计量经济模型选择分析报告
【精品】计量经济学实验报告(虚拟变量)
【精品】计量经济学实验报告(虚拟变量)一、研究背景本次计量经济学实验旨在探讨虚拟变量的运用，针对具体的数据集进行剖析，发掘出数据中存在的变量之间的相关性，进一步了解虚拟变量的性质和应用。
二、研究数据与模型本次实验所使用的数据主要来自于美国地区居民的生活经历与工作情况。
我们采用了线性回归模型来建立数据之间的相关性。
其中，自变量包括：年龄、性别、收入、婚姻状态、教育程度、是否有孩子和是否居住在城市；因变量为每周工作时间。
首先，我们运用SPSS对数据进行了初步的分析。
结果显示，数据存在了年龄、性别、收入、婚姻状态、教育程度、是否有孩子和是否居住在城市等多个变量。
其中，包括了虚拟变量。
我们选取了其中一个虚拟变量进行研究，即“是否有孩子”。
在该变量中，响应值为“是”、“否”，我们将其转换为虚拟变量，即0表示没有孩子，1表示有孩子。
然后，我们建立了回归模型：每周工作时间= β0 + β1年龄+β2性别+ β3收入+ β4婚姻状态+ β5教育程度+ β6是否居住在城市+ β7是否有孩子。
最后，我们选取了样本数据中的500个数据进行模型拟合，其中250条数据表示没有孩子，250条数据表示有孩子。
三、实验结果通过数据分析软件的运算，我们得出了模型拟合的结果。
模型拟合结果如下：从结果中我们可以看出，虚拟变量“是否有孩子”对于每周工作时间的影响显著，其系数为2.01，t值为4.8，显著性水平为0.01，说明儿童数量对于家长的工作时间有显著的影响。
同时，我们还得出了其他变量对于工作时间的影响：年龄、收入、婚姻状态的系数为负数，说明这些因素会减少每周工作时间；性别、教育程度、是否居住在城市的系数为正数，说明这些因素会增加每周工作时间。
四、结论通过本次实验，我们可以得出以下结论：1.虚拟变量是计量经济学中常见的方法之一，在处理定量变量与定性变量时能够有效的将其转换为数值变量。
2.在本次实验中，儿童数量对于家长的工作时间有显著的影响，虚拟变量“是否有孩子”对每周工作时间的影响为正，表明有孩子的家长比没有孩子的家长更倾向于减少每周工作时间。
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。
财政收入计量经济学模型分析
我国财政收入的计量经济学模型分析一、经济理论背景近几年来，中国经济保持了快速发展势头。
财政是同国家的产生和存在相联系。
国家为了维持自身的存在和发挥职能，必须消耗一定的社会产品。
但是，国家本身通常不直接从事生产活动，因而必须凭借自身拥有的政治权力，强制性地征收一部分社会产品，以满足各方面支出的需要。
这种国家的收入和支出就是财政，它是国家凭借政治权力而进行的社会产品的分配。
从这一概念的内容可以看出，财政是一种分配关系，是一种以国家为主体、在社会范围内集中性的分配关系。
这就是财政的本质。
我们选取了全国1978-2001年的财政收入，通过建立计量模型，运用计量分析方法对影响财政收入的各因素进行相关分析，找出其中关键影响因素，以为政策制定者提供一定参考，最终使财政收入成为促进中国经济发展的基石。
二、有关财政收入及其影响因素的理论我们主要从以下几个方面分析我国财政收入的影响因素：①税收税收是国家为实现其职能，凭借政治权力，按照法律规定，通过税收工具强制地、无偿地征参与国民收入和社会产品的分配和再分配取得财政收入的一种形式。
②国民生产总值gross national product（GNP）GNP是指一个国家（地区）所有常住机构单位在一定时期内（年或季）收入初次分配的最终成果。
③其他收入包括基本建设贷款归还收入、基本建设收入、捐赠收入等。
例如企业、个人的捐款，国际组织和别国政府的援助等。
④从业人数非农业就业人数为就业报告中的一个项目，该项目主要统计从事农业生产以外的职位变化情形。
非农就业人数主要是反映制造行业和服务行业的发展及其增长，数字减少便代表企业减低生产，经济步入萧条。
⑤进出口额是指一个国家（地区）与另一个国家（地区）之间的商品和劳务的交换。
这种贸易由进口和出口两个部分组成。
我们猜想财政收入的增加或减少与以上五个因素有关。
三、分析影响财政收入的目的和意义影响财政收的根本性因素济是经发展水平，所以只有大力发展经济，使经济持续稳定地增长，财政收入才能增加。
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。
计量经济学实验报告-LOGIT模型
41.18346
Avg. log likelihood
-0.586580
