计量经济学-案例分析-第六章
计量经济学课后答案第六章 自相关
第六章课后答案6.1（１）收入—消费模型为Se = (2.5043) (0.0075)t = (-3.7650) (125.3411)R2 = 0.9978，F = 15710.39，d f = 34，DW = 0.5234（２）对样本量为36、一个解释变量的模型、5%显著水平，查DW统计表可知，d L=1.411，d U= 1.525，模型中DW<d L，显然消费模型中有自相关。
（３）采用广义差分法查5%显著水平的DW统计表可知d L = 1.402，d U = 1.519，模型中DW= 2.0972>d U，说明广义差分模型中已无自相关。
同时，判定系数R2、t、F统计量均达到理想水平。
由差分方程式可以得出：所以最终的消费模型为：6.2（1）给定n=16, ,在的显著水平下，查DW统计表可知，。
模型中，所以可以判断模型中存在正自相关。
给定n=16, ,在的显著水平下，查DW统计表可知，。
模型中，所以可以判断模型中不存在自相关。
（2）自相关可能由于模型6.1的误设，因为它排除了趋势的平方项。
（3）虚假自相关是由于模型的误设造成的，因此就要求对可能的函数形式有先验知识。
真正的自相关是可以通过广义差分法等方法来修正。
6.3（１）收入—消费模型为（２）DW＝0.575，取，查DW上下界，说明误差项存在正自相关。
（３）采用广义差分法使用普通最小二乘法估计的估计值，得DW=1.830，已知，模型中因此，在广义差分模型中已无自相关。
由差分方程式可以得出：因此，修正后的回归模型应为6.4（1）回归结果如下：（2）模型检验：从回归结果可以看出，参数均显著，模型拟和较好。
异方差的检验：通过white检验可以得知模型不存在异方差。
DW检验：给定n=25, ,在的显著水平下，查DW统计表可知，。
模型中，所以可以判断模型中存在正自相关。
（3）采用广义差分法修正模型中存在的自相关问题：给定n=24，,在的显著水平下，查DW统计表可知，。
计量经济学第六章自相关
计量经济学第六章自相关自相关是计量经济学中一种重要的现象，它指的是一个变量与其自己在过去时间点上的相关性。
自相关在实证研究中十分常见，对经济学家来说，了解和掌握自相关性质是至关重要的。
1. 引言自相关作为计量经济学的一项基础概念，是经济学研究中不可或缺的一个重要方法。
自相关性的存在通常会引起回归结果的偏误，而忽略自相关性可能导致估计不准确的结果。
因此，探讨自相关性的性质和应对方法是计量经济学的重点之一。
2. 自相关的定义和表示自相关是指一个变量与其自身在过去时间点上的相关性。
假设我们有一个时间序列数据集，其中变量yt表示一个时间点上的观测值，t表示时间索引。
自相关系数可以通过计算观测值yt与其在过去某一时间点上的观测值yt-k（k为时间滞后期数）的相关性来得到。
数学上，自相关系数可以用公式表示为：ρ(k) = Cov(yt, yt-k) / (σ(yt) * σ(yt-k))其中，ρ(k)表示第k期的自相关系数，Cov表示协方差，σ表示标准差。
3. 自相关性的性质自相关性具有以下几个性质：3.1 一阶自相关性一阶自相关性是指变量值yt与前一期的观测值yt-1之间的相关性。
一阶自相关系数ρ(1)通常用来检验时间序列数据是否存在自相关性。
若ρ(1)大于零且显著，则表明存在正的一阶自相关性；若ρ(1)小于零且显著，则表明存在负的一阶自相关性。
3.2 高阶自相关性除了一阶自相关性，时间序列数据还可能存在高阶自相关性。
高阶自相关性是指变量值yt与过去第k期的观测值yt-k之间的相关性。
通过计算不同滞后期的自相关系数ρ(k)，可以了解数据在不同时间跨度上的自相关性情况。
3.3 异方差自相关性异方差自相关性是指时间序列数据中的方差不仅与自身相关，还与过去观测值的相关性有关。
异方差自相关性可能导致在回归分析中的标准误差失效，从而产生无效的回归结果。
因此，在处理存在异方差自相关性的数据时要采取合适的修正方法。
4. 自相关性的检验方法在实证研究中，经济学家通常使用多种方法来检验数据中的自相关性，常用的方法包括：4.1 Durbin-Watson检验Durbin-Watson检验是一种常用的检验自相关性的方法，其基本思想是通过检验误差项的相关性来判断自相关是否存在。
计量经济学第6章假设检验
i1
n
或直接取自输出结果2.2.1中的方差分析部分“回归分析（行） F（列）”(399.09999)。(见表2.4.4)
有时S（回归系数的标准差，有时也记为 S e ）也可不写；t统计 量右上角*的表示显著性水平的大小，**一般表示在显著性水平 1％下显著，*一般表示在显著性水平5％下显著，无*表示5％下 不显著。
b1
L xx L yy
n
( x x ) ( y y ) 其 中 x y
i 1
