EViews数据分析基础和简单线性回归分析
《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。
经验分享使用eviews做回归分析
[经验分享] 使用eview s做线性回归分析Glossa ry:ls(least square s)最小二乘法R-sequar ed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-seqaur ed()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 criter ion赤池信息量(AIC)（越小说明模型越精确）Schwar z ctiter ion:施瓦兹信息量（SC）（越小说明模型越精确）Prob(F-statis t ic)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g dp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。
eviews建模方法之回归分析简介
建模方法之回归分析简介数学模型一元线性回归分析模型：),,0(~,2σεεN bx a Y ++= 多元线性回归分析模型：ε+++++=p p x b x b x b a Y Λ2211设随机变量Y 与X 有相关关系,就是说当X 取一确定值时,随机变量Y 有一个确定的分布.这个分布大多数情况下不能具体知道,但在实践中只需要的观测值.而数学期望(假设存在)在一定程度上能反映出其观测值的大小,所以人们感兴趣的是当X 取确定值x 时, Y 的数学期望)(x μ是多少.称)(x μ为Y 对X 的回归函数.在实际问题中,回归函数是未知的,需要我们根据实测样本以及以往的经验来确定回归函数的类型及求出函数中的未知参数的估计,得到经验公式.例1 20℃时在铜线含碳量%x 对于电阻Y (为一正态变量,单位:微欧)变化的研究中,得到如下一测试结果表明,随着铜线含碳量的增加,其电阻有增大的趋势.为了确定回归函数)(x μ的类型, 我们将这9组数据作为坐标在平面直角坐标系中描出它们相应的点,这种图称为散点图。
变量X -Y 的散点图因此估计)(x μ大致具有线性函数bx a +的形式,即可认为X 与Y 具有如下关系:),,0(~,2σεεN bx a Y ++= (1)其中b a ,及2σ是常数.这就是X 、Y 之间的(一元正态线性)回归模型.对n 根铜线进行独立观测,能得到n 个含碳量n x x x ,,,21Λ及对应的n Y Y Y ,,,21Λ,把i Y 看成随即变量,则它们可以表示成⎭⎬⎫=++=.,,,),,0(~,,,2,1,212相互独立n i i i i N n i bx a Y εεεσεεΛΛ (2)记⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=n x x x X 11121M M ，⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=n Y Y Y Y M 21，⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=n εεεεM 21， 则（2）式也可表示为ε+⎪⎪⎭⎫⎝⎛=b a X Y .在一元线性回归中主要解决下列问题: (I ) 对未知参数b a ,及2σ进行估计; (II ) 对线性模型的假设进行检验; (III ) 对Y 进行预测和控制.参数的估计：对未知参数b a ,的估计,一个直观的想法便是希望选取这样的a 与b ,使得他们在n x x x ,,,21Λ各处计算的理论值i bx a +与实测值i y 的偏离达到最小.为此人们常用最小二乘法:求b a ,使∑=−−=ni i ibx a yQ 12)(为最小.在几何上,即是在平面上选取一条直线,使直线在横坐标为n x x x ,,,21Λ处的纵坐标与相应的实测点的纵坐标之差的平方和为最小.利用求极值的方法求b a ,,令⎪⎪⎩⎪⎪⎨⎧=−−−=∂∂=−−−=∂∂∑∑==.0)(2,0)(211ni i i i ni i i x bx a y b Q bx a y a Q整理得⎪⎪⎩⎪⎪⎨⎧=+=+∑∑∑∑∑=====ni i i n i i n i i ni i n i i y x x b x a y x b na 112111解此方程组得到的不是b a ,的真值,而是b a ,的估计值,ˆ,ˆb a它们为 ,)())((ˆ1212121∑∑∑∑====−−−=−−=ni ini i ini ini ii x xy y x xx n xyx n yx b(3),ˆˆx b y a−= (4) 其中.,111∑∑====ni i ni i y y x n x 具体计算得Y 对X 的线性回归方程为.59.1297.13ˆx y+= 等价公式：Y X X X ba TT 1)(ˆˆ−=⎥⎦⎤⎢⎣⎡. （5）方差分析：总平方和：,)(12∑=−=ni iT Y YQ 自由度为1−n回归平方和：∑=−=ni iR Y Y Q 12)ˆ(,)(ˆ122∑=−=ni i x x b 自由度为1=p 残差平方和：,)ˆ(12∑=−=ni iiE Y YQ 自由度为1−−p n 关系式：.E R T Q Q Q += 性质：2)1(σ=−−p n Q E E 。
