钾肥中有效钾含量的测定实验教学任务书优秀doc资料

钾肥中有效钾含量的测定实验教学任务书优秀doc资料
实训实验任务名：钾肥中有效钾含量的测定
课程工业分析
情境学习情境四肥料分析
课时：3 地点：1号实训楼C303
目录
介绍 (2)
目的 (2)
技能要求 (2)
讲师的任务 (2)
预习参考资料 (3)
钾肥中有效钾含量的测定原理概述.......................... .. (3)
钾肥中有效钾含量的测定需使用的试剂.................... . (3)
钾肥中有效钾含量的测定实验过程........................... .. (3)
任务单 (5)
考核标准 (5)
讨论的问题 (5)
介绍
在完成这一个实验任务的学习之后，学员将能四苯硼酸钠重量法测定钾肥中钾含量的基本原理及实验过程，同时具备相关试剂制备能力、玻璃坩埚循环水真空泵抽滤操作技能。

目的
1.掌握四苯硼酸钠重量法测定钾肥中钾的原理。

2.掌握玻璃坩埚和循环水真空泵的使用方法。

3.掌握重量分析法的相关操作。

技能要求
1.配制实验中所需试剂。

2.玻璃坩埚的处理。

3.循环水真空泵的使用。

4.沉淀的过滤及洗涤。

5.干燥箱的使用。

讲师的任务:
1.讲述四苯硼酸钠重量法测定钾肥中钾的测定原理。

2.讲述玻璃坩埚和循环水真空泵的使用方法。

3.讲述实验过程中的注意事项。

预习参考资料
钾肥中有效钾含量的测定原理概述
在碱性条件下加热消除试样溶液中铵离子的干扰，加入乙二胺四乙酸二钠以配位其他微量阳离子，钾与四苯硼酸钠反应生成四苯硼酸钾沉淀，过滤、干燥后称重。

钾肥中有效钾含量的测定需使用的试剂：
1)40 g/L乙二胺四乙酸二钠(EDTA)溶液：溶解4 g EDTA于100 mL水中。

2) 200 g/L氢氧化钠溶液：称量20 g不含钾的氢氧化钠，溶于100 mL水中。

3)25 g/L四苯硼酸钠溶液：称取6.25 g四苯硼酸钠于烧杯中，加入约200 mL 水，使其溶解，加入5 g氢氧化铝，搅拌10 min，用慢速滤纸过滤。

如滤液呈浑浊，必须反复过滤至澄清，收集全部滤液于250 mL容量瓶中，加入1 mL氢氧化钠溶液，然后稀释至刻度，混匀备用。

必要时，使用前重新过滤。

4) 1.5 g/L四苯硼酸钠洗液：取25 g/L四苯硼酸钠溶液适量，用水稀释即可。

5) 5 g/L酚酞指示液
钾肥中有效钾含量的测定过程
1) 样品处理
称取试样适量（如农业用硫酸钾为2.0 g），精确至0.001 g，置于250 mL
三角瓶中，加100 mL 蒸馏水，插上梨形漏斗，在电炉上缓缓煮沸15 min，冷却，定量转移到500 mL容量瓶中，用水稀释至刻度，干过滤，弃去初滤液，取续滤液供分析测试用。

2) 沉淀的生成
准确吸取含有约40 mg K2O的滤液于250 mL烧杯中，用水稀释至约50 mL，加入10 mL EDTA溶液、5滴酚酞指示液，搅匀，逐滴加入氢氧化钠溶液直至溶液的颜色变红为止，再过量1 mL。

加入5 mL甲醛溶液，搅匀（此时溶液的体积约为40 mL为宜）。

在剧烈搅拌下，逐滴加入比理论需要量（10 mg K2O需3 mL 25 g/L四苯硼酸钠溶液）多4 mL的四苯硼酸钠溶液，静置30 min。

3) 沉淀的过滤、干燥及称量
用预先在（120±5）℃烘至恒重的4号玻璃坩埚抽滤沉淀，用四苯硼酸钠洗液将沉淀全部移入坩埚内，再用该洗液洗涤沉淀5次，每次5 mL，最后用水洗涤两次，每次用5mL。

