计量经济学多元回归分析案例
计量经济学多元线性回归
调整过的R2(The Adjusted R-squared)
因此， R2增加并不意味着加入新的变量一定 会提高模型拟合度。
调整过的R2是R2一个修正版本，当加入新的 解释变量，调整过的R2不一定增加。
R 21(SS /n (R (k 1 ) )1n(k 1 )SSR
SS /n (T 1 )
定义：
y i y 2 to su to a s m flqS ua S总 rT es平
y ˆi y 2exp slu o as m ifq nu e Sd a Sr解 E es释 u ˆi2 ressiu d os m u fq au S l a SrR 残 es 差平
SST= SSE + SSR
3
重新定义变量
为什么我们想这样做？ 数据测度单位变换经常被用于减少被估参数小数
点后的零的个数，这样结果更好看一些。 既然这样做主要为了好看，我们希望本质的东西
不改变。
4
重新定义变量：一个例子
以下模型反映了婴儿出生体重与孕妇吸烟量和家 庭收入之间的关系：
(1) b w g h t ˆ 0 ˆ 1 c ig s ˆ 2 fa m in c
explog考虑如果我们想知道时的百分比变化我们不能只报告因为所以22含二次式的模型u的模型我们不能单独将b解释为关于xy变化的度量我们需要将b如果感兴趣的是给定x的初始值和变动预测y的变化那么可以直接使用1
课堂提纲
重新定义变量的影响
估计系数 R 平方 t 统计量
函数形式
对数函数形式 含二次式的模型 含交叉项的模型
24
wage
7.37
3.73
24.4
exper
25
对含二次式模型的进一步讨论
计量经济学课程第4章(多元回归分析)
§4.1 多元线性回归模型的两个例子
一、例题1：CD生产函数
Qt AKt 1 Lt 2 et
这是一个非线性函数，但取对数可以转变为一个 对参数线性的模型
ln Qt 0 1 ln Kt 2 ln Lt t
t ~ iid(0, 2 )
注意：“线性”的含义是指方程对参数而言是线 性的
R 2 1 RSS /(N K 1) TSS /(N 1)
调整思想： 对 R2 进行自由度调整。
Page 20
基本统计量TSS、RSS、ESS的自由度：
1.
TSS的自由度为N-1。基于样本容量N，TSS
N i1
(Yi
Y
)2
因为线性约束 Y 1 N
Y N
i1 i
而损失一个自由度。
分布的多个独立统计量平方加总，所得到的新统计量就服从
2 分布。
《计量经济学》，高教出版社2011年6月，王少平、杨继生、欧阳志刚等编著
Page 23
双侧检验
概 率 密 度
概率1－
0
2 1 / 2
2 /2
图4.3.1
2
（N-K-1）的双侧临界值
双侧检验：统计值如果落入两尾中的任何一个则拒绝原假设
《计量经济学》，高教出版社2011年6月，王少平、杨继生、欧阳志刚等编著
Page 24
单侧检验
概 率 密 度
概率 概率
0
2 1
2
图4.3.2 （2 N-K-1）的单侧临界值
H0：
2
2，
0
HA :
2
2 0
《计量经济学》第3章数据
《计量经济学》各章数据第3章 多元线性回归模型例3.1.1 经过研究，发现家庭书刊消费水平受家庭收入及户主受教育年数的影响。
现对某地区的家庭进行抽样调查，得到样本数据如表3.1.1所示，其中y 表示家庭书刊消费水平(元/年)，x 表示家庭收入(元／月)，T 表示户主受教育年数。
下面我们估计家庭书刊消费水平同家庭收入、户主受教育年数之间的线性关系。
回归模型设定如下： t t t t u T b x b b y +++=210(t =1,2, …)表3.1.1 某地区家庭书刊消费水平及影响因素的调查数据表例3.4.1根据表3.4.1给出的中国1980-2003年间总产出(用国内生产总值GDP度量，单位：亿元)，劳动投入L(用从业人员度量，单位为万人)，以及资本投入K(用全社会固定投资度量，单位：亿元)，试建立我国的柯布——道格拉斯生产函数。
表3.4.1 1980-2003年中国GDP、劳动投入与资本投入数据例3.4.2 某硫酸厂生产的硫酸透明度一直达不到优质要求，经分析透明度低与硫酸中金属杂质的含量太高有关。
影响透明度的主要金属杂质是铁、钙、铅、镁等。
通过正交试验的方法发现铁是影响硫酸透明度的最主要原因。
测量了47组样本值，数据见表3.4.3。
试建立硫酸透明度(y)与铁杂质含量(x)的回归模型。
表3.4.3 硫酸透明度(y)与铁杂质含量(x)数据例3.4.3假设某企业在15年中每年的产量Y(件)和总成本X(元)的统计资料表3.4.7所示，试估计该企业的总成本函数模型。
表3.4.7 某企业15年中每年总产量与总成本统计资料3.6.1 案例1——中国经济增长影响因素分析根据表3.6.1给出的1980-2003年间总产出(用国内生产总值GDP度量，单位：亿元)，最终消费CS(单位：亿元)，投资总额I(用固定资产投资总额度量，单位：亿元)，出口总额（单位：亿元）统计数据，试对中国经济增长影响因素进行回归分析。