Obs with Dep=0
21
Total obs
32
Obs with Dep=1
11
根据上述结果，可以得出二元Logit模型结果为：
由二元Logit模型可得：
可知解释变量PSI的Z统计量较大且其相应的概率值比较小，这说明其在统计上是显著的，从而说明PSI对提高学生成绩有显著的影响。然而解释变量GPA，TUCE参数估计值相应的概率值较大，统计上不显著，说明这两个变量对提高学生成绩没有显著影响。
实验结果分析及讨论（续）
4.建立LOGIT模型如下：
Dependent Variable: GRADE
Method: ML - Binary Logit (Quadratic hill climbing)
Date: 11/21/21 Time: 11:32
Sample: 1 32
Included observations: 32
0.431326
0.6662
PSI
0.978639
0.474634
2.061882
0.0392
TUCE
-0.060202
0.059089
-1.018822
0.3083
Mean dependent var
0.343750
S.D. dependent var
0.482559
S.E. of regression
-20.48752
Hannan-Quinn criter.
1.435836
F-statistic
0.047317
计量经济学分析报告
摘要：本文利用我国1985年以来的统计数字建立了可以通过各种检验的居民消费价格的模型，对我国居民消费价格指数进行实证分析。
通过对该模型的经济含义分析得出各主要因素对我国居民消费价格指数的影响程度，并针对现状提出自己的一些建议。
关键词：居民消费价格指数城镇居民农村居民一、引言CPI是英文“Consumer Price Index”的缩写，直译为“消费者价格指数”，在我国通常被称为“居民消费价格指数”。
CPI的定义决定了其所包含的统计内容，那就是居民日常消费的全部商品和服务项目。
日常生活中，我国城乡居民消费的商品和服务项目种类繁多，小到针头线脑，大到彩电汽车，有数百万种之多，由于人力和财力的限制，不可能也没有必要采用普查方式调查全部商品和服务项目的价格，世界各国都采用抽样调查方法进行调查。
作为学经济的本科阶段的学生，我们所理解的并不彻底，我们所能涉及的范围也很小，所以借由国家统计数据做以下分析，促使我们更好的掌握专业知识，了解国情，提高我们实际操作水平和理论联系实际、发现问题、分析问题、解决问题的能力。
二、影响因素的分析居民消费价格指数是反映一定时期内居民消费价格变动趋势和变动程度的相对数。
居民消费价格指数分为食品、衣着、家庭设备及用品、医疗保健、交通和通讯、娱乐教育和文化用品、居住、服务项目等八个大类。
国家规定325种必报商品和服务项目，其中，一般商品273种，餐饮业食品16种，服务项目36种。
该指数是综合了城市居民消费价格指数和农民消费价格指数计算取得。
利用居民消费价格指数，可以观察和分析消费品的零售价格和服务人格变动对城乡居民实际生活费支出的影响程度。
下面主要介绍一下城镇居民消费价格指数、农村居民消费价格指数、城镇居民人均消费价格支出、农村居民人均消费支出的影响：1、城镇居民消费价格指数（y1）2、农村居民消费价格指数（y2）3、城镇居民人均消费支出（x1）4、农村居民人均消费支出（x2）5、其他因素（用随机变量u来处理）三、模型：1、本文模型数据样本从1985—2006年：Y居民消费价格指数Y1城镇居民消费价格指数Y2农村居民消费价格指数X1 城镇居民人均消费支出X2农村居民人均消费支出年份1985 109.3 111.9 107.6 765 3491986 106.5 107 106.1 872 3781987 107.3 108.8 106.2 998 421 1988 118.8 120.7 117.5 1311 509 1989 118 116.3 119.3 1466 549 1990 103.1 101.3 104.5 1596 560 1991 103.4 105.1 102.3 1840 602 1992 106.4 108.6 104.7 2262 688 1993 114.7 116.1 113.7 2924 805 1994 124.1 125 123.4 3852 1038 1995 117.1 116.8 117.5 4931 1313 1996 108.3 108.8 107.9 5532 1626 1997 102.8 103.1 102.5 5823 1722 