计量经济学实验报告记录
计量经济学实验报告
计量经济学实验报告实验报告实验课程名称：计量经济学实验案例1：近年来，中国旅游业⼀直保持⾼速发展，旅游业作为国民经济新的增长点，在整个社会经济发展中的作⽤⽇益显现。
中国的旅游业分为国内旅游和⼊境旅游两⼤市场，⼊境旅游外汇收⼊年均增长22.6%，与此同时国内旅游也迅速增长。
改⾰开放20多年来，特别是进⼊90年代后，中国的国内旅游收⼊年均增长14.4%，远⾼于同期GDP 9.76%的增长率。
为了规划中国未来旅游产业的发展，需要定量地分析影响中国旅游市场发展的主要因素。
解题过程：⾸先，通过Eviews，得出回归模型：Y=-274.377+0.013X2+5.438X3+3.272X4+12.986X5-563.108X6tc=-0.208 t2=1.031 t3=3.940 t4=3.465 t5=3.108 t6=-1.753R^2=0.995 F=173.354 DW=2.311从估计结果来看，模型可能存在多重共线性。
因为在OLS下，R^2^2与F值较⼤，⽽各参数估计量的t检验值较⼩，说明各解释变量对Y的联合线性作⽤显著，但各个解释变量存在共线性从⽽使得它们对Y的独⽴作⽤不能分辨，故t检验不显著。
应⽤Eviews，写下命令：cor X2 X3 X4 X5 X6。
得到相关系数矩阵。
可以从中看出五个经济变量之间两两简单相关系数⼤都在0.80以上，甚⾄有的在0.96以上。
表明模型存在着严重的多重共线性。
从⽽为了消除多重共线性，这⾥采⽤逐步回归法。
第⼀步，⽤每个解释变量分别对被解释变量做简单回归。
得：Y=-3462+0.0842X2 t=8.666 R^2=0.903 F=75Y=-2934+9.052X3 t=13 R^2=0.956 F=173Y=640+11.667X4 t=5.196 R^2=0.771 F=27Y=-2265+34.332X5 t=6.46 R^2=0.839 F=42Y=-10897+2014X6 t=8.749 R^2=0.905 F=77根据R^2统计量的⼤⼩排序，可见重要程度依次为X3, X6, X2, X5, X4。
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》实验报告
计量经济学》实验报告一、经济学理论概述1、需求是指消费者（家庭）在某一特定时期内，在每一价格水平时愿意而且能够购买的某种商品量。
需求是购买欲望与购买能力的统一。
2、需求定理是说明商品本身价格与其需求量之间关系的理论。
其基本内容是：在其他条件不变的情况下，一种商品的需求量与其本身价格之间成反方向变动，即需求量随着商品本身价格的上升而减少，随商品本身价格的下降而增加。
3、需求量的变动是指其他条件不变的情况下，商品本身价格变动所引起的需求量的变动。
需求量的变动表现为同一条需求曲线上的移动。
二、经济学理论的验证方法在此次试验中，我运用了Eviews和Excel软件对相关数据进行处理和分析。
1、拟合优度检验——可决系数R2统计量回归平方和反应了总离差平方和中可由样本回归线解释的部分，它越大，参差平方和越小，表明样本回归线与样本观测值的拟合程度越高。
2、方程总体线性的显着性检验——F检验（1）方程总体线性的显着性检验，旨在对模型中被解释变量与解释变量之间的线性关系在总体上是否显着成立作出判断。
（2）给定显着性水平α，查表得到临界值Fα（k，n-k-1）,根据样本求出F统计量的数值后，可通过F＞Fα(k，n-k-1) （或F ≤Fα(k，n-k-1)）来拒绝（或接受）原假设H0，以判定原方程总体上的线性关系是否显着成立。
3、变量的显着性检验——t检验4、异方差性的检验——怀特检验怀特检验不需要排序，对任何形式的异方差都适用。
5、序列相关性的检验——图示法和回归检验法6、多重共线性的检验——逐步回归法以Y为被解释变量，逐个引入解释变量，构成回归模型，进行模型估计。
三、验证步骤1、确定变量（1）被解释变量“货币流通量”在模型中用“Y”表示。
（2）解释变量①“货币贷款额”在模型中用“X”表示;1②“居民消费价格指数”在模型中用“2X ”表示；③把由于各种原因未考虑到和无法度量的因素归入随机误差项，在模型中用“μ”。
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。
- 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)。
