经济预测与决策案例分析
经济学中的预测方法和模型评估
经济学中的预测方法和模型评估在经济学中，预测是一个非常重要的问题。
这是因为经济的发展是复杂的、多变的，而预测则可以帮助政府、企业和个人做出更加准确的决策。
但是，经济的复杂性使得预测非常困难，因此必须使用一些预测方法和模型来帮助我们进行决策。
一、预测方法在经济学中，主要有几种预测方法：趋势分析法、时间序列分析法、横截面分析法和案例分析法。
趋势分析法是通过观察过去的数据，来判断未来趋势的变化。
例如，在预测消费者支出时，可以根据消费者支出的历史数据来预测未来的趋势。
这种方法比较简单，但是它不适用于非稳态的数据。
时间序列分析法是通过观察不同的时间段的数据，来预测未来的变化。
这种方法通常用于预测周期性的变化，例如季节性商品的销售量。
时间序列分析方法可以帮助我们更好地了解周期性变化的规律，并且预测未来的变化。
横截面分析法是通过观察不同时期、不同地区、不同行业、不同公司之间的数据，来预测未来的变化。
这种方法通常用于预测某一个行业、某一个公司的未来发展趋势。
横截面分析法可以帮助我们更好地了解不同行业、不同公司之间的差异，并且预测未来的变化。
案例分析法是通过观察过去的成功案例和失败案例，来预测未来的变化。
例如，在预测某一个企业的未来发展趋势时，可以通过观察过去类似企业的成功案例和失败案例来预测未来的变化。
这种方法可以帮助我们更好地了解可能的风险和机会，并且预测未来的变化。
二、模型评估在使用预测模型时，我们需要对模型进行评估。
模型评估过程中主要有以下几个方面的内容：模型的选择、模型的准确度、模型的稳定性、模型的可解释性。
首先，模型的选择非常重要。
不同的模型适用于不同的问题，因此我们需要选择最适用于问题的模型。
选择模型的原则是尽可能使得模型简单化，使得受估计参数数目减少，调整因素减小，这样才能更好地进行预测。
其次，模型的准确度也是很重要的。
模型的准确度是我们评估模型好坏的一个指标，准确度越高，说明模型对未来的预测越准确。
计量经济学模型案例
计量经济学模型案例计量经济学是经济学的一个重要分支，它运用数理统计和经济理论来研究经济现象。
在实际应用中，计量经济学模型可以帮助我们分析经济数据，预测经济变化，评估政策效果等。
下面我们将通过几个实际案例来展示计量经济学模型的应用。
首先，我们来看一个关于劳动力市场的案例。
假设我们想要研究教育水平对个体工资收入的影响。
我们可以建立一个计量经济学模型，以教育水平作为自变量，工资收入作为因变量，控制其他可能影响工资收入的因素，如工作经验、性别、地区等。
通过对大量的劳动力市场数据进行回归分析，我们可以得出教育水平对工资收入的影响程度，进而评估教育政策对经济的影响。
其次，我们来考虑一个关于消费行为的案例。
假设我们想要研究收入水平对消费支出的影响。
我们可以建立一个消费函数模型，以收入水平作为自变量，消费支出作为因变量，控制其他可能影响消费支出的因素，如家庭规模、价格水平、偏好等。
通过对消费者调查数据进行计量经济学分析，我们可以得出收入水平对消费支出的弹性，从而预测未来的消费趋势，指导政府制定经济政策。
最后，我们来看一个关于市场竞争的案例。
假设我们想要研究市场结构对企业利润的影响。
我们可以建立一个产业组织模型，以市场结构（如垄断、寡头、完全竞争）作为自变量，企业利润作为因变量，控制其他可能影响企业利润的因素，如生产成本、市场需求、技术创新等。
通过对不同产业的数据进行计量经济学分析，我们可以得出不同市场结构下的企业利润水平，为政府监管和产业政策提供依据。
通过以上案例的介绍，我们可以看到计量经济学模型在实际经济分析中的重要作用。
它不仅可以帮助我们理解经济现象的规律，还可以指导政策制定和企业决策。
