计量经济学简单线性回归实验报告精编
线性回归分析实验报告
线性回归分析实验报告线性回归分析实验报告引言线性回归分析是一种常用的统计方法，用于研究因变量与一个或多个自变量之间的关系。
本实验旨在通过线性回归分析方法，探究自变量与因变量之间的线性关系，并通过实验数据进行验证。
实验设计本实验采用了一组实验数据，其中自变量为X，因变量为Y。
通过对这组数据进行线性回归分析，我们将得到回归方程，从而可以预测因变量Y在给定自变量X的情况下的取值。
数据收集与处理首先，我们收集了一组与自变量X和因变量Y相关的数据。
这些数据可以是实际观测得到的，也可以是通过实验或调查获得的。
然后，我们对这组数据进行了处理，包括数据清洗、异常值处理等，以确保数据的准确性和可靠性。
线性回归模型在进行线性回归分析之前，我们需要确定一个线性回归模型。
线性回归模型的一般形式为Y = β0 + β1X + ε，其中Y是因变量，X是自变量，β0和β1是回归系数，ε是误差项。
回归系数β0和β1可以通过最小二乘法进行估计，最小化实际观测值与模型预测值之间的误差平方和。
模型拟合与评估通过最小二乘法估计回归系数后，我们将得到一个拟合的线性回归模型。
为了评估模型的拟合程度，我们可以计算回归方程的决定系数R²。
决定系数反映了自变量对因变量的解释程度，取值范围为0到1，越接近1表示模型的拟合程度越好。
实验结果与讨论根据我们的实验数据，进行线性回归分析后得到的回归方程为Y = 2.5 + 0.8X。
通过计算决定系数R²，我们得到了0.85的值，说明该模型能够解释因变量85%的变异程度。
这表明自变量X对因变量Y的影响较大，且呈现出较强的线性关系。
进一步分析除了计算决定系数R²之外，我们还可以对回归模型进行其他分析，例如残差分析、假设检验等。
残差分析可以用来检验模型的假设是否成立，以及检测是否存在模型中未考虑的其他因素。
假设检验可以用来验证回归系数是否显著不为零，从而判断自变量对因变量的影响是否存在。
线性回归分析实验报告
线性回归分析实验报告实验报告：线性回归分析一、引言线性回归是一种基本的统计分析方法，用于研究自变量与因变量之间的线性关系。
此实验旨在通过一个实际案例对线性回归进行分析，并解释如何使用该方法进行预测和解释。
二、实验方法1.数据收集：从电商网站收集了一份销售量与广告费用的数据集，其中包括了十个月的数据。
该数据集包括两个变量：广告费用（自变量）和销售量（因变量）。
2.数据处理：首先对数据进行清洗，包括处理缺失值和异常值等。
然后进行数据转换，对广告费用进行对数转换，以适应线性回归的假设。
3.构建模型：使用线性回归模型，将广告费用作为自变量，销售量作为因变量，构建一个简单的线性回归模型。
模型的公式为：销售量=β0+β1*广告费用+ε，其中β0和β1是回归系数，ε是误差项。
4.模型评估：通过计算回归系数的置信区间和检验假设以评估模型的拟合程度和相关性。
此外，还使用残差分析来检验模型的合理性和独立性。
5.模型预测：根据模型的回归系数和新的广告费用数据，预测销售量。
三、实验结果1.数据描述：首先对数据进行描述性统计。
数据集的平均广告费用为1000元，标准差为200元。
平均销售量为1000件，标准差为150件。
广告费用和销售量之间的相关系数为0.8，说明两者存在一定的正相关关系。
2. 模型拟合：通过拟合线性回归模型，得到回归系数的估计值。
估计值的标准误差很小，R-square值为0.64，说明模型可以解释63%的销售量变异。
3.置信区间和假设检验：通过计算回归系数的置信区间，发现β1的置信区间不包含零，说明广告费用对销售量有显著影响。
假设检验结果也支持这一结论。
4.残差分析：通过残差分析，发现残差的分布基本符合正态性假设，没有明显的模式或趋势。
这表明模型的合理性和独立性。
四、结论与讨论通过线性回归分析，我们得出以下结论：1.广告费用对销售量有显著影响，且为正相关关系。
随着广告费用的增加，销售量也呈现增加的趋势。
2.线性回归模型可以解释63%的销售量变异，说明模型的拟合程度较好。
计量经济学回归模型实验报告（大全）
计量经济学回归模型实验报告（大全）第一篇：计量经济学回归模型实验报告（大全）回归模型分析报告背景意义：教育是立国之本，强国之基。
随着改革开放的进行、经济的快速发展和人们生活水平的逐步提高，“教育”越来越受到人们的重视。
一方面，人均国内生产总值的增加与教育经费收入的增加有着某种联系，而人口的增长也必定会对教育经费收入产生影响。
本报告将从这两个方面进行分析。
我国1991 年~2013 年的教育经费收入、人均国内生产总值指数、年末城镇人口数的统计资料如下表所示。
试建立教育经费收入Y 关于人均国内生产总值指数 X 1 和年末城镇人口数 X 2的回归模型，并进行回归分析。
年份教育经费收入Y（亿元）人均国内生产总值指数X 1(1978 年=100)年末城镇人口数X 2（万人）1991 731.50282 256.67 31203 1992 867.04905 289.72 32175 1993 1059.93744 326.32 33173 1994 1488.78126 364.91 34169 1995 1877.95011 400.6 35174 1996 2262.33935 435.76 37304 1997 2531.73257 471.13 39449 1998 2949.05918 503.25 41608 1999 3349.04164 536.94 437482000 3849.08058 577.64 45906 2001 4637.66262 621.09 48064 2002 5480.02776 672.99 50212 2003 6208.2653 735.84 52376 2004 7242.59892 805.2 54283 2005 8418.83905 891.31 56212 2006 9815.30865 998.79 58288 2007 12148.0663 1134.67 60633 2008 14500.73742 1237.48 62403 2009 16502.7065 1345.07 64512 2010 19561.84707 1480.87 66978 201123869.29356 1613.61 69079 2012 28655.30519 1730.18 71182 2013 30364.71815 1853.97 73111 资料来源：中经网统计数据库。
计量经济学实验报告一元线性回归模型实验
2013－2014第1学期计量经济学实验报告实验（一）：一元线性回归模型实验学号姓名：专业：国际经济与贸易选课班级：实验日期：2013年12月2日实验地点：K306实验名称：一元线性回归模型实验【教学目标】《计量经济学》是实践性很强的学科，各种模型的估计通过借助计算机能很方便地实现，上机实习操作是《计量经济学》教学过程重要环节。
