计量经济学实验课报告
经济与管理学院实验报告教师评语：成绩：实验题目计量经济学一、实验目标1 熟悉Eviews软件的基本操作；2 掌握利用Eviews的窗口操作功能作散点图、相关系数矩阵、估计简单线性回归方程和多元回归方程等基本技能；3 学会使用Eviews软件作经济预测；4 通过自寻题目，锻炼分析问题和解决问题的能力；5 学会撰写实验报告。
二、实验环境1、已经正确安装Eviews软件。
2、中国统计年鉴网上查找相关资料三、实验过程实验一一元回归方程10月 9日题目：中国1978-2000年的财政收入Y和国内生产总值（GDP）的统计资料如下：要求，以手工和运用EViews软件（或其他软件）：（1）作出散点图，建立财政收入随国内生产总值变化的一元线性回归模型，并解释斜率的经济意义；（2）对所建立的回归模型进行检验；（3）若2001年中国国内生产总值为105709亿元，求财政收入的预测值步骤：1．点开 File → new → workfile，在“Workfile structure type”中选择dated-regular frequency ，起止年份为1978——2000，文件中的现成数据，复制、粘帖到数组表中。
2．散点图如下：y=556.6477+0.119807x，含义是GDP每增加1个单位，税收增加0.119807亿元。
4．点开 View →Actual, Fitted, Residual→Actual, Fitted, Residual Table5．实际值、拟合值（估计值）、残差，以及标准化残差图6．扩展样本范围7. 当X=105709时，得出Y的估计值8．预测值及置信区间的折线图练习：人口出生率、死亡率如下：单位：‰年份出生率y 死亡率x1996 16.98 6.561997 16.57 6.511998 15.64 6.501999 14.64 6.462000 14.03 6.452001 13.38 6.432002 12.86 6.41 2003 12.41 6.40 2004 12.29 6.42 2005 12.40 6.51 2006 12.09 6.81 2007 12.10 6.93 2008 12.14 7.06 2009 11.95 7.08 2010 11.90 7.11 2011 11.93 7.14 2012 12.10 7.15由图可知：线性回归方程为：y=32.89274 - 2.929576x实验二多元回归模型10月30日练习一：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，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。
税收收入（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（%)X41978 519.28 3645.2171122.09100.7 1979 537.82 4062.5791281.79102 1980 571.70 4545.6241228.83106 1981 629.89 4891.5611138.41102.4 1982 700.02 5323.3511229.98101.9 1983 775.59 5962.6521409.52101.5 1984 947.35 7208.0521701.02102.8 1985 2040.79 9016.0372004.25108.8 1986 2090.73 10275.182204.91106 1987 2140.36 12058.622262.18107.3 1988 2390.47 15042.822491.21118.5 1989 2727.40 16992.322823.78117.8 1990 2821.86 18667.823083.59102.1 1991 2990.17 21781.53386.62102.9 1992 3296.91 26923.483742.2105.4 1993 4255.30 35333.924642.3113.2 1994 5126.88 48197.865792.62121.70 1995 6038.04 60793.736823.72114.80 1996 6909.82 71176.597937.55106.10 1997 8234.04 78973.039233.56100.80 1998 9262.80 84402.2810798.1897.40 1999 10682.58 89677.0513187.6797.00 2000 12581.51 99214.5515886.598.50 2001 15301.38 109655.218902.5899.20 2002 17636.45 120332.722053.1598.70 2003 20017.31 135822.824649.9599.91 2004 24165.68 159878.328486.89102.81 2005 28778.54 184937.433930.28100.78 2006 34804.35 216314.440422.73101.03 2007 45621.97 265810.349781.35103.79 2008 54223.79 314045.462592.66105.90 2009 59521.59 340902.876299.9398.802010 73210.79 401512.8 89874.16 103.07 2011 89738.39 473104 109247.8 104.94 2012100614.28518942.1125953101.97建立多元回归模型和比较、筛选模型 模型一：Dependent Variable: Y Method: Least Squares Date: 01/09/13 Time: 09:09 Sample: 1978 2012 Included observations: 35Variable Coefficient Std. Error t-Statistic Prob. C -6697.797 3008.939 -2.225967 0.0334 X2 0.046620 0.009213 5.060277 0.0000 X3 0.616003 0.039892 15.44194 0.0000 X459.0251928.234822.0905110.0449R-squared 0.998810 Mean dependent var 18625.88 Adjusted R-squared 0.998695 S.D. dependent var 26645.51 S.E. of regression 962.7158 Akaike info criterion 16.68460 Sum squared resid 28731475 Schwarz criterion 16.86236 Log likelihood -287.9806 Hannan-Quinn criter. 16.74596 F-statistic 8671.463 Durbin-Watson stat 1.302606Prob(F-statistic)0.000000402519.593606003.0204662.0797.6697ˆX X X y +++-=t ＝(-2.225967) (5.060277) (15.44194) (2.090511)9988.02=R 9987.02=R 463.8671=F模型的计算结果表明，我国国内生产总值边际产出为0.04662，财政支出为0.606003，商品零售价格指数为59.02519.技术进步的影响使工国内生产总值平均每年递增0.04662亿元。
回归系数的符号和数值是较为合理的。
9988.02=R ，说明模型有很高的拟合优度，F 检验也是高度显著的，说明国内生产总值，财政支出，商品零售价格指数对税收收入的总影响是显著的。
