多元线性回归分析(Eviews论文)
楚雄师范学院数学系09级01班韩金伟学号：20091021135 2011—2012学年第二学期《数据分析》期末论文
题目影响成品钢材需求量的回归分析
姓名韩金伟
学号20091021135
系（院）数学系
专业数学与应用数学
2012年 6 月 19 日
题目：影响成品钢材需求量的回归分析
摘要：随着社会经济的不断发展，科学技术的不断进步，统计方法越来越成为人们必不
可收的工具盒手段。应用回归分析是其中的一个重要分支，本着国家经济水平的不断提高，我们采用回归分析的方法对我国成品钢材的需求量进行分析应用。为了使分析的模型具有社会实际意义，我们引用了1980——1998年的成品钢材、原油、生铁、原煤、发电量、铁路货运量、固定资产投资额、居民消费、政府消费9个不同的量来进行回归分析。通过建立回归模型充分说明成品钢材需求量与其他8个变量的关系，以及我国社会经济的实际发展情况和意义。
关键字：线性回归回归分析社会经济回归模型成品钢材多元回归国家经济社会发展
目录
第1章题目叙述 (1)
第2章问题假设 (1)
第3章问题分析 (2)
第4章数据的预处理 (3)
4.1 曲线统计图 (3)
4.2 散点统计图 (4)
4.3 样本的相关系数 (4)
第5章回归模型的建立 (5)
第6章回归模型的检验 (6)
6.1 F检验 (6)
6.2 T检验 (6)
6.3 T检验分析 (6)
6.4 Chow断点检验 (8)
6.5 Chow预测检验 (8)
第7章违背模型基本假设的情况 (9)
7.1 异方差性的检验 (9)
7.1.1残差图示检验 (9)
7.1.2 怀特（White）检验 (9)
7.2 自相关性的检验 (10)
7.2.1 LM检验 (10)
7.2.2 DW检验 (10)
第8章自变量选择与逐步回归 (10)
8.1 前进逐步回归法 (10)
8.1.1 前进逐步回归 (10)
8.1.2 前进逐步回归模型预测 (11)
8.2 后退逐步回归法 (12)
8.2.1 后退逐步回归 (12)
8.2.2 后退逐步回归模型预测 (13)
第9章多重共线性的诊断及消除 (14)
9.1 多重共线性的诊断 (14)
9.2 消除多重共线性 (15)
第10章回归模型总结 (17)
参考文献 (18)
附录： (19)
楚雄师范学院 数学系 09级01班 韩金伟 学号：20091021135
影响成品钢材需求量的回归分析
第1章 题目叙述
理论上认为影响成品钢材的需求量的因素主要有经济发展水平、收入水平、产业发展、人民生活水平提高、能源转换技术等因素。为此，收集了我国成品钢材的需求量，选择与其相关的八个因素：原油产量、生铁产量、原煤产量、发电量、铁路货运量、固定资产投资额、居民消费、政府消费作为影响变量，1980——1998年的有关数据如下表。本题旨在通过建立这些经济变量的线性模型来说明影响成品钢材需求量的原因。 数据来源：易丹辉.数据分析与EViews 应用.中国人民大学出版社.2008（教材第85页）。 原始数据（中国统计年鉴）： 年份 成品钢
材（万吨） 原油（万吨）
生铁（万吨）
原煤（亿吨） 发电量（亿千瓦时） 铁路货运量（万吨） 固定资产投资额（亿元） 居民消费（亿元） 1980 2716.2 10595 3802.4 6.2 3006.2 111279 910.9 2317.1 1981 2670.1 10122 3416.6 6.2 3092.7 107673 961 2604.1 1982 2902 10212 3551 6.66 3277 113495 1230.4 2867.9 1983 3072 10607 3738 7.15 3514 118784 1430.1 3182.5 1984 3372 11461.3 4001 7.89 3770 124074 1832.9 3674.5 1985 3693 12489.5 4384 8.72 4107 130709 2543.2 4589 1986 4058 13068.8 5064 8.94 4495 135635 3120.6 5175 1987 4356 13414 5503 9.28 4973 140653 3791.7 5961.2 1988 4689 13704.6 5704 9.8 5452 144948 4753.8 7633.1 1989 4859 13764.1 5820 10.54 5848 151489 4410.4 8523.5 1990 5153 13830.6 6238 10.8 6212 150681 4517 9113.2 1991 5638 14009.2 6765 10.87 6775 152893 5594.5 10315.9 1992 6697 14209.7 7589 11.16 7539 157627
8080.1
12459.8
1993 7716 14523.7 8739 11.51 8395 162663 13072.3 15682.4 1994
8482
14608.2
9741
12.4 9281 163093 17042.1 20809.8 1995 8979.8 15004.94 10529.27 13.61 10070.3 165885 20019.3 26944.5 1996 9338.02 15733.39 10722.5
13.97
10813.1
168803
22974
32152.3
1997 9978.93 16074.14 11511.41 13.73 11355.53 169734 22913.5 34854.6 说明：由于数据是经过人工录入的，经反复对照没有发现错误，因此就采用了此数据做回归模型。但是也不能排除在录入过程中会出现一些小的错误，所以回归模型仅满足上表数据。
第2章 问题假设
为了问题的简洁明了，现对题目中的变量给出以下假设：中国成品钢材的需求量为y （万吨）、原油产量1x （万吨）、生铁产量2x （万吨）、原煤产量3x （亿吨）、发电量4x （亿
千瓦时）、铁路货运量5x （万吨）、固定资产投资额6x （亿元）、居民消费7x （亿元）、政府消费8x （亿元）作为影响变量，而且本题收集的数据均为定量变量，其符号和经济意义如下表：
变量
符号
代表意义
中国成品钢材的需求量为（万吨） y
成品钢材需求总量 原油产量（万吨） 1x 原油工业发展水平 生铁产量（万吨） 2x
生铁工业发展水平 原煤产量（亿吨） 3x
原煤工业发展水平 发电量（亿千瓦时） 4x
发电技术水平 铁路货运量（万吨） 5x 运输产业水平 固定资产投资额（亿元） 6x 固定资产支出水平 居民消费（亿元） 7x 居民支出水平 政府消费（亿元）
8x
政府支出水平
第3章 问题分析
在上述问题中，中国成品钢材的需求量y （万吨）的影响因素不只是原油产量1x （万吨），还有生铁产量2x （万吨）、原煤产量3x （亿吨）、发电量4x （亿千瓦时）、铁路货运量5x （万吨）
、固定资产投资额6x （亿元）、居民消费7x （亿元）、政府消费8x （亿元）等，这样因变量y 就与多个自变量87654321,,,,,,,x x x x x x x x 有关。因此，我们就可以采用多元线性回归进行问题的分析。
多元线性回归模型的基本形式：设随机变量y 与一般变量p x x x ,,,21 的理论线性回归模型为：
εββββ+++++=p p x x x y 22110
其中，p βββ,,,10 是1+p 个未知参数，0β称为回归常数，p βββ,,,10 称为回归系数。y 称为被解释变量（因变量）
，而p x x x ,,,21 是p 个可以精确测量并可控制的一般变量，
称为解释变量（自变量）。ε是随机误差，与一元线性回归一样，对随机误差项我们常假定 ???==2
)var(0)(σ
εεE
称
εββββ+++++=p p x x x y E 22110)( 为理论回归方程。
第4章 数据的预处理
4.1 曲线统计图
040,000
80,000
120,000
160,000
200,000
80
82
84
8688
9092
94
96
98
T X1X2X3X4X5X6X7
X8Y
分析：从曲线统计图上我们可以大致的来看，变量87642,,,,x x x x x 和因变量y 在1980年到1986年的增长速度都相对平稳没有明显的增势；从1986年到1993年，个变量开始缓慢增长；从1993年到1998年，增长的幅度开始加大了。31,x x 的曲线近似为一条水平的直线，这两个变量分别表示原油和原煤的量，可能受到资源和政策的限制，因而增长的速度非常缓慢。从图中可以明显看到随着年限的增加，我国的各种产业和支出水平都随之逐渐增长。
4.2 散点统计图
40,000
80,000
120,000
160,000
200,000
1,975
1,9801,985
1,9901,995
2,000
T
X 1X 2X 3X 4X 5X 6X 7X 8Y
分析：从散点统计图上我们可以细致的来看，变量5x （铁路运货量）的变化最为明显，还可以清楚的看到1981年，1991年，1998年，因为一些特殊事件而导致的铁路运输量降低。87642,,,,x x x x x 与y 在1980年到1986年的增长速度都相对平稳没有明显的增势，从1986
年到1993年，个变量开始缓慢增长；从1993年到1998年，增长的幅度开始加大了。但是1x （原油）与3x （原煤）的产量却始终保持相对平稳的增长趋势，而却增长速度非常的缓慢，这可能是受到了资源的限制和国家政策的影响。从散点图中可以很明显的看到各年的真是数据，还可以看出随着年限的增加，我国的各种产业和支出水平都随之逐渐增长。
4.3 样本的相关系数
分析：从样本的相关系数表来看，各变量的相关系数都在0.9以上，说明自变量与因变量y 有高度的线性相关性，适合做y 与8个自变量的多元线性回归。（说明：本表格是由EViews 软件计算得出，但由于不能导出，所以通过保存成图片后经WPS 截图工具截得。）
第5章 回归模型的建立
将原始数据导入到Eviews6.0(破解版）的数据框中，然后用Eviews 软件做线性回归分析如下：
在Eviews 主窗口菜单单击Quick/Estimate Equation ，弹出方程估计窗口，再在弹出的窗口清单内填入以下回归方程的书写形式。 整形式 ：
y=c(1)+c(2)*x1+c(3)*x2+c(4)*x3+c(5)*x4+c(6)*x5+c(7)*x6+c(8)*x7+c(9)*x8 简化形式 ：
