计量经济学eviews应用习题
2012-2013学年 计量经济学试验(Eviews)测试
2012-2013学年计量经济学试验（Eviews）测试班级：统计学2011班学生人数：26人姓名：石雨学号：2011517317考试方式：上机答题考试要求：本次考试时间120分钟，满分100分。
将你所做的答案保存在“姓名+学号”的WORD里，在此word文档里将每道题的答案附在相应题目下方, 学号末位0、2、4、6、8的同学做1、2、3、4题，学号末位1、3、5、7、9的同学做5、6、7、8题。
数据均在考试数据文件夹内。
4.新疆消费需求的影响因素分析。
影响人均居民消费的主要影响因素可能有以下几个方面：前期人均居民消费（x1）、人均国内生产总值（x2）、全省商品零售价格指数（x3）、中国人民银行一年期储蓄存款利率（x4）。
（数据见第四题）。
（1）建立工作文件“005”，将数据导入工作文件中。
（2）用OLS法建立回归方程。
保存为“eq001”（3）判断是否出现了多重共线性，若出现用逐步回归法消除此多重共线性。
将处理后的方程保存为“eq002”R^2很大，F统计量也很大，而且他的伴随概率很小，变量t检验的伴随概率大于0.05，很有可能存在多重共线性。
（4）用white检验法检验eq002是否存在异方差现象。
NR^2大于0.05，所以不存在异方差（5）通过DW值判断eq002是否存在自相关现象。
不存在自相关（需要EVIEWS工作文档和WORD文档同时提交）5.包含3个方程的中国宏观经济模型包含3个内生变量：国内生产总值Y 、居民消费总额CC 和投资总额I ；2个前定变量：政府消费（将净出口也包含其中，为了实现数据的平衡）G 、前期居民消费总额1-t C 。
完备的结构式模型为：（数据见第六题）C Y C I Y Y I C G t t t t t t t t t t t =+++=++=++⎧⎨⎪⎩⎪-αααμββμ01211012 2002,,1979,1978 =t数据来自《中国统计年鉴》（数据见第五题）。
Eviews操作习题练习.
1.中国居民人均消费模型从总体上考察中国居民收入与消费支出的关系。
表2.1给出了1990年不变价格测算的中国人均国内生产总值（GDPP）与以居民消费价格指数（1990年为100）所见的人均居民消费支出（CONSP）两组数据。
表2.1 中国居民人均消费支出与人均GDP （单位：元/人）年份CONSP GDPP 年份CONSP GDPP 1978 395.8000 675.1000 1990 797.1000 1602.300 1979 437.0000 716.9000 1991 861.4000 1727.200 1980 464.1000 763.7000 1992 966.6000 1949.800 1981 501.9000 792.4000 1993 1048.600 2187.900 1982 533.5000 851.1000 1994 1108.700 2436.100 1983 572.8000 931.4000 1995 1213.100 2663.700 1984 635.6000 1059.200 1996 1322.800 2889.100 1985 716.0000 1185.200 1997 1380.900 3111.900 1986 746.5000 1269.600 1998 1460.600 3323.100 1987 788.3000 1393.600 1999 1564.400 3529.300 1988 836.4000 1527.000 2000 1690.800 3789.700 1989 779.7000 1565.900Eviews操作：File——new——workfileQuick----empty group录入数据：（1）画散点图Quick---group点击ok进入选择scatter，点击确定（2）OLS估计Quick—estimate equation得出输出结果如图：由输出结果可以看出，对应的回归表达式为：^^=-+503.6995 2.5706gdpp consp（-10.704）（53.47）2R=0.9927 F=2859.544 DW=0.5434（3）在consp=2000下模型的样本外预测方法首先修改工作文件范围将工作文件范围从1978-2000改为1978-2001确定后将工作文件的范围改为包括24个观测值，然后修改样本范围将范围样本改为1978 2001打开consp的数据文件，利用Edit+/-给consp的2001年观测值赋值为2000。
Eviews实验例题及讲解
例：数据集SLEEP75为Biddle 和Hamermesh 在研究人们睡眠问题时使用的数据，其中涉及到的主要变量如下：sleep ——每周用于晚上睡眠的分钟数totwrk ——一周中工作的总分钟数educ ——受教育年数age ——年龄数使用Eviews 软件作回归分析，并回答下列问题：（1） 估计模型01sleep totwrk u ββ=++，以正规格式写出回归结果并分析。
方程中的截距表示什么？（2） 如果totwrk 增加2小时，sleep 估计要减少多少？你觉得这是一个很大的效应吗？（3） 增加解释变量，考虑模型0123sleep totwrk educ age u ββββ=++++，你认为23ββ和的符号应该是什么？估计这个模型，写出结果并分析。
（4） 按照（3）中的模型，如果有人一周多工作5个小时，预计sleep 会减少多少分钟？这是一个很大的取舍吗？（5） 讨论educ 的估计系数的符号和大小。
（6） 你能说totwrk ，educ 和age 解释了变异中的大部分吗？其他还有什么因素可能影响花在睡眠上的时间？它们与totwrk 可能相关吗？答案：数据集SLEEP75：（1） 估计模型得：2ˆ3586.3770.1507 (92.17) (9.00)0.1033 81.09 706sleeptotwrk t R F n =-⋅=-===，方程中的截距项表示如果一个人不工作，那么他每周平均睡眠时间为3586.4分钟，约合59.77小时，那么每晚的平均睡眠时间为8.5小时。
（2） 如果totwrk 增加2小时，即120totwrk ∆=（totwrk 的单位为分钟），那么ˆ(0.151)12018.12sleep∆=-⨯=-，即每晚的睡眠时间仅减少2.6分钟。
这个变化的效应不大。
（3） 增加解释变量，考虑模型0123sleep totwork educ age u ββββ=++++， 关于23ββ和的符号并不是十分的明确，比如2β，一个人的受教育程度越高，他可能会面临更多的工作，这时候他的睡眠时间有可能会减少；而年龄对睡眠时间的影响就更为复杂，这恐怕超出了经济学研究的范畴。