计量经济实验报告多元(3篇)
第1篇一、实验目的本次实验旨在通过多元线性回归模型，分析多个自变量与因变量之间的关系，掌握多元线性回归模型的基本原理、建模方法、参数估计以及模型检验等技能，提高运用计量经济学方法解决实际问题的能力。
二、实验背景随着经济的发展和社会的进步，影响一个变量的因素越来越多。
在经济学、管理学等领域，多元线性回归模型被广泛应用于分析多个变量之间的关系。
本实验以某地区居民消费支出为例，探讨影响居民消费支出的因素。
三、实验数据本实验数据来源于某地区统计局，包括以下变量：1. 消费支出（Y）：表示居民年消费支出，单位为元；2. 家庭收入（X1）：表示居民家庭年收入，单位为元；3. 房产价值（X2）：表示居民家庭房产价值，单位为万元；4. 教育水平（X3）：表示居民受教育程度，分为小学、初中、高中、大专及以上四个等级；5. 通货膨胀率（X4）：表示居民消费价格指数，单位为百分比。
四、实验步骤1. 数据预处理：对数据进行清洗、缺失值处理和异常值处理，确保数据质量。
2. 模型设定：根据理论知识和实际情况，建立多元线性回归模型：Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + ε其中，Y为因变量，X1、X2、X3、X4为自变量，β0为截距项，β1、β2、β3、β4为回归系数，ε为误差项。
3. 模型估计：利用统计软件（如SPSS、R等）对模型进行参数估计，得到回归系数的估计值。
4. 模型检验：对估计得到的模型进行检验，包括以下内容：（1）拟合优度检验：通过计算R²、F统计量等指标，判断模型的整体拟合效果；（2）t检验：对回归系数进行显著性检验，判断各变量对因变量的影响是否显著；（3）方差膨胀因子（VIF）检验：检验模型是否存在多重共线性问题。
5. 结果分析：根据模型检验结果，分析各变量对因变量的影响程度和显著性，得出结论。
五、实验结果与分析1. 拟合优度检验：根据计算结果，R²为0.812，F统计量为30.456，P值为0.000，说明模型整体拟合效果较好。
计量经济学(庞浩)第三章-多元线性回归模型(1)
矩阵X的秩为K(注意X为n行K列)。
Ran(X)= k
Rak(X'X)=k
即 (X'X) 可逆 假定6:正态性假定
ui ~ N (0, 2 )
u ~ N (0, 2I)
12
第二节 多元线性回归模型的估计
一、普通最小二乘法（OLS）
原则：寻求剩余平方和最小的参数估计式 min : ei2 (Yi Yˆi )2
1
X 22
Xk
2
2
u2
Yn
1 X 2n
X
kn
k
un
Y
X
βu
n 1
nk
k 1 n1
9
9
矩阵表示方式
总体回归函数 E(Y) = Xβ 或 Y = Xβ + u
样本回归函数 Yˆ = Xβˆ 或 Y = Xβˆ + e
其中： Y,Yˆ,u,e 都是有n个元素的列向量
β, βˆ 是有k 个 元素的列向量
多重可决系数：在多元回归模型中，由各个解释
变量联合起来解释了的Y的变差，在Y的总变差中占
的比重，用 R2表示 与简单线性回归中可决系数 r的2 区别只是 不Yˆi 同
多元回归中
Yˆi ˆ1 ˆ2 X2i ˆ3 X3i ˆk Xki
多重可决系数可表示为
R2 ESS TSS
(Yˆi Y )2 (Yi Y )2
0
2
X 2i
Yi
(ˆ1
ˆ2
X 2i
ˆ3
X 3i
ˆki
X ki )
0
(i 1, 2, n)
( j 1, 2, n)
ei 0
X2iei 0
2
多元线性回归计量经济学实验报告-V1
多元线性回归计量经济学实验报告-V1多元线性回归是一种常用的计量经济学方法，它通过建立多个自变量和因变量之间的关系式，来解释和预测经济现象。
在本次实验中，我们利用多元线性回归方法，对GDP、人口、教育程度和失业率这四个变量之间的关系进行了分析和探讨。
一、数据收集和处理本实验采用的数据来源于世界银行官方网站，数据时间跨度为1990年至2018年。
我们通过Excel软件进行了数据处理和分析，包括数据清洗、变量筛选和数据转换等，以保证数据可靠性和分析准确性。
二、变量解释和关系建立我们选取了GDP、人口、教育程度和失业率这四个变量，其中GDP作为因变量，人口、教育程度和失业率作为自变量。
我们分别解释了这四个变量：1. GDP：即国内生产总值，反映了一个国家或地区的经济规模和发展水平。
2. 人口：反映了一个国家或地区的人口规模和结构。
3. 教育程度：反映了一个国家或地区的人力资本水平和教育资源状况。
4. 失业率：反映了一个国家或地区的劳动力市场状况和社会稳定性。
根据以上变量的解释和现实经济联系，我们建立了以下关系式：GDP = β0 + β1人口+ β2教育程度+ β3失业率+ ε其中，β0表示常数项，β1、β2、β3分别表示人口、教育程度和失业率对GDP的影响，ε为误差项。