从图看出，解释变量国内生产总值t 统计量值为5.060277，表明国内生产总值对税收收入的影响是显著的。
其他t 统计量值也都挺大的，所以都通过了显著性检验。
模型二：剔除x4时3626615.02043618.01821.429ˆX X y ++-=t ＝(-1.638358) (4.55894) (15.06337)998642.02=R 998557.02=R 83.11765=F从的结果看出，回归系数的符号和数值也是合理的。
国内生产总值边际为0.043618，财政支出为0.626615，表明这段时期财政支出的增加对我国税收收入影响最为明显。
模型2的拟合优度较模型1并无多大变化，F 检验也是高度显著的。
这里，解释变量、常数项的t 检验值有的比较大，显著性概率都小于0.05，因此模型1较模型2更为合理。
练习二：建立我国国有独立核算工业企业生产函数。
根据生产函数理论，生产函数的基本形式为：()ε,,,K L t f Y =。
其中，L 、K 分别为生产过程中投入的劳动与资金，1995 18 11867.43 4523 9879.57 1996 19 12426.82 4683 10970.69 1997 20 12631.51 4917 11256.18模型一 建立多元线性回归模型因此，生产函数为：K L t y 668104.0525154.06121.238936.3086ˆ+-+=t ＝(1.446) (2.4935) (-0.7777) (7.4677)9969.02=R 9963.02=R 68.1714=F模型的计算结果表明，我国国有独立核算工业企业的劳动力边际产出为0.525154，资金的边际产出为0.668104，技术进步的影响使工业总产值平均每年递增238.6121亿元。
回归系数的符号和数值是较为合理的。
9969.02=R ，说明模型有很高的拟合优度，F 检验也是高度显著的，说明职工人数L 、资金K 和时间变量t 对工业总产值的总影响是显著的。
从图看出，解释变量资金K 的t 统计量值为7.4677，表明资金对企业产出的影响是显著的。
但是，模型中其他变量的t 统计量值都较小，未通过检验。
模型二 建立剔除时间变量的二元线性回归模型；输入命令：LS Y C L K 。
回车得出：因此，我国国有独立工业企业的生产函数为：K L y 8642.00467.1123.1891ˆ++-=t ＝(-2.1875) (3.7804) (17.7267)9957.02=R 9951.02=R 629.1965=F从图的结果看出，回归系数的符号和数值是合理的。
《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-、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）200099776.339105.72001110270.443055.42002121002.048135.92003136564.652516.32004160714.459501.02005185895.868352.62006217656.679145.22007268019.493571.62008316751.7114830.12009345629.2132678.42010408903.0156998.42011484123.5183918.62012534123.0210307.02013588018.8242842.82014635910.0271896.1数据来源：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Isycx回车得到下图DependsntVariable:Y Method:LeastSquares□ate:03；27/16Time:20:18 Sample:20002014 Includedobservations:15VariableCoefficientStd.Errort-StatisticProb.C-3J73.7023i820.535-2.1917610.0472X0416716 0.0107S838.73S44 a.ooao R-squared0.991410 Meandependentwar119790.2 AdjustedR.-squared 0.990750 S.D.dependentrar 7692177 S.E.ofregression 7J98.292 Akaike infocriterion20.77945 Sumsquaredresid 7；12E^-08 Scliwarz 匚「爬伽20.37386 Loglikelihood -1&3.3459Hannan-Quinncriter. 20.77845 F-statistic 1I3&0-435 Durbin-Watsonstat0.477498Prob(F-statistic)a.oooooo在上图中view 处点击view-中的actual ,Fitted ,Residual 中的第一 个得到回归残差打开Resid 中的view-descriptivestatistics 得到残差直方图/icw Proc Qtjject PrintN^me FreezeEstimateForecastStatsResids凹Group:UNIIILtD Worktile:UN III LtLJ::Unti1DependentVariablesMethod;LeastSquares□ate:03?27/16Time:20:27Sample(adjusted):20002014Includedobservations:15afteradjustmentsVariable Coefficient Std.Errort-Statistic ProtJ.C-3373.7023^20.535-2.191761 0.0472X0.4167160.01075S38.735440.0000R-squared0.991410 Meandependeniwar1-19790.3 AdjustedR-squa.red0990750S.D.dependentvar 76921.77 SE.ofregre.ssion 7J98.292 Akaike infacriterion20.77945 Sumsquaredresid 7.12&-0S Schwarzcriterion 20.S73S6 Laglikelihood -153.84&9Hannan-Quinncrite匚20.77545 F-statistic1I3&0.435Durbin-Watsonstat 0.477498 ProbCF-statistic) a.ooaooo在回归方程中有Forecast,残差立为yfse,点击ok后自动得到下图roreestYFM J訓YForea空巾取且:20002015 AdjustedSErmpfe:2000231i mskJddd obaerratire:15Roof kter squa red Error理l%2Mean/^oLteError畐惯啟iJean Afe.PereersErro r5.451SSQThenhe鼻BI附GKWCE口.他腐4Prop&niwi□ooooooVactaree Propor^tori0.001^24G M『倚■底Props^lori09®475在上方空白处输入lsycs…之后点击proc中的forcase根据公式Y。
计量经济学实验报告及心得体会
从回归估计的结果来看，D.W= 1.931058模型拟合较好。可决系数R=0.901826，表明城镇居民人均消费支出的变化的90.1826%可由人均可支配收入的变化来解释。从斜率项的t检验值来看，大于5%显著性水平下自由度为n-2=29的临界值t（29）=2.05，且该斜率值满足0<0.674007<1,符合经济理论中边际消费倾向在0与1之间的绝对收入假说
【实验软件】EVIEWS软件
【实验要求】选择方程建立一元线性回归方程，做散点图，并进行一元线性回归分析，经济，拟合优度，参数显著性，和方程显著性等检验。
