这个模型的现实意义就是，要想提高地区的教育水平，加大对教育的投入是关键。同时，也应该提高对教师资源的重视程度，合理分配地区的教师，减低生师比，让教育资源得到最有效地配置。

第三篇：计量经济学实验报告

固定资产投资的计量经济学模型

一.解释模型

固定资产对一个企业来说是其主要的劳动手段,它的价值是逐渐地转移到所生产的产品上去.企业同时又是重要的市场主体,因此对固定资产的投资间接得影响到了一个经济体的产出.这里主要对GDP及国有经济固定资产投资额(X1),集体经济固定资产投资额(X2),个体经济固定资产投资额(X3),进行计量经济学多元线性回归模型分析.原始数据如下:单位(亿元)

obs GDP X1 X2

1980 4517.8 745.9 46

1981 4860.3 667.5 115.2

1982 5301.8 845.3 174.3

1983 5957.4 952 156.3

1984 7206.7 1185.2 238.7

1985 8989.1 1680.5 327.5

1986 10201.4 2079.4 391.8

1987 11954.4 2448.8 547

1988 14922.3 3020 711.7

1989 16917.8 2808.2 570

1990 18598.4 2986.3 529.5

1991 21662.5 3713.8 697.8

1992 26651.9 5498.7 1359.4

1993 34560.5 7925.9 2317.3

1994 46670 9615 2758.9

1995 57494.9 10898.2 3289.4

1996 66850.5 12006.2 3651.5

1997 73142.7 13091.7 3850.9

1998 76967.2 15369.3 4192.2由以上数据得到如下LS估计结果，Dependent Variable: GDP

Method: Least Squares

Date: 12/30/07Time: 10:52

Sample: 1980 1998

Included observations: 19VariableCoefficientStd.Errort-StatisticProb.C632.0385787.85220.8022300.4349

X1 0.408446 1.098352 0.371872 0.7152

X2 6.993512 2.983420 2.344126 0.0333

X3 11.19478 1.831386 6.112736 0.0000 R-squared0.996478Mean dependent var27022.51X3 119 178.3 210.8 321.8 409 535.2 649.4 759.9 1022.1 1032.2 1001.2 1182.9 1222 1476.2 1970.6 2560.2 3211.2 3429.4 3744.4

Adjusted R-squared S.E.of regression Sum squared resid Log likelihood Durbin-Watson stat

0.995774S.D.dependent var 1612.032Akaike info criterion 38979701Schwarz criterion-165.0339F-statistic 1.219467Prob(F-statistic)

24797.62 17.79304 17.99187 1414.790 0.000000

显然X1的T检验为非显著性检验，故将X1与X2合并为一个解释变量。也就是将国有经济与集体经济固定资产投资额的和看作为公有经济固定资产投资额(X1+X2).令X1+X2=X1' 得到如下检验结果：

Dependent Variable: GDP Method: Least Squares Date: 12/30/07Time: 10:53 Sample: 1980 1998 Included observations: 19

VariableC X1+X2 X3

R-squaredAdjusted R-squared S.E.of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient-200.0793 2.133089 10.14031

Std.Error633.1399 0.329190 1.802497

t-Statistic-0.316011 6.479808 5.625704

Prob.0.7561 0.0000 0.000027022.51 24797.62 17.85237 18.00149 1918.916 0.000000

0.995848Mean dependent var 0.995329S.D.dependent var 1694.728Akaike info criterion 45953627Schwarz criterion-166.5975F-statistic 1.138010Prob(F-statistic),从而得到多元线性回归方程:GDP=-200.0793+2.133089﹡X1'+10.14031﹡X3