将坩埚连同沉淀置于（120±5）℃烘箱内，干燥1.5 h，取出，放入干燥器中冷却至室温，称重，直至恒重。

4) 空白试验
在测定的同时，除不加试样外，按同样的操作步骤，同样试剂、溶液和用量，进行平行操作。

任务单
1. 配制实验中相关试剂
2. 准备好玻璃坩埚
3. 检查循环水真空泵的完好性
4. 样品处理及测定
5. 实验数据的记录与处理
考核标准
讨论的问题
1.空白实验的目的是什么？
2. 如何检查干燥是否恒重？
实验三多元回归模型
【实验目的】
掌握建立多元回归模型和比较、筛选模型的方法。

【实验内容】
建立我国国有独立核算工业企业生产函数。

根据生产函数理论，生产函数的基本形式为：()ε,
f
t
Y=。

其中，L、K分别为生产过程中投入的劳动与资金，
L
,
,K
时间变量t反映技术进步的影响。

表3-1列出了我国1978-1994年期间国有独立核算工业企业的有关统计资料；其中产出Y为工业总产值（可比价），L、K分别为年末职工人数和固定资产净值（可比价）。

资料来源：根据《中国统计年鉴－1995》和《中国工业经济年鉴-1995》计算整理
【实验步骤】
一、建立多元线性回归模型
㈠建立包括时间变量的三元线性回归模型；
在命令窗口依次键入以下命令即可：
⒈建立工作文件： CREATE A 78 94
⒉输入统计资料： DATA Y L K
⒊生成时间变量t ： GENR T=@TREND(77) ⒋建立回归模型： LS Y C T L K 则生产函数的估计结果及有关信息如图3-1所示。

图3-1 我国国有独立核算工业企业生产函数的估计结果 因此，我国国有独立工业企业的生产函数为：
K L t y 7764.06667.06789.7732.675ˆ+++-= （模型1）
t ＝(-0.252) (0.672) (0.781) (7.433)
9958.02=R 9948.02=R 551.1018=F
模型的计算结果表明，我国国有独立核算工业企业的劳动力边际产出为0.6667，资金的边际产出为0.7764，技术进步的影响使工业总产值平均每年递增77.68亿元。

回归系数的符号和数值是较为合理的。

9958.02=R ，说明模型有很高的拟合优度，F 检验也是高度显著的，说明职工人数L 、资金K 和时间变量t 对工业总产值的总影响是显著的。

从图3-1看出，解释变量资金K 的t 统计量值为7.433，表明资金对企业产出的影响是显著的。

但是，模型中其他变量（包括常数项）的t 统计量值都较小，未通过检验。

因此，需要对以上三元线性回归模型做适当的调整，按照统计检验程序，一般应先剔除t 统计量最小的变量（即时间变量）而重新建立模型。

㈡建立剔除时间变量的二元线性回归模型； 命令：LS Y C L K
则生产函数的估计结果及有关信息如图3-2所示。

图3-2 剔除时间变量后的估计结果
因此，我国国有独立工业企业的生产函数为：
K L y 8345.02085.127.2387ˆ++-= （模型2）
t ＝(-2.922) (4.427) (14.533)
9956.02=R 9950.02=R 953.1589=F
从图3-2的结果看出，回归系数的符号和数值也是合理的。

劳动力边际产出为1.2085，资金的边际产出为0.8345，表明这段时期劳动力投入的增加对我国国有独立核算工业企业的产出的影响最为明显。

模型2的拟合优度较模型1并无多大变化，F 检验也是高度显著的。

这里，解释变量、常数项的t 检验值都比较大，显著性概率都小于0.05，因此模型2较模型1更为合理。

㈢建立非线性回归模型——C-D 生产函数。

C-D 生产函数为：εβαe K AL Y =，对于此类非线性函数，可以采用以下两种方式建立模型。

方式1：转化成线性模型进行估计； 在模型两端同时取对数，得：
εβα+++=K L A y ln ln ln ln
在EViews 软件的命令窗口中依次键入以下命令：
GENR LNY=log （Y ） GENR LNL=log （L ） GENR LNK=log （K ） LS LNY C LNL LNK 则估计结果如图3-3所示。

图3-3 线性变换后的C-D 生产函数估计结果
即可得到C-D 生产函数的估计式为：
K L y ln 6737.0ln 6045.09513.1ˆln ++-= （模型3）
t ＝ (-1.172) (2.217) (9.310)
9958.02=R 9951.02=R 407.1641=F
即：6737.06045.01424.0ˆK L y
= 从模型3中看出，资本与劳动的产出弹性都是在0到1之间，模型的经济意义合理，而且拟合优度较模型2还略有提高，解释变量都通过了显著性检验。