y c x1 x2 x3 x4 x5 x6 x7 x8 这里我们采用简化形式执行后得到输出结果为：
Variable Coefficient Std. Error t-Statistic Prob. C -381.4846 912.1465 -0.418227 0.6846 X1 0.121818 0.107424 1.133993 0.2833 X2 0.124884 0.187062 0.667607 0.5195 X3 -149.1537 121.3537 -1.229083 0.2472 X4 0.653366 0.276937 2.359260 0.0400 X5 0.003058 0.023349 0.130959 0.8984 X6 0.081378 0.042124 1.931870 0.0822 X7 -0.120128 0.046747 -2.569723 0.0279 X8 0.393966 0.239413 1.645552 0.1309 R-squared 0.999009 Mean dependent var 5742.518
Adjusted R-squared 0.998215 S.D. dependent var 2679.609 S.E. of regression 113.1993 Akaike info criterion 12.60169 Sum squared resid 128140.8 Schwarz criterion 13.04906 Log likelihood -110.7161 Hannan-Quinn criter. 12.67740 F-statistic 1259.526 Durbin-Watson stat 2.245475 Prob(F-statistic) 0.000000
分析：从模型汇总表中可以看出，决定系数999009.0R 2
=，由决定系数看回归模型高度显著。又由526.1259=F ，P 值=0.000000，回归模型通过了F 检验，表明8个自变量整体对因变量y 产生显著线性影响的判断所犯错误的概率仅为0.000000。说明
87654321,,,,,,,x x x x x x x x 整体上对y 有高度显著的线性影响。
表中第二列是我们的回归方程参数估计值，由此可以得到y 对8个自变量的线性回归方
程为：
4321653366.01537.149124884.0121818.04846.381?x x x x y
+-++-= 8765393966.0120128.0081378.0003058.0x x x x +-++
从回归方程中可以看到，865421x x x x x x 、、、、、对成品钢材需求量起正影响，
73x x 、对成品钢材需求量起负影响。从实际社会生活来看，原煤生产水平和居民的消费水平提高，
都会促进成品钢材的需求量，应该和成品钢材的需求量成正相关，这与定性分析的结果不一致。为此，我们对它进行更深层次的分析。
第6章 回归模型的检验
6.1 F 检验
F-statistic 1259.526
Prob(F-statistic) 0.000000
分析：从表中结果可以看出，Prob(F-statistic)即相伴概率P 值，由526.1259=F ，P
值=0.000000<0.05，可知此回归方程拒绝零假设，即做出8个自变量整体对因变量y 产生显著线性影响的判断所犯错误的概率仅为0.000000，回归方程通过了F 检验。
6.2 T 检验
Variable t-Statistic Prob. C -0.418227 0.6846 X1 1.133993 0.2833 X2 0.667607 0.5195 X3 -1.229083 0.2472 X4 2.359260 0.0400 X5 0.130959 0.8984 X6 1.931870 0.0822 X7 -2.569723 0.0279 X8 1.645552 0.1309
分析：通过看上面的T 检验表可以发现，在显著性水平05.0=α时，只有,,74x x 的Prob （收尾概率）小于0.05，通过了显著性检验。
6.3 T 检验分析
为了尽可能的保留合理变量，我们就针对逐个变量给以T 检验分析，逐步剔除不合理的变量，使回归模型更完善。因此我们首先剔除Prob 最大的变量5x ，再做回归分析的T 检验如下：
Variable Coefficient Std. Error t-Statistic Prob. C -274.5262 387.5811 -0.708307 0.4935 X1 0.132601 0.065838 2.014055 0.0691 X2 0.120529 0.175666 0.686125 0.5068 X3 -137.5335 79.00025 -1.740925 0.1096 X4 0.677570 0.196814 3.442693 0.0055 X6 0.082361 0.039555 2.082205 0.0615 X7 -0.123567 0.036909 -3.347908 0.0065 X8 0.387785 0.223983 1.731314 0.1113
分析：剔除5x 后，在显著性水平05.0=α时，有,,,741x x x 的Prob （收尾概率）小于0.05，通过了显著性检验。此时我们发现，剔除了5x 后，通过T 检验的变量增多了，这是一个很好的结果。因此我们再剔除Prob 最大的变量2x ，再做回归分析的T 检验如下： Variable Coefficient Std. Error t-Statistic Prob. C -279.1420 378.8809 -0.736754 0.4754 X1 0.153961 0.056719 2.714474 0.0188 X3 -151.0344 74.80430 -2.019061 0.0664 X4 0.772202 0.137273 5.625307 0.0001 X6 0.099512 0.029972 3.320207 0.0061 X7 -0.134592 0.032486 -4.143096 0.0014 X8 0.402994 0.217913 1.849332 0.0892
分析：剔除25,x x 后，在显著性水平05.0=α时，有,,,,7641x x x x 的Prob （收尾概率）小于0.05，通过了显著性检验。此时我们发现，剔除了25,x x 后，通过T 检验的变量又增多了一个。因此我们再剔除Prob 最大的变量8x ，再做回归分析的T 检验如下：
Variable Coefficient Std. Error t-Statistic Prob.
C -108.8183 400.2650 -0.271866 0.7900 X1 0.149526 0.061718 2.422751 0.0307 X3 -248.8000 57.63980 -4.316463 0.0008 X4 0.977544 0.087907 11.12020 0.0000 X6 0.126790 0.028416 4.462005 0.0006 X7 -0.084069 0.019143 -4.391499 0.0007 R-squared 0.998669 Mean dependent var
5742.518 Adjusted R-squared 0.998157 S.D. dependent var
2679.609
S.E. of regression 115.0260 Akaike info criterion 12.58028 Log likelihood -113.5127 Hannan-Quinn criter. 12.63076 F-statistic 1951.080 Durbin-Watson stat 1.886506 Prob(F-statistic) 0.000000
分析：剔除825,,x x x 后，在显著性水平05.0=α时，剩余变量,,,,,76431x x x x x 的Prob （收尾概率）都小于0.05，全部通过了显著性T 检验。以,,,,,76431x x x x x 做回归分析的输出表来看，决定系数998669.0R 2=，由决定系数看回归模型仍然具有高度的显著性。又由080.1951=F ，P 值=0.000000，回归模型通过了F 检验，表明8个自变量整体对因变量y 产生显著线性影响的判断所犯错误的概率仅为0.000000。说明,,,,,76431x x x x x 整体上对y 有高度显著的线性影响。
表中第二列是我们的回归方程参数估计值，由此可以得到y 对5个自变量的线性回归方程为：
76431084069.0126790.0977544.08000.248149526.08183.108?x x x x x y
-++-+-= 从回归方程中可以看到，641,,x x x 对成品钢材需求量起正影响，73,x x 对成品钢材需求量起负影响。此时回归方程虽然通过了F,T 检验，但是增加了不合理变量73,x x 所占回归方程的比重，这也是不合社会实际的。
6.4 Chow 断点检验
该检验的思想是对每个子样本单独拟合方程来观察估计方程是否有显著差异。零假设是两个子样本拟合的方程无显著差异。 Chow Breakpoint Test: 1990 Equation Sample: 1980 1998
F-statistic 7992.972 Prob. F(9,1)
0.0087 Log likelihood ratio 212.4876 Prob. Chi-Square(9) 0.0000 Wald Statistic 71936.75 Prob. Chi-Square(9) 0.0000
分析：从检验表中可以看出，由于,检验量的收尾概率分别是0.0087，0.0000,0.0000
，所以回归模型接受原假设，说明模型参数有超样本特性，回归方程没有显著差异，回归模型具有稳定性。
6.5 Chow 预测检验
该检验的思想，Chow 预测检验先对包含前1T 个观测值的子样本建立模型，然后用这个模型对后2T 个观测值的自变量进行预测，若实际值与预测值有很大变动，就可以怀疑这两个子样本估计关系的稳定性。
Chow Forecast Test: Forecast from 1990 to 1998
F-statistic 7992.972 Prob. F(9,1) 0.0087