二.模型检验1.统计学检验

T－Statistic检验,显著水平0.05,其临界值为Tα/2=2.11,显然6.472744及5.625704远远大于它,其解释变量的Prob均为0.0000,即从统计学检验的角度上讲解释变量的选取是有意义的.F－Statistic检验及拟合优度R-squared检验, R-squared值越接近于1,则F值越大,这里的R-squared值为0.995329,大于0.9拟合优度比较高,因此F—Statistic检验亦通过.2.计量经济学检验

a.异方差性检验：

White Heteroskedasticity Test: F-statisticObs*R-squared

Test Equation:

Dependent Variable: RESID^2 Method: Least Squares Date: 12/30/07Time: 10:55 Sample: 1980 1998 Included observations: 19

VariableC X1+X2(X1+X2)^2(X1+X2)*X3

X3 X3^2

R-squaredAdjusted R-squared S.E.of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient2475097.-505.6391 0.444067-4.429261-289.8244 12.02527

Std.Error1758485.1727.661 0.556910 5.849490 8934.686 16.41130

0.553341Probability 3.334076Probability

t-Statistic1.407517-0.292673 0.797376-0.757205-0.032438 0.732744

0.733634 0.648629

Prob.0.1827 0.7744 0.4396 0.4624 0.9746 0.47672418612.2725196.32.85854 33.15678 0.553341 0.73363

40.175478Mean dependent var-0.141646S.D.dependent var 2911813.Akaike info criterion 1.10E+14Schwarz criterion-306.1561F-statistic 1.938280Prob(F-statistic)

由表中数据可知没有哪个参数的T检验是显著的，且可决系数的值也比较小。NR²=3.334607 < X²(5)=11.07故接受原假设，则模型无异方差。

b。序列相关性检验：

由OLS检验中的 DW=1.138 而在5%的显著水平，样本容量为19的DW分布的 DL=1.18 DU=1.40则不能确定是否存在一阶自相关。

用LM检验有如下结果：

Breusch-Godfrey Serial Correlation LM Test: F-statistic

2.277863Probability

0.152007

Obs*R-squared

Test Equation:

2.504905Probability

Std.Error612.3999 0.317361 1.734680 0.268519

t-Statistic0.152230-0.091015 0.017734 1.509259

0.113492

Prob.0.8810 0.9287 0.9861 0.1520-1.72E-12 1597.805 17.81626 18.01509 0.759288 0.534198

Dependent Variable: RESID Method: Least Squares Date: 12/30/07Time: 10:56

Presample missing value lagged residuals set to zero.VariableC X1+X2 X3 RESID(-1)R-squaredAdjusted R-squared S.E.of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient93.22553-0.028884 0.030762 0.405265

0.131837Mean dependent var-0.041795S.D.dependent var 1630.853Akaike info criterion 39895234Schwarz criterion-165.2545F-statistic 1.541603Prob(F-statistic)

由于DW=1.5416 < x²(1)=3.84.则不存在一阶自相关。C.多重共线性的检验：

因为在OLS下，模型的R²与F值较大，但各参数估计值的T检验值较小，说明各解释

变量对Y的联合线性作用显著，但各解释变量间存在共线性而使他们对Y的独立作用不能分辨，故T检验不显著。所以解释变量间存在共线性。

X3 X1 X2

找出简单的回归形式：分别做GDP与X1,X2,X3间的回归：（1）

Dependent Variable: GDP Method: Least Squares Date: 12/30/07Time: 11:02

X3 1 0.9821309304

05242 4072468974

0.97382315400.9959190166

X1 05242

X2 40724 0.9959190166

68974

0.98213093040.9738231540

Sample: 1980 1998 Included observations: 19

VariableC X1

R-squaredAdjusted R-squared S.E.of regression Sum squared resid Log likelihood Durbin-Watson stat（2）

Dependent Variable: GDP Method: Least Squares Date: 12/30/07Time: 11:03 Sample: 1980 1998 Included observations: 19

VariableC X2

R-squaredAdjusted R-squared S.E.of regression Sum squared resid Log likelihood Durbin-Watson stat（3）