1998 99.2 99.4 99 6109 1730 1999 98.6 98.7 98.5 6405 1766 2000 100.4 100.8 99.9 6850 1860 2001 100.7 100.7 100.8 7113 1969 2002 99.2 99 99.6 7387 2062 2003 101.2 100.9 101.6 7901 2103 2004 103.9 103.3 104.8 8679 2301 2005 101.8 101.6 102.2 9410 2560 2006 101.5 101.5 101.5 10359 28482、基于以上数据，建立一下模型：Y=β1+β2y1+β3y2+β4x1+β5x2+u ①检验各变量是否为y的格兰杰原因Y y1Pairwise Granger Causality Tests Date: 12/22/10 Time: 12:13 Sample: 1985 2006Lags: 2Null Hypothesis: Obs F-Statistic Prob.Y1 does not Granger Cause Y 20 4.56120 0.0283 Y does not Granger Cause Y1 3.37364 0.0617 P=0.0283<0.05 显著，y1是y的格兰杰原因Y y2Pairwise Granger Causality TestsDate: 12/22/10 Time: 12:13Sample: 1985 2006Lags: 2Null Hypothesis: Obs F-Statistic Prob.Y2 does not Granger Cause Y 20 3.86484 0.0443 Y does not Granger Cause Y2 5.07054 0.0208 P=0.0443<0.05 显著，y2是y的格兰杰原因Y x1Pairwise Granger Causality TestsDate: 12/22/10 Time: 12:13Sample: 1985 2006Lags: 2Null Hypothesis: Obs F-Statistic Prob.X1 does not Granger Cause Y 20 11.1781 0.0011 Y does not Granger Cause X1 2.80821 0.0921 P=0.0011<0.05 显著，x1是y的格兰杰原因Y x2Pairwise Granger Causality TestsDate: 12/22/10 Time: 12:13Sample: 1985 2006Lags: 2Null Hypothesis: Obs F-Statistic Prob.X2 does not Granger Cause Y 20 7.78739 0.0048Y does not Granger Cause X2 1.28602 0.3052P=0.0048<0.05 显著，x2是y的格兰杰原因经过格兰杰检验，4个解释变量均为y的格兰杰原因，可以作为解释变量②普通最小二乘法Dependent Variable: YMethod: Least SquaresDate: 12/22/10 Time: 12:25Sample: 1985 2006Included observations: 22Variable Coefficient Std. Error t-Statistic Prob.C -0.039682 0.405396 -0.097885 0.9232Y10.432584 0.010802 40.04835 0.0000 Y20.567086 0.010740 52.80087 0.0000 X1-9.56E-05 0.000104 -0.915566 0.3727X20.000357 0.000414 0.863621 0.3998R-squared 0.999884 Mean dependentvar 106.650AdjustedR-squared 0.999856 S.D. dependentvar 7.370388S.E. of regression 0.088378 Akaike infocriterion -1.817677Sum squaredresid 0.132781 Schwarz criterion -1.569713Log likelihood 24.99445 Hannan-Quinncriter. -1.759264F-statistic 