計量經(jīng)濟學(xué)實驗報告

1、實驗報告（一）課程名稱： 計量經(jīng)濟學(xué) 實驗名稱： 一元線性回歸模型的估計、檢驗與預(yù)測 1姓 名 班 級： 指導(dǎo)教師： 學(xué) 號： 實 驗 室： 日 期： 一、實驗?zāi)康恼莆找辉€性、非線性回歸模型的建模方法。2、 實驗學(xué)時2學(xué)時3、 實驗內(nèi)容及操作過程建立我國稅收預(yù)測模型，先從統(tǒng)計年鑒中查得相應(yīng)的數(shù)據(jù)。1. 建立工作文件2. 輸入數(shù)據(jù)3. 圖形分析 趨勢圖分析命令格式：PLOT 變量1 變量2 變量K作用：分析經(jīng)濟變量的發(fā)展變化趨勢觀察是否存在異常值本例為：PLOT Y X 相關(guān)圖分析命令格式：SCAT 變量1 變量2 作用：觀察變量之間的相關(guān)程度觀察變量之間的相關(guān)類型，即為線性相關(guān)還是曲線相關(guān)，

2、曲線相關(guān)時大致是哪種類型的曲線本例為：SCAT Y X4. 估計線性回歸模型因此，我國稅收模型的估計式為： （-6.796114）（52.68967）0.992847 0.992490 2776.2015. 估計非線性回歸模型雙對數(shù)函數(shù)模型：LS log(Y) C log(X)雙對數(shù)模型： （-8.54）（30.977） 0.979583 0.978562 959.5857對數(shù)函數(shù)模型：LS Y C log(X)對數(shù)模型： （-7.356） （8.1075）0.766717 0.755053 65.73276指數(shù)函數(shù)模型：LS log(Y) C X指數(shù)模型： （65.57720） （12.10

3、987） 0.879987 0.873987 146.6489二次函數(shù)模型：LS Y C X X2二次函數(shù)模型： （-2.877547）（18.76492） （6.726087）0.997885 0.997662 4481.216四、實驗結(jié)果及結(jié)論 1.模型的比較四個模型的經(jīng)濟意義都比較合理，解釋變量也都通過了T檢驗。 2.預(yù)測五、心得體會了解了簡單的使用過程，對EVIEWS有了大致的了解，能對其進行聯(lián)系實際生活的運用。六、指導(dǎo)教師評議成績： （百分制） 指導(dǎo)教師簽名： 實驗報告（二）課程名稱： 計量經(jīng)濟學(xué) 實驗名稱： 多元線性回歸模型的估計、檢驗及預(yù)測 8姓 名： 班 級： 指導(dǎo)教師： 學(xué)

4、號： 實 驗 室： 日 期： 實驗 2一、 實驗?zāi)康?掌握建立多元回歸模型和比較、篩選模型的方法。二、實驗環(huán)境在實驗室進行試驗 三、實驗內(nèi)容 建立我國國有獨立核算工業(yè)企業(yè)生產(chǎn)函數(shù)。根據(jù)生產(chǎn)函數(shù)理論，生產(chǎn)函數(shù)的基本形式為：。其中，L、K分別為生產(chǎn)過程中投入的勞動與資金，時間變量反映技術(shù)進步的影響。四、實驗操作過程 1.建立工作文件2.輸入數(shù)據(jù)一、建立多元線性回歸模型建立包括時間變量的三元線性回歸模型；在命令窗口依次鍵入以下命令即可：建立工作文件： CREATE A 1998 2010輸入統(tǒng)計資料： DATA Y L K生成時間變量： GENR T=TREND(97)建立回歸模型： LS Y C

