一元线性回归分析报告
用eviews进行一元线性回归分析报告
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，最高的是市达人均20667.91元，最低的则是，人均只有8871.27元，是的2.33倍。
一元线性回归预测实验报告
1、实验过程和结果记录：（1）实验数据（2）人均可支配收入与人均消费性支出散点图（3）数据分析步骤4、（5）最终实验结果2、人均可支配收入为12千元时的人均消费性支出和置信度为95%的预测区间计算步骤： （1）一元线性回归方程为Y=0.72717+0.6741420X（2）将0X =12带入样本回归方程可得0Y 的预测值=0.72717+0.674142*12=8.816874千元（3）0e S =千元 结论：因此，当城镇居民家庭的人均可支配收入为12千元时，人均消费性支出地点预测为8.816874千元；置信度为95%的预测区间为（8.816874-1.96*0.0542千元,8.816874+1.96*0.0542千元） 即（8.71千元,8.92千元）六、实验结果及分析1、实验结果：当城镇居民家庭的人均可支配收入为12千元时，人均消费性支出地点预测为8.816874千元；置信度为95%的预测区间为（8.816874-1.96*0.0542千元,8.816874+1.96*0.0542千元） 即（8.71千元,8.92千元）2、实验分析（1）相关系数：相关系数R 实际上是判定系数的平方根，相关系数R 从另一个角度说明了回归直线的拟合优度。
|R|越接近1，表明回归直线对观测数据的拟合程度就越高。
R=0.999592，接近于1，所以人均可支配收入和人均消费支出相关程度高。
（2）判定系数：该指标测度了回归直线对观测数据的拟合程度。
若所有观测点，落在直线上，残差平方和RSS=0，则R^2=1，拟合是完全的；0≤R^2≦1。
R^2越接近1，表明回归平方和占总平方和的比例越大，回归直线与各观测点越接近，用X 的变化来解释Y 值的部分就越多，回归直线的拟合度就越好；反之，R^2越接近0，回归直线的拟合度就越差。
所以，判定系数R^2=0.999185，表示所观测到的我国城镇居民家庭人均消费支出的值与其均值的偏差平方和中有99.92%可以通过人均可支配收入来解释。
一元线性回归分析报告
实验报告金融系金融学专业级班实验人：实验地点：实验日期：实验题目：进行相应的分析，揭示某地区住宅建筑面积与建造单位成本间的关系实验目的：掌握最小二乘法的基本方法，熟练运用Eviews软件的一元线性回归的操作，并能够对结果进行相应的分析。
实验内容：实验采用了建筑地编号为1号至12号的数据，通过模型设计、估计参数、检验统计量、回归预测四个步骤对数据进行相关分析。
实验步骤：一、模型设定1.建立工作文件。
双击eviews，点击File/New/Workfile，在出现的对话框中选择数据频率，因为该例题中为截面数据，所以选择unstructured/undated，在observations中设定变量个数，这里输入12。
图12.输入数据。
在eviews 命令框中输入data X Y，回车出现group窗口数据编辑框，在对应的X,Y下输入数据，这里我们可以直接将excel中被蓝笔选中的部分用cirl+c复制，在窗口数据编辑框中1所对应的框中用cirl+v粘贴数据。
图23.作X与Y的相关图形。
为了初步分析建筑面积（X）与建造单位成本（Y）的关系，可以作以X为横坐标、以Y为纵坐标的散点图。
方法是同时选中工作文件中的对象X和Y，双击得X和Y的数据表，点View/Graph/scatter，在File lines中选择Regressions line/ok（其中Regressions line为趋势线）。
得到如图3所示的散点图。
图3 散点图从散点图可以看出建造单位成本随着建筑面积的增加而降低，近似于线性关系，为分析建造单位成本随建筑面积变动的数量规律性，可以考虑建立如下的简单线性回归模型：二、估计参数假定所建模型及其中的随机扰动项满足各项古典假定，可以用OLS法估计其参数。
Eviews软件估计参数的方法如下：在eviews命令框中键入LS Y C X，按回车，即出现回归结果。
Eviews的回归结果如图4所示。
图4 回归结果可用规范的形式将参数估计和检验结果写为：（19.2645）（4.8098）t=（95.7969）（-13.3443）0.9468 F=178.0715 n=12若要显示回归结果的图形，在equation框中，点击resids，即出现剩余项、实际值、拟合值的图形，如图5所示。
一元线性回归分析
C=α+βy + µ