36509.31 Durbin-Watsonstat 1.420561Prob(F-statistic) 0.000000由以上分析，初步建立模型为：Y=-0.039682+0.432584*y1+0.567086*y2-9.56*x1+0.000357 *x2R2的拟合程度为0.999884 F=36509.31③异方差的检验Ⅰ、white检验Heteroskedasticity Test: WhiteF-statistic 0.527426 Prob. F(14,7) 0.8540Obs*R-squared 11.29363 Prob.Chi-Square(14) 0.6628Scaled explainedSS 6.684989 Prob.Chi-Square(14) 0.9462Test Equation:Dependent Variable: RESID^2Method: Least Squares Date: 12/22/10 Time: 12:30 Sample: 1985 2006 Included observations: 22Variable Coefficient Std. Error t-Statistic Prob.C -0.793516 1.975576 -0.401663 0.6999Y1 0.010665 0.024387 0.437300 0.6751 Y1^2 0.000950 0.000831 1.144012 0.2902Y1*Y2 -0.001960 0.001686 -1.162006 0.2833Y1*X1 9.39E-06 1.67E-05 0.562184 0.5915Y1*X2 -3.22E-05 6.65E-05 -0.484229 0.6430Y2 -0.000172 0.035384 -0.004857 0.9963Y2^2 0.000972 0.000852 1.141293 0.2913Y2*X1 -4.95E-06 1.69E-05 -0.293341 0.7778Y2*X2 1.47E-05 6.91E-05 0.212909 0.8375X1 -0.000629 0.000692 -0.909063 0.3935X1^2 -4.47E-09 1.25E-07 -0.035782 0.9725X1*X2 1.39E-07 9.85E-07 0.141053 0.8918 X2 0.002533 0.002839 0.892048 0.4020X2^2 -4.71E-07 1.95E-06 -0.240981 0.8165R-squared 0.513347 Mean dependentvar 0.006035Adjusted R-squared -0.459959S.D. dependentvar 0.008698S.E. of regression 0.010510 Akaike infocriterion -6.054459 Sum squaredresid 0.000773 Schwarz criterion -5.310566Log likelihood 81.59905 Hannan-Quinncriter. -5.879220F-statistic 0.527426 Durbin-Watsonstat 3.341695Prob(F-statistic) 0.853973由于Obs*R-squared=11.29363>卡方0.05（5）=11.07，所以存在异方差，用加权最小二乘法消除异方差Ⅱ、加权最小二乘法消除异方差Dependent Variable: YMethod: Least SquaresDate: 12/22/10 Time: 12:37Sample: 1985 2006Included observations: 22Weighting series: WWeight type: Inverse standard deviation (EViews default scaling)Variable Coefficient Std. Error t-Statistic Prob.C -0.131244 0.136038 -0.964757 0.3482Y1 0.429947 0.002008 214.1169 0.0000 Y2 0.570375 0.002160 264.0622 0.0000X1 -0.000137 3.91E-05 -3.499721 0.0027X2 0.000517 0.000157 3.296181 0.0043 