L
n
L xx
L
yy
n
i 1
( xi x )2
i 1
( yi y )2
为x与y的简单线性相关系数，简称相关系数。它表示x和y的线 性相 关关系的密切程度。其取值范围为|r| 1，即-1 r 1。 当r=-1时，表示x与y之间完全负相关； 当r=1时，表示x与y之间完全正相关； 当r=0时，表示x与y之间无线性相关关系，即说明x与y可 能无相关关系或x与y之间存在非线性相关关系。 5、四种检验的关系 前面介绍了t检验、拟合优度（ ）检验、 F检验和相关 R 2 系数（r）检验，对于一元线性回归方程来说，可以证 明，这四种检验：
第二步：计算F统计量 因为ESS＝1602708.6 (计算过程见表2.4.3) 或直接取自输出结果 2.2.1中的方差分析部分“回归分析（行） SS（列）”(1602708.6)。
ˆ＝ RSS ( yi y )2 40158.071 (计算过程见计算表2.3.3) 或直接取
计量经济学第六章
Simultaneous-Equations Model 第一节 联立方程模型概述 第二节 联立方程模型的结构式和简化式 第三节 联立方程模型的识别 第四节 联立方程模型的参数估计 第五节 联立方程模型的应用与检验
第一节 联立方程模型概述
一、联立方程模型的提出 例：研究某一商品的需求问题。
山东经济学院统计与数学学院计量经济教研室
Y1t Y 2t Y= M Ygt
注意： 注意：
X1t X 2t X= M Xkt
u1t u 2t U= M ugt
1. 矩阵 是可逆的，以保证联立方程模型有唯一解。 矩阵B是可逆的，以保证联立方程模型有唯一解。 是可逆的 2. 矩阵 和Γ 往往是稀疏矩阵，即存在大量的零元素。 矩阵B和 往往是稀疏矩阵 即存在大量的零元素。 是稀疏矩阵， 3. 一般情况下，β11=β22=…=βgg=1，以说明因变量系数为 。 一般情况下， ，以说明因变量系数为1。 4. Xt的第一个元素通常为 ，以说明 个外生变量中含常数项。 的第一个元素通常为1，以说明k个外生变量中含常数项 个外生变量中含常数项。
山东经济学院统计与数学学院计量经济教研室
例：一个简单的宏观经济系统
由国内生产总值Y、居民消费总额 、投资总额I和政府消 由国内生产总值 、居民消费总额C、投资总额 和政府消 费额G等变量构成简单的宏观经济系统 等变量构成简单的宏观经济系统。 费额 等变量构成简单的宏观经济系统。 将政府消费额G由系统外部给定， 将政府消费额G由系统外部给定，其他变量互相影响并互 为因果。 为因果。
• 在联立方程模型中，内生变量既作为被解释变量， 在联立方程模型中，内生变量既作为被解释变量， 又可以在不同的方程中作为解释变量。 又可以在不同的方程中作为解释变量。
最新计量经济学第六章习题答案讲课教案
3解:(1)样本回归方程为998792.00170.1226.793261-176283.0454750.12^t r X Y t，(2)残差图(3)DW 统计量的值734726.0DW(4)BG LM 自相关检验辅助回归式估计结果是t t t tX e e 000420.0060923.0638831.01因为84.3998223.7,84.31205.0LM ,所以LM 检验量也说明样本回归方程的误差项存在一阶正自相关。
首先估计自相关系数^，得632637.02734726.0121^DW 对原变量做广义差分变换。
令1t 632637.0t t Y Y GDY ，1t 632637.0t t X X GDX 以年1994~1975,,t t GDX GDY 为样本再次回归，得tGDX GDY 173740.0391490.0t 回归方程拟合的效果仍然比较好,651914.1DW 对于给定05.0，查表得，。
43.1,24.1U L d d 因为75.243.11651914.1DW ,依据判别规则，误差项已消除自相关。
由391490.0^*0，得06568.1632637.01/391490.01/^^*0^0则原模型的广义最小二乘估计结果是t X Y 173470.006568.1^t 。
4解：（1）样本回归方程为tGDP Y 694454.0674.2816^t（2）残差图(3)3397.0DW(4)BG LM 自相关检验辅助回归式估计结果是t t t tGDP e e 029062.07871.334985257.01因为84.309615.30,84.31205.0LM ,所以LM 检验量也说明样本回归方程的误差项存在一阶正自相关。
首先估计自相关系数^，得83015.023397.0121^DW对原变量做广义差分变换。
令1t 83015.0t t Y Y GDY ，183015.0t t tGDGDP GDP GDGDP ，以年1994~1975,,t t GDGDP GDY 为样本再次回归，得。