目的是使学生们能够很好地将书本中的理论应用到实践中，提高学生动手能力，掌握专业计量经济学软件EViews的基本操作与应用。
利用Eviews做一元线性回归模型参数的OLS估计、统计检验、点预测和区间预测。
【实验目的】使学生掌握1.Eviews基本操作：（1）数据的输入、编辑与序列生成；（2）散点图分析与描述统计分析；（3）数据文件的存贮、调用与转换。
2. 利用Eviews做一元线性回归模型参数的OLS估计、统计检验、点预测和区间预测【实验内容】1.Eviews基本操作：（1）数据的输入、编辑与序列生成；（2）散点图分析与描述统计分析；（3）数据文件的存贮、调用与转换；2. 利用Eviews做一元线性回归模型参数的OLS估计、统计检验、点预测和区间预测。
实验内容以下面1、2题为例进行操作。
1、为了研究深圳地方预算中财政收入与国内生产总值关系，运用以下数据：(1)建立深圳的预算内财政收入对GDP的回归；(2)估计模型的参数，解释斜率系数的意义；(3)对回归结果进行检验；(4)若2002年的国内生产总值为3600亿元，试确定2002年财政收入的预测值和预α=)。
测区间(0.052、在《华尔街日报1999年年鉴》（The Wall Street Journal Almanac 1999）上，公布有美国各航空公司业绩的统计数据。
航班正点准时到达的正点率和此公司每10万名乘客中投诉1(1)做出上表数据的散点图(2)依据散点图，说明二变量之间存在什么关系？(3)描述投诉率是如何根据航班正点率变化，并求回归方程。
计量经济学Eviews简单线性回归模型的建立与分析应用实验报告
实验一：简单线性回归模型的建立与分析应用【实验目的】1、熟悉计量经济学软件包EViews的界面和基本操作；2、掌握计量经济学分析实际经济问题的具体步骤；3、掌握简单线性回归模型的参数估计、统计检验、预测的基本操作方法；4、理解简单线性回归模型中参数估计值的经济意义。
【实验类型】综合型【实验软硬件要求】计量经济学软件包EViews、微型计算机【实验内容】为研究深圳市地方预算内财政收入（Y）与地区生产总值（X）的关系，建立简单线性回归模型，现根据深圳市统计局网站的相关信息，得到统计数据如下表：请按照下列步骤完成实验一，每个步骤要写出操作过程：（1）打开EViews，新建适当的工作文件夹；打开Eviews后，依次点击File－New－Workfile，新建一个时间序列数据（Dated-regular frequencied）类型的文件，频率选择年度（Annual），键入起止日期1990-2008（如图一），点击ok，新建工作文件夹完成（如图二）（图一）（图二）（2）在工作文件夹中新建变量X和Y，并输入数据；依次点击Objects－New Object，对象类型选择序列（Series），并输入序列名Y（如图三），点击OK，重复以上操作，新建系列对象X。
新建系列对象完成后如（图四）按住ctrl并同时选定X和Y，用鼠标右击选择open—as group，点击Edit ＋/－开始编辑，输入数据，数据输入完毕再点击Edit＋/－一次。
数据输入后如（图五）。
（图三）（图四）（图五）（3）生成X和Y的自然对数序列，保存在工作文件夹中，命名为lnX和lnY；依次点击Objects－Generate Sereies，出现Generate Series by Equation 窗口，在Enter equation窗口中输入公式：lnY=log(Y)点击ok，重复以上操作，输入：lnX=log(X) 创建序列lnX。
（如图六）（图六）（4）求X和Y的描述统计量的值，写出操作过程并画出相应表格；依次点击Quick－Group Statistics—Descriptive Statistics－Common sample，打开Series List窗口，输入x y，点击ok，输出结果（如图七）（图七）（5）作出X和Y的散点图，写出操作过程并画出相应图像，并判断模型是否接近于线性形式；依次点击Quick－Graph，打开Graph Options窗口，在Specific 中选择Scatter(散点图) （如图八）点击OK，得到散点图（如图九）（图八）由散点图可以看出模型接近线性形式（图九）（6） 用OLS 法对模型i i i u X Y ++=21ββ做参数估计，将估计结果保存在工作文件夹中，命名为eq01，写出操作过程和回归分析报告，并解释斜率的经济含义；在窗口空白处输入：ls y c x ，回车，得到结果如图回归分析报告：根据输出结果可得Ŷi = 26.02096 + 0.088820Xi (14.80278) (0.004356) t= (1.757843) (20.38986) R 2 = 0.960716 F=415.7464 D.W=0.626334 n=19 斜率的经济含义:斜率为0.088820，表示地区生产总值每增加1亿元，地方预算内财政收入平均来说增加0.088820亿元（7） 用OLS 法对模型i i i u X Y ++=ln ln 21ββ做参数估计，将估计结果保存在工作文件夹中，命名为eq02，写出操作过程和回归分析报告，并解释斜率 的经济含义；在主窗口空白处输入：ls lny c lnx ，回车，结果如图回归分析报告：根据输出结果可得lny = -1.272730 + 0.873867lnx(0.238775) (0.032394) t= (-5.330249) (26.9761) R 2 = 0.977172 F=727.7097 D.W= 0.811127 n=19 斜率的经济含义:斜率为0.873867，表示地区生产总值每增加1亿元，地方预算内财政收入平均来说增加0.0873867亿元（8） 将保存工作文件夹保存在桌面，文件名为test1.wfl ；依次点击File-Save As 将文件保存在桌面，命名为test1.wfl （9） 对eq01的估计结果做经济意义检验和统计检验（05.0=α），估计的效果如何？经济意义检验：x 的系数β2的估计值为0.088820，说明地区生产总值每增加1亿元，地方预算内财政收入平均来说增加0.088820亿元，该值处于（0,1）符合预期。
计量经济学 简单线性回归 实验报告
实验报告1. 实验目的随着中国经济的发展，居民的常住收入水平不断提高，粮食销售量也不断增长。
研究粮食年销售量与人均收入之间的关系，对于探讨粮食年销售量的增长的规律性有重要的意义。
2. 模型设定为了分析粮食年销售量与人均收入之间的关系,选择“粮食年销售量”为被解释变量（用Y表示），选择“人均收入”为解释变量（用X 表示）。