Dependent Variable: GDP Method: Least Squares Date: 12/30/07Time: 11:04 Sample: 1980 1998 Included observations: 19

Variable

Coefficient

Std.Error

Coefficient4038.067 16.84465

Std.Error1096.593 0.556889

Coefficient586.8680 5.149558

Std.Error972.1893 0.140253

t-Statistic0.603656 36.71629

Prob.0.5540 0.000027022.51 24797.62 18.84558 18.94500 1348.086 0.000000

0.987547Mean dependent var 0.986814S.D.dependent var 2847.517Akaike info criterion 1.38E+08Schwarz criterion-177.0330F-statistic 1.139926Prob(F-statistic)

t-Statistic3.682375 30.24777

Prob.0.0018 0.000027022.51 24797.62 19.22730 19.32672 914.9273 0.000000

0.981758Mean dependent var 0.980685S.D.dependent var 3446.318Akaike info criterion 2.02E+08Schwarz criterion-180.6594F-statistic 0.898932Prob(F-statistic)

t-Statistic

Prob.C X3

R-squaredAdjusted R-squared S.E.of regression Sum squared resid Log likelihood Durbin-Watson stat

-1435.486 21.59715

1115.072 0.647420

-1.287348 33.35876

0.2152 0.000027022.51 24797.62 19.03475 19.13417 1112.807 0.000000

0.984953Mean dependent var 0.984068S.D.dependent var 3129.999Akaike info criterion 1.67E+08Schwarz criterion-178.8302F-statistic 0.517281Prob(F-statistic)

由以上表格中的数据可知：X2与X1高度相关且对GDP影响很低，故可以排除或者像开始OLS估计那样把与X1相加合并成一个变量。

三.模型评价与经济分析

该模型并没有直接地从投资、消费、出口的角度去考察解释变量对GDP的影响,而是以间接的方法从固定资产投资的角度研究了其对GDP的影响.从计量经济学的检验结果看无论是公有经济还是个体经济对GDP都存在线性的影响,而且相关系数都接近于1, 进一步证明了固定资产投资对一国社会总产出的影响.其中公有经济与GDP的相关系数要大于个体经济与GDP的相关系数, 从一个侧面显示出近年来国有经济布局调整和国有企业战略性改组的成效。

1978年以来的二十多年中，伴随着国有经济比重的不断下降，国有经济的地位与作用问题长期以来一直倍受关注，从“主体”到“发挥主导作用”、“保持控制力”，贯穿其中的红线即是我们思想上的逐步解放。在传统计划经济体制下，国有经济控制力往往停留在国有资产的物质形态层面上，而随着我国改革开放的推进以及市场经济体制的逐步完善，以国有资产的行政计划分配为主要特征的“静态控制”体系显然已不再适合社会主义市场经济体制的要求, 因此有学者提出将国有经济“控制力”重新界定于“国有资本的调控力”上面.固定资产投资的增长,必然会带来房地产投资的高速增长,因此,房地产业将成为未来几年中拉动我国内需增长的一驾重要的“马车”.？？？？

童林05170130

第四篇：计量经济学实验报告

计量经济学综合实验报告一、一元线性回归检验

一个国家的货物周转量与货运量是密不可分的，为了考察货物周转量与货运量之间的关系，利用计量经济学的方法，进行回归分析。中国1990—2009年货运量与货运周转量的数据如表1.1所示。

表1.1 中国的货运量与货运周转量 年份 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009

货运量X货物周转量Y（万吨）（亿吨公里）970602 985793 1045899 1115902 1180396 1234938 1298421 1278218 1267427 1293008 1358682 1401786 1483447 1564492 1706412 1862066 2037060 2275822 2585937 2825222

26208 27987 29218 30647 33435 35909 36590 38385 38089 40568 44321 47710 50686 53859 69445 80258 88840 101419 110300 122133.3数据来源：《中国交通年鉴》（2009）整理