《计量经济学》第六章精选题及答案
第六章自相关二、问答题1、那些原因可以造成自相关；2、存在自相关时，参数的OLS估计具有哪些性质；3、如何检验是否存在自相关；4、当存在自相关时，如何利用广义差分法进行参数估计；5、当存在自相关时，如何利用广义最小平方估计法进行参数估计；6、异方差与自相关有什么异同；三、计算题1、证明：当样本个数较大时，)d。
≈-1(2ρα2、通过D-W检验，判断下列模型中是否存在自相关，显著性水平%5=（1）样本大小：20；解释变量个数（包括常数项）：2；d=0.73；（2）样本大小：35；解释变量个数（包括常数项）：3；d=3.56；（3）样本大小：50；解释变量个数（包括常数项）：3；d=1.87；（4）样本大小：80；解释变量个数（包括常数项）：6；d=1.62；（5）样本大小：100；解释变量个数（包括常数项）：5；d=2.41；3、假定存在下表所示的时间序列数据：请回答下列问题：（1）利用表中数据估计模型：t t t x y εββ++=10；（2）利用D-W 检验是否存在自相关？如果存在请用d 值计算估计自相关系数ρ；（3）利用广义差分法重新估计模型：'''1011(1)()t t tt t y y x x ρβρβρε---=-+-+。
第三部分 参考答案二、问答题1、那些原因可以造成自相关？答：造成自相关的原因大致包括以下六个方面：（1）经济变量的变化具有一定的倾向性。
在实际的经济现象中，许多经济变量的现值依赖于他的前期值。
也就是说，许多经济时间序列都有一个明显的相依性特点，这种现象称作经济变量所具有的惯性。
（2）缺乏应有变量的设定偏差。
（3）不正确的函数形式的设定错误。
（4）蛛网现象和滞后效应。
（5）随机误差项的特征。
（6）数据拟合方法造成的影响。
2、存在自相关时，参数的OLS 估计具有哪些性质？答：当存在自相关，即I D ≠ΩΩ=,)(2σε时，OLS 估计的性质有：（1）βˆ是观察值Y 和X 的线性函数；（2）βˆ是β的无偏估计；（3）βˆ的协方差矩阵为112)()()ˆ(--'Ω''=X X X X X X D σβ；（4）βˆ不是β的最小方差线性无偏估计；（5）如果nX X n Ω'∞→lim存在，那么βˆ是β的一致估计；（6）2σ 不是2σ的无偏估计；（7）2σ不是2σ的一致估计。
计量经济学-第六章：联立方程计量经济模型
It
2122Yt1
23Gt
v2t
Yt 3132Yt133Gtv3t
3.简化式模型的矩阵表示
Ct 1112Yt113Gtv1t
It
2122Yt1
23Gt
v2t
Yt 3132Yt133Gtv3t
C t
Y It Yt11 Nhomakorabea12
13
21
22
23
31
32
33
1
X
Y G
t
结构式模型的导出的结果：
C Itt001100 1 1001111112( 111 1 21)11YYt t1111111 111G Gttu11ut111t 1uu1212tt111u2u21tt Yt 10 1011121Yt11111Gt 1u1 t 1 u2t1
而简化式模型的一般表示：
Ct 1112Yt113Gtv1t
Ct 0 1Yt u1t It 0 1Yt 2Yt1 u2t
Yt Ct It Gt
◇联立方程模型中方程、变量及其属性 方程包括：随机方程、确定性方程 按变量性质：内生变量、外生变量 按因果关系：解释变量、被解释变量 内生变量：是随机变量，内生变量之间相互影响， 内生变量还受到外生变量的影响 外生变量：是确定性变量，对内生变量产生影响 先决变量：外生变量、滞后内生变量
2.模型的一般表示方法 对于联立方程模型，可描述为： g个内生变量（g个方程），内生变量用向量Y表示； k个先决变量，先决变量用向量X表示； 则结构式模型矩阵表示为：
参数矩阵为：
U
◇写出下列简单宏观计量经济模型的矩阵形式：
Ct 0 1Yt u1t It 0 1Yt 2Yt1 u2t
计量经济第六章多重共线性
• 2、数据采集的范围有限，或采集 的样本量小于模型的自变量个数。
• 如在罕见疾病的研究过程中，由于病 情罕见、病因又相当复杂，而只能在 少数的患者身上采集大量的变量信息。
3、模型中采用滞后变量
在计量经济模型中，往往需要引入 滞后变量来反映真实的经济关系。 例如，消费=f(当期收入, 前期收入） 显然，两期收入间有较强的线性相 关性。
up
三、方差膨胀因子法
• 自变量间的共线性程度越大时,VIF值也随之 增大。所以也可利用方差膨胀因子来检验 多重共线性问题。 • 一般来说，当VIF >10时，表明 涉及的两个 变量存在高度线性相关，模型存在不完全 多重共线性。
P111 【经典实例】
• 计算得到的方差膨胀因子值分别为