三、实验结果分析我们利用Stata软件进行了多元线性回归分析，得到以下结果：1. 回归方程的拟合程度通过F检验可以得出，本回归方程的拟合程度显著，F统计量为XXX，P值为XXX<0.05，说明该模型拟合程度良好。
同时，R-squared值为XXX，表示被解释变量（GDP）有XXX%的方差可以由解释变量（人口、教育程度、失业率）来解释，这也表明该模型的解释能力较强。
2. 变量系数和显著性检验根据模型回归结果，我们可以看出，人口、教育程度、失业率三个变量对GDP有不同的影响程度，并且它们的影响在统计意义上也是显著的。
具体地，我们可以看出教育程度的系数估计值为XXX，p<0.05，说明教育程度与GDP呈现正相关关系，即教育程度越高，GDP水平越高。
计量经济学多元回归分析案例.pdf
计量经济学多元回归分析案例引言计量经济学是运用数理统计和经济学方法研究经济现象的一门学科。
在实际研究中，多元回归分析是一种常用的方法。
本文将通过一个实际案例来介绍计量经济学中的多元回归分析方法和应用。
研究背景单因素回归分析在计量经济学中，单因素回归分析是最基本的方法之一。
它通过确定一个因变量和一个自变量之间的关系，来解释因变量的变化。
然而，在现实世界中，经济现象往往受到多个因素的影响，因此需要使用多元回归分析来更全面地解释经济现象的变化。
问题陈述本研究的问题是探究某个城市的房价与多个因素之间的关系。
具体来说，我们感兴趣的因变量是房价，自变量包括房屋面积、地理位置、周边设施等。
我们希望通过建立一个多元回归模型来解释房价的变化，并分析不同因素对房价的影响程度。
数据收集为了进行多元回归分析，我们需要收集相关的数据。
在本案例中，我们采集了以下数据：1.房价：通过不同的房地产网站获取该城市的房屋销售数据，包括每个房屋的售价信息。
2.房屋面积：通过购房广告或房产中介提供的信息收集每个房屋的面积数据。
3.地理位置：通过经纬度或邮政编码信息获取每个房屋的地理位置信息。
4.周边设施：通过地图应用或开放的公共数据接口获取每个房屋周边设施（如学校、医院、商场等）的数量和距离信息。
数据预处理在进行多元回归分析前，我们需要对收集到的数据进行预处理。
缺失值处理在数据收集过程中，可能会出现数据缺失的情况。
对于缺失的数据，我们可以选择删除相应的样本，或者通过插补方法进行填充。
在本案例中，我们选择使用均值填充的方法。
数据转换由于多元回归模型要求变量之间具有线性关系，因此我们需要对非数值型数据进行转换。
在本案例中，地理位置可以通过编码转换为数值型变量。
模型建立在进行多元回归分析时，我们需要选择适当的模型来描述因变量和自变量之间的关系。
在本案例中，我们选择使用普通最小二乘法（OLS）来估计回归模型的参数。
模型表达式我们将房价作为因变量（Y），房屋面积、地理位置和周边设施作为自变量（X）。
计量经济学多元回归分析案例
计量经济学案例分析多元回归分析案例财政收入规模的影响因素被解释变量：财政收入(亿元)解释变量：税收(亿元)，经济活动人口(亿元)，国内生产总值(亿元)样本：2000年—2011年的财政收入，税收(亿元)，经济活动人口(亿元)，国内生产总值(亿元)数据来源：中华人民共和国国家统计局（单位：亿元）财政收入Y 各项税收X1经济活动人口X2国民生产总值X31990 2,937.10 2,821.86 65,323.00 18,668.00 1991 3,149.48 2,990.17 66,091.00 21,618.00 1992 3,483.37 3,296.91 66,782.00 26,924.00 1993 4,348.95 4,255.30 67,468.00 35,334.00 1994 5,218.10 5,126.88 68,135.00 48,198.00 1995 6,242.20 6,038.04 68,855.00 60,794.00 1996 7,407.99 6,909.82 69,765.00 71,177.00 1997 8,651.14 8,234.04 70,800.00 78,973.00 1998 9,875.95 9,262.80 72,087.00 84,402.00 1999 11,444.08 10,682.58 72,791.00 89,677.00 2000 13,395.23 12,581.51 73,992.00 99,215.00 2001 16,386.04 15,301.38 73,884.00 109,655.00 2002 18,903.64 17,636.45 74,492.00 120,333.00 2003 21,715.25 20,017.31 74,911.00 135,823.00 2004 26,396.47 