当然，计量经济学模型的建立和分析也需要注意数据的质量、模型的假设条件等问题，只有在严谨的理论基础和丰富的实证分析基础上，我们才能得出可靠的经济结论。
综上所述，计量经济学模型在经济学研究中具有重要的地位和作用，它为我们提供了一种强大的工具来分析经济现象，预测经济变化，评估政策效果。
经济预测与决策课程设计
经济预测与决策 课程设计一、课程目标知识目标：1. 学生能够理解并掌握经济预测的基本概念、原理和方法。
2. 学生能够了解经济决策的类型、过程及其在实际中的应用。
3. 学生能够掌握并运用数据分析技能，对经济数据进行分析，为预测和决策提供依据。
技能目标：1. 学生能够运用所学经济预测方法，对实际问题进行预测分析，并提出合理的预测结果。
2. 学生能够结合实际案例，设计简单的经济决策模型，并运用到实际问题的解决中。
3. 学生能够通过小组合作，进行数据分析，提高团队协作和沟通能力。
情感态度价值观目标：1. 学生能够认识到经济预测与决策在国家和企业经济发展中的重要性，增强对经济学的兴趣和热爱。
2. 学生在学习过程中，培养批判性思维和问题解决能力，形成积极主动探索知识的良好习惯。
3. 学生能够树立正确的价值观，关注国家经济发展，提高社会责任感和使命感。
课程性质：本课程为高中年级经济学选修课程，旨在通过实际案例分析，使学生掌握经济预测与决策的基本知识和技能。
学生特点：高中年级学生具有一定的逻辑思维能力和数学基础，对实际经济问题充满好奇心，喜欢探索和解决问题。
教学要求：教师应注重理论与实践相结合，引导学生运用所学知识解决实际问题，提高学生的分析、预测和决策能力。
通过小组讨论、案例分析等教学手段，培养学生的团队协作和沟通能力。
在教学过程中，关注学生的情感态度价值观的培养，使学生在掌握知识技能的同时，形成正确的价值观。
二、教学内容1. 经济预测基本概念：介绍预测的定义、作用和类型，结合教材第3章相关内容，分析不同预测方法的适用场景。
教学安排：2课时2. 经济预测方法：讲解趋势预测、季节性预测、周期性预测等常用预测方法，结合教材第4章进行案例分析。
教学安排：4课时3. 经济决策类型与过程：介绍个体决策、集体决策等类型，分析决策过程，结合教材第5章实际案例进行讲解。
教学安排：3课时4. 数据分析方法：讲解描述性统计、概率分布、回归分析等数据分析方法，结合教材第6章进行实际操作。
回归分析中的案例分析解读(Ⅲ)
回归分析是一种统计学方法，用于研究自变量和因变量之间的关系。
它可以帮助我们理解和预测变量之间的关联性，对于数据分析和预测具有重要的作用。
在实际应用中，回归分析可以帮助我们解决许多实际问题，比如市场营销、经济预测、医疗研究等领域。
在本文中，我将通过一些案例分析来解读回归分析在实际问题中的应用。
案例一：市场营销假设我们是一家电商平台，我们希望了解用户购买行为与广告投放之间的关系。
我们收集了每位用户的购买金额作为因变量，广告投放金额作为自变量，以及其他可能影响购买行为的因素，比如用户年龄、性别、地理位置等作为控制变量。
通过回归分析，我们可以建立一个模型来预测用户购买金额与广告投放之间的关系。
通过这个模型，我们可以确定投放多少广告才能最大化用户购买金额，以及哪些因素对购买行为有显著的影响。
案例二：经济预测假设我们是一家投资公司，我们希望预测股票价格与宏观经济指标之间的关系。
我们收集了股票价格作为因变量，以及国内生产总值（GDP）、失业率、通货膨胀率等宏观经济指标作为自变量。
通过回归分析，我们可以建立一个模型来预测股票价格与宏观经济指标之间的关系。
通过这个模型，我们可以了解哪些经济指标对股票价格有显著的影响，从而更好地进行投资决策。
案例三：医疗研究假设我们是一家医药公司，我们希望了解药物剂量与治疗效果之间的关系。
我们收集了药物剂量作为自变量，治疗效果作为因变量，以及患者的年龄、性别、疾病严重程度等因素作为控制变量。