Log likelihood ratio 212.4876 Prob. Chi-Square(9) 0.0000
分析：从Chow 预测检验表中可以看出，检验量的收尾概率分别为0.0087,0.0000，说明回
归模型的预测值和实际值没有很大的波动，所以就可以认为回归模型是稳定的。
第7章 违背模型基本假设的情况
7.1 异方差性的检验
7.1.1残差图示检验
我们分别以回归标准化残差和因变量y 来绘制残差图分析模型是否存在异方差。
-150
-100
-50
50
100
150
1,975
1,9801,985
1,9901,9952,000
T
R E S I D
分析：从残差的散点图上我们可以看出，回归的标准化残差随因变量y 的表变化并没有明显的规律性分布，残差图上的点都是随机散布的，无任何规律，因此我们可以初步判定回归模型不存在异方差。
7.1.2 怀特（White ）检验
怀特检验，是把2
e 作为因变量，原先的自变量和自变量的平方项作为新自变量建立线性回归模型，通过这个模型的拟合情况来检验是否有异方差性，检验的零假设是残差不存在异方差性。怀特检验的统计量是2
R n LM ?=，n 是样本观测量，2R 是辅助回归的拟合优度。本题的怀特检验如下：
Heteroskedasticity Test: White
F-statistic 1.958884 Prob. F(8,10) 0.1579
Obs*R-squared 11.59867
Prob.Chi-Square(8) 0.1700
Scaled explained SS 1.445422
Prob.Chi-Square(8) 0.9936
分析：上表中Obs*R-squared 即为2
R n LM ?=，检验结果中由于收尾概率远大于显著性水平0.1，0.05或0.01，接收原假设，残差不存在异方差。
7.2 自相关性的检验
7.2.1 LM 检验
LM 检验是根据决定系数2
R 和F 检验值的收尾概率大小来判断是否存在自相关性。原假设：残差不存在从一阶到p 阶的自相关。检验统计量为2
R n LM ?=。
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 3.174716 Prob. F(2,8) 0.0966
Obs*R-squared 8.407246
Prob.Chi-Square(2) 0.0149
分析：从LM 检验表的收尾概率来看，prob （收尾概率）都大于0.01，F 检验的收尾概率大于0.05，但是都小于0.1,。由此来看检验模型存在自相关。 7.2.2 DW 检验
对于自相关性我们用DW 检验来判断，已知回归估计式的残差t e 来定义DW 统计量，假设有
0:0=ρH ，通过化简后DW 值与ρ
?的关系式为)?1(2ρ-≈DW ，在Eviews 中运行结果如下表（只选取了DW 的统计值）：
Durbin-Watson stat 2.245475
分析：从表中的数据我们可以看到，)?1(2ρ
-≈DW =2.245475，因而可以近似的计算出1227375.0?-=ρ
，通过查表可以判断出误差项的自相关性成轻微的负自相关（由于自相关性不是很明显，所以在这里就不做自相关性的消除）。
第8章 自变量选择与逐步回归
8.1 前进逐步回归法
8.1.1 前进逐步回归
取显著性水平15.0,10.0==removal entry αα进行逐步回归检验选变量。
Variable Coefficient Std. Error t-Statistic Prob.*
C
196.0980
259.5932
0.755405
0.4617
X2 0.499933 0.159589 3.132632 0.0068 X4 0.503581 0.170954 2.945705 0.0100 X3 -110.5429 45.39905 -2.434917 0.0279 R-squared 0.997746 Mean dependent var 5742.518
Adjusted R-squared 0.997296 S.D. dependent var 2679.609 S.E. of regression 139.3449 Akaike info criterion 12.89644 Sum squared resid 291254.9 Schwarz criterion 13.09527 Log likelihood -118.5162 Hannan-Quinn criter. 12.93009 F-statistic 2213.770 Durbin-Watson stat 1.041553 Prob(F-statistic) 0.000000
Selection Summary Added X2
Added X4 Added X3
分析：从逐步回归模型的汇总表中我们可以看出，逐步回归最终选取的变量为x2,x4,x3，逐步回归后模型决定系数997746.02
=R 。逐步回归后的模型保持着回归方程高度的显著性。从表中我们可以看到，F 的检验值为2213.770，P 值始终是0.000000不变，
由此可见模型犯错的概率始终为0.000000不变，故逐步回归后的回归方程同样具有高度的显著性。从上述表中结果可以看到逐步回归后的 回归方程为
432503529.05429.110499933.00980.196?x x x y
+-+= 由回归方程可以看出，2x 生铁的产量和4x 发电量的系数都是正数，对因变量y 起正相关作用，3x 原煤量的系数为负值，对因变量y 起负相关作用，而却从数值上看是-11.0543，对y 的影响很大，这与实际情况不符，这可能是因变量3x 与4x 之间有较强的相关性。同时从表中还可以看出，用逐步回归法的选元过程为第一步引入2x ，第二步引入4x ，第三步引入3x 再形成一个符合要求的线性回归方程。
8.1.2 前进逐步回归模型预测
2,000
4,000
6,000
8,000
10,000
12,000
80
82
84
86
8890
92
94
96
98
YF
± 2 S.E.
Forecast: YF Actual: Y
Forecast sample: 1980 1998Included observations: 19
Root Mean Squared Error 123.8112Mean Absolute Error 107.1899Mean Abs. Percent Error 2.218047Theil Inequality Coefficient 0.009816 Bias Proportion 0.000000 Variance Proportion 0.000564 Covariance Proportion 0.999436
分析：如图所示是前进逐步回归的模型预测，左边是预测图，两条细线表示预测值的两倍标准误差带，右边是有关预测的一些评价指标。从他的误差带我们可以看出回归模型较为精确，误差带紧随实际曲线变动，再从右边的MAPE 值为2.218047可以判定模型的预测精度较高。
8.2 后退逐步回归法
8.2.1 后退逐步回归
取显著性水平10.0,05.0==removal entry αα进行逐步回归检验选变量。
Variable Coefficient Std. Error t-Statistic Prob.* C -279.1420 378.8809 -0.736754 0.4754 X1 0.153961 0.056719 2.714474 0.0188 X4 0.772202 0.137273 5.625307 0.0001 X3 -151.0344 74.80430 -2.019061 0.0664 X7 -0.134592 0.032486 -4.143096 0.0014 X8 0.402994 0.217913 1.849332 0.0892 X6 0.099512 0.029972 3.320207 0.0061 R-squared
0.998964 Mean dependent var 5742.518 Adjusted R-squared 0.998447 S.D. dependent var 2679.609 S.E. of regression 105.6149 Akaike info criterion 12.43479 Sum squared resid 133854.0 Schwarz criterion 12.78274 Log likelihood -111.1305 Hannan-Quinn criter. 12.49367 F-statistic
1929.141 Durbin-Watson stat 2.584581 Prob(F-statistic)
0.000000
Selection Summary Removed X5
Removed X2
分析：采用后退逐步回归法最后选择的变量有25,x x ，从后退逐步回归后模型决定系数998964.02
=R ，调整决定系数998447.02
=αR ，可知模型仍然具有高度的显著性。表中F
的检验值为1929.141，P 值始终为0.000000不变，由此可见模型犯错的概率始终为0.000000不变。综合考虑后退逐步回归得到的模型比前进逐步回归得到的模型要好一些。对变量
25,x x 与因变量y 做线性回归得：
Variable Coefficient Std. Error t-Statistic Prob. C -278.8229 476.6925 -0.584912 0.5668 X2 0.936983 0.033352 28.09335 0.0000 X5 -0.002258 0.004663 -0.484295 0.6347
由此我们可以写出关于25,x x 的线性回归方程为：
52002258.0936983.08229.278?x x y
-+-= 从回归的最终模型来看，此回归方程剔除了一些变量后反而变得更加显著，并且更有实际的社会意义，它消除了不合理的变量3x 和7x 。在回归方程中又新出现了负变量5x （铁路运货量），虽然也是不合实际的，但是它占回归方程的比重很小因此可以不做处理。
8.2.2 后退逐步回归模型预测
2,000
4,000
6,000
8,000
10,000
12,000
80
82
84
86
8890
92
94
96
98
YF
± 2 S.E.