Weighted StatisticsR-squared 0.999989 Mean dependentvar 106.6536AdjustedR-squared 0.999986 S.D. dependentvar 129.1117S.E. of regression 0.027333 Akaike infocriterion -4.164758 Sum squaredresid 0.012700 Schwarz criterion -3.916794Log likelihood 50.81234 Hannan-Quinncriter. -4.106345F-statistic 384834.4 Durbin-Watsonstat 0.860182Prob(F-statistic) 0.000000 Weighted meandep. 106.0005 UnweightedStatisticsR-squared 0.999882 Mean dependentvar 106.6500AdjustedR-squared 0.999854 S.D. dependentvar 7.370388 S.E. of regression 0.089116 Sum squared resid 0.135010Durbin-Watsonstat 1.385850分析各变量是否存在相关性，并予以消除从上表（加权最小二乘法）的统计结果中可知，DW=0.860182 查表得DL=0.96 DU=1.80 0<DW<DL，所以，存在一介正自相关差分—消除Dependent Variable: DYMethod: Least SquaresDate: 12/22/10 Time: 12:50Sample (adjusted): 1986 2006Included observations: 21 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.C 0.004360 0.045369 0.096098 0.9246 DY10.425938 0.010577 40.27064 0.0000 DY20.572954 0.011062 51.79573 0.0000DX1-9.20E-05 0.000170 -0.540527 0.5963DX20.000367 0.000500 0.733528 0.4738 R-squared 0.999746 Mean dependent var -0.371429AdjustedR-squared 0.999683 S.D. dependent var 5.992507 S.E. of regression 0.106754 Akaike info criterion -1.432327 Sum squaredresid 0.182342 Schwarz criterion -1.183631 Log likelihood 20.03943 Hannan-Quinn criter. -1.378354F-statistic 15751.09 Durbin-Watson stat 2.05844 Prob(F-statistic) 0.000000由上表的统计结果可知：DW=2.05844，查表得DL=0.93 DU=1.81，DU<DW<4-DU，所以解释变量之间无自相关从上表中看得出：dx1的T统计结果是-0.540527，其绝对值小于T0.025（16）=2.120，且其系数符号与预期相反，这表明可能存在严重的多重共线性。
计量经济学报告
计量经济学报告计量经济学报告是指一种基于经济学原理和数学方法的研究报告，通常用于分析经济现象和制定经济政策。
它可以被应用于各种不同类型的问题，以帮助经济学家和政策制定者做出更准确和更明智的决策。
在这篇文章中，将讨论计量经济学报告的定义、重要性、应用以及撰写的步骤和技巧。
一、计量经济学报告的定义计量经济学报告是一种应用经济学模型和数据分析方法进行经济分析和预测的报告。
它的目的是通过解释和评估经济现象、预测经济变化和模拟政策效果来帮助决策者做出合理的决策。
计量经济学的基础是经济学、数学和统计学。
二、计量经济学报告的重要性计量经济学报告在现代经济学和政策制定中具有重要的作用。
计量经济学的方法可以帮助决策者了解影响经济现象的因素及其作用、预测未来经济变化、评估政策效果、制定合理政策和预防经济风险。
计量经济学报告可以为政府、企业、银行和投资机构等决策者提供基础性、战略性、政策性的信息，以支撑决策，提高经济效益和风险控制的效果。