1、建立模型

Y=X

根据表一数据，为对其进行线性回归分析，建立如下一元回归模型：

表1.2给出了采用Eviews软件对表1.1数据进行最小二乘线性回归分

析的结果。

表1.2中国货运周转量对货运量的回归分析（1990--2009）

Dependent Variable: Y Method: Least Squares Sample: 19902009 C R-squared

Adjusted R-squared S.E.of regression Sum squared resid Log likelihood-30611.52 2621.031-11.679190.0000 29604.40 19.36846 19.46803 1193.787 0.985146Mean dependent var 55300.37 0.984321S.D.dependent var 3706.977Akaike info criterion 2.47E+08Schwarz criterion-191.6846F-statistic

根据表1.2写出如下回归分析结果：

Y=-30611.520.0558X

（-11.68）（34.55）

31F1193.787，D.W.0.705R20.985，其中括号内的数为相应参数的t检验值，R2为可决系数，F为方程整体线性显著性检验值，D.W.为模型序列相关性检验值

二、模型检验

（1）从回归估计的结果看，模型拟合较好。可决系数R20.9851，表

明模型在整体上拟合的非常好。

（2）而且从常数项和解释变量系数的t检验值看，比给定5%显著性水

平下自由度为n-2=19的临界值2.093都大的多，说明参数值是比较显著的。

（3）而从F1193.787可以看出，远远大于模型的整体的线性关系也

是非常显著的。

D.W.0.7053，在(0,dl=1.2)之间，则应该存在一阶相关关系，利（4）

用拉格朗日乘数法进行二阶相关关系检验得表2.1如下：

表2.1

F-statistic 7.558370Probability 0.004887 Dependent Variable: RESID

C X RESID(-1)R-squared

Adjusted R-squared S.E.of regression Sum squared resid Log likelihood 171.9513-0.000141 0.897166 2366.190 0.001521 0.234126 0.072670-0.092732 3.8319750.9430 0.9273 0.0015 0.485807Mean dependent var-9.19E-12 0.389396S.D.dependent var 2819.415Akaike info criterion 1.27E+08Schwarz criterion-185.0330F-statistic 3608.106 18.90330 19.10245 5.038913

由表2.1可知，nR29.716，该值大于显著性水平为5%，自由度为2的2分布的临界值20.05（2）=5.991，由此判断存在二阶序列相关性。再利用拉格朗日乘数法进行三阶相关关系检验，得表2.2：表2.2

Breusch-Godfrey Serial Correlation LM Test: F-statistic C X RESID(-1)RESID(-2)RESID(-3)R-squared

Adjusted R-squared S.E.of regression Sum squared resid Log likelihood Durbin-Watson stat

5.163250Probability-219.0110 9.83E-05 0.823992-0.212209-0.274529

2437.122 0.001563 0.252675 0.386183 0.333503

-0.089865 0.062901 3.261077-0.549503-0.823168

0.0119200.9296 0.9507 0.0053 0.5907 0.4233 3608.106 18.95912 19.20805 3.872437 0.023534

Dependent Variable: RESID

0.508031Mean dependent var-9.19E-12 0.376840S.D.dependent var 2848.257Akaike info criterion 1.22E+08Schwarz criterion-184.5912F-statistic 2.051318Prob(F-statistic)

由表2.2可知，虽然nR210.161，仍然比显著性水平为5%，自由度

~的参数不显著，且为3的2分布的临界值20.05（3）=7.815要大，但由于et3

D.W.2.05说明不存在三阶序列相关。

用科克伦—奥科特迭代法对原模型进行修正，并用拉格朗日乘数法进行检验，得表2.3如下：

表2.3

F-statistic 0.981613Probability 0.415681 Dependent Variable: RESID Method: Least Squares