VIF1 =10000,VIF2 =10000,VIF3 =9.6525,VIF4 =11.5875
2 2 2 1
同理易得
ˆ ) Var( 2
• EVIEWS遇到完全多重共线性时，会 显示 • Near singular matrix，无法进行估 计
2、不完全多重共线性下的后果
（1）估计量的方差增大 2 2 x 2 ˆ) 由于 Var ( 1 2 x12x2 (x1 x2 )2
• 可以看出，除了 VIF3 10 ，其余的方 差膨胀因子值均大于10,表明模型中 存在较严重的多重共线性问题。
up
第三节 多重共线性的修正 一、改变模型的形式 二、删除自变量 三、减少参数估计量的方差 四、其它方法 习题
up
• 一、改变模型的形式
• （一）变换模型的函数形式
• 例如将线性回归模型转化为对数模 型或者多项式模型。 • （二）改变模型的自变量的形式
计量经济学第六章异方差性
构建统一的异方差 性处理框架
未来可以构建一个统一的异方 差性处理框架，整合现有的处 理方法和技巧，为实际应用提 供更为全面和系统的指导。同 时，该框架还可以为计量经济 学的教学和研究提供便利。
THANK YOU
感谢聆听
03
异方差性对假设检验 的影响
异方差性可能导致假设检验中的t统计 量和F统计量失效，从而影响假设检 验的结论。
异方差性下的模型选择和评价
异方差性检验
在进行模型选择和评价之前，需要对异方差性进行检验。常用 的异方差性检验方法有怀特检验、布雷施-帕甘检验等。
模型选择
在存在异方差性的情况下，应选择能够处理异方差性的模型， 如加权最小二乘法（WLS）、广义最小二乘法（GLS）等。
性质
异方差性违反了经典线性回归模型的同方差假设，可能导致参数 估计量的无偏性、有效性和一致性受到影响。
产生原因及影响
模型设定误差
模型遗漏了重要变量或函数形式设定错误。
数据采集问题
观测数据的误差或异常值。
产生原因及影响
• 经济现象本身：某些经济变量之间的关系可能随时间和空间的变化而变化，导致异方差性。
等级相关系数法
计算残差绝对值与解释变量之间的等 级相关系数，若显著则表明存在异方 差性。
Goldfeld-Quandt检验法
假设条件
该检验假设异方差性以解释变量的某个值为界，将样本分为两组，且两组的方差不同。
检验步骤
首先根据假设条件将样本分组，然后分别计算两组的残差平方和，最后构造F统计量进行假设检验。
05
异方差性在计量经济学模型中的应用
异方差性对模型设定的影响
01
异方差性可能导致参 数估计量的偏误
当存在异方差性时，普通最小二乘法 （OLS）的参数估计量可能不再具有无 偏性和一致性，从而导致估计结果的偏 误。
计量经济学案例分析报告
《计量经济学》实验报告实验课题：各章节案列分析姓名：茆汉成班级：会计学12-2班学号：指导老师：蒋翠侠报告日期：目录第二章简单线性回归模型案例 (1)1 问题引入 (1)2 模型设定 (1)3 估计参数 (3)4 模型检验 (3)第三章多元线性回归模型案例 (5)1 问题引入 (5)2 模型设定 (5)3 估计参数 (6)4 模型检验 (6)第四章多重线性案例 (8)1 问题引入 (8)2 模型设定 (8)3 参数估计 (8)4 对多重共线性的处理 (9)第五章异方差性案例 (10)1 问题引入 (11)2 模型设定 (11)3 参数估计 (11)4 异方差检验 (11)5 异方差性的修正 (14)第六章自相关案例 (14)1 问题引入 (15)2 模型设定 (15)3 用OLS估计 (15)4 自相关其他检验 (15)5 消除自相关 (16)第七章分布滞后模型与自回归模型案例 (18) (19)1 问题引入 (19)2 模型设定 (19)3 参数估计 (19) (20)1 问题引入 (21)2 模型设定 (21)3、回归分析 (21)4模型检验 (23)第八章虚拟变量回归案例 (23)1 问题引入 (24)2 模型设定 (24)3 参数估计 (26)4 模型检验 (27)第二章简单线性回归模型案例1、问题引入居民消费在社会经济的持续发展中有着重要的作用。
适度的居民消费规模和合理的消费模型是人民生活水平的具体体现，有利于经济持续健康的增长。
随着社会信息化程度和居民的收入水平的提高，计算机的运用越来越普及，作为居民耐用消费品重要代表的计算机已经为众多的城镇居民家庭所拥有。
研究中国各地区城镇居民计算机拥有量与居民收入水平的数量关系。
影响居民计算机拥有量的因素有多种，但从理论和经验分析，最主要的影响因素应是居民收入水平。
从理论上说居民收入水平越高，居民计算机拥有量越多。
所以我们设定“城镇居民家庭平均每百户计算机拥有量（台）”为被解释变量，“城镇居民平均每人全年家庭总收入（元）”为解释变量。
计量经济学第六章
22
二、序列相关性的后果
计量经济学模型一旦出现序列相关性，如果仍 采用OLS法估计模型参数，会产生下列不良后果：
