Pairwise Granger Causality Tests
计量经济题 试题 2有答案
一、填空题（每个空格1分，共20分）1、数理经济学模型揭示经济活动中各个因素之间 理论 关系，而计量经济学模型揭示了经济活动中各个因素之间 定量 关系，生产函数rtQ =Ae K L 是 数理经济学模型 模型，而.t..Q =.eK L 00120360675064是 计量经济学 模型。
3、计量经济学模型建立过程中一项重要工作是模型检验，这一工作主要包含经济意义检验、 统计 检验、 计量经济 检验、 模型预测 检验。
4、回归分析与相关分析明显区别在于相关分析仅从统计数据上测度变量间的 相关 关系，而没有考虑变量之间是否有 因果 关系，变量之间的地位是对称的，而回归分析注重后者的测度。
5、一般经验认为样本容量n30或者大于等于3（k+1），才能说满足模型估计的基本要求。
6、模型出现多重共线性，如果直接用OLS 估计，会产生四种不良后果，即（1） 完全共线性下参数估计量不存在 、（2） 近似共线性下参数估计量方差变大 、（3） 参数估计量经济含义不合理 、（4） 变量的显著性检验和模型的预测功能失去意义 。
7、sti t iti Y x，请问这个模型称为 分布滞后模型，其中 b0 称为短期乘数， b1+b2+··· 称为均衡乘数。
1、常用的样本数据有三类，即 时间序列 数据、 截面 数据和虚变量数据。
样本数据的质量可以概括为 完整性 、 准确性、 可比性 和一致性四个方面。
2、要使模型能够得出参数估计量，所要求的最小样本容量为 k+1 。
4、回归分析与相关分析明显区别在于相关分析仅从统计数据上测度变量间的 相关 关系，而没有考虑变量之间是否有 因果 关系，变量之间的地位是对称的，而回归分析注重后者的测度。
5、一般经验认为样本容量n 30或者 n 》3（K+1） ，才能说满足模型估计的基本要求。
6、模型出现多重共线性，如果直接用OLS 估计，会产生四种不良后果，即（1） 完全共线性，参数估计量不存在 、（2） 近似共线性参数估计量方差变大 、（3） 参数估计量经济意义不合理 、（4） 模型显著性检验和预测失效 。
《金融计量学》习题及习题答案
诚实考试吾心不虚 ，公平竞争方显实力， 考试失败尚有机会 ，考试舞弊前功尽弃。
上海财经大学《 Financial Econometrics 》课程考试卷一课程代码 课程序号姓名 学号 班级Part 1 T erm Explanation （20 marks ）1．White Noise 2．RandomWalk3．Akaike Information Criterion 4．Jarque-Bera Statistic 5．Chow T estImportant Point ：1．White Noise ：White Noise is the special case of stationary stochastic process. We call a stochastic process purely random or white noise if it has zero mean, constant variance and is serially uncorrelated.2．RandomWalk: Random walk means that the stochastic process is nonstationary and value of this period is highly related to the past values. For example, the stock price today may equal the yesterday ’s price plus a random shock. Random walk without drift can be expressed as t t t u y y +=-13．Akaike Information Criterion: AIC provide a way to select the better regression model among several models by comparing their forecast performance. The lower the AIC, the better the forecast performance will be. AIC will also be used to determine the lag length in ARDL approach.4．Jarque-Bera Statistic: The Jarque-Bera test is the test of normality . We first calculate the skewness and the kurtosis, and it is also based on the residual of the regression.The Jarque-Bera S tatistic=)24)3(6(22-+K S n , where S is the skewness and K is the kurtosis,n is sample size, and for normal distribution, S=0, K=3, if JB statistic is not significantly different from zero, p value is quite low , we reject the null hypothesis that the residual is normally distributed.5．