【实验过程】
1.普通最小二乘法估计：
(1)启用EVIEWS软件→file→new→workfile,选择“workfile frequeney”的类型为“undated or irreqular”，在“start date”中输入“1”，在“end date”中输入“31”，单击“ok”。
.【实验小结】
（1）建立模型：本例中我们假设拟建立如下一元回归模型：Y=
Dependent Variable: Y
Method: Least Squares
Date:04/07/12Time:19:37
Sample: 1 31
Included observations: 31
Variable
Coefficient
【实验软件】EVIEWS软件
【实验要求】选择方程建立多元线性回归方程，并进行多元线性回归分析，经济，拟合优度，参数显著性，和方程显著性等检验。
《计量经济学》实验报告三
实验时间：2012-04-07系别：经济管理系专业班级：09国贸本一
学 号：姓名： 成 绩：
【实验名称】实验三p61课后习题一元回归分析及检验、预测
计量经济学实训报告
计量经济学实训报告一、实验设计：本次实验是基于计量经济学的理论知识和方法，通过对已有的数据进行回归分析，验证理论假设的可行性。
实验的目的是了解计量经济学在实际应用中的重要性，以及掌握回归分析等基本方法。
二、实验过程：1.数据收集：我们选择了一个包含多个变量的数据集，包括自变量和因变量，旨在通过回归模型来预测因变量的取值。
2.数据清洗：对收集到的数据进行清洗和预处理，包括处理缺失值、异常值等。
3.变量选择：根据计量经济学的原理和假设，选择适合的自变量和因变量，并对其进行初步的分析。
4.模型建立：根据选择的自变量和因变量，建立回归模型，并假设一些条件。
5.模型估计：利用统计软件对建立的回归模型进行估计和拟合，获得回归系数和拟合度等相关参数。
6.模型诊断与检验：对建立的回归模型进行诊断和检验，检查模型的拟合度和有效性。
7.结果分析：根据模型估计和检验结果，分析自变量对因变量的影响程度和显著性等，并解读模型。
三、实验结果：经过以上的实验过程和分析，我们得到了以下结论：1.自变量X对因变量Y的影响具有统计显著性；2.自变量X1对因变量Y的影响程度较大，而自变量X2的影响相对较小；3.拟合度较高，模型的解释能力较强。
四、实验感想：通过本次实验，我们深刻认识到计量经济学在实际问题中的重要性。
通过建立回归模型，我们可以对研究对象的变量关系进行实证分析，从而对问题进行解释和预测。
同时，我们也了解到了回归分析中的一些注意事项，如数据的选择和处理、模型的建立和检验等。
在今后的学习中，我们将进一步掌握和应用计量经济学的方法，提高对实际问题的分析和解决能力。
同时，我们也意识到计量经济学的方法和理论需要结合实际问题来进行应用，只有在实际问题中进行实践和应用，才能更好地理解和掌握计量经济学的知识。
计量经济实验报告多元(3篇)
第1篇一、实验目的本次实验旨在通过多元线性回归模型，分析多个自变量与因变量之间的关系，掌握多元线性回归模型的基本原理、建模方法、参数估计以及模型检验等技能，提高运用计量经济学方法解决实际问题的能力。
二、实验背景随着经济的发展和社会的进步，影响一个变量的因素越来越多。
在经济学、管理学等领域，多元线性回归模型被广泛应用于分析多个变量之间的关系。
本实验以某地区居民消费支出为例，探讨影响居民消费支出的因素。
三、实验数据本实验数据来源于某地区统计局，包括以下变量：1. 消费支出（Y）：表示居民年消费支出，单位为元；2. 家庭收入（X1）：表示居民家庭年收入，单位为元；3. 房产价值（X2）：表示居民家庭房产价值，单位为万元；4. 教育水平（X3）：表示居民受教育程度，分为小学、初中、高中、大专及以上四个等级；5. 通货膨胀率（X4）：表示居民消费价格指数，单位为百分比。
四、实验步骤1. 数据预处理：对数据进行清洗、缺失值处理和异常值处理，确保数据质量。
2. 模型设定：根据理论知识和实际情况，建立多元线性回归模型：Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + ε其中，Y为因变量，X1、X2、X3、X4为自变量，β0为截距项，β1、β2、β3、β4为回归系数，ε为误差项。
3. 模型估计：利用统计软件（如SPSS、R等）对模型进行参数估计，得到回归系数的估计值。
4. 模型检验：对估计得到的模型进行检验，包括以下内容：（1）拟合优度检验：通过计算R²、F统计量等指标，判断模型的整体拟合效果；（2）t检验：对回归系数进行显著性检验，判断各变量对因变量的影响是否显著；（3）方差膨胀因子（VIF）检验：检验模型是否存在多重共线性问题。
5. 结果分析：根据模型检验结果，分析各变量对因变量的影响程度和显著性，得出结论。
五、实验结果与分析1. 拟合优度检验：根据计算结果，R²为0.812，F统计量为30.456，P值为0.000，说明模型整体拟合效果较好。
计量经济学实验报告(一)
计量经济学实验报告(一)
一、实验背景
计量经济学实验是一种采用经济理论和方法来设计实验的经济研究方法。
经济实验的主要目的是检验经济理论，比如检验假设和改进预测。
它还可以用于定性评价和定量评价政策方案和市场动态，以及验证行为经济学理论。
二、实验内容
本次实验通过一组独立的在线调查来研究人们对收入分配政策的态度。
调查中，受访者被要求就14种不同的收入分配政策支持、反对和中立做出反应。
这14种收入分配政策包括财政公平政策、税收和补贴政策、劳动力市场政策和参与机会政策等。
以及根据态度的强度来改变互动形式，不同类型的回答有不同的加分，比如更强烈的支持会比中立的有更多分数。
三、实验结果
实验结果显示，在14种收入分配政策中，受访者大部分表示支持或者反对。
最受支持的是劳动力市场政策，而最受反对的是税收和补贴政策。
同时，实验还发现，这14种收入分配政策受实验者支持或反对的原因大部分是经济实惠：如果一个政策能够为普通大众带来经济实惠，这个政策很可能受到受访者的支持。
此外，一些政策因其有助于实现平等收入而受到支持。
四、实验结论
本次实验结论清楚地表明，受访者支持或反对收入分配政策跟经济实惠有关。
当人们普遍受益于收入分配政策时，他们很可能支持这种政策。
另外，实验还发现，有些政策受支持的原因还在于它们有助于实现平等收入的目的。
本次实验不仅对计量经济学的理论和方法提供了有价值的信息，而且还为构建经济实证提供了重要的参考意见。
可以认为，经过本次实验的进一步检验和优化，可以发现更详细、更准确的数据，以便进一步检验和发展计量经济学的理论与方法。
计量经济学实验报告_学习总结_总结汇报_实用文档
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⏹Y i=B1+B2X2i+B3X3i+B4X4i+B5X2i 2+B6X4i2+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(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GDP2)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。
计量经济学实验报告1(共6篇)
篇一：计量经济学实验报告 (1)计量经济学实验基于eviews的中国能源消费影响因素分析学院：班级：学号：姓名：基于e views的中国能源消费影响因素分析一、背景资料能源消费是指生产和生活所消耗的能源。
能源消费按人平均的占有量是衡量一个国家经济发展和人民生活水平的重要标志。
能源是支持经济增长的重要物质基础和生产要素。
能源消费量的不断增长，是现代化建设的重要条件。
我国能源工业的迅速发展和改革开放政策的实施，促使能源产品特别是石油作为一种国际性的特殊商品进入世界能源市场。
随着国民经济的发展和人口的增长，我国能源的供需矛盾日益紧张。
同时，煤炭、石油等常规能源的大量使用和核能的发展，又会造成环境的污染和生态平衡的破坏。