5、T L K生成下圖：圖1 我國國有獨立核算工業(yè)企業(yè)生產(chǎn)函數(shù)的估計結(jié)果因此，我國國有獨立工業(yè)企業(yè)的生產(chǎn)函數(shù)為： （模型1）(-7.085048) (1.480358) (4.254096) (10.43902) 模型的計算結(jié)果表明，我國國有獨立核算工業(yè)企業(yè)的勞動力邊際產(chǎn)出為32.75289，資金的邊際產(chǎn)出為1.75221，技術(shù)進步的影響使工業(yè)總產(chǎn)值平均每年遞增3197.119億元?；貧w系數(shù)的符號和數(shù)值是較為合理的。，說明模型有很高的擬合優(yōu)度，F(xiàn)檢驗也是高度顯著的，說明職工人數(shù)L、資金K和時間變量對工業(yè)總產(chǎn)值的總影響是顯著的。從圖1看出，解釋變量資金K的統(tǒng)計量值為10.43902，表明資金對企業(yè)產(chǎn)

6、出的影響是顯著的。但是，模型中其他變量（包括常數(shù)項）的統(tǒng)計量值都較小，未通過檢驗。因此，需要對以上三元線性回歸模型做適當(dāng)?shù)恼{(diào)整，按照統(tǒng)計檢驗程序，一般應(yīng)先剔除統(tǒng)計量最小的變量（即時間變量）而重新建立模型。建立剔除時間變量的二元線性回歸模型； 命令：LS Y C L K則生產(chǎn)函數(shù)的估計結(jié)果及有關(guān)信息如圖2圖 2 剔除時間變量后的估計結(jié)果因此，我國國有獨立工業(yè)企業(yè)的生產(chǎn)函數(shù)為： （模型2）(-6.550340) (3.841928) (14.51245) 從圖2的結(jié)果看出，回歸系數(shù)的符號和數(shù)值也是合理的。勞動力邊際產(chǎn)出為30.85541，資金的邊際產(chǎn)出為1.918145，表明這段時期勞動力投入的增

7、加對我國國有獨立核算工業(yè)企業(yè)的產(chǎn)出的影響最為明顯。模型2的擬合優(yōu)度較模型1并無多大變化，F(xiàn)檢驗也是高度顯著的。這里，解釋變量、常數(shù)項的檢驗值都比較大，顯著性概率都小于0.05，因此模型2較模型1更為合理.建立非線性回歸模型C-D生產(chǎn)函數(shù)。C-D生產(chǎn)函數(shù)為：，對于此類非線性函數(shù)，可以采用以下兩種方式建立模型。方式1：轉(zhuǎn)化成線性模型進行估計；在模型兩端同時取對數(shù)，得：在EViews軟件的命令窗口中依次鍵入以下命令：GENR LNY=log（Y）GENR LNL=log（L）GENR LNK=log（K）LS LNY C LNL LNK則估計結(jié)果如圖3所示。圖3 線性變換后的C-D生產(chǎn)函數(shù)估計結(jié)果從

8、圖3中看出，資本與勞動的產(chǎn)出彈性都是在0到1之間，模型的經(jīng)濟意義合理，而且擬合優(yōu)度較模型2還略有提高，解釋變量都通過了顯著性檢驗。第一次迭代：方式2：迭代估計非線性模型，迭代過程中可以作如下控制：在工作文件窗口中雙擊序列C，輸入?yún)?shù)的初始值；在方程描述框中點擊Options，輸入精度控制值?？刂七^程：參數(shù)初值：0，0，0；迭代精度：103；則生產(chǎn)函數(shù)的估計結(jié)果如圖4所示。圖4 生產(chǎn)函數(shù)估計結(jié)果從圖中可以進行分析數(shù)據(jù)。參數(shù)初值：0，0，0；迭代精度：105；對圖進行分析。參數(shù)初值：0，0，0；迭代精度：105，迭代次數(shù)1000；參數(shù)初值：1，1，1；迭代精度：105，迭代次數(shù)100；比較方式2的