计量经济学 第五章习题答案
第五章异方差性5.2答案：（1）EVIEWS估计的结果为：Yˆi= 9.3475+0.6371X iT=(2.5691) (32.0088)R2 =0.9464 F=1024.564（2）首先，用Goldfeld-Quandt法进行检验。
将样本X按递减顺序排序，去掉中间1/4的样本，再分为两个部分的样本，即N1=N2=22。
分别对两个部分样本求最小二乘估计，在样本区为1—22的Eviews估计如下：样本区39—60的Eviews估计如下：得到两个部分各自的残差平方和，即∑e 12 =2495.840∑e 22 =603.0148求F 统计量为： F=∑∑e e 2221=2495.840/603.0148=4.1390给定α=0.05，查F 分布表，得临界值为F 0.05=(20,20)=2.12.比较临界值与F 统计量值，有F =4.1390>F 0.05=(20,20)=2.12，说明该模型的随机误差项存在异方差。
其次，用White 法进行检验结果如下：给定α=0.05，在自由度为2下查卡方分布表，得χ2=5.9915。
比较临界值与卡方统计量值，即nR2=10.8640>χ2=5.9915，同样说明模型中的随机误差项存在异方差。
（2）用权数W1=1/X，作加权最小二乘估计，得如下结果用White法进行检验得如下结果：F-statistic 3.138491 Probability 0.050925Obs*R-squared 5.951910 Probability 0.050999。
比较临界值与卡方统计量值，即nR2=5.9519<χ2=5.9915，说明加权后的模型中的随机误差项不存在异方差。
其估计的结果为：Yˆi= 10.3705+0.6309X iT=(3.9436) (34.0467)R2 =0.21144 F=1159.176 DW=0.95855.3答案：（1）EVIEWS估计结果：Yˆi= 179.1916+0.7195X iT=(0.808709) (15.74411)R2 =0.895260 F=247.8769 DW=1.461684 （2）利用White方法检验异方差，则White检验结果见下表：由上述结果可知，该模型存在异方差。
计量经济学案例eviews
案例分析1.问题的提出和模型的设定根据我国1978—1997年的财政收入Y 和国民生产总值X 的数据资料，分析财政收入和国民生产总值的关系建立财政收入和国民生产总值的回归模型。
假定财政收入和国民收入总值之间满足线性约束，则理论模型设定为i i i u X Y ++=21ββ其中i Y 表示财政收入，i X 表示国民生产总值。
表1我国1978—1997年财政收入和国民生产总值2.参数估计进入EViews 软件包，确定时间范围；编辑输入数据；选择估计方程菜单，估计样本回归函数如下表 2obsX Y 19783624.100 1132.260 19794038.200 1146.380 19804517.800 1159.930 19814860.300 1175.790 19825301.800 1212.330 19835957.400 1366.950 19847206.700 1624.860 19858989.100 2004.820 198610201.40 2122.010 198711954.50 2199.350 198814922.30 2357.240 198916917.80 2664.900 199018598.40 2937.100 199121662.50 3149.480 199226651.90 3483.370 199334560.50 4348.950 199446670.00 5218.100 199557494.90 6242.200 199666850.50 7407.990 1997 73452.50 8651.140估计结果为Y=858.3108 + 0.100031X(12.78768) (46.04788)R^2=0.991583 S.E.=208.508 F=2120.408括号内为t统计量值。
3.检验模型的异方差（一）图形法1、EViews软件操作。
计量的eviews软件的使用例题
1.建立深圳地方预算内财政收入对GDP的回归模型，建立EViews文件。
可作散点图：可看出财政收入和GDP的关系近似直线关系，可建立回归模型：=i Y i i 21μββ++GDP利用EViews 估计其参数结果为即 =i γ-3.611151+0.134582GDP i（4.16179） （0.003867）t=（-0.867692） （34.80013）R=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=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。
模型说明当GDP 每增长1亿元，平均说来地方财政收入将增长0.134582亿元。
当2005年GDP 为3600亿元时，地方财政收入的点预测值为=2005Y -3.611151+0.134582*3600=480.884（亿元）区间预测： 平均值为：∑x x i σ=（n-1）=587.2686*587.2686*（12-1）=3793728.494 （3600-917.5874）*（3600-917.5874）=7195337.357取∂=0.05，Y 平均值置信度95%预测区间为2005GDP =3600时 480.884±2.228*7.5325*494.3293728357.7195337121+=44±25.2735（亿元） Y 个别值置信度95%的预测区间为：即 480.884±2.228*7.5325*494.3293728357.71953371211++=480.884±30.3381（亿元）2. 呈现负相关关系，计算线性相关系数为-0.882607.作散点图：建立描述投诉率（Y ）依赖航班按时到达正点率（X ）的回归方程：i t 21t μββ++=X Y利用EViews 估计其参数结果为即t Y=6.017832-0.070414t X（1.017832）（-0.014176）t=（5.718961）（-4.967254）R=0.778996 F=24.67361这说明当航班正点到达比率每提高1个百分点，平均说来每10万名乘客投诉次数将下降0.07次。
计量经济学：一元线性回归模型习题与答案
一、单选题1、假设检验采用的逻辑推理方法是A.归纳推理法B.类比推理法C.反证法D.演绎推理法正确答案：C2、在Eviews软件操作中，预测是用（）命令。