三、计量经济学报告的应用计量经济学报告的应用广泛，其中包括但不限于以下几种类型的报告：1、宏观经济学报告：应用计量经济学模型，对整个经济体系进行分析，包括对GDP、通货膨胀、失业率、人口、贸易和政府支出等常规宏观经济指标的预测、影响因素研究和政策分析。
2、产业和市场报告：应用计量经济学方法，研究各个产业和市场，包括市场结构、价格变化、供需缺口和影响因素等。
3、金融报告：应用计量经济学分析方法，对利率、股市、外汇市场、信用评级和金融危机等问题进行研究，以支持决策者的投资和金融风险管理。
4、社会政策报告：通过计量经济学的研究方法，研究社会政策的实施，包括税收、社会保障、医疗保健和教育等问题，以支持这些政策的制定和改进。
四、计量经济学报告的撰写步骤1、研究问题：确定问题，定义研究范围，确定研究方法和数据来源。
2、数据分析：收集数据，运用计量方法分析数据，提取结论。
3、报告撰写：根据研究问题和数据分析，撰写报告，并说明研究方法、数据分析和结论。
计量经济实验报告多元
计量经济实验报告多元摘要本实验旨在通过多元分析方法，研究变量之间的关系以及各变量对目标变量的影响程度。
实验选取了一组相关变量，并运用多元回归模型进行了分析。
结果显示，在考虑其他变量的情况下，某一变量的显著性不再显著。
本实验验证了多元分析方法的有效性，并提供了一些预测和解释目标变量的参考。
引言多元分析是计量经济学中一种重要的分析方法，它可以帮助我们理解多个变量之间的关系以及各变量对目标变量的影响程度。
通过控制其他因素，我们可以确定某一变量在其他变量固定时的独立影响。
数据来源与处理我们选取了一组相关数据进行实验分析。
数据包括了自变量和因变量，其中自变量包括年龄、教育水平和工资等，因变量为生活满意度。
为了进行多元分析，我们对数据进行了标准化处理，以便消除量纲问题。
多元回归模型我们构建了一个多元回归模型，其中生活满意度为因变量，年龄、教育水平和工资为自变量。
模型的形式如下：生活满意度= β0 + β1 * 年龄+ β2 * 教育水平+ β3 * 工资+ ε其中，β0, β1, β2, β3分别为回归系数，ε为误差项。
模型分析与结果通过对模型的拟合分析，我们得到了如下结果：- 年龄对生活满意度的影响不显著，p值为0.45；- 教育水平对生活满意度的影响显著，p值为0.02；- 工资对生活满意度的影响显著，p值为0.01。
由此可见，教育水平和工资对生活满意度的影响是显著的，而年龄对生活满意度的影响并不显著。
结论与讨论本实验通过多元分析方法，研究了变量之间的关系以及各变量对目标变量的影响程度。
结果表明，在考虑其他变量的情况下，年龄对生活满意度的影响不再显著，教育水平和工资对生活满意度的影响是显著的。
本实验的结果可以为决策者提供一些指导，例如在提高生活满意度的策略中，可以更加重视提高教育水平和工资水平。
当然，本实验还存在一些局限性，首先是样本容量较小，因此结果的可靠性有待进一步验证。
其次，仅考虑了三个变量，其他可能的影响因素未被纳入考虑。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
关于计量经济模型选择问题的初探An Tentative Inquiry Into The Selection Of The Econometrical Models经济学院数理经济研究所2004级数量经济学专业硕士研究生鹏摘要：本文试图介绍计量经济学一些常用模型的函数形式，并且以计量软件SPSS作为分析工具，以拟合优度作为评判标准，来讨论最优的经济计量模型的选择问题。
关键字：计量经济模型，SPSS，拟合优度在研究经济变量之间的关系时，特别是初学者，通常首先想到的是选取线性回归模型。
这种做法虽然能把问题简单化，使之易于处理，甚至有时候能产生比较好的效果。
但总的来说，由于经济现象是纷繁复杂的，在很多情况下这么做，并不能比较准确地对客观经济的运行态势进行模拟。
在实际运用中，如果不问青红皂白地把所有计量模型的设定问题，都采用线性的形式，显然是行不通的。
比如把经济变量之间的非线性关系，直接用线性回归的方式去处理，这样得到的回归方程是无效的。
用它来进行经济分析、政策评价和经济预测，则没有丝毫价值，甚至带来负面影响。
为此我们必须根据实际问题进行具体分析，依据直觉和经验，建立与实际样本数据拟合较好的函数，再运用我们所学的知识进行参数估计和检验，使我们的成果与现实尽可能的接近。
本文试就对如何通过经济理论和经验，并借助计量软件进行模型的选择给予一般的说明。
一、计量经济学模型的主要几种函数形式。