可以看出，它不仅是一个重大的技术、经济问题，而且以成为一个严重的政治问题。
在20世纪的最后二十年里，中国国内生产总值（gdp）翻了两番，但是能源消费仅翻了一番，平均的能源消费弹性仅为0.5左右。
然而自2002年进入新一轮的高速增长周期后，中国能源强度却不断上升，经济发展开始频频受到能源瓶颈问题的困扰。
鉴于此，研究能源问题不仅具有必要性和紧迫性，更具有很大的现实意义。
由于我国目前面临的所谓“能源危机”，主要是由于需求过大引起的，而我国作为世界上最大的发展中国家，人口众多，所需能源不可能完全依赖进口，所以，研究能源的需求显得更加重要。
二、影响因素设定根据西方经济学消费需求理论可知，影响消费需求的因素有：商品的价格、消费者收入水平、相关商品的价格、商品供给、消费者偏好以及消费者对商品价格的预期等。
对于相关商品价格的替代效应，我们认为其只存在能源品种内部之间，而消费者偏好及消费者对商品价格的预期数据差别较大，不容易进行搜集整理在此暂不涉及。
另外，发展经济学认为，来自知识、人力资本的积累水平所体现的技术进步不仅可以带动劳动产出的增长，而且会通过外部效应可以提高劳动力、自然资源、物质资本与生产要素的生产效率，消除其中收益递减的内在联系，带来递增的规模收益。
计量经济综合实验报告
一、实验背景随着经济全球化和信息技术的发展，计量经济学作为一门重要的应用经济学分支，在各个领域都得到了广泛的应用。
本实验旨在通过综合运用计量经济学方法，对某一经济问题进行实证分析，从而加深对计量经济学理论和方法的理解，提高实际操作能力。
二、实验目的1. 掌握计量经济学的基本理论和方法；2. 学会使用计量经济学软件（如EViews）进行数据处理和模型分析；3. 培养分析实际经济问题的能力；4. 提高论文写作和报告表达能力。
三、实验内容1. 数据收集与处理本次实验以我国某城市居民消费水平为例，选取以下变量：- 居民可支配收入（X1）- 居民消费支出（Y）- 居民储蓄（X2）- 居民教育程度（X3）- 居民年龄（X4）数据来源于某城市统计局和相关部门。
在收集数据后，对数据进行整理和清洗，确保数据质量和准确性。
2. 模型设定根据实际情况和理论依据，选择以下模型：Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + ε其中，Y为居民消费支出，X1为居民可支配收入，X2为居民储蓄，X3为居民教育程度，X4为居民年龄，β0为常数项，β1、β2、β3、β4分别为各变量的系数，ε为误差项。
3. 模型估计使用EViews软件对模型进行估计，得到以下结果：Y = 5.23 + 0.83X1 - 0.16X2 + 0.15X3 - 0.02X4 + ε4. 模型检验（1）残差分析：对残差进行检验，发现残差基本服从正态分布，不存在明显的异方差。
（2）自相关检验：对残差进行自相关检验，发现残差不存在自相关。
（3）拟合优度检验：计算R²值，得到R² = 0.89，说明模型拟合效果较好。
5. 模型解释根据模型结果，可以得出以下结论：（1）居民可支配收入对消费支出有显著的正向影响，即收入越高，消费支出越高。
（2）居民储蓄对消费支出有显著的负向影响，即储蓄越高，消费支出越低。
（3）居民教育程度对消费支出有显著的正向影响，即教育程度越高，消费支出越高。
计量经济学课程实验报告
计量经济学课程实验报告实验序号2实验名称Eviews的异方差检验与校正实验组别12模拟角色实验地点2教602指导老师刘冬萍实验日期11月29日实验时间16:05——17:45一、实验目的及要求学会使用计量学分析^p 软件Eviews的异方差检验与校正功能。
二、实验环境2教602,经管学院电脑实验室三、实验内容与步骤 ?DATA Y _SORT _1.生成相关图SCAT _ Y根据相关图随着_的增大Y的取值范围不断增大,所以方程存在异方差.2.方程的异方差检验（1）WHITE 检验建立回归模型 LS Y C _ Dependent Variable: Y Method: Least SquaresDate: 11/22/12 Time: 17:06 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C0.8594690.7090571.2121300.2411_0.0363400.0096333.7723930.0014R-squared0.441531Mean dependent var3.100000Adjusted R-squared0.410504S.D.dependent var2.255986S.E.of regression1.732115Akaike info criterion4.031203Sum squared resid54.09Schwarz criterion4.130776Log likelihood-38.31203F-statistic14.23095Durbin-Watson stat2.111232Prob(F-statistic)0.001395进行WHITE 检验White Heteroskedasticity Test: F-statistic6.172459Probability0.009656Obs_R-squared8.413667Probability0.014893Test Equation:Dependent Variable: RESID^2 Method: Least SquaresDate: 11/22/12 Time: 17:07 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C-0.8401623.268547-0.2570450.8002_0.0346910.0966160.3590620.7240_^20.0002590.4703750.6441R-squared0.420683Mean dependent var 2.70020__Adjusted R-squared 0.352528S.D.dependent var5.061699S.E.of regression4.072927Akaike info criterion 5.784082Sum squared resid 282.0085Schwarz criterion5.933442Log likelihood-54.84082F-statistic6.172459Durbin-Watson stat 2.196613Prob(F-statistic)Nr^2=8.413677 因为检验的P=0.014893小于0.05,所以存在异方差.(2) PARK检验LS Y C _Dependent Variable: YMethod: Least SquaresDate: 11/22/12 Time: 17:13Sle: 1 20Included observations: 20VariableCoefficientStd.Errort-StatisticProb.C0.8594690.7090571.2121300.2411_0.0363400.0096333.7723930.0014R-squared0.441531Mean dependent varAdjusted R-squared0.410504S.D.dependent var2.255986S.E.of regression1.732115Akaike info criterion 4.031203Sum squared resid54.09Schwarz criterion4.130776Log likelihood-38.31203F-statistic14.23095Durbin-Watson stat2.111232Prob(F-statistic)0.001395GENR E2=LOG(RESID2) GENR LN_=LOG(_)LS LNE2 C LN_ Dependent Variable: LNE2 Method: Least SquaresDate: 11/22/12 Time: 17:16 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C-7.6927982.272023-3.3858810.0033LN_1.8393580.5713163.2195140.0048R-squared0.365421Mean dependent var-0.465580Adjusted R-squared0.330167S.D.dependent var1.915506S.E.of regression1.567714Akaike info criterion3.831754Sum squared resid44.23911Schwarz criterion3.931327Log likelihood-36.31754F-statistic10.36527Durbin-Watson stat1.937606Prob(F-statistic)0.004754由上图可看出P分别为0.0033 ,0.0048,0.004754都是小概率事件,所以方程是显著的,表明随机误差项的方差随着解释变量的取值不同而不断变化,即存在异方差性.