1、计量经济学实验报告docx计量经济学实验报告中国居民总量消费函数模型：时间序列数据模型姓名： 学号： 年级： 专业： 教师姓名 上课时间 上课地点计量经济学实验报告实验目的：熟悉了解EVIEW歎件的基本应用，并对一元线性回归模型进行回归分 析，用图像法、DW检验、LM检验方法判断模型是否存在序列自相关，并用广义 差分法进行修正，本次实验以中国居民总量消费函数：时间序列数据模型为例。实验原理：普通最小二乘法、DW佥验、LM检验方法、广义差分法、序列相关稳 健估计法实验步骤：1、 创建新的工作文件。在主菜单File键下的New选择 WorkFile ，选择Annual， 并在Start date
2、中输入1978,在End date中输入2006,点击OK2、 输入数据。点击Quick下面的Empty Group，然后把截面数据输入到表格中， 即可得到如下表格：Vie*Frocs Objectsrrint | NameFreezeEdi t+/-|Smpl;ohsXY19786678.8003806.70015797551 OT4273.2001 119807944.2004605.50019818438.0006063,90(119829235.2005482400198310074.605983,200198411565.006745.700193511601.707729.2001
3、98613036.500210.9001W14627.709840.000198815794.009560.500193915035.509085.500199016525.909450.900199118939.6010375.80199222056.5011815.3019S325897.3013004 701W28783.4013944.20199531175.4015467.90199633853.7017092,5019973595B201808060199838140.9019364.10199940277.0020989 30200042964.6022863.902001463
4、85.4024370 10200251274.0026243.20200357406.1020035.00200464623.1030306.20200574680.4033214.40200635623.1036811 203、画散点图：在主菜单Quick下选择的Graph，在对话框中输入X、丫，点击0K选择图 形类型Scatter Diagram,则出现XY的散点图，点击Name保存。40000 30000 -Y 20000 -100000 4 1 1 1 1 0 20000 40000 60000 80000 1000004、采用普通最小二乘法进行估计：点击Quick下的Estimate
5、 Equation，出现如下对话框，在空白处输入y c x， 然后点击OKDepe ndent Variable: YMethod: Least SquaresDate: 12/26/14 Time: 08:37Sample: 1978 2006In cluded observati ons: 29VariableCoefficie ntStd. Error t-StatisticProb.C2091.309334.9890 6.2429190.0000X0.4375270.009297 47.059180.0000R-squared0.987955Mean depe ndent var148
6、55.73Adjusted R-squared0.987509S.D.dependent var9472.070S.E. of regressi on1058.639Akaike info criteri on16.83383Sum squared resid30259374Schwarz criteri on16.92813Log likelihood-242.0905F-statistic2214.566Durb in -Watson stat0.277156Prob(F-statistic)0.000000数据表明：可建立中国居民消费函数Y?=2091.29+0.4375X5、序列相关性
7、检验：(1)图像法a、 命令残差项定义残差项为e,在主菜单Quick下选择Gen erate Series ,在对话框中输入 e=resid，即用e表示上一次回归结果的残差项。b、 残差项e与时间t的图像在主菜单Quick下选择的Graph，在对话框中输入e，点击0K弹出对话框, 选择图形类型line graph ，,则出现残差项e和时间t的图像，点击Namd呆存。一 Ec、残差项e与滞后一期e (-1)的图像在主菜单Quick下选择的Graph，在对话框中输入e(-1) e，点击OK在 对话框中选择图形类型Scatter Diagram,出现残差项e和滞后一期e (-1)的散 点图，点击Na
8、me保存。3000 2000 - 、1000 -E0- - B V -1000 - J-2000 1 1 1 1 1 -3000 -2000 -1000 0 1000 2000 3000在主菜单Quick下选择的Graph，在对话框中输入e e (-1 )，点击OK 在对话框中选择图形类型 Scatter Diagram,出现滞后一期e (-1) 和残差项e 的散点图，点击Name保存。3000 2000 一 . ”I1000 -*E 0- ；,-1000 - 二-2000 -3000 -I , , , , ,-2000 -1000 0 1000 2000 3000E(-1)从残差项e与时间t
9、以及e(-1)与e的关系图综合来看，相邻随机项之间 存在正序列相关性。D.W.检验法D.W.检验结果表明，在5%显著性水平下，n=29, k-2(包含常数项)，查表得 dL=1.34，du=1.48，由于 D.W=0.277d,故存在正自相关。(3)拉格朗日乘数检验法(LM检验法)由于时间序列容易出现伪回归现象，因此做回归分析时须格外谨慎。本例中 X与丫都是时间序列，而且它们确实表现出共同的变动趋势，因此有理由怀疑较 高的r2部分地是由这一共同的变化趋势带来的。为了排除时间序列模型中这种 随时间变动而具有的共同变化趋势的影响， 一种解决方案是在模型中引入时间趋势项，将这种影响分离出来。a.在工
10、作文件窗口下选中X，点击右键，选择open。再点击view选择line graph，得到X随时间变动的趋势图。同理，我们在工作文件窗口下选中 丫，点 击右键，选择open。再点击view选择line graph，得到丫随时间变动的趋势图。b、 定义时间变量t。在主菜单Quick下选择Gen erate Series，在对话框 中输入t=trend(1978)+1，即用t表示时间趋势项。c、 由上述结果可在，由于X与Y均呈现非线性变化态势，引入的时间变量t以平方的形式出现。接下来对 Y=C+aX+b+u这个模型进行回归分析。在主菜单Quick下选择Estimate Equation, 在对话框输
11、入变量y c x tA2 点击OK得到用最小二乘法估计出模型的结果，点击Namd呆存。Depe ndent Variable: YMethod: Least SquaresDate: 12/26/14 Time: 09:27Sample: 1978 2006In cluded observati ons: 29Variable Coefficie nt Std. Error t-Statistic Prob.C3328.217195.0335 17.064850.0000X0.1761500.025986 6.7786860.0000TA221.655962.124190 10.194930.