计量经济学实验报告记录
————————————————————————————————作者：————————————————————————————————日期：
中国海洋大学《计量经济学》实验报告
实验项目名称：黄金价格影响因素解析
指导教师：殷克东
姓名：王焜
学号： 14120021030 年级专业： 14金融
中国海洋大学经济学院
1．通过实验课是自己能够了解并深入认识什么是计量经济学，掌握计量经济学的理论与方法。
了解和掌握计量经济分析的步骤和方法。
同时知道如何在实践中运用计量经济学。
使得我们从感性认识上升到理性认识。
2．通过课程实验，利用计量经济学模型定量分析研究经济问题。
培养自我的分析问题和解决问题的能力，在学完该课程后，不仅学习了理论知识和计算方法，还能接触到社会实际中有待解决的计量经济问题，并能建立数学模型和求解。
3．通过实验教学培养自己发现问题、分析问题、解决问题的能力，能够自己分析数据结果。
掌握什么是
4．最重要的就是自己能够有理论认知上升到实践认知。
通过自己的理解真切的感受经济现象的变动。
【实验要求】
1．要求我们了解和熟悉计量经济学的基本知识，为具体操作做好知识准备。
2．要求我们熟悉什么是计量经济，如何利用计量分析，他们各自的分类又有什么，为具体操作做好知识准备。
3．要求我们利用计量经济学软件，按实际操作规范和流程进行操作处理，培养自己的动手操作能力。
培养自己对EViews计量软件的熟悉程度。
4．能够正确运用软件，能够看懂软件中给出的数据所代表的意义。
能够了解理论、数据与实际之间的某些相关性。
3、对于外界条件的变化，具有一定的分析解决问题的能力。
【实验原理】
1．EViews8.0软件
2．多重共线性、模型检验、模型的修正等
3．利用教材《计量经济学实验教程》以及老师提供的数据
1．创建工作文件；
2．利用并建立“黄金价格影响因素”的计量经济学模型
3．输入数据
4．回归分析
5．利用样本数据估计模型的参数
6．检验美元指数、通胀率、原油价格、US利率、GDP、标准普尔指数对黄金价格是否有显著影响
7．对模型的修正
8．对模型修正后的检验
9．总结
【实验步骤】
1.打开并新建EViews8.0文件；
2.利用“黄金价格、美元指数、通胀率、原油价格、US利率、GDP、标准
普尔指数”数据，建立相关文件；
3.根据出现的数据进行回归分析；
4.对建立的模型进行检验
5.对模型进行修正
6.对修正后的模型进行检验
7.总结
【实验步骤——自己操作】
一、实验数据：
黄金价格、美元指数、通胀率、原油价格、US利率、GDP、标准普尔指数的数据
如下：
Y U I O RS RL GDP SP 317.66126.3 3.5554.547.4711.376849300171.61 368.24113.8 1.9128.7 5.979.027*********.89 447.9598.8 3.6633.05 5.789.387313300264.51 438.3193.1 4.0827.45 6.679.717613900250.48 382.5898.3 4.8332.228.119.267885900285.41 384.9391.3 5.3938.577.59.328033900339.97 363.2993.2 4.2532.33 5.388.778015100325.5 344.9788.6 3.0829.9 3.438.148287100316.08 360.9195.4 2.9625.2837.228523400435.23 385.4292.4 2.6123.02 4.257.978870700472.99 385.584.5 2.8123.96 5.497.599093700465.25 389.0986.9 2.9328.42 5.017.379433900614.42 332.3995.4 2.3425.32 5.067.279854300766.22 295.2498.6 1.5515.93 4.78 6.5310283500963.36 279.9199.1 2.1921.62 4.647.05107798001248.77 280.1108.3 3.3834.65 5.827.62112260001425.59 272.22115 2.8328.32 3.47.08113472001330.93 311.33112.4 1.2927.65 1.61 6.49115530001140.21 