9、不同控制過程可見，迭代估計過程的收斂性及收斂速度與參數(shù)初始值的選取密切相關(guān)。若選取的初始值與參數(shù)真值比較接近，則收斂速度快；反之，則收斂速度慢甚至發(fā)散。因此，估計模型時最好依據(jù)參數(shù)的經(jīng)濟意義和有關(guān)先驗信息，設(shè)定好參數(shù)的初始值。二、比較、選擇最佳模型估計過程中，對每個模型檢驗以下內(nèi)容，以便選擇出一個最佳模型：回歸系數(shù)的符號及數(shù)值是否合理；模型的更改是否提高了擬合優(yōu)度；模型中各個解釋變量是否顯著；殘差分布情況以上比較模型的、步在步驟一中已有闡述，現(xiàn)分析步驟一中5個不同模型的殘差分布情況。分別在模型1模型5的各方程窗口中點擊View/Actual, Fitted, Residual/ Actual,

10、 Fitted, Residual Table，可以得到各個模型相應(yīng)的殘差分布表?？梢钥闯觯Ｐ?的殘差在前段時期內(nèi)連續(xù)取負值且不斷增大，在接下來的一段時期又連續(xù)取正值，說明模型設(shè)定形式不當(dāng)，估計過程出現(xiàn)了較大的偏差。而且，模型4的表達式也說明了模型的經(jīng)濟意義不合理，不能用于描述我國國有工業(yè)企業(yè)的生產(chǎn)情況，應(yīng)舍棄此模型。模型1的各期殘差中大多數(shù)都落在的虛線框內(nèi)，且殘差分別不存在明顯的規(guī)律性。但是，由步驟一中的分析可知，模型1中除了解釋變量K之外，其余變量均為通過變量顯著性檢驗，因此，該模型也應(yīng)舍棄。模型2、模型3、模型5都具有合理的經(jīng)濟意義，都通過了檢驗和F檢驗，擬合優(yōu)度非常接近，理論上講都可

11、以描述資本、勞動的投入與產(chǎn)出的關(guān)系。但從圖3-13看出，模型5的近期誤差較大，因此也可以舍棄該模型。最后將模型2與模型3比較發(fā)現(xiàn)，模型3的近期預(yù)測誤差略小，擬合優(yōu)度比模型2略有提高，因此可以選擇模型3為我國國有工業(yè)企業(yè)生產(chǎn)函數(shù)。對殘差進行分析：五、實驗結(jié)果及結(jié)論 計算出上述的因素在經(jīng)濟總是效用。六、心得體會 學(xué)會用該軟件分析工業(yè)總產(chǎn)值，職工人數(shù)，固定資產(chǎn)之間的關(guān)系。七、指導(dǎo)教師評議成績： （百分制） 指導(dǎo)教師簽名： 信息與管理科學(xué)學(xué)院管理科學(xué)系實驗報告（三）課程名稱： 計量經(jīng)濟學(xué) 實驗名稱： 異方差性 19姓 名： 班 級： 指導(dǎo)教師： 劉芳 學(xué) 號： 實 驗 室： 日 期： 一、實驗?zāi)康?掌

12、握異方差性的檢驗及處理方法二、實驗環(huán)境 Eviwes3.0實驗環(huán)境三、實驗內(nèi)容及操作步驟建立并檢驗我國制造業(yè)利潤函數(shù)模型1.檢驗異方差【例1】表1列出了2011年我國主要制造工業(yè)銷售收入與銷售利潤的統(tǒng)計資料，請利用統(tǒng)計軟件Eviews建立我國制造業(yè)利潤函數(shù)模型。行業(yè)名稱銷售利潤銷售收入食品加工業(yè)19438.541303.32食品制造業(yè)8327.68812.38飲料制造業(yè)7765.31997.34煙草加工業(yè)6345.83803.4紡織業(yè)17797.331147.47服裝制品業(yè)7822.65652.75皮革羽絨制品5456.35489.57木材加工業(yè)2292.61184.06家具制造業(yè)2442.4