Forecast: YF Actual: Y
Forecast sample: 1980 1998Included observations: 19
Root Mean Squared Error 83.93419Mean Absolute Error 67.52228Mean Abs. Percent Error 1.320141Theil Inequality Coefficient 0.006654 Bias Proportion 0.000000 Variance Proportion 0.000259 Covariance Proportion 0.999741
分析：如图所示是后退逐步回归的模型预测，左边是预测图，两条细线表示预测值的两倍标准误差带，右边是有关预测的一些评价指标。从他的误差带我们可以看出回归模型同样较为精确，误差带紧随实际曲线变动，而却紧随的效果要比前进回归模型的要好，贴近实际曲线的效果也前进逐步回归模型的好，再从右边的评价指标RMSE 值为83.93419，MAE 值为67.52228，MAPE 值为1.320141,都比前进逐步回归模型的数值小，从而可以判定模型的预测能力比前进逐步回归模型的预测好，精度高。
第9章 多重共线性的诊断及消除
9.1 多重共线性的诊断
由于Eviews 软件无法对模型多重共线作出诊断，因此这里我们就用spss19.0软件对模型做共线性诊断，关键的输出结果见下表（限于篇幅就对表格做出调整，只输出关键的结果）。 模型 常量 X1
X2
X3 X4 X5 X6 X7 X8 VIF
61.091 413.32
6
133.04
4
947.996
329.438
182.413
416.185
701.380
分析：从表中的输出结果可以看出，8754,2,,,x x x x x 的方差扩大因子VIF 都很大，远远的超过了10，说明成品钢材需求量的回归方程存在着严重的多重共线性。又因为876543,21,,,,,,x x x x x x x x 的方差扩大因子都是大于10的，说明回归方程的多重共线性就是
由自变量间的多重共线性引起的。
分析：从条件数可以看到，最大的条件数668.4539 k ，说明自变量间存在严重的多重共线性，这一判断与上面的方差扩大因子法判断结果一致。表中的方差比例是按从小到大的顺序排列的，不是按自变量顺序排列的，这与方差扩大因子不同。在维数为9的时候，我
共线性诊断a
模型 维数 特征值 条件索引 方差比例
(常
量) x1 x2 x3 x4 x5 x6 x7 x8
1
1 8.321 1.000 .00 .00 .00 .00 .00 .00 .00 .00 .00
2 .659 3.55
3 .00 .00 .00 .00 .00 .00 .00 .00 .00 3 .011 27.458 .0
4 .00 .00 .01 .00 .00 .00 .01 .00 4 .004 43.444 .01 .00 .00 .00 .00 .00 .31 .08 .00
5 .003 57.552 .00 .00 .02 .04 .01 .00 .11 .0
6 .05 6 .001 106.541 .12 .26 .02 .08 .02 .00 .05 .00 .02
7 .000 157.92
8 .05 .07 .30 .05 .02 .00 .03 .50 .6
9 8 .000 213.430 .01 .02 .53 .39 .36 .03 .41 .01 .18 9 4.043E-5 453.668 .78
.65
.11
.43 .60 .97 .09 .35 .05
a. 因变量: y
们可以看到6521,,,x x x x 的系数都很快的增大要接近1，这也可以说明6521,,,x x x x 之间存在较强的多重共线性。
9.2 消除多重共线性
在前面多重共线性的诊断中我们看到4x 的方差扩大因子996.9474=VIF 为最大，因此剔除4x ，建立y 与87653,21,,,,,x x x x x x x 的回归方程。关键的输出结果见下表（限于篇幅就对表格做出调整，只输出关键的结果）。 模型 常量 X1
X2
X3 X5 X6 X7 X8 VIF
38.881 248.12
9
130.88
174.510
133.668
372.202
525.920
分析：从剔除了自变量4x 的回归模型中我们可以看到8x 的方差扩大因子920.5258=VIF 为最大，却远大于10，因此再剔除8x ，建立y 与7653,21,,,,x x x x x x 的回归
方程。关键的输出结果见下表（限于篇幅就对表格做出调整，只输出关键的VIF 结果）。 模型 常量 X1 X2 X3 X5 X6 X7 VIF
35.514
169.934
108.057
174.510
132.017
101.870
分析：从剔除了自变量84x x ，的回归系数表中我们可以看到5x 的方差扩大因子510.1745=VIF 为最大，却远大于10，因此再剔除5x ，建立y 与763,21,,,x x x x x 的回归方
程。相关输出结果如下： 模型 常量 X1 X2 X3 X6 X7 VIF
23.178
93.590
23.358
124.084
64.691
分析：从剔除了自变量584,,x x x 的回归系数表中我们可以看到6x 的方差扩大因子084.1246=VIF 为最大，还是远大于10，因此再剔除6x ，建立y 与73,21,,x x x x 的回归方程。
相关输出结果如下：
模型 常量 X1 X2 X3 X7 VIF
16.425
49.766
23.101
24.008
分析：从剔除了自变量6584,,,x x x x 的回归系数表中我们可以看到2x 的方差扩大因子
766.492=VIF 为最大，还是大于10，因此再剔除2x ，建立y 与731,,x x x 的回归方程。相
关输出结果如下：
模型 常量 X1 X3 X7 VIF
15.743
19.226
4.511
分析：从剔除了自变量26584,,,,x x x x x 的回归系数表中我们可以看到3x 的方差扩大因
子226.193=VIF 为最大，还是大于10，因此再剔除3x ，建立y 与71,x x 的回归方程。相关输出结果如下：
模型 常量 X1 X7 VIF
3.694
3.694
分析：从剔除了自变量326584,,,,,x x x x x x 的回归系数表中我们可以看到，剩下的自变量71,x x 的方差扩大因子分别为694.3,694.371==VIF VIF ，都是小于10的，而却回归系数也都有合理的社会经济解释，说明此回归模型不存在较强的多重共线性了，可以作为最终的回归模型。现在我们用Eviews 软件建立y 与71,x x 的回归模型：
Variable Coefficient Std. Error t-Statistic Prob.
C -2210.934 1272.616 -1.737314 0.1015 X1 0.439863 0.109724 4.008811 0.0010 X7 0.161103 0.018294 8.806406 0.0000 R-squared 0.972630 Mean dependent var
5742.518 Adjusted R-squared 0.969209 S.D. dependent var 2679.609 S.E. of regression 470.2027 Akaike info criterion 15.28814 Sum squared resid 3537450. Schwarz criterion 15.43727 Log likelihood -142.2374 Hannan-Quinn criter. 15.31338 F-statistic 284.2909 Durbin-Watson stat 0.568156 Prob(F-statistic) 0.000000
y 与71,x x 的回归方程为
71161103.0439863.0934.2210?x x y
++-= 由标准化的回归方程我们可以看到，对成品钢材需求量影响较大的事原油产量和居民消费，从社会经济角度来考虑，这是贴近人民生活的两个量，其中居民消费的系数较大，影响也就较大。从整体上来看，消除多重共线性影响后得回归方程更较为符合社会实际。
R-squared 0.972630
Adjusted R-squared 0.969209 F-statistic 284.2909 Prob(F-statistic) 0.000000
分析：从表中输出结果可以看出，Prob 即显著性P 值，
由2909.284=F ，P 值=0.000，可知此回归方程仍然具有高度的显著，即做出2个自变量整体对因变量y 产生显著线性影响的判断所犯错误的概率仅为0.000。再从剔除了自变量326584,,,,,x x x x x x 的新回归方程的
样本决定系数972630.02=R ，调整样本决定系数969209.02
=a R 。而y 对8个自变量的全模型的样本决定系数999009.02=R ，调整样本决定系数998215.02
=a R 。与全模型相比71161103.0439863.0934.2210?x x y
++-=的拟合优度仍然很高，并且回归系数有合理的经济解释。
第10章 回归模型总结
随着社会经济的不断发展，科学技术的不断进步，统计方法越来越成为人们必不可收的工具盒手段。应用回归分析是其中的一个重要分支，本着国家经济水平的不断提高，我们采用回归分析的方法对我国成品钢材的需求量进行分析应用。为了使分析的模型具有社会实际意义，我们引用了1980——1998年的成品钢材、原油、生铁、原煤、发电量、铁路货运量、固定资产投资额、居民消费、政府消费9个不同的量来进行回归分析。
通过问题分析及假设建立了初步多元线性回归，再借用Eviews 软件对数据进行了初步的预处理分析，得出数据符合做多元线性回归的要求。最后我们用Eviews 软件给各变量做了初等多元线性回归并得到了回归方程。我了更多的了解多元线性回归方程的特征，我们对回归方程进行了F 检验，T 检验，将通过T 检验的变量在建立回归方程分析。对于初等回归模型的稳定性，我们采用了Chow 断点检验和Chow 预测检验，最终检验出了模型是稳定的。然后又对初等模型否违背原假设做了异方差性检验，自相关性检验。异方差性的检验我们采用了作残差图和怀特检验法，很好的检验出了初等回归模型没有异方差性；自相关我们采用了DW 检验，最终检验出了初等模型有轻微的负自相关性。为了模型更贴近实际，我们又分别进行了前进逐步回归，后退逐步回归的分析，并对两种逐步回归做了模型预测，在两种逐步回归法得到的结论中我们发现采用后退逐步回归得到的回归模型比前进逐步回归得到的模型要好一些，更为接近预测值。并且在分析中我们发现了变量之间存在共线性，因此我们又进一步借助spss 软件对变量之间的多重共线性给了诊断，最后确定了确实存在多重共线性，从而又进一步对多重共线性给予了消除，重新建立了符合实际的线性回归方程。