24,165.68 75,290.00 159,878.00 2005 31,649.29 28,778.54 76,120.00 183,085.00 2006 38,760.20 34,804.35 76,315.00 211,923.00 2007 51,321.78 45,621.97 76,531.00 257,306.00 2008 61,330.35 54,223.79 77,046.00 307,064.00 2009 68,518.30 59,521.59 77,510.00 335,353.00 2010 83,101.51 73,210.79 78,388.00 362,181.00 2011 103,874.43 89,738.39 78,579.00 471,564.00对数据进行回归，得出回归模型：变量间的关系：OLS估计结果：ML估计结果：MM估计结果：根据回归结果进行模型检验：Y:财政收入(亿元)X1：税收(亿元)， X2：经济活动人口(人) X3：国民生产总值(亿元) 1、 系数的显著性水平检验Y = 1.0739********X1 - 0.271936276384*X2 + 0.0237723014946*X3 + 17296.8669142 t 值 （34.57） （-7.10） （3.39） （6.90） 从上面的t 值来看：“税收”系数的t 统计值大于4，p<0.01, 表示拒绝在此模型中“税收”与“财政收入”无关的原假设，而得出二者间有明显关系存在的结论。
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。
计量经济学多元线性回归共57页文档
Beta系数
上例揭示了什么问题？ 被估计系数的大小是不可比较的。 一个相关的问题是，当变量大小差别过大时，在
回归中因运算近似而导致的误差会比较大。
10
Beta系数
有时，我们会看见“标准化系数”或“Beta系 数”，这些名称有着特殊的意义
使用Beta系数是因为有时我们把y和各个x替换 为标准化版本——也就是，减去均值后除以标准 离差。
-0.0289 (0.0057) --
0.0058 (0.0018) 7.3109 (0.0656) 1388 0.0298 2177.5778 1.2539
(3) bwght
--
-9.268 (1.832) 0.0927 (0.0292) 116.974 (1.049) 1388 0.0298 557.485.51 20.063
本章大纲
数据的测度单位换算对OLS统计量的影响 对函数形式的进一步讨论 拟合优度和回归元选择的进一步探讨 预测和残差分析
1
课堂提纲
重新定义变量的影响
估计系数 R 平方 t 统计量
函数形式
对数函数形式 含二次式的模型 含交叉项的模型
2
重新定义变量
为什么我们想这样做？ 数据测度单位变换经常被用于减少被估参数小数
5
改变被解释变量测度单位的影响
因为1磅＝16盎司，被解释变量被除以16。
b · w g h t / 1 6 ˆ 0 / 1 6 ( ˆ 1 / 1 6 ) c i g s ( ˆ 2 / 1 6 ) f a m i n c
比较第1列与第2列。 (1)中被估参数/16＝ (2)中被估参数 (1)中被估参数的标准差/16＝ (2)中被估参数的标准差 (1)和(2)中 t 统计量相同 R平方相同 (1)中SSR/（16*16）＝ (2)中SSR (1)中SER(标准差)/16＝ (2)中SER
计量经济学_三元线性回归模型案例分析
计量经济学_三元线性回归模型案例分析计量经济学课程设计班级：学号：姓名：2011年1⽉⼀，问题设计改⾰开放以来，随着经济体制的改⾰深化和经济的快速增长，中国的财政收⽀状况发⽣了很⼤的变化，中央和地⽅的税收收⼊1978年为519.28亿元到2002年已增长到17636.45亿元25年间增长了33倍。
为了研究中国税收收⼊增长的主要原因，分析中央和地⽅税收收⼊的增长规律，预测中国税收未来的增长趋势，需要建⽴计量经济学模型。
⼆，理论基础影响中国税收收⼊增长的因素很多，但据分析主要的因素可能有：（1）从宏观经济看，经济整体增长是税收增长的基本源泉。
（2）公共财政的需求，税收收⼊是财政的主体，社会经济的发展和社会保障的完善等都对公共财政提出要求，因此对预算指出所表现的公共财政的需求对当年的税收收⼊可能有⼀定的影响。
（3）物价⽔平。
我国的税制结构以流转税为主，以现⾏价格计算的DGP等指标和和经营者收⼊⽔平都与物价⽔平有关。
（4）税收政策因。
我国⾃1978年以来经历了两次⼤的税制改⾰，⼀次是1984—1985年的国有企业利改税，另⼀次是1994年的全国范围内的新税制改⾰。
税制改⾰对税收会产⽣影响，特别是1985年税收陡增215.42%。
但是第⼆次税制改⾰对税收的增长速度的影响不是⾮常⼤。