13、1172.9造紙及紙品業(yè)6245.33419.08印刷業(yè)1484.6170.85文體教育用品1730.8694.64石油加工業(yè)33022.37208.01化學(xué)原料紙品33185.632445.37醫(yī)藥制造業(yè)9013.161109.94化學(xué)纖維制品5066.52300.93橡膠制品業(yè)4978.59272.84塑料制品業(yè)5615.61411.38非金屬礦制品16366.731798.35黑色金屬冶煉54831.921757.48有色金屬冶煉23279.511367.92金屬制品業(yè)9439.59711.75普通機械制造19431.221588.71專業(yè)設(shè)備制造14529.421268.28交通運輸設(shè)

14、備51937.884744.95電子機械制造32745.952297.55電子通訊設(shè)備56614.682434.1儀器儀表設(shè)備4799.3394.38一、 檢驗異方差性圖形分析檢驗觀察銷售利潤（Y）與銷售收入（X）的相關(guān)圖(圖1)：SCAT X Y圖1 我國制造工業(yè)銷售利潤與銷售收入相關(guān)圖從圖中可以看出，隨著銷售收入的增加，銷售利潤的平均水平不斷提高，但離散程度也逐步擴大。這說明變量之間可能存在遞增的異方差性。殘差分析首先將數(shù)據(jù)排序（命令格式為：SORT 解釋變量），然后建立回歸方程。在方程窗口中點擊Resids按鈕就可以得到模型的殘差分布圖（或建立方程后在Eviews工作文件窗口中點擊res

15、id對象來觀察）。圖2 我國制造業(yè)銷售利潤回歸模型殘差分布圖2顯示回歸方程的殘差分布有明顯的擴大趨勢，即表明存在異方差性。Goldfeld-Quant檢驗將樣本按解釋變量排序（SORT X）并分成兩部分（分別有1到10共11個樣本合19到28共10個樣本）利用樣本1建立回歸模型1（回歸結(jié)果如圖3），其殘差平方和為9955.394。SMPL 1 10LS Y C XDependent Variable: YMethod: Least SquaresDate: 11/14/13 Time: 20:50Sample: 1 10Included observations: 10VariableCoef

16、ficientStd. Errort-StatisticProb.  C6677.8598203.2290.8140530.4392X0.34217828.812810.0118760.9908R-squared0.000018    Mean dependent var6767.820Adjusted R-squared-0.124980    S.D. dependent var9386.118S.E. of regression9955.394    

17、;Akaike info criterion21.42647Sum squared resid7.93E+08    Schwarz criterion21.48699Log likelihood-105.1324    Hannan-Quinn criter.21.36009F-statistic0.000141    Durbin-Watson stat2.186554Prob(F-statistic)0.990815圖3 樣本1回歸結(jié)果 利用樣本2建立回歸模型2（回歸結(jié)

18、果如圖4），其殘差平方和為13748.44。SMPL 19 28LS Y C XDependent Variable: YMethod: Least SquaresDate: 11/14/13 Time: 20:52Sample: 19 28Included observations: 10VariableCoefficientStd. Errort-StatisticProb.  C11278.3510286.031.0964730.3048X9.9770374.4377942.2481980.0547R-squared0.387179   

19、 Mean dependent var32236.15Adjusted R-squared0.310577    S.D. dependent var16558.09S.E. of regression13748.44    Akaike info criterion22.07209Sum squared resid1.51E+09    Schwarz criterion22.13261Log likelihood-108.3605  

20、0; Hannan-Quinn criter.22.00571F-statistic5.054392    Durbin-Watson stat2.594830Prob(F-statistic)0.054721計算F統(tǒng)計量：13748.44/9955.394=1.381004，分別是模型1和模型2的殘差平方和。取時，查F分布表得，而，所以不存在異方差性White檢驗建立回歸模型：LS Y C X，回歸結(jié)果如圖5。Dependent Variable: YMethod: Least SquaresDate: 11/14/13 Time: 21:0