12、0000R-squared0.997590Mean depe ndent var14855.73Adjusted R-squared0.997404S.D.dependent var9472.070S.E. of regressi on482.5745Akaike info criteri on15.29384Sum squared resid6054831.Schwarz criteri on15.43529Log likelihood-218.7608F-statistic5380.728Durb in -Watson stat0.441989Prob(F-statistic)0.0000
13、00d.1含一阶滞后残差项的辅助回归：在主菜单Quick下选择Estimate Equation，在对话框中输入el c x tA2 e1(-1)，点击OK得到用最小二乘法估 计出模型的结果，点击Name(呆存。Depe ndent Variable: E1Method: Least SquaresDate: 12/26/14 Time: 09:36Sample(adjusted): 1979 2006In cluded observati ons: 28 after adjusti ng en dpo intsVariableCoefficie ntStd. Errort-Statistic
14、Prob.C-47.00860122.0154-0.3852680.7034X0.0190920.0161911.1792150.2499TA2-1.6187561.325883-1.2208890.2340E1(-1)0.7606370.1223386.2175010.0000R-squared0.618948Mean depe ndent var25.70153Adjusted R-squared0.571316S.D.dependent var452.0918S.E. of regressi on296.0025Akaike info criteri on14.35018Sum squa
15、red resid2102819.Schwarz criteri on14.54049Log likelihood-196.9025F-statistic12.99448Durb in -Watson stat1.426383Prob(F-statistic)0.000030 回归结果如下：e仁-47.09+0.019X -1.62T 2 +0.761e- i(-0.39)(1.18) (-1.22) (6.22)2R =0.619 0于是，LM=28*0.619 0=17.33，该值大于显著性水平为 5%自由度为1的k2 分布的临界值k20.5(1)=3.84，由此判断原模型存在I阶序列相关
16、性。d.2含二阶滞后残差项的辅助回归：在主菜单Quick下选择Estimate Equation,在对话框中输入e1 c x上八2 e1(-1) e1(-2) ，点击OK得到用最小二 乘法估计出模型的结果，点击 Name保存。Depe ndent Variable: E1Method: Least SquaresDate: 12/26/14 Time: 09:41Sample(adjusted): 1980 2006In cluded observati ons: 27 after adjusti ng en dpo intsVariableCoefficie ntStd. Errort-St
17、atisticProb.C-61.21510120.4411-0.5082570.6163X0.0173610.0157321.1035020.2817TA2-1.4202901.295000-1.0967490.2846E1(-1)1.0564750.2000045.2822660.0000E1(-2)-0.3629240.191011-1.9000180.0706R-squared0.656736Mean depe ndent var44.12952Adjusted R-squared0.594324S.D.dependent var449.8598回归结果如下：e1= -61.3 +0.