方式2：迭代估计非线性模型，迭代过程中可以作如下控制： ⑴在工作文件窗口中双击序列C ，输入参数的初始值； ⑵在方程描述框中点击Options ，输入精度控制值。

控制过程：
①参数初值：0，0，0；迭代精度：10－3； 则生产函数的估计结果如图3-4所示。

图3-4 生产函数估计结果
此时，函数表达式为：
0317.101161.197.4721ˆK L y -= （模型4） t ＝(0.313)(－2.023)(8.647)
9840.02=R 9817.02=R
可以看出，模型4中劳动力弹性α＝-1.01161，资金的产出弹性β＝1.0317，很显然模型的经济意义不合理，因此，该模型不能用来描述经济变量间的关系。

而且模型的拟合优度也有所下降，解释变量L 的显著性检验也未通过，所以应舍弃该模型。

②参数初值：0，0，0；迭代精度：10－5；
图3-5 生产函数估计结果
从图3-5看出，将收敛的误差精度改为10－5后，迭代100次后仍报告不收敛，说明在使用迭代估计法时参数的初始值与误差精度或迭代次数设置不当，会直接影响模型的估计结果。

③参数初值：0，0，0；迭代精度：10－5，迭代次数1000；
图3-6 生产函数估计结果
此时，迭代953次后收敛，函数表达式为：
6649.06110.01450.0ˆK L y
= （模型5）
t ＝(0.581)(2.267)(10.486)
9957.02=R 9950.02=R
从模型5中看出，资本与劳动的产出弹性都是在0到1之间，模型的经济意义合理，9957.02=R ，具有很高的拟合优度，解释变量都通过了显著性检验。

将模型5与通过方式1所估计的模型3比较，可见两者是相当接近的。

④参数初值：1，1，1；迭代精度：10－5，迭代次数100；
图3-7 生产函数估计结果
此时，迭代14次后收敛，估计结果与模型5相同。

比较方式2的不同控制过程可见，迭代估计过程的收敛性及收敛速度与参数初始值的选取密切相关。

若选取的初始值与参数真值比较接近，则收敛速度快；反之，则收敛速度慢甚至发散。

因此，估计模型时最好依据参数的经济意义和有关先验信息，设定好参数的初始值。

二、比较、选择最佳模型
估计过程中，对每个模型检验以下内容，以便选择出一个最佳模型： ㈠回归系数的符号及数值是否合理；
㈡模型的更改是否提高了拟合优度；
㈢模型中各个解释变量是否显著；
㈣残差分布情况
以上比较模型的㈠、㈡、㈢步在步骤一中已有阐述，现分析步骤一中5个不同模型的残差分布情况。

分别在模型1～模型5的各方程窗口中点击View/Actual, Fitted, Residual/ Actual, Fitted, Residual Table （图3-8），可以得到各个模型相应的残差分布表（图3-9至图3-13）。

可以看出，模型4的残差在前段时期内连续取负值且不断增大，在接下来的一段时期又连续取正值，说明模型设定形式不当，估计过程出现了较大的偏差。

而且，模型4的表达式也说明了模型的经济意义不合理，不能用于描述我国国有工业企业的生产情况，应舍弃此模型。

模型1的各期残差中大多数都落在σˆ
±的虚线框内，且残差分别不存在明显的规律性。

但是，由步骤一中的分析可知，模型1中除了解释变量K之外，其余变量均为通过变量显著性检验，因此，该模型也应舍弃。

模型2、模型3、模型5都具有合理的经济意义，都通过了t检验和F检验，拟合优度非常接近，理论上讲都可以描述资本、劳动的投入与产出的关系。

但从图3-13看出，模型5的近期误差较大，因此也可以舍弃该模型。

最后将模型2与模型3比较发现，模型3的近期预测误差略小，拟合优度比模型2略有提高，因此可以选择模型2为我国国有工业企业生产函数。

图3-8 回归方程的残差分析
图3-9 模型1的残差分布
图3-10 模型2的残差分布图3-11 模型3的残差分布
图3-12 模型4的残差分布图3-13 模型5的残差分布
null
null
附录1 计量经济分析软件包Eviews的常用命令、最小二乘法及预测
本附录介绍的是Eviews3.0版。