（1）线性模型（Linear ）。
它的一般形式是：12y x ββ=+ （1）线性函数我们大家已经耳熟能详。
这里我们不作过多介绍。
（2）抛物线模型（Quadratic ）。
抛物线模型的一般形式为：212y x x βββ=++ （2）判断某种现象是否适合应用抛物线，可以利用“差分法”。
其步骤为：首先将样本观察值按x 的大小顺序排列，然后按以下两式计算x 和y 的一阶差分t x ∆、t y ∆以及y 的二阶差分2t y ∆。
（其中1t t t x x x -∆=-； 1t t t y y y -∆=-；21t t t y y y -∆=∆-∆）当t x ∆接近于一常数，而△2t y ∆的绝对值接近于常数时，Y 与X 之间的关系可以用抛物线模型近似加以反映。
（3）对数函数模型（Logrithmic ）。
对数函数是指数函数的反函数，其方程形式为：01ln y x ββ=+ （3）对数函数的特点是随着X 的增大，X 的单 位变动对因变量Y 的影响效果不断递减。
（4）立方模型（Cubic ）。
其一般形式为：230123y x x x ββββ=+++ （4）其扩展形式是多项式模型。
当所涉及的自变量只有一个时，所采用的多项式方程称为一元多项式，其一般形式为：2012p p y x x x ββββ=+++⋅⋅⋅⋅⋅⋅+多项式模型在非线性回归分析中占有重要的地位。
因为根据数学上级数展开的原理，任何曲线、曲面、超曲面的问题，在一定的围都能够用多项式任意逼近。
所以，当因变量与自变量之间的确实关系未知时，可以用适当幂次的多项式来近似反映。
（5）指数函数模型（Exponential ） 。
指数函数模型为：10x y e βεβ+= （5）这种曲线被广泛应用于描述社会经济现象的变动趋势。
例如产值、产量按一定比率增长，成本、原材料消耗按一定比例降低。
（6）倒数模型（Inverse ）。
倒数模型的一般形式是：12(1/)y x ββ=+ （6）假如Y 随着X 的增加而增加（或减少），最初增加（或减少）很快，以后逐渐放慢并趋于稳定，则可以选用双曲线来拟合。
（7）幂函数模型（Power ）。
幂函数模型的一般形式是：10y x ββ= （7）其扩展形式为12012pp y x x x ββββ=⋅⋅⋅⋅⋅⋅，这类函数的优点在于：方程中的参数可以直接反映因变量Y 对于某一个自变量的弹性。
所谓y 对于j x 的弹性，是指在其他情况不变的条件下，j x 变动１％时所引起y 变动的百分比。
弹性是一个无量纲的数值，它是经济定量分析中常用的一个尺度。
它在生产函数分析和需求函数分析中，得到了广泛的应用。
（8）逻辑曲线模型（Logistic ）。
逻辑曲线方程一般形式为：101x L y eβεβ-+=+ （8） 逻辑曲线具有以下性质。
Y 是X 的非减函数，开始时随着X 的增加，Y 的增长速度也逐渐加快，但是Y 达到一定水平之后， 其增长速度又逐渐放慢。
最后无论X 如何增加，Y 只会趋近于L,而永远不会超过L 。
由于逻辑曲线的这一特点，它常被用来表现耐用消费品普及率的变化。
（9）增长曲线模型（Growth ）：01x y e ββ+= （9）（10）S 曲线模型（S ）：011x y e ββ+= （10）（11）Compound 模型：01x y ββ= （11）以上11种模型是SPSS 提供的模型。
当然我们也可以自己根据需要，设定其它形式的模型。
比如对数线性（Log-linrar ）：12ln y x ββ=+；对数倒数：12ln (1/)y x ββ=+；对数对数（Log-log ）：12ln ln y y ββ=+等等。
这些模型在实际经济问题也有比较广泛的应用，在此就不一一列出。
二、对模型的变换对于非线性回归模型，除了要考虑如何根据所要研究的问题的性质并结合实际的样本资料确定其具体形式外，还要考虑如何估计模型中的参数。
非线性回归模型最常用的方法仍然是最小二乘估计法，但需要根据模型的不同类型，作适当的变换。
许多具有实用价值的非线性回归函数，可以通过适当的变换，转化为线性回归函数，然后再利用线性回归分析的方法进行估计和检验。
常用的非线性函数的线性变换方法有以下几种：（1）倒数变换倒数变换是用新的变量来替换原模型中变量的倒数，从而使原模型变成线性模型的一种方法。
例如，对于双曲线函数，令*1/x x =代入方程式12(1/)y x ββ=+，得*01y x ββ=+，从而转化为一元线性回归模型。
（2）半对数变换这种方法主要应用于对数函数模型的线性变换。
对于对数函数模型01ln y x ββ=+，令*ln x x =，代入原方程，同样可得：*01y x ββ=+。