线性回归分析(Eviews6)
STEP 01
研究目的
STEP 02
数据来源
探讨自变量X对因变量Y 的影响程度。
STEP 03
分析工具
使用EViews 6软件进行线 性回归分析。
收集到的样本数据，包含 自变量X和因变量Y的观 测值。
数据准备与处理
01
02
03
数据导入
将收集到的数据导入 EViews 6软件中。
数据清洗
检查数据是否存在异常值、 缺失值等问题，并进行必 要的处理。
变量筛选
采用逐步回归等方法筛选变量，去除引起多重共 线性的冗余变量。
主成分分析
通过主成分分析提取主要信息，以消除多重共线 性的影响。
异方差性问题及其解决方法
1 2
异方差性检验
通过残差图、等级相关系数检验等方法检验异方 差性。
加权最小二乘法
对异方差数据进行加权处理，使得变换后的数据 满足同方差性假设。
回归方程的检验与诊断
回归方程的显著性检验
通过F检验或t检验判断回归方程 是否显著，即自变量对因变量是 否有显著影响。
残差分析
检查残差是否满足模型的假设条 件，如独立性、同方差性等，以 及是否存在异常值或影响点。
回归系数的显著性检验
通过t检验判断各个回归系数是否 显著，即自变量对因变量的影响 程度是否显著。
线性回归模型的建立
模型设定
根据研究目的和理论假设，设定 合适的线性回归模型。
参数估计
采用最小二乘法（OLS）进行参 数估计，得到回归系数的估计值。
模型检验
进行模型的拟合优度检验、方程 的显著性检验以及变量的显著性 检验，以评估模型的解释力和预
测力。
回归结果的分析与解读
经验分享,使用eviews做回归分析
[经验分享] 使用eviews做线性回归分析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。
eviews--回归分析
1、Eviews 是什么
Eviews 是美国 QMS 公司研制的在 Windows 下专门从事数据分析、回归分析和预测的工 具。使用 Eviews 可以迅速地从数据中寻找出统计关系，并用得到的关系去预测数据的未来 值。Eviews 的应用范围包括：科学实验数据分析与评估、金融分析、宏观经济预测、仿真、 销售预测和成本分析等。 Eviews 是专门为大型机开发的、用以处理时间序列数据的时间序列软件包的新版本。 Eviews 的前身是 1981 年第 1 版的 Micro TSP。目前最新的版本是 Eviews4.0。我们以 Eviews3.1 版本为例，介绍经济计量学软件包使用的基本方法和技巧。虽然 Eviews 是经济 学家开发的，而且主要用于经济学领域，但是从软件包的设计来看，Eviews 的运用领域并 不局限于处理经济时间序列。即使是跨部门的大型项目，也可以采用 Eviews 进行处理。 Eviews 处理的基本数据对象是时间序列，每个序列有一个名称，只要提及序列的名称 就可以对序列中所有的观察值进行操作，Eviews 允许用户以简便的可视化的方式从键盘或 磁盘文件中输入数据， 根据已有的序列生成新的序列， 在屏幕上显示序列或打印机上打印输 出序列，对序列之间存在的关系进行统计分析。Eviews 具有操作简便且可视化的操作风格， 体现在从键盘或从键盘输入数据序列、 依据已有序列生成新序列、 显示和打印序列以及对序 列之间存在的关系进行统计分析等方面。 Eviews 具有现代 Windows 软件可视化操作的优良性。可以使用鼠标对标准的 Windows 菜单和对话框进行操作。 操作结果出现在窗口中并能采用标准的 Windows 技术对操作结果进 行处理。此外，Eviews 还拥有强大的命令功能和批处理语言功能。在 Eviews 的命令行中输 入、编辑和执行命令。在程序文件中建立和存储命令，以便在后续的研究项目中使用这些程 序。
eviews面板数据回归分析步骤
eviews面板数据回归分析步骤EViews面板数据回归分析步骤面板数据回归分析是一种常用的经济学研究方法，可以帮助研究人员探究变量之间的关系。
EViews是一种统计软件，提供了丰富的功能来进行面板数据回归分析。
本文将介绍EViews中面板数据回归分析的基本步骤。
第一步：数据准备在进行面板数据回归分析之前，首先需要准备好需要分析的数据集。
在EViews中，可以使用多种方式导入数据，包括从Excel或其他文件格式导入，或者直接在EViews中创建数据。
第二步：设置数据类型在导入或创建数据后，需要将数据设置为面板数据类型。
面板数据包含了多个时间点和多个单位（个体）的变量观测值。
在EViews中，可以通过菜单栏中的"View" -> "Structure" -> "Autodetect"来自动检测数据类型并设置为面板数据。
第三步：查看数据面板在进行面板数据回归分析之前，可以先查看数据面板的基本信息。
在EViews的工作区中，选择要查看的数据，然后点击菜单栏中的"View" -> "Group Statistics" -> "Panel Data"，即可显示出数据面板的基本统计信息。