Eviews软件包是一个在Windows窗口下运行的计量经济分析软件包。

他不仅能处理时间序列,也能处理横截面序列以及这两种序列的合并序列。

Eviews有自己独立的数据处理功能、运算功能、作图功能、统计运算功能和文件处理功能。

用Eviews可以与其他软件交换数据,从而使他的应用更加灵活。

Eviews是一个计量经济分析软件包,可以估计本书中介绍的所有形式的数学模型及其他许多模型,并进行各种形式的预测。

Eviews使用方便,其各种命令均可以由窗口中的菜单实现。

Eviews在主窗口设置了命令行,如果用户熟悉Eviews各种功能的命令,可在命令行直接输入,以大大提高运行速度。

Eviews与时间序列软件包TSP的绝大部分命令是兼容的,原TSP用户可以在Eviews命令行使用TSP命令。

例如数据编辑DATA、数据运算GENR、作图PLOT、最小二乘法LS、预测FORCST、FIT以及建立内存工作文件CREATE、改变当前样本区间SMPL等等。

使TSP用户很容易成为Eviews 用户。

Eviews较之TSP更灵活,使用更方便,功能更强。

§附1.1 内存工作文件及数据处理
Eviews中使用的数据必须存放在一个预先建立的内存工作文件中。

运行Eviews 的各种命令时,也必须在内存工作文件中进行。

因此,启动Eviews后,首先要建立一个内存工作文件。

内存工作文件可以直接由命令建立,也可以由数据文件加载。

1、建立内存工作文件
单击主窗口菜单中File、一级子菜单New、二级子菜单Workfile。

简写为:
主→File→New→Workfile
打开一个内存工作文件范围选择框,见图1。

图1
此选择框中,首先要选择数据的类型,之后给出内存工作文件的范围。

(1数据类型
Annual:以年为时间间隔的时序数据。

Semi—annual:以半年为时间间隔的时序数据。

Quarterly:以季度为时间间隔的时序数据。

Monthly:以月为时间间隔的时序数据。

Weekly:以周为时间间隔的时序数据。

Daily[5 day weeks]:每周为5天以天为时间间隔的时序数据。

Daily[7 day weeks]:每周为7天以天为时间间隔的时序数据。

Undated or irregular:非时序数据或横截面数据。

(2内存工作文件范围的选择
下面介绍常用数据的内存工作文件范围的选择方法。

Annual:如我们使用1979年—1994年的年度数据,则在内存工作文件范围选择框中分别输
入:
单击OK,则建立了一个从1979年到1994年以年为时间间隔的内存工作文件,见图2 (每项功能完成后,均需单击OK,以下同。

图2
Quarterly:如我们使用1995年第2季度—2000年第4季度的季度数据,则在内存工作文件范围选择框中分别输入:
Monthly:如我们使用1998年1月—2000年10月的月度数据,则在内存工作文件范围选择框中分别输入:
季度和月度中的逗号也可以换成冒号。

周度数据是用每周的第一天表示该周,如3:10:98表示1998年3月10日所在的那一周( 表示方式。

对于日度数据, 的方式是“月:日:年”,欧洲的方式是“日:月:年”。

Undated or irregular:如我们使用的横截面数据有30个样本,则输入:
2、改变当前样本区间
Eviews的大部分命令并不必在整个内存工作文件范围内操作,而是在当前样本区间进行。

当前样本区间在内存工作文件范围内定义。

假如内存工作文件的范围是1979 1994,当前样本区间改变为1980 1994,操作如下:
主→Quick→Sa mple
打开改变当前样本区间对话框,见图3。

图3
用户在Sample range pairs框中输入1980 1994。

3、扩展内存工作文件的范围
时间序列数据内存工作文件的范围可以扩展,单向或双向扩展都可以。

例如将内存工作文件的范围从1979 1994扩展到1978 2000,操作如下:
主→Procs→Expand Range
打开扩展内存工作文件范围对话框,见图4。