1、参数估计量非有效
因为，在有效性证明中利用了 E(NN’)=σ2I 即同方差性和互相独立性条件。 而且，在大样本情况下，参数估计量虽然具有 参数估计量虽然具有 一致性，但仍然不具有渐近有效性。 一致性，但仍然不具有渐近有效性。
在实际经济问题中，有些数据是通过已知数据 生成的。 因此，新生成的数据与原数据间就有了内在的 联系，表现出序列相关性。 例如：季度数据 季度数据来自月度数据的简单平均，这 季度数据 种平均的计算减弱了每月数据的波动性，从而使 随机干扰项出现序列相关。 两个时间点之间的“内插 内插”技术往往导致随 内插 机项的序列相关性。
E (ε i ) = 0 ,
var(ε i ) = σ 2 ,
cov(ε i , ε i s ) = 0
s≠0
由于序列相关性经常出现在以时间序列为样本的模型中， 由于序列相关性经常出现在以时间序列为样本的模型中， 因此，本节将用下标t代表 代表i。 因此，本节将用下标 代表 7
一阶自相关系数
自相关系数 ρ 的定义与普通相关系的公式形式相同
20
补充说明 自相关关系主要存在于时间序列数据中， 但是在横截面数据中，也可能会出现自相 关,通常称其为空间自相关（Spatial auto correlation）。
21
例如，在消费行为中，一个家庭、一个地区的消费 行为可能会影响另外一些家庭和另外一些地区，就 是说不同观测点的随机误差项可能是相关的。 多数经济时间序列在较长时间内都表现为上升或下 降的超势，因此大多表现为正自相关。但就自相关 本身而言是可以为正相关也可以为负相关。
计量经济学第六章
εt遵循0均值、同方差、无 序列相关的各条OLS假定
以双变量回归模型和 AR (1)为例。 Yt = β1 + β 2 X t + u t u t = ρu t −1 + ε t Yt = β1 + β 2 X t + ut (1) ( 2)
ρYt −1 = ρβ 1 + ρβ 2 X t −1 + ρu t −1
3、回归检验法
~ ~ et 为被解释变量， et −1 、 以 以各种可能的相关量， 诸如以 ~ ~ et − 2 、 et 2 等为解释变量，建立各种方程：
~ ~ e t = ρ e t −1 + ε t
~ = ρ e + ρ ~ +ε ~ et 1 t −1 2 et − 2 t
……
如果存在某一种函数形式，使得方程显著成 立，则说明原模型存在序列相关性。 回归检验法的优点 回归检验法 优点是：（1）能够确定序列相 优点 关的形式，（2）适用于任何类型序列相关性问 题的检验。
+ ⋯ + β k ( X kt − ρ1 X kt −1 − ⋯ − ρl X kt − l ) + ε t
该模型为广义差分模型 广义差分模型，不存在序列相关问题。 广义差分模型 可商行OLS估计。
ρ未知时序列相关的修正
应用广义差分法， 应用广义差分法，必须已知随机误差项的相关系数 ρ1, ρ2, … , ρp 。 实际上， 人们并不知道它们的具体数值 ， 所以 实际上 ， 人们并不知道它们的具体数值， 必须首先对它们商行估计。 必须首先对它们商行估计。
如果怀疑随机扰动项存在pρ1µt −1 + ρ 2 µt − 2 ⋯ + ρ p µt − p + ε t
计量经济学-案例分析-第六章
第六章 案例分析一、研究目的2003年中国农村人口占59.47％，而消费总量却只占41.4%，农村居民的收入和消费是一个值得研究的问题。
消费模型是研究居民消费行为的常用工具。
通过中国农村居民消费模型的分析可判断农村居民的边际消费倾向，这是宏观经济分析的重要参数。
同时，农村居民消费模型也能用于农村居民消费水平的预测。
二、模型设定正如第二章所讲述的，影响居民消费的因素很多，但由于受各种条件的限制，通常只引入居民收入一个变量做解释变量，即消费模型设定为t t t u X Y ++=21ββ（6.43）式中，Y t 为农村居民人均消费支出，X t 为农村人均居民纯收入，u t 为随机误差项。
表6.3是从《中国统计年鉴》收集的中国农村居民1985-2003年的收入与消费数据。
表6.3 1985-2003年农村居民人均收入和消费 单位： 元2000 2001 2002 20032253.40 2366.40 2475.60 2622.241670.00 1741.00 1834.00 1943.30314.0 316.5 315.2 320.2717.64 747.68 785.41 818.86531.85 550.08 581.85 606.81为了消除价格变动因素对农村居民收入和消费支出的影响，不宜直接采用现价人均纯收入和现价人均消费支出的数据，而需要用经消费价格指数进行调整后的1985年可比价格计的人均纯收入和人均消费支出的数据作回归分析。