其中， µ是随机误差项。 是随机误差项。 其中， 是随机误差项 根据该方程， 的值， 根据该方程，每给定一个收入 y 的值，消 并不是唯一确定的， 费C并不是唯一确定的，而是有许多值， 并不是唯一确定的 而是有许多值， 他们的概率分布与µ的概率分布相同 的概率分布相同。 他们的概率分布与 的概率分布相同。 线性回归模型的特征： 线性回归模型的特征： 有随机误差项！ 有随机误差项！
21
说
明
一、严格地说，只有通过了线性关系的检验，才 严格地说，只有通过了线性关系的检验， 能进行回归参数显著性的检验。 能进行回归参数显著性的检验。 有些教科书在介绍回归参数的检验时没有考虑线 性关系的检验，这是不正确的。 性关系的检验，这是不正确的。因为当变量之间 的关系没有通过线性检验时， 的关系没有通过线性检验时，进行回归参数显著 性的检验是没有意义的。 性的检验是没有意义的。 在一元线性回归分析中， 二、在一元线性回归分析中，即只有一个解释变 量时，这两种检验是统一的。 量时，这两种检验是统一的。但在多元回归分析 这两种检验的意义是不同的。 中，这两种检验的意义是不同的。 为了说明该问题， 为了说明该问题，我们在本章中依然把两种检验 分开论述。 分开论述。
13
为了达到上述目的， 为了达到上述目的，我们直观上会采 用以下准则： 用以下准则： 选择这样的SRF，使得： 选择这样的 ，使得：
残差和∑ ε i = ∑ ( yi − yi )尽可能小！ ˆ
但这个直观上的准则是否是一个很好 的准则呢？我们通过以下图示说明： 的准则呢？我们通过以下图示说明：
14
12
ˆx i + ε i yi = α + β ˆ ˆ 即：y i = y i + ε i ˆ ∴ ε i = yi − yi
一元回归分析
一元回归分析1. 简介回归分析是统计学中重要的分析方法之一，用于研究变量之间的关系。
在回归分析中，一元回归是指只涉及一个自变量和一个因变量的分析。
一元回归分析的目的是建立一个数学模型，描述自变量对因变量的影响关系，并通过拟合数据来确定模型的参数。
通过一元回归分析，我们可以研究自变量和因变量之间的线性关系，预测因变量的值，并进行因变量的控制。
2. 原理2.1 线性回归模型一元线性回归模型假设自变量和因变量之间存在线性关系，可以用以下方程来表示：Y = β0 + β1 * X + ε其中，Y 表示因变量，X 表示自变量，β0 和β1 分别表示模型的截距和斜率，ε 表示误差项。
2.2 最小二乘法拟合回归模型的常用方法是最小二乘法。
最小二乘法的目标是通过最小化残差平方和来确定模型的参数。
残差是指观测值与模型预测值之间的差异。
最小二乘法通过计算观测值与回归线之间的垂直距离来确定参数值，使得这些距离的平方和最小化。
3. 回归分析步骤一元回归分析通常包括以下步骤：3.1 数据收集收集与研究问题相关的数据。
数据包括自变量和因变量的观测值。
3.2 模型设定根据问题和数据，选择适当的回归模型。
对于一元回归分析，选择一元线性回归模型。
3.3 模型估计利用最小二乘法估计模型的参数值。
最小二乘法将通过最小化残差平方和来确定参数值。
3.4 模型诊断对拟合的模型进行诊断，检查模型是否满足回归假设。
常见的诊断方法包括检查残差的正态分布性、检查残差与自变量的关系等。
3.5 结果解释解释模型的结果，包括参数估计值、模型拟合程度、因变量的预测等。
3.6 模型应用利用拟合的模型进行预测、推断或决策。
4. 注意事项在进行一元回归分析时，需要注意以下几点：•数据的收集应当尽可能准确和全面，以确保分析的可靠性；•模型的设定应当符合问题的实际情况，并选择合适的函数形式；•模型诊断是确定模型是否可靠的重要步骤，需要进行多种检验；•需要注意回归分析的局限性，不能因为有了一元回归模型就能解释所有的问题。
一元线性回归分析
模型评估指标
模型评估指标用于衡量回归模型的拟合优度和预测精度。常用的指标包括均 方误差、决定系数和标准化残差等，可以帮助我们评估模型的有效性和适用 性。
参数估计方法
参数估计是确定回归模型中各个参数的取值的过程。常用的参数估计方法包括最小二乘法、最大似然估 计法和贝叶斯估计法等，可以帮助我们找到最优的参数估计结果。
一元线性回归分析
回归分析是一种用于建立变量之间关系的统计方法。本演示将介绍一元线性 回归模型的构建、参数估计、模型假设检验以及模型预测和应用。
回归分析的概述
回归分析是一种通过建立变量之间的关系来描述和预测现象的统计方法。它 可以帮助我们理解变量之间的因果关系，并从中推断出未知的检验
模型假设检验用于验证回归模型的假设是否成立。常见的假设检验包括检验回归系数的显著性、整体模 型的显著性以及模型的线性关系等，可以帮助我们判断模型是否可靠。
回归诊断和残差分析