（3）GLEISER检验LS Y C _GENR E=ABS(RESID)eq \o\ac(○,1)GENR _1=_^0.5LS E C _1Dependent Variable: E1Method: Least SquaresDate: 11/28/12 Time: 13:14Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C-1.2504440.637839-1.9604370.0656_10.3265340.0812324.0197750.0008R-squared0.473046Mean dependent var1.192860Adjusted R-squared0.443771S.D.dependent var1.159531S.E.of regression0.864787Akaike info criterion2.641972Sum squared resid13.46141Schwarz criterion2.741545Log likelihood-24.41972F-statistic16.15859Durbin-Watson stat2.047999Prob(F-statistic)0.000804|e1|=-1.250444+0.326534_1^0.5 R^2=0.473046 F=16.15859 P= eq \o\ac(○,2)GENR _2=_^-2LS E C _2Dependent Variable: E Method: Least SquaresDate: 11/28/12 Time: 13:27 Sle: 1 20Included observations: 20 VariableCoefficientStd.t-StatisticProb.C1.6651230.3427744.8577860.0001_2-657.9505338.0359-1.9463920.0674R-squared0.173874Mean dependent var 1.192860Adjusted R-squared 0.127978S.D.dependent var1.159531S.E.of regression1.082794Akaike info criterion 3.091607Sum squared residSchwarz criterion3.191180Log likelihood-28.91607F-statistic3.788442Durbin-Watson stat1.454864Prob(F-statistic)0.067388|e2|=1.665123-657.9505_^-2R^2=0.173874 F=3.788442 P= eq \o\ac(○,3)GENR _3=_^2LS E C _3Dependent Variable: E Method: Least SquaresDate: 11/28/12 Time: 13:32 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C0.5805350.2376322.4430010.0251_30.0001132.67E-054.2339310.0005R-squared0.498972Mean dependent var 1.192860Adjusted R-squared 0.471138S.D.dependent var1.159531S.E.of regression0.843245Akaike info criterion 2.591520Sum squared resid 12.79911Schwarz criterion2.691093Log likelihood-23.91520F-statistic17.92617Durbin-Watson stat2.064289Prob(F-statistic)0.000499|e3|=0.580535+0.000113_4^2R^2=0.498972 F=17.92617 P=0.000499 eq \o\ac(○,4)GENR _4=_^-0,5LS E C _4Dependent Variable: EMethod: Least SquaresDate: 11/28/12 Time: 13:36Sle: 1 20Included observations: 20VariableCoefficientStd.Errort-StatisticProb.C3.4730600.7618054.5589870.0002_4-15.53960-3.1195030.0059R-squared0.350914Mean dependent var 1.192860Adjusted R-squared 0.314854S.D.dependent var1.159531S.E.of regression0.959785Akaike info criterion 2.850424Sum squared resid 16.58137Schwarz criterion2.949998Log likelihood-26.50424F-statistic9.731299Durbin-Watson stat 1.759756Prob(F-statistic)|e4|=3.473060-15.53960 _^-0.5 R^2=0.350914 F=9.731299 P= eq \o\ac(○,5)GENR _5=_^-1LS E C _5Dependent Variable: E Method: Least SquaresDate: 11/28/12 Time: 13:45 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C2.2657780.4628754.8950140.0001_5-45.8762517.27699-2.6553390.0161R-squared0.281461Mean dependent var1.192860Adjusted R-squared0.241542S.D.dependent var1.159531S.E.of regression1.009829Akaike info criterion2.952079Sum squared resid18.35560Schwarz criterion3.051653Log likelihood-27.52079F-statistic7.050824Durbin-Watson stat1.627325Prob(F-statistic)0.016106|e5|=2.265778-45.87625_^-1R^2=0.281461 F=7.050824 