21、1Sample: 1 28Included observations: 28VariableCoefficientStd. Errort-StatisticProb.  C2598.6372846.4210.9129490.3697X12.821131.9355476.6240360.0000R-squared0.627922    Mean dependent var16500.27Adjusted R-squared0.613611    S.D. dependent var16369.43

22、S.E. of regression10175.27    Akaike info criterion21.36206Sum squared resid2.69E+09    Schwarz criterion21.45721Log likelihood-297.0688    Hannan-Quinn criter.21.39115F-statistic43.87785    Durbin-Watson stat2.172735Pro

23、b(F-statistic)0.000001圖5 我國制造業(yè)銷售利潤回歸模型在方程窗口上點擊ViewResidualTestWhite Heteroskedastcity,檢驗結(jié)果如圖6。Heteroskedasticity Test: WhiteF-statistic0.498158    Prob. F(2,25)0.6136Obs*R-squared1.073107    Prob. Chi-Square(2)0.5848Scaled explained SS2.536714   

24、; Prob. Chi-Square(2)0.2813圖6 White檢驗結(jié)果其中F值為輔助回歸模型的F統(tǒng)計量值。取顯著水平，由于 ,所以不存在異方差性。實際應(yīng)用中可以直接觀察相伴概率p值的大小，若p值較小，則認為存在異方差性。反之，則認為不存在異方差性。Park檢驗建立回歸模型（結(jié)果同圖5所示）。生成新變量序列：GENR LNE2=log(RESID2)GENR LNX=logx建立新殘差序列對解釋變量的回歸模型：LS LNE2 C LNX，回歸結(jié)果如圖7所示Dependent Variable: LNE2Method: Least SquaresDate: 11/14/13 Ti

25、me: 21:14Sample: 1 28Included observations: 28VariableCoefficientStd. Errort-StatisticProb.  C14.301583.1789394.4988550.0001LNX0.2773470.4785390.5795700.5672R-squared0.012754    Mean dependent var16.12435Adjusted R-squared-0.025216    S.D. dependent

26、var2.419839S.E. of regression2.450159    Akaike info criterion4.698932Sum squared resid156.0853    Schwarz criterion4.794090Log likelihood-63.78505    Hannan-Quinn criter.4.728023F-statistic0.335901    Durbin-Watson stat

27、2.487079Prob(F-statistic)0.567193圖7 Park檢驗回歸模型從圖7所示的回歸結(jié)果中可以看出，LNX的系數(shù)估計值不為0且但未能通過顯著性檢驗，即隨即誤差項的方差與解釋變量不存在較強的相關(guān)關(guān)系，即認為不存在異方差性Gleiser檢驗（Gleiser檢驗與Park檢驗原理相同）建立回歸模型（結(jié)果同圖5所示）。生成新變量序列：GENR E=ABS(RESID)分別建立新殘差序列（E）對各解釋變量（X/X2/X(1/2)/X(1)/ X(2)/ X(1/2)）的回歸模型：LS E C X，回歸結(jié)果如圖8、9、10、11、12、13所示。Dependent Variable

28、: EMethod: Least SquaresDate: 11/14/13 Time: 21:20Sample: 1 28Included observations: 28VariableCoefficientStd. Errort-StatisticProb.  C0.9884920.4548792.1730860.0391X0.0006160.0003091.9921570.0570R-squared0.132428    Mean dependent var1.656627Adjusted R-squared0.099060&

29、#160;   S.D. dependent var1.713149S.E. of regression1.626084    Akaike info criterion3.878976Sum squared resid68.74789    Schwarz criterion3.974133Log likelihood-52.30566    Hannan-Quinn criter.3.908066F-statistic3.968691

30、0;   Durbin-Watson stat2.342633Prob(F-statistic)0.056952 圖8Dependent Variable: EMethod: Least SquaresDate: 11/14/13 Time: 21:27Sample: 1 28Included observations: 28VariableCoefficientStd. Errort-StatisticProb.  C1.6194300.3384374.7850210.0001X21.61E-153.51E-150.4590390.6500R