回归诊断和残差分析通过检查模型的残差来评估模型的拟合优度和假设的满 足程度。常用的诊断方法包括残差图、QQ图和离群值分析等，可以帮助我们 发现模型的不足和改进方向。
模型预测和应用
回归模型可以用于预测未知观测值，并帮助我们做出决策和制定策略。它在经济学、社会科学、医学等 领域具有广泛的应用，可以为决策者提供有力的数据支持。
一元线性回归模型案例分析
一元线性回归模型案例分析一、研究的目的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。
改革开放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，2002年全国城市居民家庭平均每人每年消费支出为6029.88元, 最低的黑龙江省仅为人均4462.08元，最高的上海市达人均10464元，上海是黑龙江的2.35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，居民的收入水平、就业状况、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、模型设定我们研究的对象是各地区居民消费的差异。
居民消费可分为城市居民消费和农村居民消费，由于各地区的城市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“城市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“城市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市居民消费的差异，并不是城市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市居民的消费支出来建立模型。
因此建立的是2002年截面数据模型。
影响各地区城市居民人均消费支出有明显差异的因素有多种，但从理论和经验分析，最主要的影响因素应是居民收入，其他因素虽然对居民消费也有影响，但有的不易取得数据，如“居民财产”和“购物环境”；有的与居民收入可能高度相关，如“就业状况”、“居民财产”；还有的因素在运用截面数据时在地区间的差异并不大，如“零售物价指数”、“利率”。
一元线性回归分析
(2) Cov( ut us ) 0, ( t , s 1,2,3,
, n; t s )
Y
由上知： E (Yt ) 0 1 X t
Yt
E(Yt )＝ 0＋1 X t
。 ut
。 。 。
。 X
参数0和1的点估计
X1 Y1 X 2 …… Y2 …… Xt Yt
…… ……
或控制另一个特定变量的取值，并给出这种预测或控制的 精确程度；
回归分析的分类
回归分析
一个自变量
两个及以上自变量
一元回归
多元回归
线性 回归
非线性 回归
线性 回归
非线性 回归
一元线性回归模型
(一)总体回归函数 Yt＝ 0＋ 1 X t＋ut ut 是随机误差项，又称随机干扰项，它是一个特殊的 随机变量，反映未列入方程式的其他各种因素对Y的 影响。
n n ˆ ˆ n 1 X t Yt 0 t 1 t 1 n n n 2 ˆ ˆ X X 0 t 1 t X tYt t 1 t 1 t 1
ˆ 1
n X tYt X t Yt
t 1 t 1 t 1
Xn Yn
最小二乘法： 通过使得残差平方和 （各样本点与拟合直 线的纵向距离的平方 和）为最小来估计回 归系数的一种方法。
ˆ ˆX ˆ Y t 0 1 t
残差平方和： ˆ ˆ X )2 ˆ )2 (Y Q et2 (Yt Y t 0 1 t t
(二)样本回归函数 ˆ ˆ X (t 1,2,3, , n) ˆ Y t 0 1 t ˆ 称为残差，与总体的误差项u 对应，n为样 e Y Y
t t t t
- 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)。
实验报告
金融系金融学专业级班
实验人：实验地点：实验日期：
实验题目：进行相应的分析，揭示某地区住宅建筑面积与建造单位成本间的关系
实验目的：掌握最小二乘法的基本方法，熟练运用Eviews软件的一元线性回归的操作，并能够对结果进行相应的分析。
实验内容：实验采用了建筑地编号为1号至12号的数据，通过模型设计、估计参数、检验统计量、回归预测四个步骤对数据进行相关分析。
实验步骤：
一、模型设定
1.建立工作文件。
双击eviews，点击File/New/Workfile，在出现的对话框中选择数据
频率，因为该例题中为截面数据，所以选择unstructured/undated，在observations 中设定变量个数，这里输入12。
图1
2.输入数据。