本次实验报告数据取自某市从1974年到1987年的数据（教材书上101页表3.11），数据如下图所示：为分析粮食年销售量与人均收入的关系，做下图所谓的散点图:粮食年销售量与人均收入的散点图从散点图可以看出粮食年销售量与人均收入大体呈现为线性关系，可以建立如下简单现行回归模型：3.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。
通过利用EViews对以上数据作简单线性回归分析，得出回归结果如下表所示：可用规范的形式将参数估计和检验的结果写为：99.61349+0.08147（6.431242）（0.10738）t= (15.48900) (7.587119)=0.827498 F=57.56437 n=144.模型检验（1）.经济意义检验所估计的参数=99.61349，=0.08147，说明人均收入每增加1元，平均说来可导致粮食年销售量提高0.08147元。
这与经济学中边际消费倾向的意义相符。
（2）.拟合优度和统计检验拟合优度的度量：由回归结果表可以看出，本实验中可决系数为0.827498，说明所建模型整体上对样本数据拟合一般偏好。
对回归系数的t检验：针对:=0 和:=0，由回归结果表中还可以看出，估计的回归系数的标准误差和t值分别为：SE()=6.431242,t()=15.48900;的标准误差和t值分别为：SE()=0.10738,t()=7.587119.取a=0.05，查t分布表自由度为n-2=14-2=12的临界值（12）=2.179.因为t()=15.48900>（12）=2.179, 所以应拒绝:=0;因为t()=7.587119>（12）=2.179.所以应拒绝:=0。
3 计量经济学上机实验报告-简单线性回归
实验一 简单线性回归一、 实验名称：简单线性回归 二、实验目的掌握一元线性回归模型的估计与应用，熟悉EViews 的基本操作,并且给案例做一元回归并做预测。
三、实验中所需要掌握的知识点掌握一元回归及其预测四、实验前预备的情况说明（包括上机步骤、实验所涉及的基本原理知识的复习理解、 对实验结果的预期解释等）(1)最小二乘法估计的原理 (2) t 检验 (3)拟合优度检验(4)点预测和区间预测五、上机实验内容（填写本次上机的情况）1．上机步骤⑴统计结果，如图1所示，Y ,X 的均值分别为3081.158和22225.13，Y,X 的标准差为2212.591,和22024.6图1(2) 设定模型为 12i i i Y X u ββ=++，经运算的 Equation 界面如图2图3由图2的数据得：；2．上机结果（1）回归估计结果为：Dependent Variable: Y Method: Least SquaresDate: 04/09/14 Time: 18:53 Sample (adjusted): 1978 1997Included observations: 20 after adjustmentsVariable CoefficientStd. Errort-Statistic Prob. X 0.100036 0.002172 46.04910 0.0000 C857.837567.1257812.77955 0.0000R-squared 0.991583 Mean dependent var 3081.158 Adjusted R-squared 0.991115 S.D. dependent var 2212.591 S.E. of regression 208.5553 Akaike info criterion 13.61293 Sum squared resid 782915.7 Schwarz criterion 13.71250 Log likelihood -134.1293 F-statistic2120.520 Durbin-Watson stat0.864032 Prob(F-statistic)0.000000因此得到回归模型为： Y=857.8375+0.100036X斜率系数的经济意义为：GDP 增加1亿元，财政收入增加0.1亿元。
计量经济学实验报告(多元线性回归 自相关 )
计量经济学实验报告(多元线性回归自相关 )1. 背景计量经济学是一门关于经济现象的定量分析方法研究的学科。
它的发展使得我们可以对经济现象进行更加准确的分析和预测，并对社会发展提供有利的政策建议。
本文通过对多元线性回归模型和自相关模型的实验研究，来讨论模型的建立与评价。
2. 多元线性回归模型在多元线性回归模型中，我们可以通过各个自变量对因变量进行预测和解释。
例如，我们可以通过考虑家庭收入、年龄和教育程度等自变量，来预测某个家庭的消费水平。
多元线性回归模型的一般形式为：$y_i=\beta_0+\beta_1 x_{i1}+\beta_2 x_{i2}+...+\beta_k x_{ik}+\epsilon_i$在建立模型之前，我们需要对因变量和自变量进行观测和测算。
例如，我们可以通过调查一定数量的家庭，获得他们的收入、年龄、教育程度和消费水平等数据。
接下来，我们可以通过多元线性回归模型，对家庭消费水平进行预测和解释。
在实际的研究中，我们需要对多元线性回归模型进行评价。
其中一个重要的评价指标是 $R^2$ 值，它表示自变量对因变量的解释程度。
$R^2$ 值越高，说明多元线性回归模型的拟合程度越好。
3. 自相关模型在多元线性回归模型中，我们假设各个误差项之间相互独立，即不存在自相关性。
但实际上，各个误差项之间可能会互相影响，产生自相关性。
例如，在一个气温预测模型中，过去的温度对当前的温度有所影响，说明当前的误差项和过去的误差项之间存在相关性。
我们可以通过自相关函数来研究误差项之间的相关性。
自相关函数表示当前误差项和过去 $l$ 期的误差项之间的相关性。
其中，$l$ 称为阶数。
自相关函数的一般形式为：$\rho_l={\frac{\sum_{t=l+1}^{T}(y_t-\bar{y})(y_{t-l}-\bar{y})}{\sum_{t=1}^{T}(y_t-\bar{y})^2}}$在自相关模型中，我们通过对误差项进行差分或滞后变量，来消除误差项之间的自相关性。
计量经济学实验报告完整版范文
评语
教师
评语
成绩
辽宁工程技术大学上机实验报告
实验名称
计量经济学多元线性回归模型
院系
工商管理
专业
金融
班级
09-2
姓名
于佳琦
学号
日期
6.15
实验
目的
简述本次实验目的：熟悉多元线性回归模型中的解释变量的引入
掌握对计算机过的统计分析和经济分析
实验
பைடு நூலகம்准备
你为本次实验做了哪些准备：了解多元线性回归模型参数的OLS估计，统计检验，点预测以及区间估计，非线性回归的参数估计，受约束回归检验
实验
进度
本次共有3个练习，完成3个。
实验
总结
日