Chow T est: The test of structural change of the regression. The estimate of the parameter of the regression may not retain the same through the entire time period; we use the Chow test to test whether the relationship is stable and find the break point. It develop the F statistics=)/(/)(k N RSS mRSS RSS ur ur r --, the null hypothesis is the regression is stable.Part 2 Explain main purpose(s) of constructing following two models and making comments on the empirical results. (25marks)1.Gregory Chow (1966)where M = natural logarithm of total money stock Y p = natural logarithm of permanent income Y = natural logarithm of current income R = natural logarithm of rate of interest2.Taylor and Newhouse (1969)本题答题要点：1。
案例三：中国各城市居民消费分析
案例三：中国各城市居民消费分析（一）案例目标生产，收入、分配与使用，体现了社会经济运动的循环过程。
收入分配是这个过程的中间环节，承前启后。
收入分配核算构成了国民经济核算的最重要组成部分中之一，涉及多个账户，核算内容包括国民收入的初次分配、再分配、可支配收入和使用核算。
本案例以收入使用中的居民消费结构为目标，分析不同时期我国城镇居民消费构成的差异及其发展变化过程。
（二）案例背景我国从确立市场经济体制以后，社会经济迅速发展，居民的收入水平和消费水平有了显著的提高。
然而消费需求不足仍是我国制约经济进一步发展的重要原因之一。
地区差距及时间的变迁，使得居民在消费行为上存在很大的差异。
因此研究地区差异和时间变化对居民消费行为的影响，对有效制定地区消费政策、促进地区乃至全国经济增长有着经济的意义。
（三）分析方法Panel-Data就是“平行数据”或“面板数据”。
它是指在时间序列上取多个截面，在这些截面上同时选取样本观测值所构成的样本数据。
因此，平行数据模型相较于只利用截面数据或只利用时间序列数据的模型而言，有着不可替代的作用。
它可以从多层面分析经济问题，具有很高的应用价值。
本文需要对收入差距较大的各城市居民消费行为进行分析，同时又要考虑到不同年份收入对消费的不同影响，因此，该模型适合分析的需要。
1．Panel Data模型截面数据是选择同一时间上不同区域的数据作为样本观测值，而时间序列数据是选择同一区域在不同时间上的数据作为样本观测值，二者在实际应用中都有一定的局限性。
相对只利用截面数据或只利用时间序列数据进行经济分析而言，Panel Data模型具有许多优点。
首先，Panel Data模型通过对不同截面单元不同时间观察值的结合，成为“更多信息、更可变、变量之间更少共线性、更多自由度、更有效”的数据。
它通常提供给研究者大量的数据点，这样就增加了自由度并减少了解释变量之间的共线性，改进了计量经济估计的有效性；第二，Panel Data是对同一截面单元集进行重复观察，能更好地研究经济行为变化的动态性。
计量经济学模型分析论文 影响我国人均GDP的变量因素分析
影响我国人均GDP的变量因素分析摘要人均国内生产总值，也称作“人均GDP"，是衡量经济发展状况的重要指标，，它是人们了解和把握一个国家或地区的宏观经济运行状况的有效工具。
是衡量各国人民生活水平的一个标准，为了更加客观的衡量，经常与购买力平价结合。
文章从从城市化率、城镇居民家庭可支配收入、政府支出以及城镇居民消费水平四个方面作为出发点，通过往年的数据发展来观察它们对于人均GDP的影响，从而对我国目前的经济发展提供一些建议。
笔者认为，在提高城镇居民可支配收入、城市化率以及政府支出的基础上，更要调节好我国目前贫富差距过大的问题，这样才能保持经济的稳定发展。
关键词：人均GDP；城市化率；城镇居民可支配收入；城府支出引言一国的经济乃立国之本，而经济发展是以GDP增长为前提的。
影响人均GDP 的因素看似众多，究竟哪些因素对人均GDP的增长起关键性的影响作用呢？由此引出了本小组的研究课题——对我国人均GDP影响因素的计量分析。