A.GENERATEB.PLOTC.FORECASTD.SCAT正确答案：C3、对任意两个随机变量X和Y，若EXY=EX*EY,则（）A.X和Y不独立B.X和Y相互独立C.Var(XY)=VarX*VarYD.Var(X+Y)=VarX+VarY正确答案：D4、设随机变量X1,X2,...,Xn（n>1）独立同分布，且方差σ2>0。
令随机变量Y=1n ∑X ini=1，则()A.Var(X1+Y)=n+2nσ2B.Cov(X1,Y)=1nσ2C. Var(X1−Y)=n+2nσ2D. Cov(X1,Y)=σ2正确答案：B5、设随机变量X~t(n)(n>1),Y=1X，则A. Y~F(1,n)B. Y~F(n,1)C. Y~χ2(n−1)D. Y~χ2(b)正确答案：B二、多选题1、变量的显著性T检验的步骤有哪些？A.以原假设H0构造T统计量B.对总体参数提出假设C.给定显著性水平α，查t分布表得临界值tα/2(n-2)D.比较t统计量和临界值正确答案：A、B、C、D2、随机误差项的主要影响因素是A.变量观测值的观测误差的影响B.在解释变量中被忽略的因素的影响C.都不是D.模型关系的设定误差的影响正确答案：A、B、D3、下列中属于最小二乘法基本假设的有A.解释变量X是确定性变量，不是随机变量B.m服从零均值、同方差、零协方差的正态分布：μi~N(0,σμ2) i=1,2, …,nC.随机误差项μ与解释变量X之间不相关：Cov(Xi,μi)=0i=1,2, …,nD.随着样本容量的无限增加，解释变量X的样本方差趋于一有限常数。
正确答案：A、B、C、D4、最小二乘估计量的性质A.有效性B.无偏性C.一致性D.线性性正确答案：A、B、D5、缩小置信区间的途径有哪些A.增大样本容量B.降低模型的拟合优度C.提高模型的拟合优度D.减小样本容量正确答案：A、C三、判断题1、可以通过散点图来确定模型的形式。
计量经济学论文(eviews分析)计量经济作业
计量经济学论文(eviews分析)计量经济作业计量经济学论文(EViews分析)导言计量经济学是一门研究经济现象及其相互关系的学科，通过运用统计学方法和经济学理论，对经济数据进行分析和解释。
在本篇论文中，我们将运用EViews软件进行计量经济分析，以探讨某一经济问题的核心要素和关系。
第一部分：数据收集与描述性统计在这一部分中，我们将介绍数据的来源和收集方法，并进行描述性统计分析，以便了解数据的基本特征。
数据来源和收集方法我们收集了关于某国家的宏观经济数据，包括国内生产总值(GDP)、物价指数、失业率、人口数量等。
这些数据可以通过政府统计局、国际组织或经济学研究机构的报告来获取。
描述性统计分析在这一部分，我们将计算各个变量的平均值、标准差、最小值、最大值和偏度等统计指标，并绘制相应的直方图和散点图，以便对数据的分布和相关关系有更直观的了解。
第二部分：计量经济模型的建立与估计在这一部分中，我们将构建计量经济模型，并通过使用EViews软件进行参数估计，以分析各个变量之间的关系。
模型的建立根据我们对经济问题的研究目标和数据的特点，我们选择了某一计量经济模型，以解释变量Y与自变量X1、X2之间的关系。
在模型中，我们还考虑了可能的误差项。
参数估计使用EViews软件，我们可以通过最小二乘法对模型进行参数估计。
这将帮助我们确定各个变量的系数估计值，并评估其统计显著性。
模型诊断在参数估计后，我们将进行模型的诊断检验，以评估模型的拟合优度和误差项的符合性。
通过观察残差图和假设检验等方法，我们可以确定模型是否符合计量经济学的基本假设。
第三部分：计量经济模型的解释与预测在这一部分中，我们将解释计量经济模型的估计结果，并利用该模型进行未来情景的预测。
模型解释通过对模型中各个变量的系数估计进行解释，我们可以理解自变量与因变量之间的经济关系，并得出相应的经济学解释。
模型预测利用模型的参数估计结果和最新的经济数据，我们可以进行未来情景的预测。
计量经济学论文(eviews分析)计量经济作业
计量经济学论文(eviews分析)计量经济作业计量经济学论文分析的重要性不言而喁。
在经济学领域中，计量经济学是一门研究经济现象的学科，通过数学模型和统计分析对经济数据进行量化分析，以揭示经济规律和探寻经济发展规律。
eviews是一个专门用于时间序列分析和计量经济学建模的软件工具，广泛应用于经济学研究和金融领域。
在进行计量经济学论文分析时，首先需要明确研究问题和假设，然后收集相关数据。
随后，利用eviews软件对数据进行清洗和整理，进行描述性统计分析，绘制图表，进行回归分析等。
通过计量经济学方法，可以验证假设、识别变量之间的关系、预测未来趋势等。
举例来说，假设我们要研究某国家的经济增长与通货膨胀之间的关系。
首先，我们收集相关数据，包括国内生产总值（GDP）、通货膨胀率等。
然后，利用eviews软件导入数据，进行描述性统计分析，观察数据的分布特征。
接下来，可以进行回归分析，建立经济增长与通货膨胀之间的模型，分析它们之间的关系及影响因素。
在计量经济学论文中，需要注重数据的准确性和分析的科学性。
同时，也需要注意论文的结构和组织，合理安排内容，确保表达清晰，逻辑严谨。
最后，对研究结果进行讨论和总结，提出建议和展望，为相关研究和政策制定提供参考。
综上所述，计量经济学论文分析是一项复杂而重要的研究工作，需要研究者具备扎实的理论基础和专业的技能。
利用eviews软件进行数据分析和建模，可以帮助研究者更好地理解经济现象、揭示规律、做出预测，为经济学研究和实践提供理论支持和决策依据。
愿更多的学者和研究人员投身于计量经济学领域，不断推动学科进步和实践应用，为经济发展和社会进步做出贡献。
计量经济学李子奈第三版课后习题Eviews实验报告
《计量经济学》实验报告实验一：EViews5.0软件安装及基本操作女人看完这些文章还没过隐吗？请速度看下面的↓↓女人推荐精彩文章↓↓注：下载原文后点及连接进入，不下载无法观看养胸美胸比养脸更重要，女性朋友一定要知道男人厌倦女人身体的全过程，惊呆了！卖爆了！采用iphone6外观设计理念~顶极高配神机~万众期待，顶级配置卖爆了！TVS沿用劳力士经典款设计打造，顶级镶钻机械腕表官方活动价698元】限量1折抢大牌! 仅此一天全国货到付款!送自己送朋友送父母（孝敬父母首选）解压安装包，双击“Setup.exe”，选择安装路径进行安装；安装完毕后，复制“eviews5.0破解文件夹”下的“eviews5.reg文件”和“eviews5.exe文件”到安装目录下；双击“Eviews5.reg”进行注册，安装完毕。
2.基本操作（数据来源于李子奈版课后习题P61.12）运行Eviews,依次单击file→new→work file→unstructed→observation 31。
命令栏中输入“data y gdp”，打开“y gdp”表，接下来将数据输入其中。
做出“y gdp”的散点图，依次单击quick→graph→scatter→gdp y。