31、-squared0.008039    Mean dependent var1.656627Adjusted R-squared-0.030113    S.D. dependent var1.713149S.E. of regression1.738751    Akaike info criterion4.012961Sum squared resid78.60465    Schwarz criterion4.108118Log

32、likelihood-54.18145    Hannan-Quinn criter.4.042051F-statistic0.210717    Durbin-Watson stat2.020523Prob(F-statistic)0.650021 圖9Dependent Variable: EMethod: Least SquaresDate: 11/14/13 Time: 21:29Sample: 1 28Included observations: 28VariableCoefficientStd. Err

33、ort-StatisticProb.  C0.9884920.4548792.1730860.0391X(1/2)0.0006160.0003091.9921570.0570R-squared0.132428    Mean dependent var1.656627Adjusted R-squared0.099060    S.D. dependent var1.713149S.E. of regression1.626084    Akaike inf

34、o criterion3.878976Sum squared resid68.74789    Schwarz criterion3.974133Log likelihood-52.30566    Hannan-Quinn criter.3.908066F-statistic3.968691    Durbin-Watson stat2.342633Prob(F-statistic)0.056952 圖10Dependent Variable: EMethod: Least

35、 SquaresDate: 11/14/13 Time: 21:30Sample: 1 28Included observations: 28VariableCoefficientStd. Errort-StatisticProb.  C1.8497820.3541905.2225720.0000X(-1)-18523.4214542.38-1.2737550.2140R-squared0.058737    Mean dependent var1.656627Adjusted R-squared0.022534  

36、;  S.D. dependent var1.713149S.E. of regression1.693736    Akaike info criterion3.960500Sum squared resid74.58731    Schwarz criterion4.055658Log likelihood-53.44700    Hannan-Quinn criter.3.989591F-statistic1.622451  &#

37、160; Durbin-Watson stat2.124101Prob(F-statistic)0.214020 圖11Dependent Variable: EMethod: Least SquaresDate: 11/14/13 Time: 21:30Sample: 1 28Included observations: 28VariableCoefficientStd. Errort-StatisticProb.  C1.7366210.3347535.1877670.0000X(-2)-1.35E+081.40E+08-0.9602750.3458R-squ

38、ared0.034252    Mean dependent var1.656627Adjusted R-squared-0.002893    S.D. dependent var1.713149S.E. of regression1.715624    Akaike info criterion3.986180Sum squared resid76.52754    Schwarz criterion4.081338Log like

39、lihood-53.80653    Hannan-Quinn criter.4.015271F-statistic0.922128    Durbin-Watson stat2.068043Prob(F-statistic)0.345763 圖12Dependent Variable: EMethod: Least SquaresDate: 11/14/13 Time: 21:30Sample: 1 28Included observations: 28VariableCoefficientStd. Errort

40、-StatisticProb.  C2.1604120.4337814.9804220.0000X(-1/2)-225.6168134.3316-1.6795520.1050R-squared0.097877    Mean dependent var1.656627Adjusted R-squared0.063180    S.D. dependent var1.713149S.E. of regression1.658148    Akaike inf

41、o criterion3.918028Sum squared resid71.48578    Schwarz criterion4.013186Log likelihood-52.85240    Hannan-Quinn criter.3.947119F-statistic2.820895    Durbin-Watson stat2.214237Prob(F-statistic)0.105024圖13由上述各回歸結(jié)果可知，各回歸模型中解釋變量的系數(shù)估計值不為0，但不是很