在eviews 命令框中输入data X Y，回车出现group窗口数据编辑框，在
对应的X,Y下输入数据，这里我们可以直接将excel中被蓝笔选中的部分用cirl+c 复制，在窗口数据编辑框中1所对应的框中用cirl+v粘贴数据。
图2
3.作X与Y的相关图形。
为了初步分析建筑面积（X）与建造单位成本（Y）的关系，
可以作以X为横坐标、以Y为纵坐标的散点图。
方法是同时选中工作文件中的对象X和Y，双击得X和Y的数据表，点View/Graph/scatter，在File lines中选择Regressions line/ok（其中Regressions line为趋势线）。
得到如图3所示的散点图。
图3 散点图
从散点图可以看出建造单位成本随着建筑面积的增加而降低，近似于线性关系，为分析建造单位成本随建筑面积变动的数量规律性，可以考虑建立如下的简单线性回归模型：
二、估计参数
假定所建模型及其中的随机扰动项满足各项古典假定，可以用OLS法估计其参数。
Eviews软件估计参数的方法如下：
在eviews命令框中键入LS Y C X，按回车，即出现回归结果。
Eviews的回归结果如图4所示。
图4 回归结果
可用规范的形式将参数估计和检验结果写为：
（19.2645）（4.8098）
t=（95.7969）（-13.3443）
0.9468 F=178.0715 n=12
若要显示回归结果的图形，在equation框中，点击resids，即出现剩余项、实际值、拟合值的图形，如图5所示。
图5剩余项、实际值、拟合值图形
三、模型检验
1.经济意义检验
所估计的参1845.4750，-64.1840，说明建筑面积每增加1万平方米，平均来说建造单位成本将减少64.1840元/平方米，这与预期的经济意义相符。
2.拟合优度和统计检验
拟合优度的度量，由图4可以看出，可决系数为0.9468，说明所建模型整体上对样本数据拟合较好。
针对,的标准误差SE()=19.2645，t()=95.7967,取=0.05，查t分布表得自由度为n-2=12-2=10的临界值=2.228,因为t()=95.7967=2.228，所以拒绝原假设即。
针对
的标准误差SE()=4.8098,t()=-13.3444,因为t()=13.34434＜-2.228，所以拒绝原假设即。
对斜率系数的显著性检验表明，建筑面积对建造单位成本有显著影响。
四、回归预测
如果建筑面积为4.5万平方米，利用所估计的模型可预测所对应的建造单位成本，点预测值的计算方法为
=1845.4750-64.1840*4.5=1556.6470（元/平方米）
利用eviews作回归预测，首先在workfile窗口点击range，出现workfile range窗口，将end data 由12改为13，点Ok。
为了输入=4.5，在eviews命令框中键入data x回车，在X数据表中的13位置输入4.5，将数据表最小化。
然后在equation框中，点击forecast，打开对话框。
在对话框中的forecast name键入，回车即得到模型估计值及标准误差的图形。
双击workfile窗口中出现的，在数据表中的13位置出现=1556.647，这是当=4.5时建造单位成本的点预测值。
图8
=0.05，平均置信度95%的预测区间为
为了作区间预测，取
为获得相关数据，在用eviews作回归分析中，已经得到=1556.6470，
=1.812、=31.7360、n=12。
在X和Y的数据表中，点击view选descriptive stats/common sample，则得到X和Y的描述统计结果。
如图9。
图9 X和Y的描述统计结果
根据图9的数据可算出：
当=4.5时，将相关数据代入计算得到：
即是说，当建筑面积达到4.5万平方米时，建造单位成本平均值置信度95%的预测区间为（1533.7085，1579.5855）元/平方米。
个别值置信度95%的预测区间为
当=4.5时，将相关数据代入计算得到：
即是说，当建筑面积达到4.5万平方米时，建造单位成本个别值置信度95%的预测区间为（1482.3115，1630.9825）元/平方米。
在equation框中，点击forecast可得到预测值及标准误差的图形，见图10.
图10
实验结果：利用eviews软件，对参数作出估计和统计检验，作出了建造单位成本的区间预测和个别值预测，得出了，随着建筑面积的增加，建造单位成本降低。
实验体会与拓展设想：结合本道例题，初步掌握了利用eivews软件计算点预测、
个别值预测、区间预测、进行假设性检验，得出了建筑面积和建造单位成本之间的关系，简单实现了理论与实践的结合，对计量经济学的知识有了更深层次的认识。
得分。