根据表6.3中调整后的1985年可比价格计的人均纯收入和人均消费支出的数据，使用普通最小二乘法估计消费模型得t t X Y 0.59987528.106ˆ+=（6.44）Se = (12.2238) (0.0214)t = (8.7332)(28.3067)R 2 = 0.9788，F = 786.0548，d f = 17，DW = 0.7706该回归方程可决系数较高，回归系数均显著。
《计量经济学》第6章数据
《计量经济学》各章数据第6章多重共线性例6.3.1分析我国居民家庭电力消耗量与可支配收入及居住面积的关系，以预测居民家庭对电力的需求量（具体数据见表6.3.1）。
表6.3.1 我国居民家庭电力消耗量与可支配收入及居住面积统计资料例6.4.2根据表6.4.2，建立我国进口需求与GNP和消费价格指数之间的关系模型。
表6.4.2 我国进口支出与GNP和消费价格指数（单位：亿元人民币）6.5 案例分析——我国旅游市场收入函数根据理论和经验分析，影响国内旅游市场收入Y 的主要因素，除了国内旅游人数和旅游支出以外，还可能与相关基础设施有关。
为此，考虑的影响因素主要有国内旅游人数X 1，城镇居民人均旅游支出X 2，农村居民入均旅游支出X 3，并以公路里程X 4和铁路里程X 5作为相关基础设施的代表。
统计数据如表6.5.1所示。
试估计以下形式的计量经济模型：t t t t t t t u X b X b X b X b X b b Y ++++++=55443322110其中，Y 为全国旅游收入(亿元)；X 1为国内旅游人数(万人／次)；X 2为城镇居民人均旅游支出(元)；X 3为农村居民人均旅游支出(元)；X 4为公路里程(万km)；X 5为铁路里程(万km)。
表6.5.1 1994～2003年中国旅游收入及相关数据思考与练习8．考虑表1样本数据： 表1 样本数据现假定你想用对和作一多元线性回归模型：t t t t u x +22110。
请回答下列问题：（1）你能估计出这一模型的参数吗？为什么？（2）如果不能，你能估计哪一参数或参数组合？9．表2给出了一组消费支出(y )，周收入(x1)和财富（x2）的假设数据。
表2 消费支出、周收入和财富数据（单位：美元）(1)估计模型: t t t t u x b x b b y +++=22110 (2)解释变量之间存在多重共线性吗？为什么？(3)估计模型：t t t u x b b y ++=110,t t t u x b b y ++=210。
计量经济学-第6章⑴时间序列的平稳性及其检验精品文档
0.059 3.679 4.216 6.300 7.297 11.332 12.058 15.646 17.153 18.010 22.414 22.481 24.288 25.162 26.036 26.240 26.381
-0.031 0.157 0.264 -0.191 -0.616 -0.229 -0.385 -0.181 -0.521 -0.364 -0.136 -0.451 -0.828 -0.884 -0.406 -0.162 -0.377 -0.236 0.000
（b）
图形表示出：该序列具有相同的均值， 但从样本自相关图看，虽然自相关系数迅速 下降到0，但随着时间的推移，则在0附近波 动且呈发散趋势。
样本自相关系数显示：r1=0.48，落在 了区间[-0.4497, 0.4497]之外，因此在5% 的显著性水平上拒绝1的真值为0的假设。
该随机游走序列是非平稳的。
• 注意:
确定样本自相关函数rk某一数值是否足够接近 于0是非常有用的，因为它可检验对应的自相关 函数k的真值是否为0的假设。
Bartlett曾证明:如果时间序列由白噪声过程生成， 则对所有的k>0，样本自相关系数近似地服从以0 为均值，1/n 为方差的正态分布，其中n为样本数。
也可检验对所有k>0，自相关系数都为0的联合 假设，这可通过如下QLB统计量进行：
例如：如果有两列时间序列数据表现出一致的变 化趋势（非平稳的），即使它们没有任何有意义的 关系，但进行回归也可表现出较高的可决系数。
在现实经济生活中：
情况往往是实际的时间序列数据是非平稳的，而 且主要的经济变量如消费、收入、价格往往表现为 一致的上升或下降。这样，仍然通过经典的因果关 系模型进行分析，一般不会得到有意义的结果。
计量经济学第六章异方差性1
∑
ki i ) =
∑
k i2Var ( i ) =
∑ & (∑ x
& x i2σ i2
2 2 i )
σ
2
∑
& x i2
即在同方差假设下的计算值，是 实际方差的有偏估计
回归系数的OLS估计仍是线性无偏估计量，但不再有效。回归系数的OLS估计 的置信区间以及通常的t和F检验无效。
二、异方差性的侦察
非正式方法：
i = 578 . 57 + 0 . 0119 sale
t = (0.8525) (2.0931)