Variable C X X(-1)X(-2)AR(1)AR(2)RESID(-1)R-squared

Adjusted R-squared S.E.of regression Sum squared resid Log likelihood Coefficient-418.6797 0.003815 0.011768-0.016302 1.727024-0.695450-1.957545 Std.Error 11658.54 0.033267 0.036623 0.039801 1.297073 0.687141 1.397689 t-Statistic-0.035912 0.114677 0.321315-0.409598 1.331477-1.012091-1.400558 Prob.0.9722 0.9115 0.7562 0.6928 0.2197 0.3411 0.1989 0.197047Mean dependent var-3.90E-07-0.505537S.D.dependent var 3382.804Akaike info criterion 91546893Schwarz criterion-147.1812F-statistic 2756.964 19.39765 19.78394 0.280461 由表2.3可看出，修正后的nR23.153，该值小于显著性水平为5%，自由度为2的2分布的临界值20.05（2）=5.991，由此可以判断模型不再存在相关关系。

（5）检验模型是否存在异方差

在表1.2的基础上，利用white检验对模型是否存在异方差进行检

验，得表2.4如下：

表2.4

F-statistic 4.972142Probability 0.019946 Dependent Variable: RESID^2 Method: Least Squares Sample: 1990 2009 Included observations: 20

C X R-squared

Adjusted R-squared S.E.of regression Sum squared resid Log likelihood Durbin-Watson stat

-46078062 58.89039 29706420 35.14864-1.551115 1.6754670.1393 0.1121 13246720 35.42455 35.57391 4.972142 0.019946

0.369068Mean dependent var 12367509 0.294841S.D.dependent var 11123765Akaike info criterion 2.10E+15Schwarz criterion-351.2455F-statistic 1.196673Prob(F-statistic)

由表2.4可知，nR27.381，该值大于显著性水平为5%，自由度为

2的分布的临界值

20.05

（2）=5.991，因此拒绝同方差的原假设。

下面采用加权最小对原模型进行回归，即采用为权重进行加权

ei

最小二乘估计，得表2.5（未加权项略）如下：

表2.5

Dependent Variable: Y Sample: 1990 2009 Included observations: 20 Variable C R-squared

Adjusted R-squared S.E.of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient-30343.75 Std.Error 2120.160 t-Statistic-14.31201 Prob.0.0000 148089.5 16.04216 16.14173 1353.326 0.000000

0.999979Mean dependent var 47286.79 0.999977S.D.dependent var 702.6228Akaike info criterion 8886217.Schwarz criterion-158.4216F-statistic 0.781900Prob(F-statistic)

由表2.5与表1.2对照可清楚的看到，无论是拟合优度，还是参数的显著性，加权后最小二乘估计比加权前都有了改进，并且对加权后的回归模型进行检验，也可验证，模型不再存在异方差（如表2.6所示）。

表2.6

F-statistic

Test Equation:

Dependent Variable: STD_RESID^2 Method: Least Squares Date: 01/02/11Time: 02:48 Sample: 1990 2009 Included observations: 20

C X R-squared

Adjusted R-squared S.E.of regression Sum squared resid Log likelihood Durbin-Watson stat

434208.5 0.017321 295422.9 0.349544 1.469786 0.0495530.1599 0.9611 104697.1 26.20313 26.35249 0.009460 0.990590

0.009460Probability

0.990590

0.001112Mean dependent var 444310.9-0.116405S.D.dependent var 110623.1Akaike info criterion 2.08E+11Schwarz criterion-259.0313F-statistic 2.201735Prob(F-statistic)

第五篇：计量经济学实验报告(二)