eviews多元线性回归案例分析
中国税收增长的分析 一、研究的目的要求 改革开放以来，随着经济体制的改革深化和经济的快速增长，中国的财政收支状况发生了很大的变化，中央和地方的税收收入1978年为519.28亿元到2002年已增长到17636.45亿元25年间增长了33倍。为了研究中国税收收入增长的主要原因，分析中央和地方税收收入的增长规律，预测中国税收未来的增长趋势，需要建立计量经济学模型。 影响中国税收收入增长的因素很多，但据分析主要的因素可能有：（1）从宏观经济看，经济整体增长是税收增长的基本源泉。（2）公共财政的需求，税收收入是财政的主体，社会经济的发展和社会保障的完善等都对公共财政提出要求，因此对预算指出所表现的公共财政的需求对当年的税收收入可能有一定的影响。（3）物价水平。我国的税制结构以流转税为主，以现行价格计算的DGP等指标和和经营者收入水平都与物价水平有关。（4）税收政策因素。我国自1978年以来经历了两次大的税制改革，一次是1984—1985年的国有企业利改税，另一次是1994年的全国范围内的新税制改革。税制改革对税收会产生影响，特别是1985年税收陡增215.42%。但是第二次税制改革对税收的增长速度的影响不是非常大。因此可以从以上几个方面，分析各种因素对中国税收增长的具体影响。 二、模型设定 为了反映中国税收增长的全貌，选择包括中央和地方税收的‘国家财政收入’中的“各项税收”（简称“税收收入”）作为被解释变量，以放映国家税收的增长；选择“国内生产总值（GDP）”作为经济整体增长水平的代表；选择中央和地方“财政支出”作为公共财政需求的代表；选择“商品零售物价指数”作为物价水平的代表。由于税制改革难以量化，而且1985年以后财税体制改革对税收增长影响不是很大，可暂不考虑。所以解释变量设定为可观测“国内生产总值（GDP）”、“财政支出”、“商品零售物价指数” 从《中国统计年鉴》收集到以下数据 财政收入（亿元） Y 国内生产总值(亿 元） X2 财政支出（亿 元） X3 商品零售价格指 数（%) X4 1978519.283624.11122.09100.7 1979537.824038.21281.79102 1980571.74517.81228.83106
一元线性回归分析实验报告
一元线性回归在公司加班 制度中的应用 院(系): 专业班级: 学号姓名: 指导老师: 成 绩: 完成时间 :
一元线性回归在公司加班制度中的应用 一、实验目的 掌握一元线性回归分析的基本思想与操作,可以读懂分析结果,并写出回归方程,对回归方程进行方差分析、显著性检验等的各种统计检验 二、实验环境 SPSS21、0 windows10、0 三、实验题目 一家保险公司十分关心其总公司营业部加班的程度,决定认真调查一下现状。经10周时间,收集了每周加班数据与签发的新保单数目,x 为每周签发的新保单数目,y 为每周加班时间(小时),数据如表所示 y 3、5 1、0 4、0 2、0 1、0 3、0 4、5 1、5 3、0 5、0 1. 画散点图。 2. x 与y 之间大致呈线性关系？ 3. 用最小二乘法估计求出回归方程。 4. 求出回归标准误差σ∧ 。 5. 给出0 β∧ 与1 β∧ 的置信度95%的区间估计。 6. 计算x 与y 的决定系数。 7. 对回归方程作方差分析。 8. 作回归系数1 β∧ 的显著性检验。 9. 作回归系数的显著性检验。 10. 对回归方程做残差图并作相应的分析。 11. 该公司预测下一周签发新保单01000x =张,需要的加班时间就是多少？
12.给出0y的置信度为95%的精确预测区间。 13.给出 () E y的置信度为95%的区间估计。 四、实验过程及分析 1、画散点图 如图就是以每周加班时间为纵坐标,每周签发的新保单为横坐标绘制的散点图,从图中可以瞧出,数据均匀分布在对角线的两侧,说明x与y之间线性关系良好。 2、最小二乘估计求回归方程 系数a 模型非标准化系数标准系数t Sig、 B 的 95、0% 置信区间 B 标准误差试用版下限上限
《计量经济学》eviews实验报告一元线性回归模型详解
《计量经济学》实验报告一元线性回归模型 一、实验内容 （一）eviews 基本操作 （二）1、利用EViews 软件进行如下操作： （1）EViews 软件的启动 （2）数据的输入、编辑 （3）图形分析与描述统计分析 （4）数据文件的存贮、调用 2、查找2000-2014年涉及主要数据建立中国消费函数模型 中国国民收入与居民消费水平:表1 年份X（GDP）Y（社会消费品总量） 2000 99776.3 39105.7 2001 110270.4 43055.4 2002 121002.0 48135.9 2003 136564.6 52516.3 2004 160714.4 59501.0 2005 185895.8 68352.6 2006 217656.6 79145.2 2007 268019.4 93571.6 2008 316751.7 114830.1 2009 345629.2 132678.4 2010 408903.0 156998.4 2011 484123.5 183918.6 2012 534123.0 210307.0 2013 588018.8 242842.8 2014 635910.0 271896.1 数据来源：https://www.360docs.net/doc/bc10859296.html, 二、实验目的 1.掌握eviews的基本操作。 2.掌握一元线性回归模型的基本理论，一元线性回归模型的建立、估计、检验及预测的方 法，以及相应的EViews软件操作方法。
三、实验步骤（简要写明实验步骤） 1、数据的输入、编辑 2、图形分析与描述统计分析 3、数据文件的存贮、调用 4、一元线性回归的过程 点击view中的Graph-scatter-中的第三个获得 在上方输入ls y c x回车得到下图
利用Eviews软件进行最小二乘法回归实例
例题中国居民人均消费支出与人均GDP（1978-2000），数据（例题1-2），预测，2001年人均GDP为4033.1元，求点预测、区间预测。（李子奈，p50）解答： 一、打开Eviews软件，点击主界面File按钮，从下拉菜单中选择Workfile。 在弹出的对话框中，先在工作文件结构类型栏（Workfile structure type）选择固定频率标注日期（Dated – regular frequency），然后在日期标注说明栏中（Date specification）将频率（Frequency）选为年度（Annual），再依次填入起止日期，如果希望给文件命名（可选项），可以在命名栏（Names - optional）的WF项填入自己选择的名称，然后点击确定。 此时建立好的工作文件如下图所示：
在主界面点击快捷方式（Quick）按钮，从下拉菜单中选空白数据组（Empty Group）选项。 此时空白数据组出现，可以在其中通过键盘输入数据或者将数据粘贴过来。 在Excel文件（例题1-2）中选定要粘贴的数据，然后在主界面中点击编辑（Edit）按钮，从下拉菜单中选择粘贴（Paste），数据将被导入Eviews软件。
将右侧的滚动条拖至最上方，可以在最上方的单元格中给变量命名。 二、估计参数 在主界面中点击快捷方式（Quick）按钮，从下拉菜单中选择估计方程（Estimate Equation） 在弹出的对话框中设定回归方程的形式。
在方程表示式栏中（Equation specification ），按照被解释变量（Consp ）、常数项（c ）、解释变量（Gdpp ）的顺序填入变量名，在估计设置（Estimation settings ）栏中选择估计方法（Method ）为最小二乘法（LS – Least Squares ），样本（Sample ）栏中选择全部样本（本例中即为1978－2000），然后点击确定，即可得到回归结果。 以上得到的回归结果可以表示为： 201.1190.3862(13.51)(53.47)Consp GDPP =+? 如果你试图关闭回归方程页面（或Eviews 主程序），这时将会弹出一个对话框，询问是否删除未命名的回归方程，如下图所示
Eviews处理多元回归分析操作步骤
Eviews处理多元回归分析操作步骤操作步骤 1. 建立工作文件 (1) 建立数据的exel电子表格 (2)将电子表格数据导入eviews File-open-foreign data as workfile，得到数据的Eviews工作文件和数据序列表。
2. 计算变量间的相关系数 在窗口中输入命令:cor coilfuture dow shindex nagas opec ueurope urmb，点击回车键，得到各序列之间的相关系数。结果表明Coilfuture数列与其他数列存在较好的相关关系。
3.时间序列的平稳性检验 (1)观察coilfuture序列趋势图 在eviews中得到时间序列趋势图，在quick菜单中单击graph，在series list对话框中输入序列名称coilfuture，其他选择默认操作。图形表明序列随时间变化存在上升趋势。 (2)对原序列进行ADF平稳性检验 quick-series statistics-unit root test，在弹出的series name对话框中输入需要检验的序列的名称，在test for unit root in 选择框中选择level，得到原数据序列的ADF检验结果，其他保持默认设置。
得到序列的ADF平稳性检验结果，检测值0.97大于所有临界值，则表明序列不平稳。以此方法，对各时间序列依次进行ADF检验，将检验值与临界值比较，发现所有序列的检验值均大于临界值，表明各原序列都是非平稳的。 (3)时间序列数据的一阶差分的ADF检验
quick-series statistics-unit root test，在series name对话框中输入需要检验的序列的名称，在test for unit root in 选择框中选择1nd difference，对其一阶差分进行平稳性检验，其他保持默认设置。 得到序列的ADF平稳性检验结果，检测值-7.8远小于所有临界值，则表明序列一阶差分平稳。以此方法，对各时间序列的一阶差分依次进行ADF检验，将检验值
多元线性回归预测模型论文