第四步：设定回归模型在EViews中，可以通过命令或拖拽方式来设定回归模型。
首先需要确定因变量和自变量，然后选择回归模型。
EViews支持多种回归模型，例如普通最小二乘回归（OLS）、固定效应模型（Fixed Effects Model）和随机效应模型（Random Effects Model）等。
在设定回归模型时，可以考虑是否添加控制变量和截距项。
第五步：进行回归分析在设定回归模型后，可以进行回归分析。
在EViews中，可以通过点击工具栏上的"Estimate"按钮或通过菜单栏中的"Object" -> "Estimate Equation"来进行回归分析。
使用eviews做线性回归分析
使用eviews做线性回归分析随着统计学的发展，线性回归分析越来越被广泛应用于数据分析。
Eviews是一种经济数据分析软件，具有强大的数据分析功能和易于使用的界面，可广泛用于数据分析和预测。
本文将介绍使用Eviews进行线性回归分析的基础步骤，以及如何解读结果和提高模型的准确性。
一、数据准备在进行线性回归分析之前，我们需要准备一组数据。
数据可以从各种来源获得，例如国家统计局、经济学文献、互联网数据库等。
在Eviews中，可以使用Excel、SPSS和STATA等软件导入数据。
在导入数据时，必须确保数据格式正确，包括数据类型、数值范围等。
二、建立模型在Eviews中，建立模型的步骤如下：1.打开导入的数据文件，进入“工作文件”界面。
2.选择“Quick”菜单下的“Estimate Equation”选项，然后在弹出的“Model Specifica tion”对话框中填写相关信息。
此对话框包括四个标签页：变量、样本、选项和高级。
3.在“变量”标签页中，选择研究对象和解释变量，并将它们拖动到相应的框中。
例如，如果我们想研究通货膨胀对GDP的影响，那么GDP应当作为解释变量，通货膨胀率应作为解释变量。
4.在“样本”标签页中，设置分析的时间范围，如开始年份、结束年份、选定的样本或整个样本。
5.在“选项”标签页中，选择所需的估计方法，如OLS、GLS、FGLS等，并指定所需的统计量、弱工具检验、边际效应和预测分析等。
6.在“高级”标签页中，选择是否需要对模型进行修正，如修正异方差、自相关或其他检验结果不好的部分。
7.完成设置后，单击“OK”按钮，Eviews即可自动推导出相应的模型，并显示在“结果”窗口中，在这里可以查看与验证自己的模型结果是否正确等。
三、结果解读1.变量系数：表示自变量的影响程度。
如果系数大于零，则表示该变量与因变量正相关；如果系数小于零，则表示该变量与因变量负相关；如果系数等于零，则表示该变量与因变量之间没有关系。
- 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)。
E V i e w s数据分析基础和
简单线性回归分析
Last revision on 21 December 2020
《计量经济学》上机指导手册一
目录
§ 实验介绍 (2)
上机实验名称 (2)
实验目的 (2)
实验要求 (2)
数据资料 (2)
§ EViews基本操作 (3)
建立工作文件和对象 (3)
数据基本处理 (4)
绘制图形 (5)
§ 简单线性回归分析 (6)
建立Eviews文件 (6)
进行相关性分析 (6)
模型建立和参数估计 (7)
模型预测 (8)
§实验介绍
上机实验名称
EViews数据分析基础
实验目的
通过实例操作了解
（1）EViews窗口介绍
（2） 工作文件基础
（3） 工作对象基础
（4） 数据处理
（5） 绘制图形
实验要求
根据实验数据，完成实验报告。
对于已经完成的工作，请自我测评。
将完成要求的标题标成蓝色，未完成的标成红色。
例如：
数据资料
（1） 1995年至2005年我国某地区的GDP 和固定资产投资额K ，见《14-15-1
EViews 上机数据 》中《GDP and K 》。
（2） 美国1959年第一季度到1996年第一季度的人均消费支出（CS ）和人均可
支配收入（INC ）有关数据见《14-15-1 EViews 上机数据 》中《CS and
INC 》。
§ EViews 基本操作
1995年至2005年我国某地区的GDP 和固定资产投资额K ，见《14-15-1 EViews 上机数据 》中《GDP and K 》。
根据数据资料完成下列任务。
建立工作文件和对象
（1）创建一个新的工作文件
主菜单file/new/workfile ，选择数据类型
Dated-regular frequency 。
在Dated-regular frequency 下选择时间频率
为年，start:1995，end:2005。
可以在Name （optional ）中的WF 格内命名
工作文件及在Page 格内命名页面。
（2）建立工作对象
打开工作文件，在工作文件窗口激活状态下，在Eviews 主窗口的菜单中或者工作文件的工具栏中选择object/new object ，选择series 。
同时，在name of object 中给序列命名为GDP 。
同样的方法，创建并命名序列K 。