随着2009年中国GDP赶超日本，成为世界排名第二，无疑吸引了国内外的目光。
然而，在如此大的总量之下，中国的人均GDP却一直在世界100名左右徘徊。
“国服民穷”的现状一直是我们的问题。
经我们数据搜寻，在人均GDP的增长过程中，城市化率、城镇居民家庭人均可支配收入、城市政府支出以及城镇居民消费水平都有了显著的上升。
同时，我们知道GDP的构成取决于消费、投资、政府支出。
因此，我们把城市化率、城镇居民人均可支配收入、城市政府支出、城镇居民消费水平这四个指标作为反映了人均GDP的自变量，认为这四个变量是影响人均GDP的关键性因素。
本实验主要选取1979—2009年的统计数据。
一、人均GDP的基本概念及特点1、人均GDP的基本概念和经济意义（1）人均GDP的基本概念人均国内生产总值（Real GDP per capita），也称作“人均GDP"，常作为发展经济学中衡量经济发展状况的指标，是重要的宏观经济指标之一，它是人们了解和把握一个国家或地区的宏观经济运行状况的有效工具。
黄金与白银套利
黄金与白银的跨商品套利投稿人：浙江放眼量投资公司中国计量学院十八青松陈晓波张熙孙建明摘要：通过ADF、AEG检验发现黄金和白银之间存在长期稳定的均衡关系，Granger因果检验发现两者价格互为因果关系，两者可以作为跨商品套利的商品兑；黄金和白银的比价随着黄金和白银价格的涨跌呈现一定的规律性，此规律可以用作套利的指导策略。
本文借助移动平均线的原则，研究黄金白银比价关系，以比价的10期移动平均线的黄金交叉和死亡交叉作为黄金白银套利的进出场信号。
本文从2000年1月12日到2012年1月12日的日线收盘价2726组数据为基础得出结论，把2012年1月13日至2015年3月11日的日线收盘价进行实证模拟买卖，其中开仓平仓共25次，获利70150美元/手黄金，最大亏损4.43%，最大回撤5.64%，最大盈利46.43%，平均年回报率20.33%。
由此得出，通过以黄金白银比价的移动平均线为指导的黄金白银跨商品套利策略可以获得持续地稳定地盈利。
关键字：黄金白银；价格关系；套利策略一、引言白银常被人们称为“穷人的黄金”或“次黄金”，它和黄金同属于贵金属，是公认的财富避风港。
白银具有商品属性、投资属性和金融属性，白银所具有的最好的导电导热性能、良好的柔韧性、延展性和反射性等，使其在工业应用、摄影业等发挥着重要的作用，以及人们的偏好，对白银在首饰等奢侈品方面也有很大的需求。
尽管银本位被的废除后白银金融属性弱化，但其仍然具有一定的避险功能及投资价值。
而白银本质是商品有其价值，价格总是围绕价值波动，当价格偏离价值较远时，价格总是会回到价值附近，从而产生了套利机会。
跨商品套利是指利用两种不同的、但是相互关联的商品之间的期货价格的差异进行套利，即买进(卖出)某一交割月份某一商品的期货合约，而同时卖出(买入)另一种相同交割月份、另一关联商品的期货合约。
本文通过分析，得出了黄金和白银之间存在套利机会，根据统计套利的均值回归思想，认为两个相关度很高的资产组合的价差出现背离后，未来会向价差的均值进行回归。
黄金期货与黄金股票之间的关系
中国黄金期货与黄金股票关系分析摘要：本文利用相关性和Granger因果检验分析了黄金期货和黄金股票市场之间的关系，结果表明基金期货与黄金股票市场之间的相关性较小，但黄金期货市场的价格波动对黄金股票市场的波动具有一定的影响作用，是黄金股票价格波动的一个重要因素。
关键词：相关性分析、Granger因果检验分析、黄金期货、黄金股票引言黄金具有货币、商品和金融三大属性。
在经历了全球金融危机之后，美元不在同程度上有所贬值，以美元标价的黄金价格一路飙升，正如马克思所说的“货币天然是金银，金银天然不是货币”，但在制度层面上，黄金非货币化并不等于黄金已完全失去了货币职能。
黄金是一国外汇储备的重要组成部分，我国的黄金储量截止到2009年9月为1054吨，占外汇储备的1.9%，居世界第6位。
全球黄金产量自2001年达到2623吨历史最高水平之后，一直呈现下降趋势。
2008年，全球黄金总产量2416吨，比2007年下降2.5%。
而我国近年来黄金产量一直保持持续增长，继2007年首次超过南非居世界第一位之后，2008年我国黄金产量达到282吨，同比增加4.26%，继续保持全球第一，2008年的需求量为396吨，居世界第二位，中国已在全球的黄金市场上占有重要的地位（《黄金年鉴2009》）。
我国的黄金期货于2008年1月9日在上海期货交易所上市交易，添补了我国黄金期货的空白，为黄金生产商、加工商等提供了规避风险的有利工具。
我国的A股共有三支黄金股票：中金黄金、山东黄金、紫金矿业。
黄金期货反映了黄金的供求关系，而黄金股票不仅能够反应黄金的供求关系，还能反映出黄金企业的公司业绩。
因此，研究黄金期货与黄金股票之间的关系具有重要的意义。
一数据说明本文选取的数据范围是2008年1月9日至2009年1月4日共485个数据。
黄金期货数据选取上海期货交易所的沪金指数，因为沪金指数具有一定的连续性，能够综合反映各个合约的价格变动情况。
黄金股票数据选取中金黄金、山东黄金、紫金矿业三支股票的以成交量为权重的加权平均值，加权平均值具有连续性，能够综合反映三支股票的变动情况，可以综合反映中国A股市场黄金股票的价格变动情况。