因此可以从以上⼏个⽅⾯，分析各种因素对中国税收增长的具体影响。
为了反映中国税收增长的全貌，选择包括中央和地⽅税收的‘国家财政收⼊’中的“各项税收”（简称“税收收⼊”）作为被解释变量，以放映国家税收的增长；选择“国内⽣产总值（GDP）”作为经济整体增长⽔平的代表；选择中央和地⽅“财政⽀出”作为公共财政需求的代表；选择“商品零售物价指数”作为物价⽔平的代表。
由于税制改⾰难以量化，⽽且1985年以后财税体制改⾰对税收增长影响不是很⼤，可暂不考虑。
所以解释变量设定为可观测“国内⽣产总值（GDP）”、“财政⽀出”、“商品零售物价指数”三，数理经济学⽅程Y = C(1) + C(2)*XY i=β0+β2X2+β3X3+β4X4四，计量经济学⽅程设定线性回归模型为：Y i=β0+β2X2+β3X3+β4X4+µ五，数据收集从《国家统计局》获取以下数据：年份财政收⼊（亿元）Y 国内⽣产总值(亿元）X2财政⽀出（亿元）X3商品零售价格指数（%)X41985 2040.79 8964.4 2004.25 108.8 1986 2090.73 10202.2 2204.91 106 1987 2140.36 11962.5 2262.18 107.3 1988 2390.47 14928.3 2491.21 118.5 1989 2727.4 16909.2 2823.78 117.81990 2821.86 18547.9 3083.59 102.1 1991 2990.17 21617.8 3386.62 102.9 1992 3296.91 26638.1 3742.2 105.4 1993 4255.3 34636.4 4642.3 113.2 1994 5126.88 46759.4 5792.62 121.7 1995 6038.04 58478.1 6823.72 114.8 1996 6909.82 67884.6 7937.55 106.1 1997 8234.04 74462.6 9233.56 100.8 1998 9262.8 78345.2 10798.18 97.4 1999 10682.58 82067.5 13187.67 97 2000 12581.51 89468.1 15886.5 98.5 2001 15301.38 97314.8 18902.58 99.2 2002 17636.45 104790.6 22053.15 98.7六，参数估计利⽤eviews软件可以得到Y关于X2的散点图：可以看出Y和X2成线性相关关系Y关于X3的散点图：可以看出Y和X3成线性相关关系Y关于X4的散点图：Dependent Variable: YMethod: Least SquaresDate: 01/09/10 Time: 13:16Sample: 1978 2002Included observations: 25Variable Coefficient Std. Error t-Statistic Prob.C -2582.755 940.6119 -2.745825 0.0121X2 0.022067 0.005577 3.956633 0.0007X3 0.702104 0.033236 21.12474 0.0000X4 23.98506 8.738296 2.744821 0.0121R-squared 0.997430 Mean dependent var 4848.366Adjusted R-squared 0.997063 S.D. dependent var 4870.971S.E. of regression 263.9591 Akaike info criterion 14.13511Sum squared resid 1463163. Schwarz criterion 14.33013Log likelihood -172.6889 F-statistic 2717.254Durbin-Watson stat 0.948521 Prob(F-statistic) 0.000000模型估计的结果为：Y i=-2582.755+0.022067X2+0.702104X3+23.98506X4(940.6119) (0.0056) (0.0332) (8.7383)t={-2.7458} {3.9567} {21.1247} {2.7449}R2=0.997 R2=0.997 F=2717.254 df=21七，相关检验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，当年GDP 每增长1亿元，税收收⼊就会增长0.02207亿元；在假定其他变量不变的情况下，当年财政⽀出每增长1亿元，税收收⼊就会增长0.7021亿元；在假定其他变量不变的情况下，当零售商品物2.统计检验（1）拟合优度：R2=0.997，修正的可决系数为R2=0.997这说明模型对样本拟合的很好。