P=0.016106由以上的五个方程表明，利润函数存在异方差性（只要取显著水平a大于0.067388）3.WLS方法估计利润函数(1)利用最小二乘法估计模型LS Y C _Dependent Variable: Y Method: Least SquaresDate: 11/28/12 Time: 12:40 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C0.8594690.7090571.2121300.2411_0.0363400.0096333.7723930.0014R-squared0.441531Mean dependent var3.100000Adjusted R-squared0.410504S.D.dependent var2.255986S.E.of regression1.732115Akaike info criterion4.031203Sum squared resid54.09Schwarz criterion4.130776Log likelihood-38.31203F-statistic14.23095Durbin-Watson stat2.111232Prob(F-statistic)0.001395得到:y^=0.859469+0.036340_ R^2=0.441531 (0.0014)T=(1.212130) (3.772393 )(2)生成权数变量：根据帕克检验得到：Ls y c _Genr lne2=log(resid^2)Genr ln_=log(_)Ls lne2 c ln_Dependent Variable: LNE2 Method: Least SquaresDate: 11/28/12 Time: 12:56 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C-7.6927982.272023-3.3858810.0033LN_1.8393580.5713163.2195140.0048R-squared0.365421Mean dependent var-0.465580Adjusted R-squared0.330167S.D.dependent var1.915506S.E.of regression1.567714Akaike info criterion3.831754Sum squared resid44.23911Schwarz criterion3.931327Log likelihood-36.31754F-statistic10.36527Durbin-Watson stat1.937606Prob(F-statistic)0.004754LNEi^2=--7.692798+1.839358LN_ R^2=0.365421 进行戈里瑟检验LS Y C _GENR E=ABS(RESID)eq \o\ac(○,1)GENR _1=_^0.5LS E C _1Dependent Variable: E1 Method: Least SquaresDate: 11/28/12 Time: 13:14 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C-1.2504440.637839-1.9604370.0656_10.3265340.0812324.0197750.0008R-squared0.473046Mean dependent var1.192860Adjusted R-squared0.443771S.D.dependent var1.159531S.E.of regression0.864787Akaike info criterion2.641972Sum squared resid13.46141Schwarz criterion2.741545Log likelihood-24.41972F-statistic16.15859Durbin-Watson stat2.047999Prob(F-statistic)0.000804|e1|=-1.250444+0.326534_1^0.5 R^2=0.473046 F=16.15859 P= eq \o\ac(○,2)GENR _2=_^-2LS E C _2Dependent Variable: E Method: Least SquaresDate: 11/28/12 Time: 13:27 Sle: 1 20Included observations: 20Variable CoefficientStd.Errort-StatisticProb.C1.6651230.3427744.8577860.0001_2-657.9505338.0359-1.9463920.0674R-squared0.173874Mean dependent var 1.192860Adjusted R-squared 0.127978S.D.dependent var1.159531S.E.of regression1.082794Akaike info criterion3.091607Sum squared resid21.18Schwarz criterion3.191180Log likelihood-28.91607F-statistic3.788442Durbin-Watson stat1.454864Prob(F-statistic)0.067388|e2|=1.665123-657.9505_^-2R^2=0.173874 F=3.788442 P= eq \o\ac(○,3)GENR _3=_^2LS E C _3Dependent Variable: E Method: Least SquaresDate: 11/28/12 Time: 13:32 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C0.5805350.2376322.4430010.0251_30.0001132.67E-054.2339310.0005R-squared0.498972Mean dependent var 1.192860Adjusted R-squared 0.471138S.D.dependent var1.159531S.E.of regression0.843245Akaike info criterion 2.591520Sum squared resid 12.79911Schwarz criterionLog likelihood-23.91520F-statistic17.92617Durbin-Watson stat2.064289Prob(F-statistic)0.000499|e3|=0.580535+0.000113_4^2R^2=0.498972 F=17.92617 P=0.000499 eq \o\ac(○,4)GENR _4=_^-0,5LS E C _4Dependent Variable: EMethod: Least SquaresDate: 11/28/12 Time: 13:36Sle: 1 20Included observations: 20VariableCoefficientStd.Errort-StatisticProb.C3.4730600.7618054.558987_4-15.539604.981434-3.1195030.0059R-squared0.350914Mean dependent var 1.192860Adjusted R-squared 0.314854S.D.dependent var1.159531S.E.of regression0.959785Akaike info criterion 2.850424Sum squared resid 16.58137Schwarz criterion2.949998Log likelihood-26.50424F-statistic9.731299Durbin-Watson