i
R2 = 0.2150
①
i = 507.02 + 7.9270 salei
t = (-0.5032) (2. 3704) R2 = 0.2599
②
i = 2273.7 + 19925000(1 sale)i
注意： 注意 新方程的截矩项和 斜率系数与原方程 对调了
四、 未知时的异方差修正
(b)
Yi X 其中
i
2 σi
若E ( i2 )
= β（ 1 1 X
i
= CX i
）+ β
2
注意：新方程是 注意 一个过原点回归
X
i
+
u
i i
(3)
X
改写成 Y i*
* Y i * = β 1 X 1*i + β 2 X 2 i + v i Yi 1 * = , X 1*i = , X 2i = X i X i
∧
r 2 = 0 . 4783
同方差假设检验
1、Park检验
ln ei2 = 5.6877 + 0.7014 ln Salei se : (6.6877) (0.6033) t : (0.8577) (1.1626) r 2 = 0.0779
- 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)。
第六章 案例分析
一、研究目的
2003年中国农村人口占59.47％，而消费总量却只占41.4%，农村居民的收入和消费是一个值得研究的问题。
消费模型是研究居民消费行为的常用工具。
通过中国农村居民消费模型的分析可判断农村居民的边际消费倾向，这是宏观经济分析的重要参数。
同时，农村居民消费模型也能用于农村居民消费水平的预测。
二、模型设定
正如第二章所讲述的，影响居民消费的因素很多，但由于受各种条件的限制，通常只引入居民收入一个变量做解释变量，即消费模型设定为
t t t u X Y ++=21ββ
（6.43）
式中，Y t 为农村居民人均消费支出，X t 为农村人均居民纯收入，u t 为随机误差项。
表6.3是从《中国统计年鉴》收集的中国农村居民1985-2003年的收入与消费数据。
表6.3 1985-2003年农村居民人均收入和消费 单位： 元
2000 2001 2002 2003
2253.40 2366.40 2475.60 2622.24
1670.00 1741.00 1834.00 1943.30
314.0 316.5 315.2 320.2
717.64 747.68 785.41 818.86
531.85 550.08 581.85 606.81
为了消除价格变动因素对农村居民收入和消费支出的影响，不宜直接采用现价人均纯收入和现价人均消费支出的数据，而需要用经消费价格指数进行调整后的1985年可比价格计的人均纯收入和人均消费支出的数据作回归分析。
根据表6.3中调整后的1985年可比价格计的人均纯收入和人均消费支出的数据，使用普通最小二乘法估计消费模型得
t t X Y 0.59987528.106ˆ+=
（6.44）
Se = (12.2238) (0.0214)
t = (8.7332)
(28.3067)
R 2 = 0.9788，F = 786.0548，d f = 17，DW = 0.7706
该回归方程可决系数较高，回归系数均显著。
对样本量为19、一个解释变量的模型、5%显著水平，查DW 统计表可知，d L =1.18，d U = 1.40，模型中DW<d L ，显然消费模型中有自相关。
这一点残差图中也可从看出，点击EViews 方程输出窗口的按钮Resids 可得到残差图，如图6.6所示。
图6.6
残差图
图6.6残差图中，残差的变动有系统模式，连续为正和连续为负，表明残差项存在一阶正自相关，模型中t 统计量和F 统计量的结论不可信，需采取补救措施。
三、自相关问题的处理
为解决自相关问题，选用科克伦—奥克特迭代法。
由模型（6.44）可得残差序列e t ，在EViews 中，每次回归的残差存放在resid 序列中，为了对残差进行回归分析，需生成命名为
e 的残差序列。
在主菜单选择Quick/Generate Series 或点击工作文件窗口工具栏中的Procs/ Generate Series ，在弹出的对话框中输入e = resid ，点击OK 得到残差序列e t 。
使用e t 进行滞后一期的自回归，在EViews 命今栏中输入ls e e (-1)可得回归方程
e t = 0.4960 e t-1
（6.45）
由式（6.45）可知ρ
ˆ=0.4960，对原模型进行广义差分，得到广义差分方程 t t t t t u X X Y Y +-+-=---)4960.0()4960.01(4960.01211ββ
（6.46）
对式（6.46）的广义差分方程进行回归，在EViews 命令栏中输入ls Y -0.4960*Y (-1) c