本次实验的收获、体会、经验、问题和教训：在简单线性回归的基础上引入了多元线性回归模型，操作也较之前更加复杂，最大的障碍在于多重共线性模型数据更多，输入时容易出错，而且软件非汉化版本，很多时候不了解数据的含义，操作也不是很熟练，一般思路是，先用OLS方法进行估计，建立模型，然后进行对模型的检验，理论相对简单，可是检验过程十分复杂，如果不用例题做实验，单纯找数据进行分析，总会有遗忘的影响因素，而导致结果的偏差，所以在选择分析对象的影响因素时考虑周全尤为重要。
实验
进度
本次共有1个练习，完成1个。
实验
总结
日
本次实验的收获、体会、经验、问题和教训：初步投身于计量经济学，通过利用Eviews软件将所学到的计量知识进行实践，让我加深了对理论的理解和掌握，直观而充分地体会到老师课堂讲授内容的精华之所在。在实验过程中我们提高了手动操作软件、数量化分析与解决问题的能力，还可以培养我在处理实验经济问题的严谨的科学的态度，并且避免了课堂知识与实际应用的脱节。虽然在实验过程中出现了很多错误，但这些经验却锤炼了我们发现问题的眼光，丰富了我们分析问题的思路。通过这次实验让我受益匪浅。
计量经济学实验报告模板简单线性模型回归分析
计量经济学实验报告模板简单线性模型回归分析简单线性模型回归分析一、实验目的与要求：目的：影响某市货物运输量的因素可能有很多，比如国内生产总值，经济增长，零售物价指，等。
为研究国内生产总值对货物运输量是否有影响，二者有何关系。
二、实验内容根据1985－1998年某市货物运适量Y和当年国内生产总值GDP 数据，运用EV软件，做简单线性回归分析，包括模型设定，估计参数，模型检验，模型应用，得出回归结果。
三、实验过程：（一）模型设定为研究中国国内生产总值对货物运输量的关系，根据1985－1998年中国国内生产总值GDP和货物运输量Y，如图1：年份Y GDP198518249161.69198618252171.07198718400184.07198816693194.75198915543197.86199015929208.55199118308221.06199217522246.921993 21640 276.81994 23783 316.381995 24040 363.521996 24133 415.511997 25090 465.781998 24505509.1根据以上数据，作货物运输量Y 和国内生产总值GDP 的散点图，如图2：从散点图可以看出，货物运输量Y 和国内生产总值GDP 大体呈现为线性关系，所以建立的计量经济模型为以下线性模型：01ii i Y X u ββ=++ （二）估计参数1、双击“Eviews”，进入主页。
输入数据：点击主菜单中的File/Open /EV Workfile—Excel —GDP.xls;2、在EV主页界面点击“Quick”菜单，点击“Estimate Equation”,出现“Equation Specification”对话框，选择OLS估计，输入“y c x”,点击“OK”。
即出现回归结果图3：参数回归结果为：Yt=12596.27+26.95GDP(10.1) (6.5)R^2=0.78 –R^2=0.781.对回归方程的结构分析：B^1=26.95是这个样本回归方程的斜率，它表示GDP每增加1亿元，某市将增加26,95吨的货物运输量，B^0=12596.27是样本回归方程的截距，它表示不受GDP影响的某市货物运输量。
EViews计量经济学实验报告-简单线性回归模型分析
时间地点实验题目简单线性回归模型分析一、实验目的与要求：目的：影响财政收入的因素可能有很多，比如国内生产总值，经济增长，零售物价指数，居民收入，消费等。
为研究国内生产总值对财政收入是否有影响，二者有何关系。
要求：为研究国内生产总值变动与财政收入关系，需要做具体分析。
二、实验内容根据1978－1997年中国国内生产总值X和财政收入Y数据，运用EV软件，做简单线性回归分析，包括模型设定，估计参数，模型检验，模型应用，得出回归结果。
三、实验过程：（实践过程、实践所有参数与指标、理论依据说明等）简单线性回归分析，包括模型设定，估计参数，模型检验，模型应用。
（一）模型设定为研究中国国内生产总值对财政收入是否有影响，根据1978－1997年中国国内生产总值X 和财政收入Y，如图1：1978－1997年中国国内生产总值和财政收入（单位：亿元）根据以上数据，作财政收入Y 和国内生产总值X 的散点图，如图2：从散点图可以看出，财政收入Y 和国内生产总值X 大体呈现为线性关系，所以建立的计量经济模型为以下线性模型：01i i i Y X u ββ=++（二）估计参数1、双击“Eviews ”，进入主页。
输入数据：点击主菜单中的File/Open /EV Workfile —Excel —GDP.xls;2、在EV 主页界面点击“Quick ”菜单，点击“Estimate Equation ”,出现“Equation Specification ”对话框，选择OLS 估计，输入“y c x ”,点击“OK ”。
即出现回归结果图3：图3. 回归结果Dependent Variable: Y Method: Least Squares Date: 10/10/10 Time: 02:02 Sample: 1978 1997 Included observations: 20Variable Coefficient Std. Error t-Statistic Prob. C 857.8375 67.12578 12.77955 0.0000 X0.1000360.00217246.049100.0000R-squared 0.991583 Mean dependent var 3081.158 Adjusted R-squared 0.991115 S.D. dependent var 2212.591 S.E. of regression 208.5553 Akaike info criterion 13.61293 Sum squared resid 782915.7 Schwarz criterion 13.71250 Log likelihood -134.1293 F-statistic 2120.520 Durbin-Watson stat0.864032 Prob(F-statistic)0.000000参数估计结果为：i Y = 857.8375 + 0.100036i X（67.12578） （0.002172）t =（12.77955） （46.04910）2r =0.991583 F=2120.520 S.E.=208.5553 DW=0.8640323、在“Equation ”框中，点击“Resids ”,出现回归结果的图形（图4）:剩余值（Residual ）、实际值（Actual ）、拟合值（Fitted ）.（三）模型检验1、 经济意义检验回归模型为：Y = 857.8375 + 0.100036*X （其中Y 为财政收入，i X 为国内生产总值；）所估计的参数2ˆ =0.100036，说明国内生产总值每增加1亿元，财政收入平均增加0.100036亿元。