结果如下：开始进行LS回归：回归方程为：Y = -10.39340931 + 0.0710********GDP对回归方程做检验：斜率项t值9.59大于t在5%显著水平下的检验值2.045，拒绝零假设；截距项t 值0.121小于2.045，接受零假设。
可决系数0.76，拟合较好，方程F检验值91.99通过F检验。
下面进行预测：拓展工作空间：打开work file窗口，单击 Proc→Structure，将End date 的数据31→32；确定预测值的起止日期：打开work file窗口，点击Quick→Sample,填入“1 32”。
打开GDP数据表，在GDP的最下方填，按回车键。
中级计量经济学-第四章-习题以及解答思路（EViews）
中级计量经济学-第四章-习题以及解答思路（EViews）第4章习题一表1给出了1965~1970年美国制造业利润和销售额的季度数据。
假定利润不仅与销售额有关，而且和季度因素有关。
要求对下列二种情况分别估计利润模型：（1）如果认为季度影响使利润平均值发生变异，应如何引入虚拟变量？（2）如果认为季度影响使利润对销售额的变化率发生变异，如何引入虚拟变量？表1Quarterly 65-70Quick- Equation EstimationY c x @seas(1) @seas(2) @seas(3)Dependent Variable: YMethod: Least SquaresDate: 11/26/14 Time: 18:38Sample: 1965Q1 1970Q4Included observations: 24Variable Coefficient Std. Error t-Statistic Prob.C6868.0151892.766 3.6285590.0018 X0.0382650.011483 3.3322520.0035 @SEAS(1)-182.1690654.3568-0.2783940.7837 @SEAS(2)1140.294630.6806 1.8080380.0865 @SEAS(3)-400.3371636.1128-0.6293490.5366R-squared0.525596Mean dependentvar12838.54Adjusted R-squared0.425721S.D. dependentvar1433.284S.E. of regression1086.160Akaike infocriterion17.00174Sum squared resid22415107Schwarz criterion17.24716 Log likelihood-199.0208F-statistic 5.262563Durbin-Watson stat0.388380Prob(F-statistic)0.005024T和P在5%情况下都不通过，第二季度相对还好一点假设第二季度显著，结果的经济含义是什么？Y c x @seas(2) @seas(3) @seas(4)Dependent Variable: YMethod: Least SquaresDate: 11/26/14 Time: 18:47Sample: 1965Q1 1970Q4Included observations: 24Variable Coefficient Std. Error t-Statistic Prob.C6685.8461711.618 3.9061550.0009 X0.0382650.0114833.3322520.0035 @SEAS(2)1322.463638.4258 2.0714440.0522 @SEAS(3)-218.1681632.1991-0.3450940.7338@SEAS(4)182.1690654.35680.2783940.7837R-squared0.525596Mean dependentvar12838.54Adjusted R-squared0.425721S.D. dependentvar1433.284S.E. of regression1086.160Akaike infocriterion17.00174Sum squared resid22415107Schwarz criterion17.24716 Log likelihood-199.0208F-statistic 5.262563Durbin-Watson stat0.388380Prob(F-statistic)0.005024第二季度依旧显著影响四种都试一下（去掉一个季节），选一个最显著的124Dependent Variable: YMethod: Least SquaresDate: 11/26/14 Time: 18:51Sample: 1965Q1 1970Q4Included observations: 24Variable Coefficient Std. Error t-Statistic Prob.C6467.6781789.178 3.6148880.0018 X0.0382650.011483 3.3322520.0035 @SEAS(1)218.1681632.19910.3450940.7338 @SEAS(2)1540.632628.3419 2.4519000.0241 @SEAS(4)400.3371636.11280.6293490.5366R-squared0.525596Mean dependentvar12838.54Adjusted R-squared0.425721S.D. dependentvar1433.284S.E. of regression1086.160Akaike infocriterion17.00174Sum squared resid22415107Schwarz criterion17.24716 Log likelihood-199.0208F-statistic 5.262563Durbin-Watson stat0.388380Prob(F-statistic)0.005024134Dependent Variable: Y Method: Least SquaresDate: 11/26/14 Time: 18:52 Sample: 1965Q1 1970Q4 Included observations: 24Variable Coefficient Std. Error t-Statistic Prob.C8008.3091827.543 4.3820090.0003 X0.0382650.011483 3.3322520.0035 @SEAS(1)-1322.463638.4258-2.0714440.0522 @SEAS(3)-1540.632628.3419-2.4519000.0241 @SEAS(4)-1140.294630.6806-1.8080380.0865R-squared0.525596Mean dependentvar12838.54Adjusted R-squared0.425721S.D. dependentvar1433.284S.E. of regression1086.160Akaike infocriterion17.00174Sum squared resid22415107Schwarz criterion17.24716 Log likelihood-199.0208F-statistic 5.262563Durbin-Watson stat0.388380Prob(F-statistic)0.005024（2）Y=c+βx+α1D1X+α2D2X+α3D3XD1=1（第一季度）0（其他）Y c x @seas(1)*x @seas(2)*x @seas(3)*xDependent Variable: Y Method: Least SquaresDate: 11/26/14 Time: 19:00 Sample: 1965Q1 1970Q4 Included observations: 24Variable Coefficient Std. Error t-Statistic Prob.C6965.8521753.642 3.9722200.0008 X0.0373630.011139 3.3542150.0033 @SEAS(1)*X-0.0008930.004259-0.2095880.8362 @SEAS(2)*X0.0077120.003962 1.9465020.0665 @SEAS(3)*X-0.0022910.004041-0.5669850.5774R-squared0.528942Mean dependentvar12838.54Adjusted R-squared0.429771S.D. dependentvar1433.284S.E. of regression1082.323Akaike infocriterion16.99466Sum squared resid22257030Schwarz criterion17.24009 Log likelihood-198.9359F-statistic 5.333675Durbin-Watson stat0.418713Prob(F-statistic)0.004722Dependent Variable: Y Method: Least SquaresDate: 11/26/14 Time: 19:10 Sample: 1965Q1 1970Q4 Included observations: 24Variable Coefficient Std. Error t-Statistic Prob.C8008.3091827.543 4.3820090.0003 X0.0382650.011483 3.3322520.0035 @SEAS(1)-1322.463638.4258-2.0714440.0522 @SEAS(3)-1540.632628.3419-2.4519000.0241 @SEAS(4)-1140.294630.6806-1.8080380.0865R-squared0.525596Mean dependentvar12838.54Adjusted R-squared0.425721S.D. dependent 1433.284varS.E. of regression1086.160Akaike infocriterion17.00174Sum squared resid22415107Schwarz criterion17.24716 Log likelihood-199.0208F-statistic 5.262563Durbin-Watson stat0.388380Prob(F-statistic)0.005024Dependent Variable: Y Method: Least SquaresDate: 11/26/14 Time: 19:11 Sample: 1965Q1 1970Q4 Included observations: 24Variable Coefficient Std. Error t-Statistic Prob.C6965.8521753.642 3.9722200.0008 X0.0350720.011790 2.9746750.0078 @SEAS(1)*X0.0013980.0042410.3297360.7452 @SEAS(2)*X0.0100030.004068 2.4588230.0237 @SEAS(4)*X0.0022910.0040410.5669850.5774R-squared0.528942Mean dependentvar12838.54Adjusted R-squared0.429771S.D. dependentvar1433.284S.E. of regression1082.323Akaike infocriterion16.99466Sum squared resid22257030Schwarz criterion17.24009 Log likelihood-198.9359F-statistic 5.333675Durbin-Watson stat0.418713Prob(F-statistic)0.004722Dependent Variable: Y Method: Least SquaresDate: 11/26/14 Time: 19:11 Sample: 1965Q1 1970Q4 Included observations: 24Variable Coefficient Std. Error t-Statistic Prob.C6965.8521753.642 3.9722200.0008 X0.0364710.012353 2.9524150.0082 @SEAS(2)*X0.0086040.004237 2.0305390.0565 @SEAS(3)*X-0.0013980.004241-0.3297360.7452@SEAS(4)*X0.0008930.0042590.2095880.8362R-squared0.528942Mean dependentvar12838.54Adjusted R-squared0.429771S.D. dependent 1433.284varS.E. of regression1082.323Akaike infocriterion16.99466Sum squared resid22257030Schwarz criterion17.24009 Log likelihood-198.9359F-statistic 5.333675Durbin-Watson stat0.418713Prob(F-statistic)0.004722。