计量经济学-多元线性回归分析
yi ˆ1 x1i ˆ2 x2i ˆk xki ei 其矩阵形式为
i=1,2…n
y xβˆ e
其中 ：
y1
y
y2
yn
x11
x
x12
x 21
x 22
xk1 xk2
x1n x2n xkn
ˆ1
βˆ
ˆ 2
ˆk
在离差形式下，参数旳最小二乘估计成果为
模型中解释变量旳数目为（k）
模型：Yt 1 2t X 2t k X kt ut
也被称为总体回归函数旳随机体现形式。它 旳 非随机体现式为:
E(Yi | X 2i , X 3i , X ki ) 1 2 X 2i 3 X 3i k X ki
方程表达：各变量X值固定时Y旳平均响应。
0.17033
2.652155 0.0157
R-squared
0.9954 Mean dependent var
928.4909
Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
βˆ (xx)1 xY
ˆ0 Y ˆ1 X 1 ˆk X k
⃟随机误差项旳方差旳无偏估计
能够证明，随机误差项旳方差旳无偏估计量为
ˆ 2 ei2 ee
nk nk
四、参数估计量旳性质
在满足基本假设旳情况下，其构造参数旳一般
最小二乘估计、最大或然估计及矩估计仍具有： 线性性、无偏性、有效性。
ˆ1
Байду номын сангаас
Q0
ˆ2
Q
3计量经济学(多元回归分析估计)
拟合优度
• 拟合优度：样本方差中被OLS回归线所解释的部分。
n
R2
( yˆ
y)
(y
y)
i 1
n
i 1
n
(y
i 1
i
y)
i
i
2
n
uˆ
2
1
2
i 1
n
(y
i
i 1
n
( yˆ
i 1
i
y)
2
2
i
y )2
n
uˆ
i 1
2
i
• 拟合优度介于0和1之间。
– 无论模型中包含了多少解释变量，总有一些因
素无法被包括进来，所有这些因素就包括在了
误差项中。
– 线性是指回归方程是诸参数的线性函数。
– 参数的解释，例4：
log( salary ) 0 1 log sales 2 ceoten 3ceoten 2 u
•
1
是其他条件不变的情况下薪水对销售量的弹性。
ˆ
0
i 1
i 1
n
n
L
2 xim rˆij 0 xim rˆij 0, m j
ˆ m
i 1
i 1
n
n
x rˆ (ˆ
ij ij
i 1
i 1
0
ˆ1 xi1 ˆ j 1 xi , j 1 ˆ j 1 xi , j 1 ˆ k xik rˆij )rˆij
Ƹ 是样本自变量的函数，因此
rˆ y
rˆ u
i n
ˆ j
n
计量经济学 实验3 多元回归模型
目录目录 (1)一、建立多元线性回归模型 (3)(一) 建立包括时间变量的三元线性回归模型； (3)1. 建立工作文件：CREATE A 78 94 (3)2. 输入统计资料：DATA Y L K (3)3. 生成时间变量t：GENR T=@TREND(77) (3)4. 建立回归模型：LS Y C T L K (3)(二) 建立剔除时间变量的二元线性回归模型； (4)(三) 建立非线性回归模型——C-D生产函数。
(5)二、比较、选择最佳模型 (8)(一) 回归系数的符号及数值是否合理； (8)(二) 模型的更改是否提高了拟合优度； (8)(三) 模型中各个解释变量是否显著； (8)(四) 残差分布情况 (8)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,tY=。
其中，L、K分别为生产过程中投入的劳动与资金，fL,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(一) 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：1. 建立工作文件： CREATE A 78 942. 输入统计资料： DATA Y L K3. 生成时间变量t ： GENR T=@TREND(77)4. 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。
计量经济学回归分析案例
三、模型检验
2、拟合优度
R2 0.977058 ， 趋近与1，说明所
建模型整体上对样本数据拟合较好，既解释变 量本市生产总值对被解释变量地方预算内财政 收入的绝大部分差异做出了解释。
三、模型检验
3、统计检验
对回归系数的t检验：
假设
H 0::
=0 和 0
H 0::
=0
1
查t分布表得：
自由度为n-2=18-2=16的临界值为2.120
^
^
Yf mt 2
1
1 n
(X
f
X )2 xi2
相关数据带入得最终结果为：[628.97,771.40]
预测值及标准误差：