多元线性回归统计预测模型 摘要:本文以多元统计分析为理论基础，在对数据进行统计分析的基础上建立多元线性回归模型并对未知量作出预测,为相关决策提供依据和参考。重点介绍了模型中参数的估计和自变量的优化选择及简单应用举例。 关键词：统计学;线性回归;预测模型 一．引言 多元线性回归统计预测模型是以统计学为理论基础建立数学模型，研究一个随机变量Ｙ与两个或两个以上一般变量X 1,X ２，…,Xp 之间相依关系,利用现有数据,统计并分析，研究问题的变化规律，建立多元线性回归的统计预测模型,来预测未来的变化情况。它不仅能解决一些随机的数学问题,而且还可以通过建立适当的随机模型进而解决一些确定的数学问题,为相关决策提供依据和参考。 目前统计学与其他学科的相互渗透为统计学的应用开辟新的领域。并被广泛的应用在各门学科上,从物理和社会科学到人文科学，甚至被用来工业、农业、商业及政府部门。而多元线性回归是多元统计分析中的一个重要方法,被应用于众多自然科学领域的研究中。多元线性回归分析作为一种较为科学的方法,可以在获得影响因素的前提下，将定性问题定量化，确定各因素对主体问题的具体影响程度。 二.多元线性回归的基本理论 多元线性回归是多元统计分析中的一个重要方法，被广泛应用于众多自然科学领域的研究中。多元线性回归分析的基本任务包括:根据因变量与多个自变量的实际观测值建立因变量对多个自变量的多元线性回归方程；检验、分析各个自变量对因自变量的综合线性影响的显著性；检验、分析各个自变量对因变量的单纯线性影响的显著性，选择仅对因变量有显著线性影响的自变量，建立最优多元线性回归方程;评定各个自变量对因变量影响的相对重要性以及测定最优多元线性回归方程的偏离度等。由于多数的多元非线性回归问题都可以化为多元线性回归问题,所以这里仅讨论多元线性回归。许多非线性回归和多项式回归都可以化为多元线性回归来解决,因而多元线性回归分析有着广泛的应用。 2.1 多元线性回归模型的一般形式 设随机变量y 与一般变量12,, ,p x x x 线性回归模型为 01122...p p y x x x ββββε=+++++ （2.1） 模型中Ｙ为被解释变量(因变量）,而12,,,p x x x 是p 个可以精确测量并可控制的一般变 量，称为解释变量（自变量）。p ＝1时，(２.1)式即为一元线性回归模型，p 大于2时，(2.1)
案例分析报告(一元线性回归模型)
案例分析报告（2014——2015学年第一学期） 课程名称：预测与决策 专业班级：电子商务1202 学号： 2204120202 学生姓名：陈维维 2014 年 11月
案例分析（一元线性回归模型） 我国城镇居民家庭人均消费支出预测 一、研究目的与要求 居民消费在社会经济的持续发展中有着重要的作用，居民合理的消费模式和居民适度的消费规模有利于经济持续健康的增长，而且这也是人民生活水平的具体体现。从理论角度讲，消费需求的具体内容主要体现在消费结构上，要增加居民消费，就要从研究居民消费结构入手，只有了解居民消费结构变化的趋势和规律，掌握消费需求的热点和发展方向，才能为消费者提供良好的政策环境，引导消费者合理扩大消费，才能促进产业结构调整与消费结构优化升级相协调，才能推动国民经济平稳、健康发展。例如，2008年全国城镇居民家庭平均每人每年消费支出为11242.85元，最低的青海省仅为人均8192.56元，最高的上海市达人均19397.89元，上海是黑龙江的2.37倍。为了研究全国居民消费水平及其变动的原因，需要作具体的分析。影响各地区居民消费支出有明显差异的因素可能很多，例如，零售物价指数、利率、居民财产、购物环境等等都可能对居民消费有影响。为了分析什么是影响各地区居民消费支出有明显差异的最主要因素，并分析影响因素与消费水平的数量关系，可以建立相应的计量经济模型去研究。 二、模型设定 我研究的对象是各地区居民消费的差异。居民消费可分为城镇居民消费和农村居民消费，由于各地区的城镇与农村人口比例及经济结构有较大差异，最具有直接对比可比性的是城市居民消费。而且，由于各地区人口和经济总量不同，只能用“城镇居民每人每年的平均消费支出”来比较，而这正是可从统计年鉴中获得数据的变量。 所以模型的被解释变量Y选定为“城镇居民每人每年的平均消费支出”。 因为研究的目的是各地区城镇居民消费的差异，并不是城镇居民消费在不同时间的变动，所以应选择同一时期各地区城镇居民的消费支出来建立模
用eviews进行一元线性回归分析实施报告
天津外国语大学国际商学院本科生课程论文（设计） 题目：一元回归分析居民收入和支出的关系姓名： 学号： 专业： 年级： 班级： 任课教师： 2014 年 4 月
内容摘要 随着本文中的收集数据参考了中国统计年鉴以及书本《计量经济学》中的相关统计结果，对我国各地区城镇居民家庭人均全年可支配收入与人均全年消费性支出进行分析。利用EVIEWS软件对计量模型进行参数评估和检验，最终得出相关结论。 关键词：居民消费；居民收入；EVIEWS；一元回归分析
目录 一、引言 (1) （一）研究背景 (1) （二）研究意义 (1) 二、研究综述 (2) （一）模型设定 (2) 1.定义变量 (2) 2.数据来源 (2) （二）作散点图 (3) 三、估计参数 (4) （一）操作步骤 (4) （二）回归结果 (4) 四、模型检验 (5) （一）经济意义检验 (5) （二）拟合优度和统计检验 (5) （三）回归预测 (5) 五、结论 (5) 参考文献： (6)
一元回归分析居民收入与支出的关系 一、引言 （一）研究背景 随着近年来我国成为世界第二大经济体，居民的高生活水平也日益显著。我国人口正在高速城镇化，2011年中国大陆城镇人口为69079万人，城镇人口占总人口比重达到51.27％。因此城镇居民作为消费主体，研究城镇居民人均可支配收入以及人均可支配消费性支出之间的关系，可以有效的了解到我国各地区的人民生活水平以及经济状况，因此能更好的的带动我国GDP的飙升，改善居民的生活水平。 （二）研究意义 居民消费在社会经济的持续发展中有着重要的作用。居民合理的消费模式和居民适度的消费规模有利于经济持续健康的增长，而且这要是人民生活水平的具体体现。改革开饭以来随着中国经济的快速发展，人民生活水平不断提高，居民的消费水平也不断增长。但是在看到这个整体趋势的同时，还应看到全国各地区经济发展速度不同，居民消费水平也有明显差异。例如，2007年的城市居民家庭平均每人每年消费支出，最高的是上海市达人均20667.91元，最低的则是新疆，人均只有8871.27元，上海是新疆的2.33倍。为了研究全国居民消费水平及其变动的原因，需要做具体的
一元线性回归分析实验报告
一元线性回归在公司加班制度中的应用 院（系）： 专业班级： 学号姓名： 指导老师： 成绩： 完成时间：
一元线性回归在公司加班制度中的应用 一、实验目的 掌握一元线性回归分析的基本思想和操作，可以读懂分析结果，并写出回归方程，对回归方程进行方差分析、显著性检验等的各种统计检验 二、实验环境 SPSS21.0 windows10.0 三、实验题目 一家保险公司十分关心其总公司营业部加班的程度，决定认真调查一下现状。经10周时间，收集了每周加班数据和签发的新保单数目，x 为每周签发的新保单数目，y 为每周加班时间（小时），数据如表所示 y 3.5 1.0 4.0 2.0 1.0 3.0 4.5 1.5 3.0 5.0 2. x 与y 之间大致呈线性关系？ 3. 用最小二乘法估计求出回归方程。 4. 求出回归标准误差σ∧ 。 5. 给出0 β∧与1 β∧ 的置信度95%的区间估计。 6. 计算x 与y 的决定系数。 7. 对回归方程作方差分析。 8. 作回归系数1 β∧ 的显著性检验。 9. 作回归系数的显著性检验。 10.对回归方程做残差图并作相应的分析。
11.该公司预测下一周签发新保单01000 x=张，需要的加班时间是多少？ 12.给出0y的置信度为95%的精确预测区间。 13.给出 () E y的置信度为95%的区间估计。 四、实验过程及分析 1.画散点图 如图是以每周加班时间为纵坐标，每周签发的新保单为横坐标绘制的散点图，从图中可以看出，数据均匀分布在对角线的两侧，说明x和y之间线性关系良好。 2.最小二乘估计求回归方程
用SPSS 求得回归方程的系数01,ββ分别为0.118,0.004，故我们可以写出其回归方程如下： 0.1180.004y x =+ 3.求回归标准误差σ∧ 由方差分析表可以得到回归标准误差：SSE=1.843 故回归标准误差： 2= 2SSE n σ∧-，2σ∧=0.48。 4.给出回归系数的置信度为95%的置信区间估计。 由回归系数显著性检验表可以看出，当置信度为95%时：
使用eviews做线性回归分析
使用eviews做线性回归分析 关键字: linear regression Glossary: ls(least squares)最小二乘法 R-sequared样本决定系数（R2）：值为0-1，越接近1表示拟合越好，>0.8认为可以接受，但是R2随因变量的增多而增大，解决这个问题使用来调整 Adjust R-seqaured() S.E of regression回归标准误差 Log likelihood对数似然比：残差越小，L值越大，越大说明模型越正确Durbin-Watson stat：DW统计量，0-4之间 Mean dependent var因变量的均值 S.D. dependent var因变量的标准差 Akaike info criterion赤池信息量(AIC)（越小说明模型越精确） Schwarz ctiterion:施瓦兹信息量（SC）（越小说明模型越精确） Prob(F-statistic)相伴概率 fitted(拟合值) 线性回归的基本假设： 1.自变量之间不相关 2.随机误差相互独立，且服从期望为0，标准差为σ的正态分布 3.样本个数多于参数个数 建模方法: ls y c x1 x2 x3 ... x1 x2 x3的选择先做各序列之间的简单相关系数计算，选择同因变量相关系数大而自变量相关系数小的一些变量。模型的实际业务含义也有指导意义，比如 m1同gdp肯定是相关的。 模型的建立是简单的，复杂的是模型的检验、评价和之后的调整、择优。 模型检验： 1）方程显著性检验（F检验）：模型拟合样本的效果，即选择的所有自变量对因变量的解释力度 F大于临界值则说明拒绝0假设。 Eviews给出了拒绝0假设(所有系统为0的假设)犯错误(第一类错误或α错误)的概率(收尾概率或相伴概率)p值，若p小于置信度(如0.05)则可以拒绝0假设，即认为方程显著性明显。 2）回归系数显著性检验（t检验）：检验每一个自变量的合理性 |t|大于临界值表示可拒绝系数为0的假设，即系数合理。t分布的自由度为 n-p-1,n为样本数，p为系数位置
线性回归模型的研究毕业论文