通过回归分析，我们可以建立一个模型来预测药物剂量与治疗效果之间的关系。
通过这个模型，我们可以确定最佳的药物剂量，从而更好地指导临床实践。
通过以上案例分析，我们可以看到回归分析在实际问题中的广泛应用。
它不仅可以帮助我们理解变量之间的关系，还可以帮助我们预测未来趋势和制定决策。
当然，回归分析也有一些局限性，比如对数据的假设要求较高，需要充分考虑自变量和因变量之间的因果关系等。
因此，在实际应用中，我们需要结合具体情况，慎重选择合适的回归模型，并进行充分的检验和验证。
经济人假设案例
经济人假设案例在经济学中，经济人假设是指人们在做出决策时会以最大化自身利益为目标。
这一假设在经济学理论中占据着重要地位，被广泛应用于各种经济分析和预测中。
然而，在现实生活中，经济人假设是否总是成立，以及在哪些情况下会受到挑战，这是一个备受争议的话题。
本文将通过几个案例来探讨经济人假设在实际情况中的应用和局限性。
首先，让我们来看一个简单的例子，小明在超市购买商品。
根据经济人假设，小明会根据自己的偏好和预算来做出购买决策，以最大化自身效用。
然而，在实际情况中，小明可能会受到其他因素的影响，比如促销活动、朋友的推荐、商品包装等。
这些因素可能会使小明的购买决策偏离理性选择，从而挑战了经济人假设。
接下来，我们来考虑一个更复杂的案例，公司的雇佣决策。
根据经济人假设，公司会以最大化利润为目标，从而在雇佣员工时会考虑他们的生产力和成本。
然而，在实际情况中，公司的雇佣决策可能会受到其他因素的影响，比如社会责任感、员工福利、政府政策等。
这些因素可能会使公司在雇佣决策上做出不符合经济人假设的选择。
最后，让我们来看一个关于投资决策的案例，投资者在股市中进行交易。
根据经济人假设，投资者会以最大化收益和最小化风险为目标，从而做出理性的交易决策。
然而，在实际情况中，投资者的交易决策可能会受到情绪、市场波动、信息不对称等因素的影响，从而偏离理性选择，挑战了经济人假设。
综上所述，经济人假设在实际情况中并不总是成立。
人们在做出经济决策时可能会受到各种因素的影响，从而偏离理性选择。
因此，在经济分析和预测中，我们需要对经济人假设进行适当的修正和补充，以更准确地反映实际情况。
同时，我们也需要更多地关注人们的行为心理和社会环境对经济决策的影响，以便更好地理解和预测经济活动。
预测与决策预测概述
n
(Yi Yˆi )2
i1
n
n Yi Yˆi
M E R i1 Yi n
预测的价值
决策者无法控制， 也难以影响预测 结果能否实现的 预测
决策者能部分影 响或控制结果是 否实现
决策者可以完全 控制预测结果能 否实现的预测
eg：
预测精度 越高，越 有价值
气象预测 地震预测
×预测精
度越高， 越有价值
非事实性预测：指预测具有引导人们去 “执行”预测结果的功能，人们行动的 “合力”反过来影响预测结果能否实现。
案例6 ：预测报告系列
2009-2019年中国零售业市场预测与产业 投资咨询研究报告
2009-2019年中国汽车市场行业形势及趋 势预测报告
2019-2019年移动互联网服务提供商产业 前景预测与投资战略分析报告
~
什么是预测
预测就是以调查所获得的信息资料为基 础，运用科学的方法和手段对事物未来的演 变规律和发展趋势进行预测和推断。
您思想的提炼，为了最终演示 发布的良好效果，请尽量言简意 赅的阐述观点。
预测与决策分析
第一章 预测概论
案例1：石英技术誉满全球
案例2：康师傅方便面的成功之道
案 例 3： 人 人 都 买 得 起 的 汽 车
案 例 4
今 年 中 国 G D P 增 长 速 度
7、美国微软公司比尔·盖茨在1981年声称，个人电脑不需 要超过640K的内存。
8、英国邮政总局的总工程师威廉·普利斯1878年表示， “美国人需要电话，但是我们不需要。我们有众多的邮 递员。”