（9.867366） （0.003255） t= (2.073853) (26.10378) R2=0.977058 F=681.4076 n=18
二、估计参数
剩余项、实际值与拟合值的图形如下图：
三、模型检验
1、经济意义检验
所估计的参数
ˆ 20.46347ˆ 0.084965
0
1
说明本市生产总值x每增加1亿元，地方预算内 财政收入平均增加0.084965亿元，与经济意义 相符。
2011级物流一班第六小组 小组成员：
一、模型设定 二、估计参数 三、模型检验 四、回归预测
一、模型设定
1990-2007深圳市地方预算内财政收入与本市生产总值
假定模型： Y 0 1X u
二、估计参数
Eviews的回归结果如下表所示：
二、估计参数
参数估计和检验结果X i
因为t(ˆ )=2.073853< 2.120,所以不拒绝 0
t( ˆ )=26.10378 > 2.120，所以拒绝 1
计量经济学第7章 含有定性信息的多元回归分析
第7章含有定性信息的多元回归分析：二值(或虚拟)变量在前面几章中，我们的多元回归模型中的因变量和自变量都具有定量的含义。
就像小时工资率、受教育年数、大学平均成绩、空气污染量、企业销售水平和被拘捕次数等。
在每种情况下，变量的大小都传递了有用的信息。
在经验研究中，我们还必须在回归模型中考虑定性因素。
一个人的性别或种族、一个企业所属的产业（制造业、零售业等）和一个城市在美国所处的地理位置（南、北、西等）都可以被认为是定性因素。
本章的绝大部分内容都在探讨定性自变量。
我们在第7.1节介绍了描述定性信息之后，又在第7.2、7.3和7.4节中说明了，如何在多元回归模型中很容易地包含定性的解释变量。
这几节几乎涵盖了定性自变量用于横截面数据回归分析的所有流行方法。
我们在第7.5节讨论了定性因变量的一种特殊情况，即二值因变量。
这种情形下的多元回归模型具有一个有趣的含义，并被称为线性概率模型。
尽管有些计量经济学家对线性概率模型多有中伤，但其简洁性还是使之在许多经验研究中有用武之地。
虽然我们在第7.5节将指出其缺陷，但在经验研究中，这些缺陷常常都是次要的。
7.1 对定性信息的描述定性信息通常以二值信息的形式出现：一个人是男还是女；一个人有还是没有一台个人计算机；一家企业向其一类特定的雇员提供还是不提供退休金方案；一个州实行或不实行死刑。
在所有这些例子中，有关信息可通过定义一个二值变量(binary variable)或一个0-1变量来刻画。
在计量经济学中，对二值变量最常见的称呼是虚拟变量(dummy variable)，尽管这个名称并不是特别形象。
在定义一个虚拟变量时，我们必须决定赋予哪个事件的值为1和哪个事件的值为0。
比如，在一项对个人工资决定的研究中，我们可能定义female为一个虚拟变Array量，并对女性取值1，而对男性取值0。
这种情形中的变量名称就是取值1的事件。
通过定义male在一个人为男性时取值1并在一个人为女性时取值0，也能刻画同样的信息。
- 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)。
计量经济学案例分析
多元回归分析案例
财政收入规模的影响因素
被解释变量：财政收入(亿元)
解释变量：税收(亿元)，经济活动人口(亿元)，国内生产总值(亿元)
样本：2000年—2011年的财政收入，税收(亿元)，经济活动人口(亿元)，国内生产总值(亿元)
数据来源：中华人民共和国国家统计局（单位：亿元）
财政收入Y 各项税收
X1
经济活动人口
X2
国民生产总值X3
1990 2,937.10 2,821.86 65,323.00 18,668.00 1991 3,149.48 2,990.17 66,091.00 21,618.00 1992 3,483.37 3,296.91 66,782.00 26,924.00 1993 4,348.95 4,255.30 67,468.00 35,334.00 1994 5,218.10 5,126.88 68,135.00 48,198.00 1995 6,242.20 6,038.04 68,855.00 60,794.00 1996 7,407.99 6,909.82 69,765.00 71,177.00 1997 8,651.14 8,234.04 70,800.00 78,973.00 1998 9,875.95 9,262.80 72,087.00 84,402.00 1999 11,444.08 10,682.58 72,791.00 89,677.00 2000 13,395.23 12,581.51 73,992.00 99,215.00 2001 16,386.04 15,301.38 73,884.00 109,655.00 2002 18,903.64 17,636.45 74,492.00 120,333.00 2003 21,715.25 