stat1.759756Prob(F-statistic)0.005921|e4|=3.473060-15.53960 _^-0.5 R^2=0.350914 F=9.731299 P= eq \o\ac(○,5)GENR _5=_^-1LS E C _5Dependent Variable: E Method: Least SquaresDate: 11/28/12 Time: 13:45 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C2.2657780.4628754.8950140.0001_5-45.8762517.27699-2.6553390.0161R-squared0.281461Mean dependent var1.192860Adjusted R-squared0.241542S.D.dependent var1.159531S.E.of regression1.009829Akaike info criterion2.952079Sum squared resid18.35560Schwarz criterion3.051653Log likelihood-27.52079F-statistic7.050824Durbin-Watson stat1.627325Prob(F-statistic)0.016106|e5|=2.265778-45.87625_^-1R^2=0.281461 F=7.050824 P=由上可得在戈里瑟检验里最显著的是：|e3|=0.580535+0.000113_4^2 R^2=0.498972 F=17.92617 P=所以取权数变量为 : GENR W1=1/_^1.839358GENR W2=_^2另外取：GENR W3=1/ABS(RESID)GENR W4=1/RESID^2（3）利用最小二乘法估计模型：模型一LS(W=W1) Y C _Dependent Variable: YMethod: Least SquaresDate: 11/28/12 Time: 14:00Sle: 1 20Included observations: 20Weighting series: W1VariableCoefficientStd.Errort-StatisticProb.C-0.6259810.318225-1.9671030.0648_0.0116496.1001610.0000Weighted Statistics R-squared0.573253Mean dependent var 1.734420Adjusted R-squared 0.549545S.D.dependent var0.940124S.E.of regression0.630973Akaike info criterion 2.011533Sum squared resid7.166292Schwarz criterion2.06Log likelihood-18.11533F-statistic24.17958Durbin-Watson statProb(F-statistic)0.000111Unweighted StatisticsR-squared-0.050320Mean dependent var3.100000Adjusted R-squared-0.108671S.D.dependent var2.255986S.E.of regression2.375406Sum squared resid.5659Durbin-Watson stat1.104724怀特检验的结果是White Heteroskedasticity Test: F-statistic0.986667Probability0.393Obs_R-squared2.080114Probability0.353435Test Equation:Dependent Variable: STD_RESID^2 Method: Least SquaresDate: 11/28/12 Time: 14:36 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C0.8994860.4380022.0536110.0557_-0.0146130.012947-1.1286980.2747_^26.64E-057.37E-050.9011740.3801R-squared0.104006Mean dependent var0.358315Adjusted R-squared-0.001405S.D.dependent var0.545410S.E.of regression0.545793Akaike info criterion1.764328Sum squared resid5.064137Schwarz criterion1.913688Log likelihood-14.64328F-statistic0.986667Durbin-Watson stat2.743143Prob(F-statistic)0.393得到估计结果Y^=-0.625981+0.071060_(0.318225) (6.100161)R^2=0.573253 NR^2=2.080114 P=0.393 模型二LS(W=W2) Y C _Dependent Variable: YMethod: Least SquaresDate: 11/28/12 Time: 14:12Sle: 1 20Included observations: 20Weighting series: W2VariableCoefficientStd.Errort-StatisticProb.C4.3789433.2559741.3448950.1954_0.0060140.0227010.2649070.7941Weighted StatisticsR-squared0.702288Mean dependent var 4.737844Adjusted R-squared 0.685748S.D.dependent var8.767922S.E.of regression4.915135Akaike info criterion 6.117155Sum squared resid 434.8540Schwarz criterion6.216728Log likelihood-59.17155F-statistic42.46109Durbin-Watson stat 2.705915Prob(F-statistic)0.000004Unweighted Statistics R-squared-0.428848Mean dependent var3.100000Adjusted R-squared-0.508229S.D.dependent var2.255986S.E.of regression2.770576Sum squared resid138.1696Durbin-Watson stat0.87进行怀特检验的结果是White Heteroskedasticity Test: F-statistic46.95441Probability0.000000Obs_R-squared16.93442Probability0.000210Test Equation:Dependent Variable: STD_RESID^2 Method: Least SquaresDate: 11/28/12 Time: 14:39 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C36.1706519.848121.8223720.0860_-1.6942460.586696-2.8877740.0102_^20.0166170.0033394.9760240.0001R-squared0.846721Mean dependent