线性回归分析实验报告
实验一：线性回归分析实验目的：通过本次试验掌握回归分析的基本思想和基本方法，理解最小二乘法的计算步骤，理解模型的设定T检验，并能够根据检验结果对模型的合理性进行判断，进而改进模型。
理解残差分析的意义和重要性，会对模型的回归残差进行正态型和独立性检验，从而能够判断模型是否符合回归分析的基本假设。
实验内容：用线性回归分析建立以高血压作为被解释变量，其他变量作为解释变量的线性回归模型。
分析高血压与其他变量之间的关系。
实验步骤：1、选择File | Open | Data 命令，打开gaoxueya.sav图1-1 数据集gaoxueya 的部分数据2、选择Analyze | Regression | Linear…命令，弹出Linear Regression (线性回归) 对话框，如图1-2所示。
将左侧的血压（y）选入右侧上方的Dependent(因变量) 框中，作为被解释变量。
再分别把年龄（x1）、体重（x2）、吸烟指数（x3）选入Independent （自变量）框中，作为解释变量。
在Method（方法）下拉菜单中，指定自变量进入分析的方法。
图1-2 线性回归分析对话框3、单击Statistics按钮，弹出Linear Regression : Statistics（线性回归分析：统计量）对话框，如图1-3所示。
1-3线性回归分析统计量对话框4、单击 Continue 回到线性回归分析对话框。
单击Plots ，打开Linear Regression:Plots （线性回归分析：图形）对话框，如图1-4所示。
完成如下操作。
图1-4 线性回归分析：图形对话框5、单击Continue ，回到线性回归分析对话框，单击Save按钮，打开Linear Regression；Save 对话框，如图1-5所示。
完成如图操作。
图1-5 线性回归分析：保存对话框6、单击Continue ，回到线性回归分析对话框，单击Options 按钮，打开Linear Regression ；Options 对话框，如图1-6所示。
计量经济学实验报告回归分析
计量经济学实验报告回归分析计量经济学实验报告：回归分析一、实验目的本实验旨在通过运用计量经济学方法，对收集到的数据进行分析，研究自变量与因变量之间的关系，并估计回归模型中的参数。
通过回归分析，我们可以深入了解变量之间的关系，为预测和决策提供依据。
二、实验原理回归分析是一种常用的统计方法，用于研究自变量与因变量之间的线性或非线性关系。
在回归分析中，我们通过最小二乘法等估计方法，得到回归模型中未知参数的估计值。
根据估计的参数，我们可以对因变量进行预测，并分析自变量对因变量的影响程度。
三、实验步骤1.数据收集：收集包含自变量与因变量的数据集。
数据可以来自数据库、调查、实验等。
2.数据预处理：对收集到的数据进行清洗、整理和格式化，以确保数据的质量和适用性。
3.模型选择：根据问题的特点和数据的特性，选择合适的回归模型。
常见的回归模型包括线性回归模型、多元回归模型、岭回归模型等。
4.模型估计：运用最小二乘法等估计方法，对选择的回归模型进行估计，得到模型中未知参数的估计值。
5.模型检验：对估计后的模型进行检验，以确保模型的适用性和可靠性。
常见的检验方法包括残差分析、拟合优度检验等。
6.预测与分析：根据估计的模型参数，对因变量进行预测，并分析自变量对因变量的影响程度。
四、实验结果与分析1.数据收集与预处理本次实验选取了某网站的销售数据作为样本，数据包含了商品价格、销量、评价等指标。
在数据预处理阶段，我们剔除了缺失值和异常值，以确保数据的完整性和准确性。
2.模型选择与估计考虑到商品价格和销量之间的关系可能存在非线性关系，我们选择了多元回归模型进行建模。
采用最小二乘法进行模型估计，得到的估计结果如下：销量 = 100000 + 10000 * 价格 + 5000 * 评价 + 随机扰动项3.模型检验对估计后的模型进行残差分析，发现残差分布较为均匀，且均在合理范围内。
同时，拟合优度检验也表明模型对数据的拟合程度较高。
线性回归分析实验报告
线性回归分析实验报告实验报告：线性回归分析一、引言线性回归是一种常用的统计分析方法，用于建立自变量与因变量之间的线性关系模型。
它可以通过对已知数据的分析，预测未知数据的数值。
本实验旨在通过应用线性回归分析方法，探究自变量和因变量之间的线性关系，并使用该模型进行预测。
二、实验方法1. 数据收集：收集相关的自变量和因变量的数据，确保数据的准确性和完整性。
2. 数据处理：对收集到的数据进行清洗和整理，确保数据的可用性。
3. 模型建立：选择合适的线性回归模型，建立自变量和因变量之间的线性关系模型。
4. 模型训练：将数据集分为训练集和测试集，使用训练集对模型进行训练。
5. 模型评估：使用测试集对训练好的模型进行评估，计算模型的拟合度和预测准确度。
6. 预测分析：使用训练好的模型对未知数据进行预测，分析预测结果的可靠性和合理性。
三、实验结果1. 数据收集和处理：我们收集了100个样本数据，包括自变量X和因变量Y。
通过数据清洗和整理，我们得到了可用的数据集。
2. 模型建立：我们选择了简单线性回归模型，即Y = aX + b，其中a为斜率，b为截距。
3. 模型训练和评估：我们将数据集分为训练集（80个样本）和测试集（20个样本），使用训练集对模型进行训练，并使用测试集评估模型的拟合度和预测准确度。
4. 预测分析：使用训练好的模型对未知数据进行预测，分析预测结果的可靠性和合理性。
四、实验讨论1. 模型拟合度：通过计算模型的拟合度（如R方值），可以评估模型对训练数据的拟合程度。
拟合度越高，说明模型对数据的解释能力越强。
2. 预测准确度：通过计算模型对测试数据的预测准确度，可以评估模型的预测能力。
预测准确度越高，说明模型对未知数据的预测能力越强。
3. 模型可靠性：通过对多个不同样本集进行训练和评估，可以评估模型的可靠性。
如果模型在不同样本集上的表现一致，说明模型具有较高的可靠性。
五、实验结论通过本实验，我们建立了一种简单线性回归模型，成功实现了对自变量和因变量之间的线性关系进行分析和预测。
计量经济学实验报告
实验报告一一．实验任务：线性回归二．实验目的：学习如何输入数据，学习如何做线性回归，并会分析结果。
三．操作步骤：1、建立工作文件启动Eviews6.exe ，点击File\New\Workfile ，在弹出的对话框中选择工作文件的结构类型（workfile structure type ）2、输入数据在主菜单点击Quick\Empty Group ，录入收入（X ）、消费（Y ）的数据，在窗口中点击数据，修改数据列的名称。
3、回归分析做散点图在主菜单点击Quick\Graph ，在弹出的对话框中输入 x y ，点击OK 。