364.897.5 2.2732.82 1.01 5.6611840700895.84 410.5288.3 2.6843.42 1.37 5.63122638001080.64 44686.7 3.3955.8 3.15 5.23126384001199.21 60685.9 3.2463.02 4.73 5.59129762001262.07 69980.5 2.8567.37 4.36 5.56132541001416.42 76877.3 3.8592.31 1.73 5.63133122001479.22 95081.7-0.3454.240.15 5.3112987400877.56二、实验步骤：
（1）建立回归模型
1.建立EViews8.0实验文件
2.输入Y、X的数据
在EViews软件的命令窗口键入DATA命令，命令格式为：：输入：data Y X1 X2 X3 X4 X5 X6 X7
3.建立回归模型：
建立Y C X1 X2 X3 X4 X5 X6 X7的回归，
其中Y代表黄金价格 X1代表美元指数 X2代表通胀率 X3代表原油价格 X4代表短期US利率 X5代表长期US利率 X6代表GDP X7代表标准普尔指数
4．回归结果如下：
5、对模型的初步分析
a.对模型拟合度分析：从报告单可以看出，R-squared为0.89，模型拟合度在89%左右。
b.对变量的显著性分析：在t检验中，截距项参数、RS的参数并不显著。
可能为0。
但要判断是否为0，还要对残差和变量进行检验。
c.对模型显著性分析F检验中，F统计量值为21.39，大于显著水平为5%的临界值，说明模型显著。
对多个解释变量的模型，若OLS法估价的R2与F值较大，但t检验值较小，则说明各解释变量对Y的联合线性作用显著，但各解释变量间存在共线性而使得它们对Y的独立作用不能分辨，故t检验不显著。
d、对模型的残差项进行分析
异方差检验：怀特检验
由图知Obs*R-squared统计量为9.75，概率值大于0.05，说明不存在异方差自相关检验
P(Obs*R-squared)为1.75，大于0.05的显著水平，所以不存在自相关。
e、对变量进行分析
对变量进行多重共线性检验
由相关系数矩阵知：
1.GDP与RL、RS和SP存在明显的线性相关性。
可以看出GDP与利率存在线性负相关，与股票市场存在线性正相关。
因为GDP是反映国家经济的一个重要指标，因此，国家为了刺激经济，货币政策往往比较宽松，利率比较低，此时国家经济发展，GDP加速上升，带动股市上扬。
2.RL与SP存在明显的线性相关性。
由股票理论价格=股票收益/利率知
道利率与股票价格存在负相关。
由于存在多重共线性存在，导致OLS下估计量的非有效、变量显著性检验失效和模型预测失效，因此必须克服模型多重共线性，对模型进行修改。
6、对模型的修正
前面已经大致检测出存在多重共线性的解释变量，分别是短期利率（X4）、长期利率（X5）、标准普尔指数（X7）、GDP（X6）。
对这些解释变量进行逐步回归：短期利率：
长期利率
标准普尔指数
GDP
可以看出在标长期利率的逐步回归中t检验最显著；R检验值为0.883，在四个检验中最好；因此模型应采用G=C(1)+C(2)*X1+C(3)*X2+C(4)*X3+C(5)*X5+E 的形式。
7、对修正后的模型进行检验
怀特检验中P值大于0.05，说明不存在残差项异方差。
BG-LM检验中P值大于0.05，说明不残差项存在自相关。
8、总结
模型经过修正后，有效的减小了多重共线性的影响。
除了模型稳定性不是很理想，且可能遗留了某些解释变量外，其他的检验比较理想。
由报告可以看出：
一．黄金的价格与美元走势存在负相关。
二．黄金价格与石油价格存在正相关。
三．黄金价格与通货膨胀率存在负相关。
四．黄金价格与利率水平存在着正相关，这与现实不符。
从回归模型的报告中，我们只能确认黄金价格与石油价格存在正相关，而其他的影响因素因为数据本身的缺陷以及经济变量中普遍存在着多重共线性不能有效消除，所以失去了应有的经济意义。
【实验总结】
1.熟悉了EViews8.0软件的运行环境；
2.利用所给的数据建立所需的文件、参数等；
3.运用数据进行经济意义分析，了解计量实验在现实中的运用；
4.学会了如何建立文件、如何使用软件；
5.回归分析，建立图表等。
从计量经济学的实验中，我学会了如何将课本中的公式运用在软件中，知道了软件中每一部分数据所代表的意义，总之就是从认识到实践，再从实践到认识，深刻了书中要点，学习收获颇多。