图4
用户分别在Start data 和End data输入框中输入1978和2000。

4、数据输入与数据编辑
建立内存工作文件后,可以通过键盘输入数据和编辑数据。

如输入序列Y,X1, X2,X3 1979年—1994年的样本数据,操作如下:
主→Quick→Empty Group
打开一个空白表格数据窗口,见图5。

图5
每列数据上方的灰色空格用于输入序列名(或叫变量名,序列名以英文字母开头(大、小写等价,字符个数不得超过16个。

用户不能将C、RESID定义为序列名。

在Eviews中,C已被定义为
常数序列,如果模型中含有常数项,用C 作为常数序列参加模型的估计;RESID用来存放最后一次估计模型生成的残差项。

如第1列输入序列Y的数据,单击第1列数据上方的灰色空格,键入Y,按回车键。

利用上、下箭头↑、↓的移动,分别输入Y的每个样本数据。

注意,输入Y的最后一个样本数据后,仍需按一下↓。

用同样的方法将X1、X2、X3的样本数据输入。

如果序列中的某一个样本点的数据没有输入,该处显示NA,表示该样本点为无效数据。

如果用户要编辑内存工作文件中的数据,用同样的方法打开空白数据窗口,在每1列数据上方的灰色空白表格键入要编辑的序列名,回车后,此序列的数据显示在此列中。

如果用户要修改某个样本点的数据,单击此样本点处,输入新的数据即可。

如果要在某个样本点插入或删除一个数据,使用数据编辑窗口的InsDel命令。

此命令一键双用,用时请注意。

用户需要注意的是,当你同时在编辑几个序列时,一次插入或删除命令将对这几个序列同时进行。

如果你只需对某一个序列进行插入或删除编辑,那么在打开的空白数据窗口只键入这一序列名就可以了。

5、显示数据
在屏幕上显示当前样本区间的数据序列,操作如下:
主→Quick→Show
打开显示数据对话框,见图6。

图6
在对话框中输入要显示的序列名。

如Y X1 X2 X3,序列名间至少一个空格分开。

6、打印数据
在内存工作文件窗口,选择要打印的一个或多个数据序列,双击后再单击弹出的命令Open Group,打开数据窗口,单击窗口菜单中的Print命令,见图7。

图7
7、删除序列
在内存工作文件窗口,选择要删除的序列名,单击此窗口菜单中命令Delete。

8、序列更名
在数据编辑窗口,单击序列名,将原名换为新名。

9、序列作图
Eviews可以作折线图、直方图、饼图、两个序列的散点图等。

操作如下:
主→Quick→Graph
打开序列作图对话框,见图8。

图8
在对话框中输入要作图的序列名,如X1 X2 X3,单击OK,打开图形类型选择对话框,见图9。

图9
在Graph Type 中有以下常用类型的图形供用户选择:
Line Graph 折线图
Bar Graph 直方图
Scatter Diagram 两个序列的散点图
Pie chart 饼图
如果同时作两个序列的折线图,Graph Scales 中有三种不同的比例尺供用户选择:
Single Scale 单比例尺,两个序列的折线图用同一比例尺。

Dual Scale(no crossing双比例尺,两个序列的折线图用不同的比例尺,互不交叉。

Dual Scale(crossing双比例尺,两个序列的折线图用不同的比例尺,且交叉。

在图形窗口,可以用Zoom命令将图形缩小或放大,图形以及Eviews的各窗口(或对话框均可以用Print Screen功能键复制到剪切板,再粘贴到Word文档等。

10、数据序列的运算
Eviews 可以通过公式计算生成新的数据序列,常用的运算符号和函数如下:
(1算术运算符:+ 加,- 减,* 乘,/ 除,^ 乘方
(2逻辑运算符:> 大于,>= 大于或等于,= 等于,< 小于,<= 小于或等于, <> 不等于,AND逻辑与,OR逻辑或。

(3函数
简单函数:
SQR( 平方根,LOG( 自然对数,EXP( 指数,ABS( 绝对值,SIN( 正弦函数,COS( 余弦函数,DNORM( 标准正态分布密度函数,CNORM( 标准正态分布的分布密度,LOGIT( 逻辑斯特函数,RND生成0—1间均匀分布的随机数。

NRND 生成均值为零、方差为1的标准正态分布随机数。

D(XX的一阶差分,即X-X(-1。

D(X,n X的第n次一阶差分,即(1-L n X。

D(X,n,S X的第n次一阶差分和一次S阶差分,即(1-L n(1-L S X。

DLOG(X 对X取自然对数后,作一阶差分。

DLOG(X,n 对X取自然对数后作n次一阶差分。

DLOG(X,n,S 对X取自然对数后作n次一阶差分和一次S阶差分。

@函数:
@SUM( 序列的和,@MEAN( 序列的均值,@V AR( 序列的方差,@SUMSQ( 序列的平方和,@OBS( 序列有效观测值的个数,@COV(X,Y序列X,Y的协方差,@COR(X,Y序列X,Y的相关系数,@CROSS(X,Y 序列X,Y相乘后求和, @PCH( 生成序列的增长率序列,@INV( 取序列的倒数,@R2 回归方程的样本决定系数,@FBAR2 调整后的样本决定系数,@SE 回归方程的标准差,@SSR 残差平方和,@DW 扰动项序列相关检验值,@F 回归方程的F检验值,@MEANDEP被解释变量的平均值,@SDDEP被解释变量的标准差。