计量经济学实验练习题及答案
实验练习题1、根据美国各航空公司航班正点到达的比率X （%）和每10万名乘客投诉的次数Y 进Dependent Variable: Y Method: Least Squares Sample: 1 9(1)对以上结果进行简要分析（包括方程显著性检验、参数显著性检验、DW 值的评价、对斜率的解释等，显著性水平均取0.05）。
（2）按标准书写格式写出回归结果。
2、已知变量Y 和X 的数据如下表所示，试采用OLS 法（列出表格）估计模型i Y =0β3、以下是某次线性回归的EViews 输出结果，部分数值已略去（用大写字母标示），但它们和表中其它特定数值有必然联系，分别据此求出这些数值，并写出过程。
（保留3位小数）Dependent Variable: YMethod: Least Squares Sample: 1 134、用1970-1994年间日本工薪家庭实际消费支出Y 与实际可支配收入X （单位：103日元）数据估计线性模型Y =01X u ββ++，然后用得到的残差序列t e 绘制以下图形。
（1）试根据图形分析随机误差项之间是否存在自相关？若存在，是正自相关还是负自相关？（2）此模型的估计结果为 ˆ50.870.64ttYX =+ t ： (6.14) (30.01)2R =0.975，F =900.51，DW =0.35试用DW 检验法检验随机误差项之间是否存在自相关。
5、用一组截面数据估计消费(Y )—收入(X )方程Y =01X u ββ++的结果为i Y =9.3480.637i X +t ：（2.57）（32.01）2R =0.95，F =1024.56，DW =1.79（1）根据回归的残差序列e(t)图分析本模型是否存在异方差？注：abs[e(t)]表示e(t)的绝对值。
（2）其次，用White法进行检验。
EViews输出结果见下表：Dependent Variable: RESID^2Method: Least SquaresSample: 1 60Included observations: 60若给定显著水平，以上结果能否说明该模型存在异方差？查卡方分布临界值的自由度是多少？6. 下表是中国某地人均可支配收入（INCOME）与储蓄（SAVE）之间的回归分析结果（单位：元）：Dependent Variable: SAVEMethod: Least SquaresSample: 1 31Included observations: 31Variable Coefficient Std. Error t-Statistic Prob.C -695.1433 118.0444 -5.888827 0.0000INCOME 0.087774 0.004893 ――――R-squared 0.917336 Mean dependent var 1266.452Adjusted R-squared 0.914485 S.D. dependent var 846.7570S.E. of regression 247.6160 Akaike info criterion 13.92398Sum squared resid 1778097. Schwarz criterion 14.01649Log likelihood -213.8216 F-statistic 321.8177Durbin-Watson stat 1.892420 Prob(F-statistic) 0.0000001)请写出样本回归方程表达式，然后分析自变量回归系数的经济含义2)解释样本可决系数的含义3)写出t检验的含义和步骤，并在5%的显著性水平下对自变量的回归系数进行t检验（临界值: t0.025(29)=2.05）。
计量经济学实验练习题及答案
计量经济学实验练习题及答案TTA standardization office【TTA 5AB- TTAK 08- TTA 2C】实验练习题1、根据美国各航空公司航班正点到达的比率X （%）和每10万名乘客投诉的次数Y 进行回归，EViews Method: Least SquaresSample: 1 9(1)对以上结果进行简要分析（包括方程显着性检验、参数显着性检验、DW 值的评价、对斜率的解释等，显着性水平均取）。
（2）按标准书写格式写出回归结果。
2、已知变量Y 和X 的数据如下表所示，试采用OLS 法（列出表格）估计模型i Y =0β+3、以下是某次线性回归的EViews 输出结果，部分数值已略去（用大写字母标示），但它们位小数）Method: Least SquaresSample: 1 134、用1970-1994年间日本工薪家庭实际消费支出Y 与实际可支配收入X （单位：103日元）数据估计线性模型Y =01X u ββ++，然后用得到的残差序列t e 绘制以下图形。
（1）试根据图形分析随机误差项之间是否存在自相关若存在，是正自相关还是负自相关（2）此模型的估计结果为t ：2R =，F =，DW =试用DW 检验法检验随机误差项之间是否存在自相关。
5、用一组截面数据估计消费(Y )—收入(X )方程Y =01X u ββ++的结果为i Y =9.3480.637i X +t ：（）（）2R =，F =，DW =（1）根据回归的残差序列e(t)图分析本模型是否存在异方差？注：abs[e(t)]表示e(t)的绝对值。
（2）其次，用White 法进行检验。
EViews 输出结果见下表：Method: Least Squares Sample: 1 60若给定显着水平α=是多少6. 下表是中国某地人均可支配收入（INCOME ）与储蓄（SAVE ）之间的回归分析结果（单位：元）：Dependent Variable: SAVEMethod: Least Squares Sample: 1 31Included observations: 31VariableCoefficient Std. Errort-StatisticProb.CINCOME――――R-squaredMean dependent varAdjusted R-squared . dependent var . of regressionAkaike info criterionSum squared resid 1778097. Schwarz criterionLog likelihoodF-statisticDurbin-Watson statProb(F-statistic)1)请写出样本回归方程表达式，然后分析自变量回归系数的经济含义 2)解释样本可决系数的含义3)写出t 检验的含义和步骤，并在5%的显着性水平下对自变量的回归系数进行t 检验（临界值: (29)=）。