2015－2016第1学期

计量经济学实验报告

实验

（二）：多元回归模型实验

学号：0122432 姓名：李旻专业：会计（ACCA）选课班级：A06实验日期：11/09实验地点：0505

实验名称：多元回归模型实验

【实验目标、要求】 使学生掌握用Eviews做

1.多元线性回归模型参数的OLS估计、统计检验、点预测和区间预测； 2.非线性回归模型参数估计； 3.受约束回归检验。【实验内容】 用Eviews完成：

1.多元线性回归模型参数的OLS估计、统计检验、点预测和区间预测；(以第8题的数据为例)2.非线性回归模型的估计，并给出相应的结果；(以第8题的数据为例)3.受约束回归检验。(以第7题的数据为例)实验内容以课后练习：以第三章复习思考题第7题、第8题的数据为例进行操作。【实验步骤】

一）根据中国某年按行业分的全部制造业国有企业及规模以上制造业非国有企业的工业总产值Y，资产合计K及职工人数L进行回归分析。

（二）掌握可化为线性多元非线性回归模型的估计和多元线性回归模型的线性约束条件的检验方法

（三）根据实验结果判断中国该年制造业总体的规模报酬状态如何？

三、实验步骤

（一）收集数据

下表列示出来中国某年按行业分的全部制造业国有企业及规模以上制造业非国有企业的工业总产值Y，资产合计K及职工人数L。

工业总产值Y序号 1 2 3 4（亿元）3722.7 1442.52 1752.37 1451.29 资产合计K（亿元）3078.22 1684.43 2742.77 1973.82

职工人数L（万人）113 67 84 27

序号 17 18 19 20

工业总产值Y（亿元）812.7 1899.7 3692.85 4732.9

资产合计K（亿元）1118.81 2052.16 6113.11 9228.25

职工人数L（万人）43 61 240 222 6 7 8 9 10 11 12 13 14 15 16 5149.3 2291.16 1345.17 656.77 370.18 1590.36 616.71 617.94 4429.19 5749.02 1781.37 1243.07

5917.01 1758.77 939.1 694.94 363.48 2511.99 973.73 516.01 3785.91 8688.03 2798.9 1808.44

327 120 58 31 16 66 58 28 61 254 83 33 22 23 24 25 26 27 28 29 30 31

2180.23 2539.76 3046.95 2192.63 5364.83 4834.68 7549.58 867.91 4611.39 170.3 325.53

2866.65 2545.63 4787.9 3255.29 8129.68 5260.2 7518.79 984.52 18626.94 610.91 1523.19

222 163 244 145 138 46 218 19 45 表1

（二）创建工作文件（Workfile）。

1、启动Eviews5，在主菜单上依次点击FileNewWorkfile（如图），按确定。

2、在弹出的对话框中选择数据的时间频率（本实验为序列数据），输入数据数为31（如图1），然后点击OK（如图2）。

（图1）（图2）、（三）输入数据

1、在Eviews软件的命令窗口中键入数据输入/编辑命令：DATA Y K L，按Enter，则显示一个数组窗口（如图）。

2、分别在Y、K、L列输入相应的数据并以group01命名保存（如图）：

（四）、回归分析

1、在经济理论指导下，设定如下的理论模型：

YAKLe

2、运用OLS估计模型

YAKLe可变换对数形式如下： 经对数转换，式lnY01lnK2lnL

3、对表1的Y、K、L的数据进行对数转换，得新的数据如表2所示：

序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 lnY lnK lnL

序号 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31

lnY

8.222204 7.274147 7.468724 7.280208 8.546616 7.736814 7.204276 6.487334 5.913989 7.371716 6.424399 6.426391 8.395972 8.656785 7.485138

lnK lnL

8.22220449 8.032106787 4.727387819 7.274146863 7.429182507 4.204692619 7.468724436 7.916723638 4.430816799 7.280208095 7.736813519 7.204275678

7.58772603 3.295836866 7.47236998 4.787491743 6.84492197 4.060443011 8.546616062 8.685586533 5.789960171

8.032107 4.727388 7.429183 4.204693 7.916724 4.430817 7.587726 3.295837 8.685587

5.78996

7.47237 4.787492 6.844922 4.060443 6.543826 3.433987 5.895724 2.772589 7.828831 4.189655 6.881134 4.060443 6.246126 3.332205 8.239042 4.110874 9.069701 5.537334 7.936982 4.418841