在弹出的对话框中，specipi 下选择Scatter 点击确定即可得到X-Y 散点图。
点此图上面的“Name ”为此图命名。
由得出的散点图可以看出，x y 存在近似的线性关系。
OLS 估计在主菜单点击Quick\Estimate Equation ，在弹出的对话框中输入“y c x ” 点击“OK ”既可。
得到各参数估计值。
四．结果分析样本回归方程为：X Y 509091.05455.244ˆ+=（64.138） （0.0357） ←-------各参数估计值对应的标准误（3.813） (14.243) ←-------各参数估计值对应的T 统计量9621.02=R 9573.02=R 868.202=F DW=2.68 n=10经济意义检验：根据经济理论，收入增加会带动消费增加，边际消费倾向的取值范围为0~1，回归方程中X 的系数表示边际消费倾向，回归结果为0.51，与经济理论相符。
常数项表示基础消费，基础消费应该大于零，回归结果与理论相符。
显著性检验：方法一：查表可知：05.0=α时，306.2)8(2=αt 32.5)8,1(=αF因为202.868>5.32 ，所以回归方程显著成立。
因为306.2813.3)ˆ(0>=βT 306.2243.14)ˆ(1>=βT 所以0ˆβ、1ˆβ显著不为零。
计量经济学实验简单线性回归模型
计量经济学实验简单线性回归模型引言计量经济学是经济学中的一个分支，致力于通过经验分析和实证方法来研究经济问题。
实验是计量经济学中的重要方法之一，能够帮助我们理解和解释经济现象。
简单线性回归模型是实验中常用的工具之一，它能够通过建立两个变量之间的数学关系，预测一个变量对另一个变量的影响。
本文将介绍计量经济学实验中的简单线性回归模型及其应用。
简单线性回归模型模型定义简单线性回归模型是一种用于描述自变量（X）与因变量（Y）之间关系的线性模型。
其数学表达式为：Y = β0 + β1X + ε其中，Y表示因变量，X表示自变量，β0和β1为未知参数，ε表示误差项。
参数估计在实际应用中，我们需要通过数据来估计模型中的参数。
最常用的估计方法是最小二乘法（OLS）。
最小二乘法的目标是通过最小化观测值与拟合值之间的平方差来估计参数。
具体而言，我们需要求解以下两个方程来得到参数的估计值：∂(Y - β0 - β1X)^2 / ∂β0 = 0∂(Y - β0 - β1X)^2 / ∂β1 = 0解释变量与被解释变量在简单线性回归模型中，解释变量（X）用来解释或预测被解释变量（Y）。
例如，我们可以使用房屋的面积（X）来预测房屋的价格（Y）。
在实验中，我们可以根据收集到的数据来建立回归模型，并利用该模型进行预测和分析。
应用实例数据收集为了说明简单线性回归模型的应用，我们假设收集了一些关于学生学习时间与考试成绩的数据。
下面是收集到的数据：学习时间（小时）考试成绩（百分制）2 723 784 805 856 88模型建立根据收集到的数据，我们可以建立简单线性回归模型来分析学生学习时间与考试成绩之间的关系。
首先，我们需要确定自变量和因变量的符号。
在这个例子中，我们可以将学习时间作为自变量（X），考试成绩作为因变量（Y）。
然后，我们使用最小二乘法来估计模型中的参数。
通过计算，可以得到如下参数估计值：β0 = 69.85β1 = 2.95最终的回归方程为：Y = 69.85 + 2.95X预测与分析通过建立的回归模型，我们可以进行预测和分析。
线性回归法实验报告
线性回归法实验报告线性回归是一种基本的统计学方法，用来建立一个自变量和一个或多个因变量之间的线性关系模型。
其基本原理是寻找最佳的直线来拟合数据，以预测或解释因变量的数值。
本篇实验报告将介绍线性回归的基本原理和实验过程，并通过一个具体的案例进行分析和实现。
二、实验目的1. 理解线性回归的基本原理和模型；2. 掌握如何使用Python进行线性回归分析；3. 使用线性回归模型分析实际数据，并对结果进行解释和评估。
三、实验步骤1. 数据准备：选择一个合适的数据集，包括自变量和因变量。
2. 数据预处理：对数据进行清洗和归一化处理，使其符合线性回归的要求。
3. 数据分割：将数据集分为训练集和测试集，用于训练和评估模型。
4. 模型训练：使用训练集数据拟合线性回归模型。
5. 模型评估：使用测试集数据对模型进行评估，包括计算预测误差和确定模型的可靠性。
6. 结果解释和可视化：根据模型结果和评估指标，对结果进行解释和可视化展示。
四、实验案例本次实验选择一个汽车销售数据集进行分析，其中自变量为汽车的年龄和公里数，因变量为汽车的价格。
我们的目标是建立一个线性模型，以预测汽车的价格。
1. 数据准备首先，我们需要收集关于汽车价格、年龄和公里数的数据。
可以通过互联网查找相关的数据集，或者自己收集数据。
收集到数据后，可以将其保存为CSV或Excel 文件。
2. 数据预处理在进行线性回归分析之前，我们需要对数据进行预处理。
首先，对数据进行清洗，处理缺失值和异常值。
然后，对数据进行归一化处理，使其在相同的量级上。
3. 数据分割将数据集分为训练集和测试集的过程称为数据分割。
一般情况下，我们将70%的数据用于训练模型，将30%的数据用于测试模型。
4. 模型训练使用训练集数据来训练线性回归模型。
可以使用Python中的机器学习库，如scikit-learn来实现线性回归模型的训练。
5. 模型评估使用测试集数据对训练好的模型进行评估。
可以计算预测误差，如均方根误差(RMSE)和平均绝对误差(MAE)，来评估模型的预测能力。
计量经济学实验报告 回归分析
西南科技大学《计量经济学》实验报告实验项目名称：计量经济学实验指导教师：实验组成人员：学号：年级专业：【实验步骤——自己操作】一、实验数据：为了研究深圳市地方预算内财政收入与国内生产总值的关系，得到以下数据：资料来源:《深圳统计年鉴2002》，中国统计出版社(1)建立深圳地方预算内财政收入对GDP的回归模型；。
(2)估计所建立模型的参数，解释斜率系数的经济意义；(3)对回归结果进行检验；(4)若是2005年年的国内生产总值为3600亿元，确定2005年财政收入的预测值。
二、实验步骤：1.建立EViews3.1实验文件在主菜单上依次点击File/New/Work file，选择annual（年度）2.输入Y、X、T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 XLs y c x/ok 后，出现Forecast3.制图x与y的变化图形：所以根据地方预算内财政收入（Y ）和GDP 的关系近似直线关系，可建立线性回归模型：t t t u GDP y ++=21ββ4.输入命令：genr e=resid根据EViews 估计其参数结果为：t t GDP Y 134582.0611151.3ˆ+-=(4.16179) (0.003867) T = (-0.867692) (34.80013) R 2=0.99181 F=1211.049经检验说明,GDP 对地方财政收入确有显著影响。