例:计算Z1=LOG(Y
主→Quick→Generate Series 打开序列运算对话框,见图10。

图10
在对话框的空白框中输入计算公式:
Z1=LOG(Y
用户可以根据需要调整序列运算的样本区间。

下面举几个例子,说明计算公式的输入方式。

例1、Z1=X1>=X2
生成一个虚拟变量Z1,当X1>=X2成立时,Z1的值等1,否则等0。

例2、Z2= Y+@SUM(X1
生成一个序列Z2,其值等于Y的每个样本值加以序列X1的总和。

例3、Z3=@PCH(X1
生成一个序列Z3,其值等于序列X1的增长率。

例4、Z4=(X1+Y^2/(X2+X3
11、序列排序
Eviews可以按一个或多个序列的值为条件对内存工作文件中全部序列重新进行排序,操作如下:
主→Procs→Sort Series
打开序列排序对话框,见图11。

图11
例如我们要按X1的升序排序,在Sort Key的空白框中输入X1,选择Sort Order中的Ascending。

此操作在按X1的升序排序时,内存工作文件中的所有序列,均按原来与X1的对应关系重新排列。

12、数据文件的存取
(1序列的存取
例如将序列X1、X2分别存入磁盘文件。

操作如下:
首先选择内存工作文件中的序列X1、X2,然后键入
主→Objects→Store
打开存储序列文件对话框,见图12。

图12
单击图中Yes to All,即将序列X1,X2分别以X1.DB,X2.DB为文件名,保存在当前打开的文件夹中。

如果需保存在用户指定的文件夹,应在序列名前输入有关路径。

X1.DB是文本文件。

由以上方式保存的文件可以由下面操作加载到内存工作文件。

主→Objects→Fetch
打开加载序列文件对话框,见图13。

图13
在File Names框中输入(或选择下面框中的文件名。

需要说明的是,在用Fetch加载序列文件之前,需建立内存工作文件,其类型应与序列文件一致,范围不得小于序列文件中序列的范围。

(2内存工作文件的存取
Eviews可以将内存工作文件、连同数据保存在两个文件中,其主名均为用户给出的文件主名,扩展名分别为.WF1和.~ F1。

其中.WF1存放数据,.~ F1存放内存工作文件的信息及序列名。

.WF1文件不是文本文件。

例如我们将1979 1994范围的内存工作文件、连同数据序列Y、X1、X2、X3存储在F盘,文件名为ABC,操作如下:
主→File→Save (或主→File→Save as
打开存储文件对话框,见图14。

图14
在File Name框中输入F:\ABC。

由以上方式存储的内存工作文件可以直接加载到Eviews,在生成一个内存工作文件的同时,
将数据加载到内存工作文件。

操作如下:
主→File→Open
打开加载内存工作文件对话框,见图15。

图15
在File name框中输入要加载的文件名。

(3Eviews与Excel交换数据
Eviews 的数据与Excel工作表中的数据可以互相复制。

①Eviews 数据复制到Excel工作表
例如将Eviews内存工作文件中X1、X2序列1979—1994数据复制为Excel工作表数据,操作如下:
在Eviews输入与编辑数据窗口,选择X1、X2序列1979—1994数据框中的数据(即16行2列,单击:
主→Edit→Copy
打开对话框,见图16。

图16
选择对话框中复制方式的第二项,单击OK,即将所选数据复制到剪切板。

在Excel工作表,选择16行2列单元格,单击:
编辑→粘贴
即将Eviews数据复制到Excel工作表。

②Excel工作表数据复制到Eviews内存工作文件
例如将Excel工作表中10行3列数据复制到Eviews内存工作文件,3列数据的序列名分别为Y、X1、X2,操作如下:
选择Excel工作表中10行3列数据,单击:
编辑→复制
在Eviews建立内存工作文件,范围1991 2000,打开输入与编辑数据窗口,第1列定义为Y序列,第2列定义为X1序列,第3列定义为X2序列。