6.487333881 6.543825511 3.433987204 5.913989374 5.895724275 2.772588722 7.371715685 7.828830547 4.189654742 6.424398897 6.881134058 4.060443011 6.426391365 6.246126145 8.395972002

3.33220451

8.23904156 4.110873864 8.656784684 9.069701495 5.537334267 7.48513801 7.936981762 4.418840608 7.125339405 7.500219874 3.496507561 表2

4、对表2经对数转化后的数据进行相关性分析 ①重复数据输入步骤，输入取对数后的数据如图：

②在弹出的窗口中选择ViewGraphScatterSimple Scatter按

确定，得取对数后的Y、K、L三者之间关系的散点图，结果如下：

③通过对以上散点图的观察可以看出，取对数后的K、L的联合值对取对数后的Y的值有着显著的线性影响。

5、在Eviews主窗口中点击QuickEstimate Equation，在弹出的方程设定框内输入模型：log（y）c log(k)log(l)（如图）：

再点击确定，系统将弹出一个窗口来显示有关估计结果（如图）。

由图显示的结果可知，样本回归方程为：

lnY=1.154+0.609lnK +0.361lnL(1.59)(3.45)(1.75)其中R20.8099，R=0.7963，F=59.66

4、对以上实验结果做t检验分析：

给定显著性水平5%，自由度为（2，28）的F分布的临界值为F(2，28）3.34，因此总体上看，lnK,lnL联合起来对lnY有着显著的线性影响。在5%的显著性水平下，自由度为28的t分布的临界值为t0.05(28)2.048，lnK的参数通过了该显著性水平下的t检验，因此，但lnL未通过检验。如果设定显著性水平为10%，t分布的临界值为t0.05(28)1.701，这时lnL的参数通过了显著性水平的检验。

R=0.7963表明，工业总产值对数值的79.6%的变化可以由资产合计的对数与职工的对数的变化来解释，但仍有20.4%的变化是由其他因素的变化影响的。

（五）参数的约束检验

由以上的实验结果可以看出，0.971，即资产与劳动的产出弹性之和近似为1，表明中国制造业在2000年基本呈现规模报酬

1。不变的状态。因此，进行参数的约束检验时，提出零假设为H：

如果原假设为真，则可估计如下模型： 20.0520lnYKCln LL

1、在Equation窗口选择proc/Specify/Estimate在弹出的窗口中输入log(y/l)c log(k/l)如图所示： 按确定，所得结果如下：

容易看出，该估计方程通过了F检验与参数的t检验。

2、对规模报酬是否变化进行的分析

由上面两个实验可以得到RSSU5.0703，RSSR5.0886。在原假设为真的条件下有：

F(RSSRRSSU)15.08865.0703=0.1011 RSSU(3121)5.070328在5%的显著性水平下，自由度为（1,28）的F分布的临界值为4.20。因为0.1011<4.20,所以不拒绝原假设，表明2000年中国制造业呈现规模报酬不变的状态。

3、运用参数约束条件121对上面假设模型进行检验 打开eq01方程对象窗,点击ViewCoefficient TestsWaldCoefficient Restrictions…，在Wald tests窗口设定参数约束条件：c(2)+c(3)=1。再按OK,结果如下图：

由以上实验结果可知，我们仍然不拒绝原假设，原假设为真，即中国该年的制造业总体呈现规模报酬不变状态。

四、实验结论

通过上面实验可以看出，中国某年按行业分的全部制造业国有企业及规模以上制造业非国有企业的资产合计K和职工人数L的联合对数对工业总产值Y的对数有着显著地线性影响。但并非全是由K、L影响，还有20.4%的变化时由其他因素影响的。在规模报酬的分析中可以看出，国制造业在2000年基本呈现规模报酬不变的状态。