var21.74270Adjusted R-squared0.828688S.D.dependent var59.75546S.E.of regression24.73269Akaike info criterion9.391610Sum squared resid19.00Schwarz criterion9.540970Log likelihood-90.91610F-statistic46.95441Durbin-Watson stat2.837461Prob(F-statistic)0.000000得到结果是：Y^=4.378943+0.006014_(3.255974) (0.022701)R^2=0.702288 NR^2=16.93442 P=0.00000 模型三LS(W=W3) Y C _Dependent Variable: YMethod: Least SquaresDate: 11/28/12 Time: 14:19Sle: 1 20Included observations: 20 Weighting series: W3 VariableCoefficientStd.Errort-StatisticProb.C0.7076590.2082663.3978670.0032_0.0387920.0053887.20__1690.0000Weighted StatisticsR-squared0.945796Mean dependent var2.344549Adjusted R-squared0.942785S.D.dependent var2.209824S.E.of regression0.528582Akaike info criterion 1.657402Sum squared resid5.029181Schwarz criterion1.756975Log likelihood-14.57402F-statistic314.0812Durbin-Watson stat 1.849162Prob(F-statistic)0.000000Unweighted Statistics R-squared0.439521Mean dependent var 3.100000Adjusted R-squared 0.408383S.D.dependent var2.255986S.E.of regression1.735229Sum squared resid54.19836Durbin-Watson stat2.097049进行怀特检验得White Heteroskedasticity Test: F-statistic0.494755Probability0.618232Obs_R-squared1.100097Probability0.576922Test Equation:Dependent Variable: STD_RESID^2 Method: Least SquaresDate: 11/28/12 Time: 14:40 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C0.1819650.0821532.2149610.0407_0.0050.0024280.7558340.4601_^2-8.06E-061.38E-05-0.5831500.5674R-squared0.055005Mean dependent var 0.251459Adjusted R-squared-0.056171S.D.dependent var0.099611S.E.of regression0.102370Akaike info criterion-1.582959Sum squared resid0.178155Schwarz criterion-1.433599Log likelihood18.82959F-statistic0.494755Durbin-Watson stat2.096222Prob(F-statistic)0.618232Y^=0.707659+0.038792_(0.208266) (0.005388)R^2=0.945796 NR^2=1.100097 P=0.618232 模型四 LS(W=W4) Y C _Dependent Variable: YMethod: Least SquaresDate: 11/28/12 Time: 14:24Sle: 1 20Included observations: 20Weighting series: W4VariableCoefficientStd.Errort-StatisticProb.C0.5918930.1283534.6114400.0002_0.0429390.00409310.490560.0000Weighted Statistics R-squared0.994979Mean dependent var 2.087552Adjusted R-squared 0.994700S.D.dependent var4.277070S.E.of regression0.311364Akaike info criterion 0.598931Sum squared resid1.745056Schwarz criterion0.698505Log likelihood-3.989313F-statistic3567.168Durbin-Watson stat 2.173306Prob(F-statistic)0.000000Unweighted Statistics R-squared0.422958Mean dependent var 3.100000Adjusted R-squared 0.390900S.D.dependent var2.255986S.E.of regression1.760681Sum squared resid 55.79997Durbin-Watson stat 2.027424进行怀特检验的结果是White Heteroskedasticity Test: F-statistic0.851707Probability0.444108Obs_R-squared1.821500Probability0.402222Test Equation:Dependent Variable: STD_RESID^2 Method: Least SquaresDate: 11/28/12 Time: 14:42 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C0.2750730.1762821.5604170.1371_-0.0048390.005211-0.9285840.3661_^22.04E-052.97E-050.6876810.5009R-squared0.091075Mean dependent var 0.087253Adjusted R-squared-0.015857S.D.dependent var0.217943S.E.of regression0.219664Akaike info criterion -0.055951Sum squared resid0.820291Schwarz criterion0.093409Log likelihood3.559512。
计量经济学实验报告
计量经济学实验报告
标题：基于地区人民收入与犯罪率的实证分析
摘要：
本实验报告旨在使用计量经济学方法对地区的人民收入与犯罪率之间的关系进行实证分析。
通过收集该地区多年的相关数据，并建立合适的计量模型，我们得出了以下结论：在控制其他因素的情况下，人民收入对犯罪率具有显著的负向影响。
这一研究结果对相关当局在制定犯罪预防政策时具有重要的指导意义。
1.引言
犯罪问题一直是社会关注的焦点。
了解犯罪率的影响因素对改善社会治安具有重要的意义。
本实验以地区为例，通过实证分析人民收入对犯罪率的影响，希望为相关当局提供制定犯罪预防政策的参考。