选择这三个序列的10行3列空白数据格,单击:
主→Edit→Paste
即将Excel工作表数据复制到Eviews内存工作文件的序列Y、X1、X2。

§附1.2 几个常用的统计命令
1、描述统计
Eviews可以计算并显示一个或多个序列的均值、中位数、最大值、最小值、标准差、偏度、峰度、JB统计量等。

操作如下:
主→Quick→Group Statistics→Descriptive Statistics→Commo n Sample
打开数据列表对话框,见图17。

图17
在List Series框中,输入X1、X2、X3,计算结果见图18。

图18 2, 相关系数Eviews 可以计算序列间的相关系数.操作如下: 主→Quick→Group Statistics→Correlations 打开数据列表对话框,见图19. 图19 在List Series 框中,输入X1 X2 X3,计算结果见图20. 图20 3, 自相关系数和偏自相关系数Eviews 计算一个序列的自相关系数和偏自相关系数,用来识别ARMA 模型. 计算时应给出最大滞后阶数,如12 阶.操作如下: 主→Quick→Series Statistics→Correlogram 打开对话框,见图21. 图21
在series Name 框中输入序列名,如Y,在打开的对话框图22 中输入滞后阶数12,计算结果见图23. 图22 图23 §附 1.3 普通最小二乘法及预测1, 普通最小二乘法用一个实例说明线性回归模型的最小二乘估计方法.已知某市城镇居民当年新增储蓄Y(亿元,可支配收入X1(亿元,储蓄利息率X2(% ,城市零售物价指数X3(以上年为1001979 年—1994 年样本观测
数据见图7.试建立线性回归模型Y=β0+β1 X1 +β2 X2 +β3 X3+u 用最小二乘法估计并求Y 在样本区间内的预测值. (资料来源:根据历年《天津统计年鉴》的数据加工而成,储蓄利息率由实际部门调查获得. 假如已建立内存工作文件并将Y,X1,X2,X3 的数据输入内存工作文件.下面给出最小二乘估计方法. 主→Quick→Estimate Equation 打开模型估计窗口,见图24.
图24 在输入方程空白框中输入Y C X1 X2 X3 在方程类型中选择Least Squares 在当前样本区间选择1979 1994 由于估计结果不太好(估计结果略,模型修改为: Y=β1 X1 +β2 X3+u 在输入方程空白框中输入Y X1 X3 估计结果见图25. 图25 对回归结果的分析: 中间部分:第1 列—解释变量的变量名. 第2 列—解释变量对应的回归系数估计值. 第3 列—回归系数对应的标准差. 第 4 列—回归系数对应的t 统计量. 第 5 列—由t 统计量反算出的显著水平. 回归结果下面的计算结果分别为: 第 1 列:样本可决系数,修正后的样本可决系数,总体标准差,残差平方和, 对数的极大似然函数值,DW 统计量. 第 2 列:被解释变量的平均值,被解释变量的标准差,赤池统计量,施瓦茨统计量,F 统计量及其反算出的显著水平. 估计模型的残差项存放在RESID 序列中,用户可以直接使用.但是,RESID 序列仅存放最后估计模型的残差项,如果一个模型的残差项在以后的操作中有用,可用
序列计算的方法将其保存在另一个序列名中. 2, 预测Eviews 利用内存工作文件中最后建立的模型进行预测.在模型估计窗口,单击Forecast 命令,打开预测对话框,见图26. 图26 在预测方法中有两种方法供用户选择:Dynamic(动态,Static(静态,缺省情况下为Dynamic(动态. 在Forecast name 框中输入存放预测结果的序列名如YF,单击OK,则求出被解释变量Y 在样本区间的预测值并存放在序列YF 中. 下面介绍两种预测方法Dynamic,Static 的异同. 当回归模型中无被解释变量Y 的滞后项作解释变量时,两种预测方法的预测结果相同; 当回归模型中含有被解释变量Y 的滞后项作解释变量时, Dynamic 预测时, 用被解释变量Y 的滞后项用估计值,用Static 预测时,被解释变量Y 的滞后项用样本值.举例说明: 用Dynamic 预测: Yt = β 0 + β 1 Xt + β 2Yt 1 用Static 预测: Yt = β 0 + β 1 Xt + β 2Yt 1 当回归模型中含有被解释变量Y 的滞后项作解释变量时, Dynamic 用在外推预测中.例如,模型中含有Yt-1 作解释变量,估计模型用了T 个样本,求第T+2 期及其后面的预测值时,要使用Dynamic.。