在工作文件界面双击序列名称可以打开序列窗口，是电子表格（spreadsheet ）的形式。
可以对View 、Proc 、object 、print 、name 、freeze 、edit+/-、smpl+/-、label+/-、wide+/-、title 、genr 等功能键进行认知，重点学习View/label 及object 下的功能。
（3）存储工作对象
在主菜单file/new/database 建立数据库。
在对象界面object/store to DB ，存储序列GDP 和K 至新建数据库。
（4）存储工作文件
在工作文件窗口file/save ，在对话框中选择double precision （双精度保存），命名，存储。
数据基本处理
（1）数据输入
试用外部文件调入方法将数据GDP 和K 读入工作对
象。
方法1：主菜单file/import/read text-lotus-excel
方法2：工作文件工具栏proc/import/read text-lotus-excel
请根据操作过程填写下表。
（2）生成新序列
Eviews主菜单选择quick/generate series，或文件窗口工具栏中的Genr按钮，在弹出对话框中定义新序列方程：p=log(GDP)，取自然对数差分之差生成新序列人r。
同样的方法生成q=log(K)。
（3）创建序列组
方法一：工作文件窗口工具栏中objects/new object，在type of object中选择Group，并命名。
单击OK形成新序列组。
方法二：在命令窗口输入命令格式生成序列组：Group 序列组名称序列1 序列
2 ……
绘制图形
（1）根据绘制GDP和K的散点图。
Eviews主菜单quick/graph/scatter。
（2）冻结图形。
使用Freeze功能键冻结所绘制的图形。
（3）给图形添加文本。
使用add text功能键给图形添加名称。
（4）给图形添加阴影。
使用line/shade功能键，任选连续两年设置阴影。
（5）将完成的图形合并到本文档中。
选择Eviews主菜单的edit/copy命令，选择对话框中的use color in metafile，单击OK，将对象图形复制到剪切板上，在转换到本文件，粘贴在word文档中。
贴图处：
§简单线性回归分析
美国1959年第一季度到1996年第一季度的人均消费支出（CS）和人均可支配收入（INC）有关数据见《14-15-1 EViews上机数据》中《CS and INC》。
宏观经济中的消费理论认为，人均消费支出CS和人均可支配收入之间有较强的线性关系。
因此建立消费模型如下：
CS=β0+β1∗INC+ε
请利用资料2完成下列任务。
建立Eviews文件
参见数据的EXCEL文件，建立工作文件和工作对象，并导入数据。
进行相关性分析
（1）计算相关系数
在序列组窗口工具栏中，选取view/covariance analysis，选取covariance和correlation。
将粘贴显示结果的窗口在下方，并解释covariance协方差和correlation相关性的结果。
贴图处：
协方差是用来度量两个变量之间“协同变异”大小的总体参数，即二个变量相互影响大小的参数，协方差的绝对值越大，两个变量相互影响越大。
CS和INC互相影响很大。
CS与INC的相关系数为，说明两者为正相关，有很强的线性相关性。
（2）绘制散点图
贴图处：
模型建立和参数估计
（1）建立模型
在组文件窗口，选择proc/make equation.
在窗口输入：CS C INC
请粘贴equation estimation窗口的截图
（2）得出估计结果
在（1）的操作后，点击OK，可以得到方程的估计结果。
请粘贴你计算得到的估计结果截图。
根据你的计算结果，写出方程式，并在方程下方标注上可绝系数和t检验值。
CS=+
可决系数为
在回归方程的窗口工具栏中，选择view/presentations，可以核对你所写出的回归方程。
（3）actual, fitted, residual的命令操作
在回归方程的窗口工具栏中，选择view/actual, fitted, residual/ actual, fitted, residual table，可以得到实际值、拟合值和残差的表格。
Residual plot列显示残差序列图，其中虚线表示置信带。
同一窗口中，选择view/actual, fitted, residual/ actual, fitted, residual graph，可以得到实际值、拟合值和残差的折线图。
请将折线图粘贴在下方，并分析下这个图。
模型预测
（1）修改数据范围
在工作文件窗口，选定CS和INC组成的组，在工具栏选取proc/restructure/resize current page，在弹出窗口修改end date至1997Q1。
请截图：
（2）补充INC数据
在序列INC中，补充1996Q2，1996Q3，1996Q4，1997Q1数据分别为5500，5550，5600，5680。
（3）开始预测
回到估计方程窗口，选择forecast，补充.名称为csse，点击确定。
将消费函数模型预测结果和图粘贴在下方。