R 2=0.99181，说明GDP 解释了地方财政收入变动的99%，模型拟合程度较好。
所以当GDP 每增长一亿元，地方财政平均收入将增长0.134582亿元。
5.回归检验——回归参数的显著性检验： 显著性检验水平：5.00=α查找自由度为n-k 的()79.122-12t 25.00=有上不检验中得出)(2k n t -≥α即为34.80013179.2≥所以在其他解释变量不变的情况下，解释变量x 对应变量y 的影响是显著的6. 若是2005年年的国内生产总值为3600亿元，确定2005年财政收入的预测值。
线性回归实习报告
一、实习背景与目的随着大数据时代的到来，数据分析与机器学习技术在各个领域得到了广泛应用。
线性回归作为机器学习的基础算法之一，被广泛应用于预测、分类等领域。
为了深入了解线性回归算法及其在实际应用中的效果，我于2023年X月至X月期间，在某科技公司进行了为期一个月的线性回归实习。
本次实习旨在通过实际项目操作，掌握线性回归的基本原理、实现方法以及在数据分析中的应用。
二、实习内容1. 线性回归原理学习在实习初期，我首先对线性回归的基本原理进行了深入学习。
通过阅读相关文献和在线课程，我了解了线性回归的基本假设、模型形式、参数估计方法以及模型评估指标等。
2. 数据预处理在实习过程中，我参与了一个针对某电商平台用户购买行为的预测项目。
首先，我对原始数据进行了预处理，包括数据清洗、缺失值处理、异常值处理、特征工程等，为后续的线性回归建模奠定了基础。
3. 线性回归模型构建与优化根据项目需求，我选择了线性回归模型作为预测工具。
在模型构建过程中，我采用了最小二乘法进行参数估计，并通过交叉验证等方法对模型进行了优化。
同时，我还尝试了岭回归、LASSO回归等改进的线性回归模型，以提升模型的预测性能。
4. 模型评估与结果分析在模型构建完成后，我对模型进行了评估，主要使用了均方误差（MSE）、均方根误差（RMSE）等指标。
通过对模型结果的详细分析，我发现模型在部分特征上的预测效果较好，但在其他特征上存在一定偏差。
5. 模型优化与改进针对模型评估中发现的问题，我对模型进行了优化与改进。
具体措施包括：调整模型参数、尝试不同的特征组合、引入新的特征等。
经过多次迭代，模型的预测性能得到了显著提升。
三、实习收获与体会1. 理论与实践相结合通过本次实习，我深刻体会到理论与实践相结合的重要性。
在学习线性回归理论的同时，我将所学知识应用于实际项目中，提高了自己的实际操作能力。
2. 数据预处理的重要性在数据分析过程中，数据预处理是一个至关重要的环节。
- 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1. 实验目的随着中国经济的发展，居民的常住收入水平不断提高，粮食销售量也不断增长。
研究粮食年销售量与人均收入之间的关系，对于探讨粮食年销售量的增长的规律性有重要的意义。
2. 模型设定为了分析粮食年销售量与人均收入之间的关系,选择“粮食年销售量”为被解释变量（用Y 表示），选择“人均收入”为解释变量（用X 表示）。
本次实验报告数据取自某市从1974 年到1987 年的数据（教材书上101页表3.11），数据如下图所示：1粮食年销售量Y/万吨人均收入X/ rF1974[ 9& 45153.2 1975100.7190pl1976102.8240.3 1977133. 95301.12 [61978140.13361 71979143.11420 8—1980146.15491.76「91981144.6501 101982148. 94529.2 1 11-1983158.55552. 72匸1984169. 68771.16 131985P 162.1481L8 14二1986170. 09988.43 1519871F& 691094.65为分析粮食年销售量与人均收入的关系，做下图所谓的散点图从散点图可以看出粮食年销售量与人均收入大体呈现为线性关系，可以建立如下简单现行回归模型:3•估计参数Y t = ■• 1 2 X t ——I t假定所建模型及其中的随机扰动项叫满足各项古典假定，可以用OLS法估计其参数。
通过利用EViews对以上数据作简单线性回归分析，得出回归结果如下表所示：Dependent Variable YMethod: Least SquaresDate 10/15/11 Time 14 49Sample- 1 14Included observations: 14Variable Coefficient Std Error t-Statistic Prob C99 61349 6 431242 15 489000 0000X0.0814700.010738 7.5071190.0000 R-squared0 827493Mean dependent var142 7129 Adjusted R-squared0 813123S.D. dependent var26.09805S E of regression11 28200Akaike info criterion7 915858 Sum squared resid1527 403Schwarz criterion7 907152 Log likelihood-52.71101F-statisti c5756437 Durbin-V/atson stat0 638969Prob(尸-statistic)0 000006可用规范的形式将参数估计和检验的结果写为:AY t =99.61349+0.08147 X t（6.431242）（0.10738）t= (15.48900) (7.587119)R2=0.827498 F=57.56437 n=144•模型检验（1）.经济意义检验A A所估计的参数1=99.61349, 1 2=0.08147,说明人均收入每增加1元，平均说来可导致粮食年销售量提高0.08147元。
这与经济学中边际消费倾向的意义相符(2).拟合优度和统计检验拟合优度的度量：由回归结果表可以看出，本实验中可决系数为0.827498,说明所建模型整体上对样本数据拟合一般偏好。
对回归系数的t检验：针对H0： -=0和H0： \=0，由回归结果表A中还可以看出，估计的回归系数j的标准误差和t值分别为：A A ASE( - 1 )=6.431242,t( - 1 )=15.48900; 一：2的标准误差和t 值分别为：A ASEC 2 )=0.10738,tC 2 )=7.587119取a=0.05,查t 分布表自由度为An-2=14-2=12 的临界值t0.025( 12)=2.179因为tO51 )=15.48900>t0^( 12)A=2.179,所以应拒绝H0：?1=0;因为t(B 2)=7.587119>t0.025( 12)=2.179. 所以应拒绝H 0: 2 =0o这表明，人均收入对粮食年销售量确有显著影响。