9、比尔·盖茨2019年发表演讲时表示，垃圾邮件问题将在 2019年得到彻底解决。
10、英国著名物理学家、发明家、英国皇家协会主席凯文 爵士称“所谓的X光只不过是愚弄百姓的东西罢了。”
财务预测模型应用案例解析
财务预测模型应用案例解析财务预测模型是现代企业管理中不可或缺的工具，它通过对历史财务数据的分析和对未来经济环境的预测，为企业提供决策支持和战略规划。
本文将对财务预测模型的应用案例进行解析，以帮助企业更好地理解和应用这一工具。
一、案例背景某科技公司近年来业务迅速扩张，为了更好地规划未来发展，公司决定采用财务预测模型对未来几年的财务状况进行预测。
该模型基于历史财务数据和市场调研，结合宏观经济环境和行业发展趋势，对公司的收入、成本、利润等关键财务指标进行了预测。
二、模型构建1. 数据收集：首先，公司收集了过去五年的财务数据，包括收入、成本、利润、资产负债等各个方面的数据。
同时，还进行了市场调研，了解了行业发展趋势和竞争对手的情况。
2. 数据处理：在收集到数据后，公司进行了数据清洗和整理，去除了异常值和不合理数据，确保了数据的准确性和可靠性。
3. 模型选择：根据公司的业务特点和数据特征，公司选择了适合自己的财务预测模型，包括时间序列分析、回归分析、神经网络等多种方法。
4. 模型训练与调整：公司利用历史数据对模型进行了训练和调整，不断优化模型的预测精度和稳定性。
三、预测结果经过模型训练和预测，公司得到了未来几年的财务预测结果。
具体而言，预测结果显示公司未来几年的收入将持续增长，但增长速度会逐渐放缓；成本将保持稳定增长，但占收入的比重将逐渐下降；利润将呈现先增后减的趋势，需要在扩张规模和保持利润之间取得平衡。
四、案例分析通过对财务预测结果的分析，公司得出了以下几点结论和建议：1. 未来几年公司收入将继续增长，但增长速度会逐渐放缓。
因此，公司需要保持对市场变化的敏感度，及时调整业务策略，抓住市场机遇。
2. 成本将保持稳定增长，但占收入的比重将逐渐下降。
这意味着公司需要不断提高效率和降低成本，以保持竞争优势。
3. 利润将呈现先增后减的趋势。
公司需要在扩张规模和保持利润之间取得平衡，避免盲目扩张导致利润下滑。
基于以上结论和建议，公司制定了相应的战略规划和措施，包括加强市场调研、优化产品结构、提高生产效率、控制成本等。
经济学专业中的数据分析与决策
经济学专业中的数据分析与决策在经济学专业中，数据分析和决策是不可或缺的重要环节。
数据分析是指通过采集、整理和分析数据，揭示经济现象和规律，为决策提供科学依据。
决策是指在面对各种选择时，根据数据分析的结果做出最优的决策。
1. 数据分析的重要性数据分析在经济学中的重要性不可忽视。
通过数据分析，我们可以识别出经济现象中的规律性，预测未来的发展趋势，并为政策制定和商业决策提供科学依据。
数据分析还可以帮助我们识别经济风险，降低不确定性，并为决策者提供更明智的选择。
2. 数据分析的方法和技巧在经济学专业中，有许多常用的数据分析方法和技巧。
例如，统计学方法可以帮助我们从大量数据中提炼出核心信息，如平均值、标准差和相关性等指标。
经济学模型的构建可以帮助我们理解经济关系，并通过模型的运行和分析来做出决策。
计量经济学方法可以帮助我们研究经济现象的因果关系，并进行政策评估。
另外，数据可视化和数据挖掘技术也在数据分析中发挥了重要作用，可以帮助我们更好地理解和传达数据。
3. 决策的过程和方法在经济学专业中，决策过程需要结合数据分析和经济理论，以最大化效益或达到特定目标。
决策的方法可以根据具体问题而定，但一般包括以下几个步骤：3.1. 问题定义：明确决策问题的目标和约束条件，明确需要解决的核心问题。
3.2. 数据分析：收集相关数据并进行分析，识别关键的变量和因素，并根据经济理论进行解释。