18、017X -l.42仃 2 +1.056e (-1 ) - 0.363e (-2)(-0.51)(1.10) (-1.10) (5.28) (-1.90)R 2=0.656 8于是，LM=27*0.656 8=17.73 .该值大于显著性水平为 5%自由度为2的k2 分布的临界值k20.5(2)=5.99，仍说明原模型存在序列相关性，但 e(-2)的参数未 通过5%勺显著性检验，表明并不存在 2阶序列相关性。结合1阶滞后残差项的 辅助回归情况，可判断引入T2的模型存在显著的1阶序列相关性。&广义差分法修正模型在主菜单Quick下选择Estimate Equation，在对话框中输入变量 y c
19、 x tA2 ar(1)，点击OK得到用最小二乘法估计出模型的结果，点击 Namd呆存。Depe ndent Variable: YMethod: Least SquaresDate: 12/26/14 Time: 10:39Sample(adjusted): 1979 2006In cluded observati ons: 28 after adjusti ng en dpo intsCon verge nee achieved after 5 iterati onsVariableCoefficie ntStd. Errort-StatisticProb.C3505.790403.320
20、68.6923160.0000X0.1995310.0302626.5934670.0000TA219.242362.9267136.5747330.0000AR(1)0.7479390.1260375.9342920.0000R-squared0.999093Mean depe ndent var15250.34Adjusted R-squared0.998980S.D.dependent var9400.003S.E. of regressi on300.2759Akaike info criteri on14.37884Sum squared resid2163974.Schwarz c
21、riteri on14.56916Log likelihood-197.3038F-statistic8811.778Durb in -Watson stat1.394747Prob(F-statistic)0.000000In verted AR Roots.75回归的估计结果如下：丫=3505.7 +0.199 6X +19.24T 2 +0.7480AR(1) (8.69) (6.59) (6.57) (5.93)R 2=0.999 l 调整后的 R2 =0.9990 D.W.=1.39式中，ar(1)前的参数值即为随机扰动项的I阶序列相关系数。在5%勺显著 性水平下，I.I8=D lD
22、.W.Df1.65(样本容量为28)，无法判断经广义差分变换后 的模型是否已不存在序列相关性。2 2下面，借助模型 E2=c+a*(X-0.7480X-1)+b(T -0.7480T -1)+E(-1)进行判断变 换后的模型是否存在序列相关性。首先定义模型中的相关变量：在主菜单Quick下选择Gen erate Series，在 对话框中输入e2=resid，即用e2表示广义差分法估计结果的残差项。同样的操 作，再次在主菜单 Quick下选择Gen erate Series，我们在对话框中输入 x1=x-0.7480x -i，即用x1表示x与之后一期的差，在对话框中输入 t仁t-0.7480t
23、 -i，即用t1表示t与之后一期的差。这样便完成了对 e2、x1和t1的定义。然后再对借助的模型进行回归分析。在主菜单 Quick下选择EstimateEquation，在对话框中输入变量 e2、c、x1、t1、e2(-1)，点击OK得到用最小 二乘法估计出模型的结果，点击 Name(呆存。Depe ndent Variable: E2Method: Least SquaresDate: 12/26/14 Time: 10:51Sample(adjusted): 1980 2006In cluded observati ons: 27 after adjusti ng en dpo intsV
24、ariableCoefficie ntStd. Errort-StatisticProb.C-7.03252896.01640-0.0732430.9422X10.0103950.0293280.3544370.7262T1-0.8965202.791610-0.3211480.7510E2(-1)0.3150780.2068891.5229330.1414R-squared0.091640Mean depe ndent var1.121592Adjusted R-squared-0.026842S.D.dependent var288.4323S.E. of regressi on292.2
25、777Akaike info criteri on14.32924Sum squared resid1964804.Schwarz criteri on14.52122Log likelihood-189.4447F-statistic0.773451Durb in -Watson stat1.882730Prob(F-statistic)0.520721= =回归结果入下：E2=-7.028+0.027X1-0.89T1+0.315E2(-1)R2=0.0917由拉格朗日检验值为LM=n =27x0.0917=2.48，小于显著性水平为5%自 由度为1的k2,分布的临界值k20.05(1)=
26、3.84，表明模型干扰项己不存在自相关性。7、序列相关稳健标准误差法当模型存在序列相关性时，也可采用尼威一韦斯特的序列相关一致方差估 计，即进行所谓的序列相关稳健估计，以达到对普通最小二乘法中参数的不正确 方差估计的修正。接下来将进行序列相关稳健标准误法。在主菜单 Quick下选择EstimateEquation，在对话框中输入变量 y c x tA2，在 option 选中 heteroskedasticity 并选择newey-west，点击OK得到用最小二乘法估计出模型的结果，点击 Name保存。Depe ndent Variable: YMethod: Least SquaresDat
27、e: 12/26/14 Time: 10:56Sample: 1978 2006In cluded observati ons: 29Newey-West HAC Sta ndard Errors & Covaria nee (lag trun catio n=3)VariableCoeffieie ntStd. Errort-StatisticProb.C3328.217227.663214.619040.0000X0.1761500.0233897.5311950.0000TA221.655962.2116399.7918180.0000R-squared0.997590Mean depe
28、 ndent var14855.73Adjusted R-squared0.997404S.D.dependent var9472.070S.E. of regressi on482.5745Akaike info eriteri on15.29384Sum squared resid6054831.Schwarz eriteri on15.43529Log likelihood-218.7608F-statistic5380.728Durb in -Watson stat0.441989Prob(F-statistic)0.000000 =, k 2序列相关稳健估计结果为： 丫 =3328.19十0.176 X +21.656 T(14.61) (7.53) (9.79)R 2 =0.9976 修正后的 氏=0.997 2 D.W.=0.442可以看出，估计的参数与普通最小二乘法的结果相同， 只是由于参数的标准差得到了修正，从而使得t检验值与普通最小二乘法的结果不同，但差异并不大。