20,017.31 74,911.00 135,823.00 2004 26,396.47 24,165.68 75,290.00 159,878.00 2005 31,649.29 28,778.54 76,120.00 183,085.00 2006 38,760.20 34,804.35 76,315.00 211,923.00 2007 51,321.78 45,621.97 76,531.00 257,306.00 2008 61,330.35 54,223.79 77,046.00 307,064.00 2009 68,518.30 59,521.59 77,510.00 335,353.00 2010 83,101.51 73,210.79 78,388.00 362,181.00 2011 103,874.43 89,738.39 78,579.00 471,564.00
对数据进行回归，得出回归模型：变量间的关系：
OLS估计结果：
ML估计结果：
MM估计结果：
根据回归结果进行模型检验：
Y:财政收入(亿元)
X1：税收(亿元)， X2：经济活动人口(人) X3：国民生产总值(亿元) 1、 系数的显著性水平检验
Y = 1.0739********X1 - 0.271936276384*X2 + 0.0237723014946*X3 + 17296.8669142 t 值 （34.57） （-7.10） （3.39） （6.90） 从上面的t 值来看：
“税收”系数的t 统计值大于4，p<0.01, 表示拒绝在此模型中“税收”与“财政收入”无关的原假设，而得出二者间有明显关系存在的结论。
“经济活动人口”系数的t 统计值大于2，p<0.01, 说明“国民生产总值”与“财政收入”间存在明显线性关系。
“国民生产总值”系数的t 值大于4，p<0.01, 拒绝在此模型中“国民生产总值”与“财政收入”无关的原假设，而得出二者间有明显关系存在的结论。
从2R 来看：
2R =0.999927，2R =0.999915，可以看出，非线性拟合的效果较好
从F 值来看：
针对0:3210===βββH ，给定显著性水平α=0.01，在F 分布表中查出自由度为k-1=2和n-k-1=20的临界值)202(，αF =5.85。
由题中得到F=82005，远远高于临界值，应拒绝原假设0:3210===βββH ，说明回归方程显著，即“税收，经济活动人口，国民生产总值”等变量联合起来确实对“财政收入”有显著影响。
2、经济意义检验
Y = 12640.9418561 + 1.14774355431*X1 - 0.197660517414*X2 + 0.00661207908605*X3
模型估计结果说明，在假定其它变量不变的情况下，当年税收收入每增长1亿元，财政收入增长1.074亿元；在假定其它变量不变的情况下，当年经济活动人口每增长 1人，财政收入减少0.27亿元；在假定其它变量不变的情况下，当国民生产总值每增加1亿元，财政收入就会增加0.0237亿元。
对回归模型进行是否符合经典假设进行检验
1.多重共线性
检验方法：
一般而言，每个解释变量的简单相关系数大于0.8，则认为存在严重的多重共线性。
由相关系数矩阵可以看出，确实存在严重的多重共线性。
共线性的修正：采用逐步回归的办法
分别做Y 对X1，X2，X3的一元回归，结果如下：
Y 对X1的一元回归：
Y 对X2的一元回归：
Y对X3的一元回归：
R最大，以X1为基础，顺次加入其他变量逐步回归，结由上表可知：加入X1的2
果为：
Y对X1，X2的回归：
Y对X1，X3的回归：
R比X3要高，所以加入X2，X3后回归结果都要比一元的要好，但相对来说加入X2的2
将变量X3去掉，采用Y对X1,X2的回归，即：
2.异方差
异方差检验：采用white 检验方法：得到结果为：
从上图可以看出，n 2
R =10.88412,由white 检验可知，在显著性水平为α=0.05下，
临界值05.0χ（9）=16.919，比较临界值与统计量，n 2R <05.0χ（9），所以接受原假设，（模型不存在异方差），所以模型不存在异方差。
3.自相关
首先，对模型进行自相关的检验：
在命令窗口输入：GENR E=RESID 生成残差序列
然后输入：SCAT E(-1) E 得到et—et-1的散点图
PLOT E 还可绘制et的趋势图
由回归方程的残差图可以看出：
残差的变动呈现系统模式，连续为正或连续为负，表明了残差项自相关性的存在。
对自相关的修正：广义差分法
得到修正后的结果为：
由题意知，n=21（采用广义差分法损失一个样本容量），k=3，查5%的显著性水平的D.W.统计表可以知道：l d =1.13，u d =1.54，上表中的修正后的D.W.统计量为2.365，所以根据D.W.检验决策规则，修正后的模型不再具有自相关。
修正完成。