线性回归模型的研究毕业论文 1 引言 回归分析最早是由19世纪末期高尔顿（Sir Francis Galton）发展的。1855年，他发表了一篇文章名为“遗传的身高向平均数方向的回归”，分析父母与其孩子之间身高的关系，发现父母的身高越高或的其孩子也越高，反之则越矮。他把儿子跟父母身高这种现象拟合成一种线性关系。但是他还发现了个有趣的现象，高个子的人生出来的儿子往往比他父亲矮一点更趋向于平均身高，矮个子的人生出来的儿子通常比他父亲高一点也趋向于平均身高。高尔顿选用“回归”一词，把这一现象叫做“向平均数方向的回归”。于是“线形回归”的术语被沿用下来了。 回归分析中，当研究的因果关系只涉及因变量和一个自变量时，叫做一元回归分析；当研究的因果关系涉及因变量和两个或两个以上自变量时，叫做多元回归分析。此外，回归分析中，又依据描述自变量与因变量之间因果关系的函数表达式是线性的还是非线性的，分为线性回归分析和非线性回归分析。按照参数估计方法可以分为主成分回归、偏最小二乘回归、和岭回归。 一般采用线性回归分析，由自变量和规定因变量来确定变量之间的因果关系，从而建立线性回归模型。模型的各个参数可以根据实测数据解。接着评价回归模型能否够很好的拟合实际数据；如果不能够很好的拟合，则重新拟合；如果能很好的拟合，就可以根据自变量进行下一步推测。 回归分析是重要的统计推断方法。在实际应用中，医学、农业、生物、林业、金融、管理、经济、社会等诸多方面随着科学的发展都需要运用到这个方法。从而推动了回归分析的快速发展。 2 回归分析的概述 2.1 回归分析的定义 回归分析是应用极其广泛的数据分析方法之一。回归分析（regression analysis)是确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法。 2.2 回归分析的主要容
基于多元线性回归模型的影响居民消费水平相关因素分析
计量分析软件课程论文 论文题目：基于多元线性回归模型的影响居民消费 水平相关因素分析 姓名：学号： 学院：专业： 联系电话： 年月日 基于多元线性回归模型的影响居民消费 水平相关因素分析 一、研究背景 中国GDP总量超越日本，成为仅次于美国的第二大经济体，但我国人均GDP 依然很低，全球排名87位，这很大程度上制约了居民消费水平的提高。到2020年实现全面建成小康社会的目标，十八大明确提出提高居民人均收入和人均消费水平，共享改革开放成果。我国居民消费水平在改革开放后有了很大提高，但消费水平依然很低，消费量占GDP比重依然很小。为此，本文旨在根据全国经济宏观政策、国内生产总值、职工平均工资指数、城镇居民消费价格指数、普通中学及高等学校在校生数、卫生机构数和基本设施铁路公路货运量等因素的变化情况，来分析如何提高居民消费水平，以判断是否能使居民消费水平有很大的提高。本文通过对1978-2010年影响居民消费水平因素数据的分析，找到影响居民消费水平的主要原因，通过计量经济分析方法来建立合理的模型，探讨影响居民消费增长的长期趋势规律，并给政府提出合理的建议，以提高居民消费水平。 二、影响居民消费水平的因素 宏观经济模型) + GDP- + + =,经济发展应该紧紧抓住消费这一 I (M C X G 驾马车，而居民消费水平的高低受制于多种因素。凯恩斯消费理论认为居民消费主要受收入影响，我国居民消费一直很低，消费意愿不强，本文通过计量分析找
到影响我国居民消费水平的主要因素，从根本上改善消费不足,促进我国经济的持续稳定健康发展。 消费分为居民消费和，居民消费包括农村居民消费和城镇居民消费。本文结合居民消费水平的影响因素，列出了国内生产总值、职工平均工资指数、城镇居民消费价格指数、普通中学及高等学校在校生数、卫生机构数和基本设施铁路公路货运量等相关因素，进行计量分析,得到回归模型。 三、居民消费水平模型的总体分析框架 （1）多元线性回归法OLS 概述[1] 回归分析是计量经济分析中使用最多的方法，在现实问题研究中，因变量往往受制于多个经济变量的影响，通过统计资料，根据多个解释变量的最优组合来建立回归方程预测被解释变量的回归分析称为多元线性回归法。其模型基本形式为： 其中0β、1β、2β、3β…k β是1+k 个未知参数，称为多元回归系数。Y 称为被解释变量，t X 1、t X 2、t X 3…kt X 是k 个可以精确测量和可控的一般解释变量， t μ是随机误差项。当2≥k 时，上式为多元线性回归模型。 （2）多元回归模型的建立 定义被解释变量和解释变量，被解释变量为居民消费水平(Y 元)，解释变量为国内生产总值(1X 亿元)、职工平均工资指数(2X )、城镇居民消费价格指数(3X )、普通中学及高等学校在校生数(4X 万人)、卫生机构数(5X 个)和基本设施铁路公路货运量(6X 万吨)。 （3）统计数据选取 本文所有数据均来自中国统计局和中国统计局外网中国统计年鉴。[2] 1978 184 21261 169732 195301 1979 208 175142 382929 1980 238 180553 493327 1981 264 190126 471336 1982 288 193438 492737 1983 316 196017 520197
一元线性回归分析实验报告
. . . 一元线性回归在公司加班制度中的应用 院（系）： 专业班级： 学号姓名： 指导老师： 成绩： 完成时间：
一元线性回归在公司加班制度中的应用 一、实验目的 掌握一元线性回归分析的基本思想和操作，可以读懂分析结果，并写出回归方程，对回归方程进行方差分析、显著性检验等的各种统计检验 二、实验环境 SPSS21.0 windows10.0 三、实验题目 一家保险公司十分关心其总公司营业部加班的程度，决定认真调查一下现状。经10周时间，收集了每周加班数据和签发的新保单数目，x为每周签发的新保单数目，y为每周加班时间（小时），数据如表所示 2.x与y之间大致呈线性关系？ 3.用最小二乘法估计求出回归方程。 4.求出回归标准误差σ∧。 5.给出0β∧与1β∧的置信度95%的区间估计。 6.计算x与y的决定系数。 7.对回归方程作方差分析。 8.作回归系数1β∧的显著性检验。 9.作回归系数的显著性检验。 10.对回归方程做残差图并作相应的分析。 x=，需要的加班时间是多少？ 11.该公司预测下一周签发新保单01000
12.给出0y的置信度为95%的精确预测区间。 E y的置信度为95%的区间估计。 13.给出()0 四、实验过程及分析 1.画散点图 如图是以每周加班时间为纵坐标，每周签发的新保单为横坐标绘制的散点图，从图中可以看出，数据均匀分布在对角线的两侧，说明x和y之间线性关系良好。 2.最小二乘估计求回归方程
用SPSS 求得回归方程的系数01,ββ分别为0.118,0.004，故我们可以写出其回归方程如下： 0.1180.004y x =+ 3.求回归标准误差σ∧ ANOVA a 模型 平方和 自由度 均方 F 显著性 1 回归 16.682 1 16.682 72.396 .000b 残差 1.843 8 .230 总计 18.525 9 a. 因变量：y b. 预测变量：(常量), x 由方差分析表可以得到回归标准误差：SSE=1.843 故回归标准误差： 2= 2SSE n σ∧-，2σ∧=0.48。 4.给出回归系数的置信度为95%的置信区间估计。
相关分析和一元线性回归分析SPSS报告
相关分析和一元线性回归分析SPSS报告
用下面的数据做相关分析和一元线性回归分析： 选用普通高等学校毕业生数和高等学校发表科技论文数量做相关分析和一元线性回归分析。 一、相关分析 1.作散点图
普通高等学校毕业生数和高等学校发表科技论文数量的相关图 从散点图可以看出：普通高等学校毕业生数和高等学校发表科技论文数量的相关性很大。 2.求普通高等学校毕业生数和高等学校发表科技论文数量的相关系 数
把要求的两个相关变量移至变量中，因为都是定距数据，选择相关系数中的Pearson，点击确定，可以得到下面的结果：
Correlations 普通高等学校毕业生数(万人) 高等学校发表科技论文数量(篇) 普通高等学校毕业生数(万人) Pearson Correlation 1 .998** Sig. (2-tailed) .000 N 14 14 高等学校发表科技论文数量(篇) Pearson Correlation .998** 1 Sig. (2-tailed) .000 N 14 14 **. Correlation is significant at the 0.01 level (2-tailed). 两相关变量的Pearson相关系数=0.0998，表示呈高度正相关；相关系数检验对应的概率P值=0.000，小于显著性水平0.05，应拒绝原假设（两变量之间不具有相关性），即毕业生人数好发表科技论文数之间的相关性显著。 3.求两变量之间的相关性
选择相关系数中的全部，点击确定： Correlations (万人) (篇) Kendall's tau_b (万人) Correlation Coefficient 1.000 1.000** Sig. (2-tailed) . . N 14 14 (篇) Correlation Coefficient 1.000** 1.000 Sig. (2-tailed) . . N 14 14 Spearman's rho (万人) Correlation Coefficient 1.000 1.000** Sig. (2-tailed) . . N 14 14 (篇) Correlation Coefficient 1.000** 1.000 Sig. (2-tailed) . . N 14 14 **. Correlation is significant at the 0.01 level (2-tailed). 注解：两相关变量（毕业生数和发表论文数）的Kendall相关系数=1.000，呈正相关；无相关系数检验对应的概率P值，应接受原假设（两变量之间不具有相关性），即毕业生数与发表论文数之间相关性不显著。 两相关变量（毕业生数和发表论文数）的Spearman相关系数=1.000，呈正相关；无相关系数检验对应的概率P值，应接受原假设（两变量之间不具有相关性），即毕业生数与发表论文数之间相关性不显著。 4.普通高等学校毕业生数和高等学校发表科技论文数量的相关系数
Eviews处理多元回归分析操作步骤
操作步骤 1.建立工作文件 (1)建立数据的exel电子表格 （2）将电子表格数据导入eviews File-open-foreign data as workfile，得到数据的Eviews工作文件和数据序列表。
2.计算变量间的相关系数 在窗口中输入命令：cor coilfuture dow shindex nagas opec ueurope urmb，点击回车键，得到各序列之间的相关系数。结果表明Coilfuture数列与其他数列存在较好的相关关系。 3.时间序列的平稳性检验 （1）观察coilfuture序列趋势图 在eviews中得到时间序列趋势图，在quick菜单中单击graph，在series list对话框中输入序列名称coilfuture，其他选择默认操作。图形表明序列随时间变化存在上升趋势。
（2）对原序列进行ADF平稳性检验 quick-series statistics-unit root test，在弹出的series name对话框中输入需要检验的序列的名称，在test for unit root in 选择框中选择level，得到原数据序列的ADF检验结果，其他保持默认设置。