42、顯著，均能通過顯著性檢驗。所以認為不存在異方差性。二 、調(diào)整異方差性 因為模型不存在異方差性，故該模型不需要調(diào)整異方差性。四、實驗結(jié)果及結(jié)論利用我國主要制造工業(yè)銷售收入與銷售利潤的統(tǒng)計資料，建立我國制造業(yè)利潤函數(shù)模型，了檢驗?zāi)Ｐ偷漠惙讲钚?、修正異方差。五、心得體會 學(xué)會了運用Eviwes軟件進行模型的異方差檢驗，并學(xué)會了如何修正異方差。信息與管理科學(xué)學(xué)院管理科學(xué)系實驗報告（四）課程名稱： 計量經(jīng)濟學(xué) 實驗名稱： 相關(guān)性 43姓 名： 班 級： 指導(dǎo)教師： 學(xué) 號： 實 驗 室： 日 期： 一、實驗?zāi)康?掌握自相關(guān)性的檢驗與處理方法。二、實驗內(nèi)容利用表5-1資料，試建立我國城鄉(xiāng)居民儲蓄存款模型，

43、并檢驗?zāi)Ｐ偷淖韵嚓P(guān)性。表5-1 我國城鄉(xiāng)居民儲蓄存款與GDP統(tǒng)計資料（1978年100）年份GDP指數(shù)D存款余額Y年份GDP指數(shù)D存款余額Y1978100210.61995502.329662.251979107.62811996552.638520.841980116399.51997603.946279.81981122.1523.71998651.253407.471982133.1675.41999700.959621.81983147.6892.52000759.964332.419841701214.7200182373762.41985192.91622.62002897.886

44、910.719862102237.62003987.8103617.71987234.33073.320041087.4119555.41988260.73801.520051210.4141051.01989271.35146.920061363.8161587.31990281.77034.220071557172534.21991307.6910720081707217885.41992351.411545.420091864.3260771.71993400.414762.3920102059303302.01994452.821518.820112250.4343635.9三、實驗操

45、作步驟及過程一、回歸模型的篩選相關(guān)圖分析SCAT X Y相關(guān)圖表明，GDP指數(shù)與居民儲蓄存款二者的曲線相關(guān)關(guān)系較為明顯?，F(xiàn)將函數(shù)初步設(shè)定為線性、雙對數(shù)、對數(shù)、指數(shù)、二次多項式等不同形式，進而加以比較分析。估計模型，利用LS命令分別建立以下模型線性模型： LS Y C X (-10.5628) (37.4381) F=1401.608 S.E=8738.742雙對數(shù)模型：GENR LNY=LOG(Y) GENR LNX=LOG(X) LS LNY C LNX (-31.604) (64.189)0.9954 F4120.223 S.E0.1221對數(shù)模型：LS Y C LNX (-6.501)

46、(7.200)0.7318 F51.8455 S.E8685.043指數(shù)模型：LS LNY C X (23.716) (14.939)0.9215 F223.166 S.E0.5049二次多項式模型：GENR X2=X2LS Y C X X2 (3.747) (-8.235) (25.886)0.9976 F3814.274 S.E835.979選擇模型比較以上模型，可見各模型回歸系數(shù)的符號及數(shù)值較為合理。各解釋變量及常數(shù)項都通過了檢驗，模型都較為顯著。除了對數(shù)模型的擬合優(yōu)度較低外，其余模型都具有高擬合優(yōu)度，因此可以首先剔除對數(shù)模型。比較各模型的殘差分布表。線性模型的殘差在較長時期內(nèi)呈連續(xù)遞減趨勢而后又轉(zhuǎn)為連續(xù)遞增趨勢，指數(shù)模型則大體相反，殘差先呈連續(xù)遞增趨勢而后又轉(zhuǎn)為連續(xù)遞減趨勢，因此，可以初步判斷這兩種函數(shù)形式設(shè)置是不當(dāng)?shù)摹６遥@兩個模型的擬合優(yōu)度也較雙對數(shù)模型和二次多項式模型低，所以又可舍棄線性模型和指數(shù)模型。雙對數(shù)模型和二次多項式模型都具有很高的擬合優(yōu)度，因而初步選定回歸模型為這兩個模型。雙對數(shù)模型：GENR LNY=LOG(Y) GENR LNX=LOG(X) LS LNY C LNX (-13.3536) (36.1669)0.9783 F1308.045 S.E0.3242對數(shù)模型：LS Y C LNX (-8.64