计量经济学习题及答案 ()
计量经济学习题一、名词解释1、普通最小二乘法：为使被解释变量的估计值与观测值在总体上最为接近使Q= 最小，从而求出参数估计量的方法，即之。
2、总平方和、回归平方和、残差平方和的定义：TSS度量Y自身的差异程度，称为总平方和。
TSS除以自由度n-1=因变量的方差，度量因变量自身的变化；RSS度量因变量Y的拟合值自身的差异程度，称为回归平方和，RSS除以自由度（自变量个数-1）=回归方差，度量由自变量的变化引起的因变量变化部分；ESS度量实际值与拟合值之间的差异程度，称为残差平方和。
RSS除以自由度（n-自变量个数-1）=残差（误差）方差，度量由非自变量的变化引起的因变量变化部分。
3、计量经济学：计量经济学是以经济理论为指导，以事实为依据，以数学和统计学为方法，以电脑技术为工具，从事经济关系与经济活动数量规律的研究，并以建立和应用经济计量模型为核心的一门经济学科。
而且必须指出，这些经济计量模型是具有随机性特征的。
4、最小样本容量：即从最小二乘原理和最大似然原理出发，欲得到参数估计量，不管其质量如何，所要求的样本容量的下限；即样本容量必须不少于模型中解释变量的数目（包扩常数项），即之。
5、序列相关性：模型的随机误差项违背了相互独立的基本假设的情况。
6、多重共线性：在线性回归模型中，如果某两个或多个解释变量之间出现了相关性，则称为多重共线性。
7、工具变量法：在模型估计过程中被作为工具使用，以替代模型中与随机误差项相关的随机解释变量。
这种估计方法称为工具变量法。
8、时间序列数据：按照时间先后排列的统计数据。
9、截面数据：发生在同一时间截面上的调查数据。
10、相关系数：指两个以上的变量的样本观测值序列之间表现出来的随机数学关系。
11、异方差：对于线性回归模型提出了若干基本假设，其中包括随机误差项具有同方差；如果对于不同样本点，随机误差项的方差不再是常数，而互不相同，则认为出现了异方差性。
12、外生变量：外生变量是模型以外决定的变量，作为自变量影响内生变量，外生变量决定内生变量，其参数不是模型系统的元素。
用Eviews分析计量经济学问题
一、问题背景高新区自开始设立至今短短十多年的时间，以其惊人的经济发展速度为世人所关注。
随着我国经济发展模式的逐步转变，高新区已经成为我国依靠科技进步和技术创新推动经济社会发展、走中国特色自主创新道路的一面旗帜。
“十二五”时期，面对新的机遇和挑战，国家高新区应注重提升五种能力，努力成为加快转变经济发展方式的排头兵。
为了探索高新经济发展的内在规律性，本文采用截面数据对高新区的投入产出进行分析，力求能够增进对高新区经济发展的了解，对高新区的进一步发展有所帮助。
二、模型设定本文研究的是高新区投入对产出的影响，所以本模型的被解释变量Y 即为高新区的产出。
就目前对高新区数据的统计来看，反映高新区产出的主要有“工业总产值”、“工业增加值”、“技工贸总收入”、“利润”和“上缴税额”几个总量指标。
按照生产函数理论，产出利用增加值，所以模型中我们将使用“工业增加值”指标数据来估计各高新区的总产出。
从高新区的投入来看，对产出有重要影响的因素主要包括以下几个方面：资本K ，劳动力L ，技术投入T ，此外，体制改革，管理模式创新也可以看作是投入的要素，但因其不可量化，因此归入模型的扰动项中。
这样，按照科布道格拉斯形式的生产函数，我们设定函数形式为：u T L AK Y γβα= 两边取自然对数得：u T L K A Y ln ln ln ln ln ln ++++=γβα其中，资本数据K 我们利用的是当年的年末净资产来进行估计，即当年年末资产减去当年年末负债后得到的数据；用当年年末从业人员来估计劳动力L ；用当年技术研发投入来估计技术投入T 。
数据选用的是截面数据。
从《国家高新技术产业开发区十年发展报告（1991－2000年）》得到1999年全国53个高新区各项指标统计数据：三、模型估计用Eviews 软件进行回归分析，得到如下结果：Dependent Variable: Y Method: Least SquaresDate: 13/12/11 Time: 19:31 Sample: 1 53C 0.664556 0.644854 1.030553 0.3078 LNK 0.478131 0.171585 2.786560 0.0076 LNL 0.367855 0.174496 2.108104 0.0402 R-squared0.740558 Mean dependent var6.280427Adjusted R-squared 0.724674 S.D. dependent var 0.440805 S.E. of regression 0.231297 Akaike info criterion -0.017755Sum squared resid 2.621421 Schwarz criterion 0.130946 Log likelihood4.470508 F-statistic 46.62236从表可以看出，回归方程为：TL K Y ln 140542.0ln 367855.0ln 478131.0664556.0ln +++=T= (1.030553) (2.786560) (2.109104) (1.520604)740558.02=R 724674.02=R（1） 经济意义检验从回归结果可以看出，模型估计的γβα,,的参数值都为正、且小于1，与生产函数理论中γβα,,各数值的意义相符。
计量经济学eviews应用习题
（单位：亿元） 年份国民总收入X最终消费年份国民总收入最终消费YXY1978 3645.217 2239.1 1993 35260.02 21899.9 1979 4062.579 2633.7 1994 48108.46 29242.2 1980 4545.624 3007.9 1995 59810.53 36748.2 1981 4889.461 3361.5 1996 70142.49 43919.5 1982 5330.451 3714.8 1997 78060.83 48140.6 1983 5985.552 4126.4 1998 83024.28 51588.2 1984 7243.752 4846.3 1999 88479.15 55636.9 1985 9040.737 5986.3 2000 98000.45 61516 1986 10274.38 6821.8 2001 108068.2 66878.3 1987 12050.62 7804.6 2002 119095.7 71691.2 1988 15036.82 9839.5 2003 135174 77449.5 1989 17000.92 11164.2 2004 159586.7 87032.9 1990 18718.32 12090.5 2005 184088.6 97822.7 1991 21826.2 14091.9 2006 213131.7 110595.3 199226937.28 17203.3 2007251483.2 128444.6（1）以分析国民总收入对消费的推动作用为目的，建立线性回归方案，并估计其参数。