得到序列的ADF平稳性检验结果，检测值0.97大于所有临界值，则表明序列不平稳。以此方法，对各时间序列依次进行ADF检验，将检验值与临界值比较，发现所有序列的检验值均大于临界值，表明各原序列都是非平稳的。 （3）时间序列数据的一阶差分的ADF检验 quick-series statistics-unit root test，在series name对话框中输入需要检验的序列的名称，在test for unit root in 选择框中选择1nd difference，对其一阶差分进行平稳性检验，其他保持默认设置。
线性回归模型的研究毕业论文
毕业论文声明 本人郑重声明： 1．此毕业论文是本人在指导教师指导下独立进行研究取得的成果。除了特别加以标注地方外，本文不包含他人或其它机构已经发表或撰写过的研究成果。对本文研究做出重要贡献的个人与集体均已在文中作了明确标明。本人完全意识到本声明的法律结果由本人承担。 2．本人完全了解学校、学院有关保留、使用学位论文的规定，同意学校与学院保留并向国家有关部门或机构送交此论文的复印件和电子版，允许此文被查阅和借阅。本人授权大学学院可以将此文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本文。 3．若在大学学院毕业论文审查小组复审中，发现本文有抄袭，一切后果均由本人承担，与毕业论文指导老师无关。 4.本人所呈交的毕业论文，是在指导老师的指导下独立进行研究所取得的成果。论文中凡引用他人已经发布或未发表的成果、数据、观点等，均已明确注明出处。论文中已经注明引用的内容外，不包含任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究成果做出重要贡献的个人和集体，均已在论文中已明确的方式标明。 学位论文作者（签名）： 年月
关于毕业论文使用授权的声明 本人在指导老师的指导下所完成的论文及相关的资料（包括图纸、实验记录、原始数据、实物照片、图片、录音带、设计手稿等），知识产权归属华北电力大学。本人完全了解大学有关保存，使用毕业论文的规定。同意学校保存或向国家有关部门或机构送交论文的纸质版或电子版，允许论文被查阅或借阅。本人授权大学可以将本毕业论文的全部或部分内容编入有关数据库进行检索，可以采用任何复制手段保存或编汇本毕业论文。如果发表相关成果，一定征得指导教师同意，且第一署名单位为大学。本人毕业后使用毕业论文或与该论文直接相关的学术论文或成果时，第一署名单位仍然为大学。本人完全了解大学关于收集、保存、使用学位论文的规定，同意如下各项内容：按照学校要求提交学位论文的印刷本和电子版本；学校有权保存学位论文的印刷本和电子版，并采用影印、缩印、扫描、数字化或其它手段保存或汇编本学位论文；学校有权提供目录检索以及提供本学位论文全文或者部分的阅览服务；学校有权按有关规定向国家有关部门或者机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权大学可以将本学位论文的全部或部分内容编入学校有关数据 库和收录到《中国学位论文全文数据库》进行信息服务。在不以赢利为目的的前提下，学校可以适当复制论文的部分或全部内容用于学术活动。 论文作者签名：日期： 指导教师签名：日期：
本科毕业论文---基于多元线性回归模型对我国城镇居民家庭人均可支配收入的分析
应用回归分析 课程设计报告 课程：应用回归分析 题目：人均可支配收入的分析年级：11金统 专业：金融统计 学号： 姓名： 指导教师：
基于多元线性回归模型对我国城镇居民家 庭人均可支配收入的分析 摘要：收入分配和消费结构都是国民经济的重要课题居民消费的主要来源 是居民收入而消费又是拉动经济增长的重要因素。本文将通过多远统计分析方法对我国各地区城镇居民收入的现状进行分析。通过分析找出我国城镇居民收入特点及其中存在的不足。城镇居民可支配收入是检验我国社会主义现代化进程的一个标准。本文根据我国城镇居民家庭人均可支配收入为研究对象，选取可能影响我国城镇居民家庭人均可支配收入的城乡居民储蓄存款年底余额、城乡居民储蓄存款年增加额、国民总收入、职工基本就业情况、城镇居民家庭恩格尔系数(%)5个因素，运用多元线性回归分析建立模型，先运用普通最小二乘估计求回归系数再对方程进行异方差、自相关、和多重共线性诊断，用迭代法消除了自变量之间的自相关。对于多重共线性问题，先是用逐步回归和剔除变量的方法，最终转变为用方差扩大因子法城乡居民储蓄存款年增加额剔除城镇居民家庭恩格尔系数(%) 解决多重共线性，建立最终回归方程 432108.0039.0012.0470.5305x x x y +++-=∧ 标准化回归方程 ** 3*24108.0863.0031.0x x x y ++=∧ 以其探究最后进入回归方程的几个变量在影响城镇居民收入孰轻孰重，达到学习与生活结合的效果。分析出影响城镇居民收入的主要原因，并对模型联系实际进行分析，以供国家进行决策做参考。 关键词：多元线性回归 异方差 自相关 多重共线性 逐步回归 方差扩 大因子 （一）引言： 改革开放以来我国的国民经济增长迅速居民的收入水平也大幅提高但居
相关分析和一元线性回归分析SPSS报告
相关分析和一元线性回归分析S P S S报告 Document number：NOCG-YUNOO-BUYTT-UU986-1986UT
用下面的数据做相关分析和一元线性回归分析： 选用普通高等学校毕业生数和高等学校发表科技论文数量做相关分析和一元线性回归分析。 一、相关分析 1.作散点图 普通高等学校毕业生数和高等学校发表科技论文数量的相关图 从散点图可以看出：普通高等学校毕业生数和高等学校发表科技论文数量的相关性很大。 2.求普通高等学校毕业生数和高等学校发表科技论文数量的相关系数 把要求的两个相关变量移至变量中，因为都是定距数据，选择相关系数中的Pearson，点击确定，可以得到下面的结果： Correlations 普通高等学校毕业生数(万人) 高等学校发表科技论文数量(篇) 普通高等学校毕业生数(万人) Pearson Correlation 1 .998** Sig. (2-tailed) .000 N 14 14 高等学校发表科技论文数量(篇) Pearson Correlation .998** 1 Sig. (2-tailed) .000 N 14 14 **. Correlation is significant at the level (2-tailed). 两相关变量的Pearson相关系数=，表示呈高度正相关；相关系数检验对应的概率P值=，小于显着性水平，应拒绝原假设（两变量之间不具有相关性），即毕业生人数好发表科技论文数之间的相关性显着。 3.求两变量之间的相关性 选择相关系数中的全部，点击确定：
Correlations (万人) (篇) Kendall's tau_b (万人) Correlation Coefficient ** Sig. (2-tailed) . . N 14 14 (篇) Correlation Coefficient ** Sig. (2-tailed) . . N 14 14 Spearman's rho (万人) Correlation Coefficient ** Sig. (2-tailed) . . N 14 14 (篇) Correlation Coefficient ** Sig. (2-tailed) . . N 14 14 **. Correlation is significant at the level (2-tailed). 注解：两相关变量（毕业生数和发表论文数）的Kendall相关系数=，呈正相关；无相关系数检验对应的概率P值，应接受原假设（两变量之间不具有相关性），即毕业生数与发表论文数之间相关性不显着。 两相关变量（毕业生数和发表论文数）的Spearman相关系数=，呈正相关；无相关系数检验对应的概率P值，应接受原假设（两变量之间不具有相关性），即毕业生数与发表论文数之间相关性不显着。 4.普通高等学校毕业生数和高等学校发表科技论文数量的相关系数 将所求变量移至变量，将控制变量移至控制中，选中显示实际显着性水平，点击确定： Correlations 普通高等学校毕业生数(万人) 高等学校发表科技论文数量(篇) 普通高等学校毕业生数(万人) Pearson Correlation 1 .998** Sig. (2-tailed) .000 N 14 14 高等学校发表科技论文数量Pearson Correlation .998** 1
一元线性回归模型实验报告
山东轻工业学院实验报告成绩 课程名称：计量经济学指导教师：刘海鹰实验日期： 2012年4月9日 院（系）：商学院专业班级金融10-1 实验地点：机电楼B座5楼 学生姓名：张文奇学号： 201008021029 同组人无 实验项目名称：一元线性回归方程的预测 一、实验目的和要求 掌握利用 EViews 建立一元线性回归模型的方法，并且进行参数估计，对其结果进行相关分析以及未来形势的预测。 二、实验原理 一元线性回归模型的建立与参数估计及点预测、EViews 软件 三、主要仪器设备、试剂或材料 计算机、EViews 软件 四、实验方法与步骤 1、启动Eviews5软件，建立新的workfile. 在主菜单中选择【File】--【New】--【Workfile】,弹出Workfile Create对话框，在Workfile structure type中选择Dated-regular frequency，然后在Frequency 中选择annual，Start date中输入1980，End date中输入1998，点击OK按钮。 2、在主菜单上依次单击Quick→Empty Group。 3、建立一个空组，输入数据。 4、为每个时间序列取序列名。单击数据表中的SER01，在数据组对话框中的命令窗口输入该序列名称Y，回车后Yes。采用同样的步骤修改序列名X。数据输入操作完成。 5、数据输入完毕，单击工作文件窗口工具条的Save或单击菜单兰的File Save将数据存入磁盘,文件名为张文奇。 6、在主菜单上选Quick菜单，单击Estimate Equation项，屏幕出现Equation Specification估计对话框，在Estimation Settings中选OLS估计，即Least Squares，输入：Y C X（其中C为Eviews固定的截距项系数）。然后OK，出现方程窗口。Eviews的估计结果。如图一 7、单击工作文件框中Pros中的structure/resize current page，将样本空间从1980-1998扩展到1980-2000。然后编辑解释变量X。在Group数据框中输入变量X的1999年（1763元）和2000年（1863元）的数据。 8、在前面Equation对话框中选Forecast，将时间Sample定义在1980-2000，