EVIEWS软件的使用说明向量自回归和误差修正模型
EVIEWS软件的使用说明--向量自回归和误差修正模型第二十章向量自回归和误差修正模型联立方程组的结构性方法是用经济理论来建立变量之间关系的模型。
但是，经济理论通常并不足以对变量之间的动态联系提供一个严密的说明。
并且，内生变量既可以出现在等式的左端又可以出现在等式的右端使得估计和推断更加复杂。
为解决这些问题产生了一种用非结构性方法来建立各个变量之间关系的模型。
就是这一章讲述的向量自回归模型（Vector Auto regression, VAR）以及向量误差修正模型（Vector Error Correction, VEC）的估计与分析。
同时给出一些检验几个非稳定变量之间协整关系的工具。
§20.1 向量自回归理论向量自回归（VAR）常用于预测相互联系的时间序列系统以及分析随机扰动对变量系统的动态影响。
VAR方法通过把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型，从而回避了结构化模型的需要。
一个VAR(p) 模型的数学形式是：(20.1)这里是一个维的内生变量，是一个维的外生变量。
和是要被估计的系数矩阵。
是扰动向量，它们相互之间可以同期相关，但不与自己的滞后值相关及不与等式右边的变量相关。
作为VAR的一个例子，假设工业产量（IP）和货币供应量（M1）联合地由一个双变量的VAR模型决定，并且让常数为唯一的外生变量。
内生变量滞后二阶的VAR(2)模型是：(20.2)其中，是要被估计的参数。
也可表示成：§20.2 估计VAR模型及估计输出选择Quick/Estimate VAR…或者在命令窗口中键入var，并在出现对话框内添入适当的信息：1．选择说明类型：Unrestricted VAR（无约束向量自回归）或者Vector Error Correction（向量误差修正）2．设置样本区间。
3．在适当编辑框中输入滞后信息。
这一信息应被成对输入：每一对数字描述一个滞后区间。
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。
计量作业
第七次作业：基于中国经济相关数据建立VAR模型7.1 数据来源和初步处理选取1990-2008年数据（GDP、CPI、货币供应量M1）建立VAR模型。
原始数据如表7-1所示：数据来源：国家统计局网站原始数据经取对数后如表7-2所示：7.2滞后阶数选择在开始分析检验以前，需确认滞后阶数输出结果如下表：由上表可知，滞后期为2是最好的选择。
7.3 格兰杰因果检验Granger-Causality因果关系检验是研究两个变量是否存在因果关系的常用方法。
的其基本思想如下：对于两个时间序列过程，如果变量X在对变量Y的预测中是有帮助的，即根据Y的过去值对Y进行回归时，如果再加上X的过去值，能显著地增强回归的解释能力，则称X是Y的格兰杰原因；否则，称为非格兰杰原因。
我们对数据先进行因果关系的检验（滞后阶数为2），输出结果如下：表7-4 格兰杰因果检验结果Pairwise Granger Causality TestsDate: 07/01/10 Time: 10:11Sample: 1990 2010Lags: 2Null Hypothesis: Obs F-Statistic Prob.LNGDP does not Granger Cause LNM1 17 1.04616 0.3812LNM1 does not Granger Cause LNGDP 13.1515 0.0009LNCPI does not Granger Cause LNM1 17 1.25950 0.3188LNM1 does not Granger Cause LNCPI 13.8605 0.0008LNCPI does not Granger Cause LNGDP 17 13.2428 0.0009LNGDP does not Granger Cause LNCPI 8.76573 0.0045在5%的显著性水平下，我们只需看P值与5%的关系来判断即可。
大学专业课-计量经济学-A卷-试卷及答案
REV does not Granger Cause GDP
26
3.17904
0.12663
GDP does not Granger Cause REV
1.84105
0.17907
根据上述输出结果，对REV和GDP进行Granger因果关系分析(显著性水平为0.05)
2.（5分）观察下列输出结果，分析变量间出现了什么问题？如何解决该问题？
A.F=1 ; B. F=0; C. F=-1 D. F=∞
5.判定系数r2=0.7，说明回归直线能解释被解释变量总变差的：( )
A.30% B.70% C.64% D.49%
6.DW的取值范围是：( )
A.-1≤DW≤0 B.-1≤DW≤1 C.-2≤DW≤2 D.0≤DW≤4
7.设个人消费函数 中，消费支出Y不仅与收入X有关，而且与消费者的性别、年龄构成有关，年龄构成可以分为老、中、青三个层次，假定边际消费倾向不变，该消费函数引入虚拟变量的个数为( )
Variable
Coefficient
Std. Error
t-Statistic
Prob.