3.3. 模型建立：基于数据分析的结果和经济学理论，构建适当的模型来描述问题。
3.4. 备选方案筛选：提出并评估多种备选方案，根据经济学原理和数据分析的结果对方案进行筛选。
3.5. 决策制定：根据筛选出的备选方案和决策目标，做出最终的决策。
3.6. 决策评估和调整：对决策的结果进行评估，根据实际效果进行调整和改进。
4. 实际案例分析举一个实际案例来说明数据分析在经济学专业中的重要性和应用。
假设我们想要研究某城市的房地产市场，并为政府制定房地产政策提供建议。
- 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)。
案例分析一（一元线性回归模型）我国城市居民家庭人均消费支出预测一、研究的目的要求居民消费在社会经济的持续发展中有着重要的作用。
居民合理的消费模式和居民适度的消费规模有利于经济持续健康的增长，而且这也是人民生活水平的具体体现。
改革开放以来随着中国经济的快速发展，人民生活水平不断提高，居民的消费水平也不断增长。
但是在看到这个整体趋势的同时，还应看到全国各地区经济发展速度不同，居民消费水平也有明显差异。
例如，2002年全国城市居民家庭平均每人每年消费支出为元, 最低的黑龙江省仅为人均元，最高的上海市达人均10464元，上海是黑龙江的倍。
为了研究全国居民消费水平及其变动的原因，需要作具体的分析。
影响各地区居民消费支出有明显差异的因素可能很多，例如，居民的收入水平、就业状况、零售物价指数、利率、居民财产、购物环境等等都可能对居民消费有影响。
为了分析什么是影响各地区居民消费支出有明显差异的最主要因素，并分析影响因素与消费水平的数量关系，可以建立相应的计量经济模型去研究。
二、模型设定我们研究的对象是各地区居民消费的差异。
居民消费可分为城市居民消费和农村居民消费，由于各地区的城市与农村人口比例及经济结构有较大差异，最具有直接对比可比性的是城市居民消费。
而且，由于各地区人口和经济总量不同，只能用“城市居民每人每年的平均消费支出”来比较，而这正是可从统计年鉴中获得数据的变量。
所以模型的被解释变量Y选定为“城市居民每人每年的平均消费支出”。
因为研究的目的是各地区城市居民消费的差异，并不是城市居民消费在不同时间的变动，所以应选择同一时期各地区城市居民的消费支出来建立模型。
因此建立的是2002年截面数据模型。
影响各地区城市居民人均消费支出有明显差异的因素有多种，但从理论和经验分析，最主要的影响因素应是居民收入，其他因素虽然对居民消费也有影响，但有的不易取得数据，如“居民财产”和“购物环境”；有的与居民收入可能高度相关，如“就业状况”、“居民财产”；还有的因素在运用截面数据时在地区间的差异并不大，如“零售物价指数”、“利率”。
因此这些其他因素可以不列入模型，即便它们对居民消费有某些影响也可归入随即扰动项中。
为了与“城市居民人均消费支出”相对应，选择在统计年鉴中可以获得的“城市居民每人每年可支配收入”作为解释变量X。
从2002年《中国统计年鉴》中得到表1-1的数据:表1-1 2002年中国各地区城市居民人均年消费支出和可支配收入(X)的散点图，如图1-1。
图1-1从散点图可以看出居民家庭平均每人每年消费支出(Y)和城市居民人均年可支配收入(X)大体呈现为线性关系，所以建立的计量经济模型为如下线性模型：三、估计参数假定所建模型及随机扰动项i u满足古典假定，可以用OLS法估计其参数。
运用计算机软件EViews作计量经济分析十分方便。
利用EViews作简单线性回归分析的步骤如下：1、建立工作文件首先，双击EViews图标，进入EViews主页。
在菜单一次点击File\New\Workfile，出现对话框“Workfile Range”。