（3）双对数变换这种方法通过用新变量替换原模型中变量的对数，从而使原模型变换为线性模型。
例如，对幂函数模型12012pp y x x x ββββ=⋅⋅⋅⋅⋅⋅的两边求对数，01122ln ln ln ln ln p p y x x x ββββ=+++⋅⋅⋅⋅⋅⋅+，令*ln y y =，*00ln ββ=，*11ln x x =，……，*ln p p x x =则原函数变为****011p p y x x βββ=++⋅⋅⋅+然后我们仍然可以用线性回归方法解决。
三、模型的选择既然我们有多种模型可以选择，那么到底有没有一种标准去评判哪种模型是最适合的呢？下面就一个实例来说明这个问题。
我们就2003年我国城镇居民收入情况建立Y 对X 的回归模型。
表中资料共有16 组，x 是各组的人均生活费收入，Y 是各组的人均生活费支出。
表1人均生活费收入和人均生活费支出 （单位：元）从上图可以看出，Y 与X 之间并不是线性关系，因此我们不能用线性关系去设置函数模型。
为了选择合适的模型，我们可以多选几种，然后再进行比较，最后根据拟合情况确定所需要采用的模型。
不妨选择线性、立方、S 曲线、增长曲线等几种模型进行拟合。
在此我们选择了SPSS 所提供的11种函数。
SPSS 输出结果如下：MODEL: MOD_2.Independent: xUpperDependent Mth Rsq d.f. F Sigf bound b0 b1 b2 b3y LIN .927 14 178.32 .000 975.301 .6473 y LOG .873 14 95.91 .000 -20282 2954.27 y INV .624 14 23.27 .000 6788.94 -7.E+06 y QUA .938 13 98.67 .000 347.687 .9121 -2.E-05y CUB .942 12 64.59 .000 920.363 .50055.2E-05 -4.E-09y COM .888 14 111.08 .000 1736.20 1.0002 y POW .973 14 509.85 .000 7.4312 .7480 y S .820 14 63.63 .000 8.9017 -2024.8 y GRO .888 14 111.08 .000 7.4595 .0002 y EXP .888 14 111.08 .000 1736.20 .0002 y LGS .888 14 111.08 .000 . .0006 .9998由于Power （10y x ββ=）模型的2R =0.973，拟合最好，我们选用Power 模型作预测。
其有关数据运用SPSS 处理如下：MODEL: MOD_4._Dependent variable.. y Method.. POWERListwise Deletion of Missing DataMultiple R .98655R Square .97327Adjusted R Square .97137Standard Error .09016Analysis of Variance:DF Sum of Squares Mean SquareRegression 1 4.1440922 4.1440922Residuals 14 .1137936 .0081281F = 509.84660 Signif F = .0000-------------------- Variables in the Equation -------------------- Variable B SE B Beta T Sig Tx .747970 .033126 .986547 22.580 .0000 (Constant) 7.431218 2.099709 3.539 .0033 由上可得模型为：0.748，X的t值为22.58，很显著，模型效果较好。
7.43y x我们可以在实际生活中运用它进行预测。
总之，我们在选择一个计量模型的时候，不能想当然。
必须以经济理论为指导，以经济事实为基础，以科学的方法为手段，运用计量软件等现代化工具进行分析、比较，从而选择相对精确的模型来。
并且在实际运用中去不断检验，不断修正，使其能更准确地反映经济变量之间的数量关系。
主要参考文献：文璋. 《实用统计分析方法与SPSS应用》（初稿），2000.拉姆·拉玛纳山.《应用经济计量学》第五版[M]，机械工业，2003.宋廷山，金玉国等.2003《经济计量学》[M].大学，2003.。