根据散点图可以建立如下简单线性回归模型：t Y =1β+t X 2β+t u利用EViews 可得回归结果：据表可得tY ˆ=3044.343+0.530112t X +t u t=（3.399965）（54.82076）1ˆβ=3044.343 2ˆβ=0.530112（2）计算回归估计的标准误差σˆ和可决系数2R 。
计量经济学时间序列课后习题eviews解答
2.1980年-2013年中国全社会固定资产投资总额X与工业总额增加Y的统计资料如下：
试问：
（1）当设定模型为lnY=B0+B1lnX+u时是否存在序列相关？
（2）采用普通最小二乘法和稳定标准误差方法分别估计模型，比较参数估计的差异和它们标准差的误差，并说明稳定标准误差法克服序列相关后果的原理。
（3）若原模型存在序列相关性，试用广义最小二乘法估计模型。
（1)1.图示法
从图中可以残差项的变化图形判断随机干扰项的序列相关性为正相关。
2.原模型OLS估计
由于DW值为0.28，dL(k=2,T=34)=1.39
DW值小于dL,应此可以判断模型存在序列相关。
3.LM检验
、
根据nR^2统计量对应的值得出LM=34*0.699=23.76，在5%显著性水平下存在一阶序列相关性。
再继续LM检验的2阶序列相关性检验，发现在5%显著性水平下，原模型存在2阶序列相关性，但在t-test中，RESID（-2）的参数为0的假设。
故不存在2阶序列相关性。
（2）序列相关稳健标准误差法
与原模型OLS估计对比
发现变量X的对应参数修正后的标准差OLS结果有所增大，表明原模型OLS估计结果低估了X的标准差。
（3）广义最小二乘法估计
由于LM检验只要一阶序列相关性，故：
估计的原回归模型可以写为：。
- 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)。
（单位：亿元） 年份
国民总收
入X
最终消费
年份
国民总收入
最终消费
Y
X
Y
1978 3645.217 2239.1 1993 35260.02 21899.9 1979 4062.579 2633.7 1994 48108.46 29242.2 1980 4545.624 3007.9 1995 59810.53 36748.2 1981 4889.461 3361.5 1996 70142.49 43919.5 1982 5330.451 3714.8 1997 78060.83 48140.6 1983 5985.552 4126.4 1998 83024.28 51588.2 1984 7243.752 4846.3 1999 88479.15 55636.9 1985 9040.737 5986.3 2000 98000.45 61516 1986 10274.38 6821.8 2001 108068.2 66878.3 1987 12050.62 7804.6 2002 119095.7 71691.2 1988 15036.82 9839.5 2003 135174 77449.5 1989 17000.92 11164.2 2004 159586.7 87032.9 1990 18718.32 12090.5 2005 184088.6 97822.7 1991 21826.2 14091.9 2006 213131.7 110595.3 1992
26937.28 17203.3 2007
251483.2 128444.6
（1）以分析国民总收入对消费的推动作用为目的，建立线性回归方案，并估计其参数。
根据散点图可以建立如下简单线性回归模型：
t Y =1β+t X 2β+t u
利用EViews 可得回归结果：
据表可得
t
Y ˆ=3044.343+0.530112t X +t u t=（3.399965）（54.82076）
1ˆβ=3044.343 2
ˆβ=0.530112
（2）计算回归估计的标准误差σˆ和可决系数2
R 。
σ
ˆ=3580.903 R 2
=0.990769 DW=0.128755
（3）对回归系数进行显著性水平为5%的显著性检验。
0H ：1β=0 0H ：2β=0
由表中可以看到：SE(1ˆβ)=895.4040，t(1ˆβ)=3.399965 SE(2ˆβ)=0.009670，t(2
ˆβ)=54.82076 显著性水平为5%，即α=5%，查t 分布表得自由度为n-2=28的临界值025.0t (28)=2.048
因为：t(1ˆβ)=3.399965>025.0t (28)=2.048，所以应拒绝0H ：1β=0 t(2ˆβ)=54.82076>025.0t (28)=2.048，所以应拒绝0H ：2β=0
这表明，国民总收入X 对最终消费Y 确有显著影响。
（4）如果2008年全年国民总收入为300670亿元，比上年增长9.0%，预测可能达到的最终消费水平，并对最终消费的均值给出置信度为95%的预测空间。
利用所估计的模型，可预测当2008年f
Y ˆ=3044.343+0.530112×300670=162433.118（亿元） 利用EViews ，可得当2008年f X =300670亿元时，最终消费的点预测值为162433.2（亿元） 为了作区间预测，根据题意取置信度为95%，即α=5%
f Y 平均值置信度95%的预测区间为2
22/)(1ˆ
ˆi f f x X X n t Y ∑-+σαμ 通过EViews 可知：
据表可计算出：2
i x ∑=)1(2
-n x σ=68765.512
×（30-1）=1.3713×1011
2
）（X X f -=（300670-63270.07）2
=5.6359×1010
当f X =300670亿元时，将相关数据代入计算得到
162433.118μ2.048×3580.903×11
10
10
713.3110359.65301⨯⨯+=162433.118μ4888.4577 即，当2008年f X =300670时，f Y 平均值置信度95%的预测区间为 （157544.6603，167321.5757）亿元。