在“Workfile frequency”中选择数据频率：Annual (年度) Weekly ( 周数据 )Quartrly (季度) Daily (5 day week ) ( 每周5天日数据 )Semi Annual (半年) Daily (7 day week ) ( 每周7天日数据 )Monthly (月度) Undated or irreqular (未注明日期或不规则的)在本例中是截面数据，选择“Undated or irreqular”。
并在“Start date”中输入开始时间或顺序号，如“1”在“end date”中输入最后时间或顺序号，如“31”点击“ok”出现“Workfile UNTITLED”工作框。
其中已有变量：“c”—截距项“resid”—剩余项。
在“Objects”菜单中点击“New Objects”，在“New Objects”对话框中选“Group”，并在“Name for Objects”上定义文件名，点击“OK”出现数据编辑窗口。
若要将工作文件存盘，点击窗口上方“Save”，在“SaveAs”对话框中给定路径和文件名，再点击“ok”，文件即被保存。
2、输入数据在数据编辑窗口中，首先按上行键“↑”，这时对应的“obs”字样的空格会自动上跳，在对应列的第二个“obs”有边框的空格键入变量名，如“Y”，再按下行键“↓”，对因变量名下的列出现“NA”字样，即可依顺序输入响应的数据。
其他变量的数据也可用类似方法输入。
也可以在EViews命令框直接键入“data X Y ”(一元时) 或“data Y 1X X…”(多元时)，回车出现“Group”窗口数据编辑框，在对应的Y、X下2输入数据。
若要对数据存盘，点击“fire/Save As”，出现“Save As”对话框，在“Drives”点所要存的盘，在“Directories”点存入的路径（文件名），在“Fire Name”对所存文件命名，或点已存的文件名，再点“ok”。
若要读取已存盘数据，点击“fire/Open”，在对话框的“Drives”点所存的磁盘名，在“Directories”点文件路径，在“Fire Name”点文件名，点击“ok”即可。
3、估计参数方法一：在EViews主页界面点击“Quick”菜单，点击“Estimate Equation”，出现“Equation specification”对话框，选OLS估计，即选击“Least Squares”，键入“Y C X”，点“ok”或按回车，即出现如表1-2那样的回归结果。
表1-2在本例中，参数估计的结果为：（）t=20.935685r F= df=29方法二：在EViews命令框中直接键入“LS Y C X”，按回车，即出现回归结果。
若要显示回归结果的图形，在“Equation ”框中，点击“Resids ”，即出现剩余项（Residual ）、实际值（Actual ）、拟合值（Fitted ）的图形，如图1-2所示。
图1-2四、模型检验1、经济意义检验 所估计的参数^20.758511β=，说明城市居民人均年可支配收入每相差1元，可导致居民消费支出相差元。
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用EViews 得出回归模型参数估计结果的同时，已经给出了用于模型检验的相关数据。
拟合优度的度量：由表中可以看出，本例中可决系数为，说明所建模型整体上对样本数据拟合较好，即解释变量“城市居民人均年可支配收入”对被解释变量“城市居民人均年消费支出”的绝大部分差异作出了解释。
对回归系数的t 检验：针对01:0H β=和02:0H β=，由表中还可以看出，估计的回归系数^1β的标准误差和t 值分别为：^1()287.2649SE β=，^1()0.982520t β=；^2β的标准误差和t 值分别为：^2()0.036928SE β=，^2()20.54026t β=。