T
0.195181
0.004367
44.69628
0.0000
C
4.887978
0.059875
81.63659
0.0000
R-squared
0.989598
Mean dependent var
7.230146
假定3无自相关假定，两个误差项之间不相关。即cov (ui,uj)=0i≠j。
这里，cov表示协方差，i和j表示任意的两个误差项。（如果I=j，则上式就给出了的方差的表达式）。无自相关假定表明误差项ui是随机的。
- 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)。
Pairwise Granger Causality Tests
Date: 06/09/15 Time: 22:07
Sample: 1 25
Lags: 2
Null Hypothesis: Obs F-Statistic Prob.
M0 does not Granger Cause GDP 23 1.37641 0.2778 GDP does not Granger Cause M0 0.91821 0.4171
SZZS does not Granger Cause GDP 23 0.25247 0.7796 GDP does not Granger Cause SZZS 1.88357 0.1808
SZZS does not Granger Cause M0 23 2.12026 0.1490 M0 does not Granger Cause SZZS 1.44233 0.2624
Pairwise Granger Causality Tests
Date: 06/09/15 Time: 22:09
Sample: 1 25
Lags: 3
Null Hypothesis: Obs F-Statistic Prob.
M0 does not Granger Cause GDP 22 1.45338 0.2670 GDP does not Granger Cause M0 0.66047 0.5890
SZZS does not Granger Cause GDP 22 1.21615 0.3381 GDP does not Granger Cause SZZS 3.11807 0.0577
SZZS does not Granger Cause M0 22 1.07665 0.3888 M0 does not Granger Cause SZZS 0.84746 0.4892
Pairwise Granger Causality Tests
Date: 06/09/15 Time: 22:09
Sample: 1 25
Lags: 2
Null Hypothesis: Obs F-Statistic Prob.
JMXF does not Granger Cause GDZC 23 0.19732 0.8227 GDZC does not Granger Cause JMXF 9.75235 0.0014
M1 does not Granger Cause GDZC 23 2.92613 0.0794 GDZC does not Granger Cause M1 4.34580 0.0288
M2 does not Granger Cause GDZC 23 5.26158 0.0159 GDZC does not Granger Cause M2 2.37450 0.1216
M1 does not Granger Cause JMXF 23 4.98851 0.0189 JMXF does not Granger Cause M1 3.98588 0.0369
M2 does not Granger Cause JMXF 23 8.86060 0.0021 JMXF does not Granger Cause M2 2.21427 0.1381
M2 does not Granger Cause M1 23 7.98400 0.0033 M1 does not Granger Cause M2 16.4392 9.E-05
Pairwise Granger Causality Tests
Date: 06/09/15 Time: 22:10
Sample: 1 25
Lags: 3
Null Hypothesis: Obs F-Statistic Prob.
JMXF does not Granger Cause GDZC 22 0.52487 0.6718 GDZC does not Granger Cause JMXF 6.28910 0.0056
M1 does not Granger Cause GDZC 22 3.07349 0.0599 GDZC does not Granger Cause M1 3.67609 0.0364
M2 does not Granger Cause GDZC 22 3.75167 0.0342 GDZC does not Granger Cause M2 1.62685 0.2252
M1 does not Granger Cause JMXF 22 5.40332 0.0101 JMXF does not Granger Cause M1 2.06522 0.1479
M2 does not Granger Cause JMXF 22 6.06830 0.0065 JMXF does not Granger Cause M2 1.31728 0.3056
M2 does not Granger Cause M1 22 3.32406 0.0485 M1 does not Granger Cause M2 9.90866 0.0008。