实验报告(多元线性回归)1. 实验目的随着经济的发展，人民的生活水平不断得到提高，粮食年销售量也随着增加，以某市为例，该市1974年的粮食年销售98.45 万吨，而到了1987年，粮食年销售量已增加到了178.69万吨，为1974年的1.815倍。
因此研究粮食年销售量增长的主要原因，对于分析粮食年销售量未来的增长趋势，有很重要的经济意义，从而需要建立计量经济模型。
2. 模型设定为了全面反映该市粮食年销售量增长的全貌，选择“粮食年销售量”为被解释变量（用Y 表示）,选择“常住人口”、“人均收 入”、“肉销售量”、“蛋销售量”、“鱼虾销售量”作为解释变量， 分别用X2、X3、X4、X5、X6表示。
本次实验数据取自某市从1974年到1987年的数据（教材书101页表3.11），数据如下图所示:1戦馬n r i n2 E 1371 9S.45 M.2153.2 5.531,23 1.S9q U rzE 1恥 肌H190 讥1.3 训qKL8668,052ft 3 il L!2,?1 r r 們 血馬riMT 301.12 10 J加35\mm2? 381 1训处1379143,11T36.13 420 11.85 3.S 5,24 r 「UU5 T48.911123E.13M3q J r~m1K6501必诃攥10 133! 14训 许毅215,29 5,03 10.0T 11 :邂 15155 (85.3 552.7218(1训12,5T. 12 1删 IM 795.5 制加1US 1S.1! 13 1335 LK.U E01.381L8\Ul L/5 1S,25 19 加 LiU3 8帥 98加 1S3 11,54 20,55. 15IW82讥 1删侦215311, &!23 JT为分析被解释变量与各个解释变量之间的关系，作相关线性图形如下图所示:从上图可以看出被解释变量和各个解释变量之间大体呈现线性关系，因此可以建立线性回归模型如下：Y t = 一 1 ■_2X2t ■_3X3t ■_4X4t ■_5X5t ■_6X6t ■"t3. 参数估计假定所建模型及其中的随机扰动项叫满足各项古典假定，可以用OLS法估计其参数。
通过利用EViews对以上数据作多元线性回归分析，得出回归结果如下表所示:Dependent variable: Y Method Least Squares Date 10/15/11 Time. 15.21 Sample ： 1 14Included observations 14VariableCoefficient Std^ Error t-Statistic Prob0 970442 Mean dependent var 0 951968 S D dependent var 5.719709 Akaike info criterion 261 7206 Schwarz criterion -40 36268 F-slatistic 1.972827 Prob(F-statistic) 根据以上表中数据，模型估计的结果为：AY t- -3.491789 0.12532X 20.073672X 32.677595X 43.453715X 5-4.491407X6(30.00475) (0.059135) (0.037876) (1.257299) (2.450799) (2.214785) t=(-0.116375) (2.119221) (1.945119) (2.129640) (1.409220) (-2.027920)R 2=0.970442R 2 =0.951968 F=52.53043df=14-6=84. 模型检验(1)经济意义检验模型估计结果说明，在假定其他变量不变的情况下，当常住人口 每增加1万人，平均说来粮食年销售量会增加0.12532万吨；在假定其他变量不变的情况下，当人均收入每增加1元，平均说来粮食年销 售量会增加0.073672万吨；在假定其他变量不变的情况下，当肉销 售量每增加1万吨，平均说来粮食年销售量会增加2.677595万吨；在假定其他变量不变的情况下，当蛋销售量每增加1万吨，平均说来 粮食年销售量会增加3.453715万吨；在假定其他变量不变的情况下，CX2X3心-3 491709 30 00475-0.116375 0 9102 0 125320 0.059135 2 119221 0 0669 0.073672 0 037876 1.946119 0 0877 2.677595 1.257299 2.129640 0.0658 3 453715 2.450799 1 409220 0 1964 -A 491407 2214786-2 0279200 0771R-squareaAdjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Wat son stat142 7129 26 09805 6.623240 6.897122 52 53043 0.000007当鱼虾销售量每增加1万吨，平均说来粮食年销售量会减少4.491407万吨。
这与理论分析和经验判断相一致。
(2)统计检验A .拟合优度：由回归结果表可知R2=0.970442，修正的可决系数为R2=0.951968。
这说明模型对样本的拟合很好。
B. F检验：针对H0：-2= 3= 4= 5= 6=0，给定显著性水平a=0.05,在F分布中查出自由度为k-仁5和n-k=14-6=8的临界值F：.(5,8) =3.69.由回归结果表可知F=52.53043,由于F=52.53043> F(5,8) =3.69,应拒绝原假设H°「2= 3= 4= _5= 6=0，说明回归方程显著，即“常住人口” 、“人均收入”、“肉销售量”、“蛋销售量”、“鱼虾销售量”等变量联合起来确实对“粮食年销售量”有显著影响。
C. t检验：分别针对H。
: P j=0 (j=1 , 2, 3, 4, 5, 6),给定显著性水平a=0.05,查t分布表的自由度为n-k=8的临界值A A A At-./2(n-k)=2.306.由回归结果表中数据可知，与h、一：2、3、4、A A飞、-6 对应的t 统计量分别为-0.116375、2.119221、1.945119、2.129640 1.409220、-2.027920,其绝对值均小于t../2(n- k)=2.306, 说明显著性水平a=0.05的条件下，分别都应当拒绝H0 : j=0(j=1 , 2, 3, 4, 5, 6)也就是说在其他解释变量不变的情况下，“常住人口”、“人均收入”、“肉销售量”、“蛋销售量”、“鱼虾销售量”分别对被解释变量都没有显著影响。