X -0.4960*X (-1)，回车后可得方程输出结果如表6.4。
表6.4 广义差分方程输出结果 Dependent Variable: Y-0.496014*Y(-1) Method: Least Squares Date: 03/26/05 Time: 12:32 Sample(adjusted): 1986 2003
Included observations: 18 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob. C
60.44431 8.964957 6.742287 0.0000 X-0.496014*X(-1) 0.583287
0.029410
19.83325
0.0000
R-squared
0.960914 Mean dependent var 231.9218 Adjusted R-squared 0.958472 S.D. dependent var 49.34525 S.E. of regression 10.05584 Akaike info criterion 7.558623 Sum squared resid 1617.919 Schwarz criterion 7.657554 Log likelihood -66.02761 F-statistic 393.3577 Durbin-Watson stat
1.397928 Prob(F-statistic)
0.000000
**5833.04443.60ˆt t X Y +=
（6.47）
)9650.8(=Se （0.0294）
t = （6.7423）
（19.8333）
R 2 = 0.9609 F = 393.3577 d f = 16 DW = 1.3979
式中，1*4960.0ˆ--=t t t Y Y Y ，
1*4960.0--=t t t X X X 。
由于使用了广义差分数据，样本容量减少了1个，为18个。
查5%显著水平的DW 统
计表可知d L = 1.16，d U = 1.39，模型中DW = 1.3979> d U ，说明广义差分模型中已无自相关，不必再进行迭代。
同时可见，可决系数R 2
、t 、F 统计量也均达到理想水平。
对比模型（6.44）和（6.47），很明显普通最小二乘法低估了回归系数2ˆ
β的标准误差。
[原模型中Se （2ˆβ）= 0.0214，广义差分模型中为Se （2ˆ
β）= 0.0294。
经广义差分后样本容量会减少1个，为了保证样本数不减少，可以使用普莱斯—温斯
腾变换补充第一个观测值，方法是21*11ρ-=X X 和21*11ρ-=Y Y 。
在本例中即为
210.49601-X 和210.49601-Y 。
由于要补充因差分而损失的第一个观测值，所以在
EViews 中就不能采用前述方法直接在命令栏输入Y 和X 的广义差分函数表达式，而是要生成X 和Y 的差分序列X *和Y *。
在主菜单选择Quick/Generate Series 或点击工作文件窗口工具栏中的Procs/Generate Series ，在弹出的对话框中输入Y *= Y -0.4960*Y (-1)，点击OK 得到广义差分序列Y *，同样的方法得到广义差分序列X *。
此时的X *和Y *都缺少第一个观测值，
需计算后补充进去，计算得*1X =345.236，*
1Y =275.598，双击工作文件窗口的X * 打开序列
显示窗口，点击Edit +/-按钮，将*
1X =345.236补充到1985年对应的栏目中，得到X *的19个观测值的序列。
同样的方法可得到Y *的19个观测值序列。
在命令栏中输入Ls Y * c X*得到普莱斯—温斯腾变换的广义差分模型为
**5833.04443.60t t X Y +=
（6.48）
)1298.9(=Se （0.0297）
t = （6.5178）
（19.8079）
R 2 = 0.9585 F = 392.3519 d f = 19 DW = 1.3459
对比模型（6.47）和（6.48）可发现，两者的参数估计值和各检验统计量的差别很微小，说明在本例中使用普莱斯—温斯腾变换与直接使用科克伦—奥克特两步法的估计结果无显著差异，这是因为本例中的样本还不算太小。
如果实际应用中样本较小，则两者的差异会较大。
通常对于小样本，应采用普莱斯—温斯腾变换补充第一个观测值。
由差分方程（6.46）有
9292
.1194960.014443
.60ˆ1
=-=β
（6.49）
由此，我们得到最终的中国农村居民消费模型为 Y t = 119.9292+0.5833 X t
（6.50）
由（6.50）的中国农村居民消费模型可知，中国农村居民的边际消费倾向为0.5833，即中国农民每增加收入1元，将增加消费支出0.5833元。