取0.05α=，查t 分布表得自由度为231229n -=-=的临界值0.025(29) 2.045t =。
因为^10.025()0.982520(29) 2.045t t β=<=，所以不能拒绝01:0H β=；因为^20.025()20.54026(29) 2.045t t β=>=，所以应拒绝02:0H β=。
这表明，城市人均年可支配收入对人均年消费支出有显着影响。
五、回归预测由表中可看出，2002年中国西部地区城市居民人均年可支配收入除了西藏外均在8000以下，人均消费支出也都在7000元以下。
在西部大开发的推动下，如果西部地区的城市居民人均年可支配收入第一步争取达到1000美元(按现有汇率即人民币8270元)，第二步再争取达到1500美元(即人民币12405元)，利用所估计的模型可预测这时城市居民可能达到的人均年消费支出水平。
可以注意到，这里的预测是利用截面数据模型对被解释变量在不同空间状况的空间预测。
用EViews 作回归预测，首先在“Workfile ”窗口点击“Range ”，出现“Change Workfile Range ”窗口，将“End data”由“31”改为“33”，点“OK ”，将“Workfile ”中的“Range ”扩展为1—33。
在“Workfile ”窗口点击“sampl”，将“sampl”窗口中的“1 31”改为“1 33”，点“OK ”，将样本区也改为1—33。
为了输入18270f X =，212405f X =在EViews 命令框键入data x /回车, 在X 数据表中的“32”位置输入“8270”，在“33”的位置输入“12405”，将数据表最小化。
然后在“E quation ”框中，点击“Forecast ”，得对话框。
在对话框中的“Forecast name ”(预测值序列名)键入“f Y ”， 回车即得到模型估计值及标准误差的图形。
双击“Workfile ”窗口中出现的“Yf ”，在“Yf ”数据表中的“32”位置出现预测值16555.132f Y =，在“33”位置出现29691.577f Y =。
这是当18270f X =和212405f X =时人均消费支出的点预测值。
为了作区间预测，在X 和Y 的数据表中，点击“View”选“Descriptive Stats\Cmmon Sample”，则得到X 和Y 的描述统计结果，见表1-3。
表1-3 根据表的数据可计算:取0.05α=,f Y 平均值置信度95%的预测区间为：18270f X =时6555.13 2.045413.1593⨯m212405f X =时9691.58 2.045413.1593⨯m 即是说，当18270f X =元时，1f Y 平均值置信度95%的预测区间为（，）元。
当212405f X =元时，2f Y 平均值置信度95%的预测区间为（，）元。
fY 个别值置信度95%的预测区间为：18270f X =时6555.13 2.045413.1593⨯m212405f X =时9691.58 2.045413.1593⨯m即是说，当第一步18270f X =时，1f Y 个别值置信度95%的预测区间为（，）元。
当第二步212405f X =时，2f Y 个别值置信度95%的预测区间为（，）元。
在“E quation ”框中，点击“Forecast ”可得预测值及标准误差的图形如图1-3。
图1-3案例分析二（多元线性回归模型）中国税收回归模型的建立一、研究的目的要求改革开放以来，随着经济体制改革的深化和经济的快速增长，中国的财政收支状况发生很大变化，中央和地方的税收收入1978年为亿元，到2002年已增长到亿元，25年间增长了33倍，平均每年增长 %。