計量經(jīng)濟學實驗操作指導

..計量經(jīng)濟學試驗(完整版)——子奈目錄實驗一一元線性回歸5一實驗目的5二實驗要求5三實驗原理5四預備知識5五實驗容5六實驗步驟51.建立工作文件并錄入數(shù)據(jù)52.數(shù)據(jù)的描述性統(tǒng)計和圖形統(tǒng)計：73.設定模型，用最小二乘法估計參數(shù)：84.模型檢驗：85.應用：回歸預測：9實驗二可化為線性的非線性回歸模型估計、受約束回歸檢驗及參數(shù)穩(wěn)定性檢驗12一實驗目的：12二實驗要求12三實驗原理12四預備知識12五實驗容12六實驗步驟13實驗三多元線性回歸14一實驗目的14三實驗原理15四預備知識15五實驗容15六實驗步驟156.1建立工作文件并錄入全部數(shù)據(jù)156.2建立二元線性回歸模型156.3結果的分析與檢驗166.4參數(shù)的置信區(qū)間166.5回歸預測176.6置信區(qū)間的預測18實驗四異方差性20一實驗目的20二實驗要求20三實驗原理20四預備知識20五實驗容20六實驗步驟206.1建立對象：206.2用普通最小二乘法建立線性模型216.3檢驗模型的異方差性216.4異方差性的修正24實驗五自相關性28一實驗目地28二實驗要求28三實驗原理28四預備知識28五實驗容28六實驗步驟286.1建立Workfile和對象296.2參數(shù)估計、檢驗模型的自相關性296.3使用廣義最小二乘法估計模型336.4采用差分形式作為新數(shù)據(jù)，估計模型并檢驗相關性35實驗六多元線性回歸和多重共線性37一實驗目的37二實驗要求37三實驗原理37四預備知識37五實驗容37六實驗步驟376.1建立工作文件并錄入數(shù)據(jù)386.2用OLS估計模型386.3多重共線性模型的識別386.4多重共線性模型的修正39實驗七分布滯后模型與自回歸模型及格蘭杰因果關系檢驗41一實驗目的41二實驗要求41三實驗原理41四預備知識41五實驗容41六實驗步驟426.1建立工作文件并錄入數(shù)據(jù)426.2使用4期滯后2次多項式估計模型426.3格蘭杰因果關系檢驗45實驗八聯(lián)立方程計量經(jīng)濟學模型49一實驗目的49二實驗要求49三實驗原理49四預備知識49五實驗容49六實驗步驟506.1分析聯(lián)立方程模型。506.2建立工作文件并錄入數(shù)據(jù)，如圖1所示。506.3估計國生產總值方程516.4估計貨幣供應量方程536.5模型的直接計算機估計54實驗九時間序列計量經(jīng)濟學模型56一實驗目的56二實驗要求56三實驗原理56四預備知識56五實驗容56六實驗步驟566.1建立工作文件并錄入數(shù)據(jù)，如圖1所示。566.2平穩(wěn)性檢驗576.3單整性檢驗616.4估計的模型62實驗一一元線性回歸一實驗目的：掌握一元線性回歸的估計與應用，熟悉EViews的根本操作。二實驗要求：應用教材P61第12題做一元線性回歸分析并做預測。三實驗原理：普通最小二乘法。四預備知識：最小二乘法的原理、t檢驗、擬合優(yōu)度檢驗、點預測和區(qū)間預測。五實驗容：第2章練習12下表是中國2007年各地區(qū)稅收和國生產總值GDP的統(tǒng)計資料。單位：億元地區(qū)YGDP地區(qū)YGDP北京1435.79353.3湖北434.09230.7天津438.45050.4湖南410.79200.0河北618.313709.5廣東2415.531084.4山西430.55733.4廣西282.75955.7347.96091.1海南88.01223.3遼寧815.711023.5重慶294.54122.5吉林237.45284.7四川629.010505.3335.07065.0貴州211.92741.9上海1975.512188.9云南378.64741.3江1894.825741.2西藏11.7342.2浙江1535.418780.4陜西355.55465.8安徽401.97364.2甘肅142.12702.4福建594.09249.1青海43.3783.6江西281.95500.3寧夏58.8889.2山東1308.425965.9新疆220.63523.2河南625.015012.5要求，以手工和運用Eviews軟件：(1)作出散點圖，建立稅收隨國生產總值GDP變化的一元線性回歸方程，并解釋斜率的經(jīng)濟意義；(2)對所建立的回歸方程進展檢驗；(3)假設2008年某地區(qū)國生產總值為8500億元，求該地區(qū)稅收收入的預測值及預測區(qū)間。六實驗步驟1.建立工作文件并錄入數(shù)據(jù)：(1)雙擊桌面快速啟動圖標，啟動MicrosoftOfficeExcel,如圖1，將題目的數(shù)據(jù)輸入到excel表格中并保存。(2)雙擊桌面快速啟動圖標，啟動EViews6程序。(3)點擊File/New/Workfile…，彈出WorkfileCreate對話框。在WorkfileCreate對話框左側Workfilestructuretype欄中選擇Unstructured/Undated選項，在右側DataRange中填入樣本個數(shù)31.在右下方輸入Workfile的名稱P53.如圖2所示。圖1圖2(4)下面錄入數(shù)據(jù)，點擊File/Import/ReadText-Lotus-Excel...選中第(1)步保存的excel表格，彈出ExcelSpreadsheetImport對話框，在Upper-leftdatacell欄輸入數(shù)據(jù)的起始單元格B2，在Excel5+sheetname欄中輸入數(shù)據(jù)所在的工作表sheet1，在NamesforseriesorNumberifnamedinfile欄中輸入變量名YGDP，如圖3所示，點擊OK，得到如圖4所示界面。圖3圖4(5)按住Ctrl鍵同時選中Workfile界面的gdp表跟y表，點擊鼠標右鍵選Open/asGroup得到完整表格如圖5，并點擊Group表格上菜單命令Name，在彈出的對話框中命名為group01.圖5圖62.數(shù)據(jù)的描述性統(tǒng)計和圖形統(tǒng)計：以上建立的序列GDP和Y之后，可對其做描述統(tǒng)計和統(tǒng)計以把握該數(shù)據(jù)的一些統(tǒng)計屬性。(1)描述屬性：點View/DescriptiveStats\monSample，得描述統(tǒng)計結果，如圖6所示，其中：Mean為均值，Std.Dev為標準差。(2)圖形統(tǒng)計：雙擊序列GDP，翻開GDP的表格形式，點擊表格左邊View/Graph，可得圖7。同樣可查看序列Y的線形圖。很多時候需要把兩個序列放在一個圖形中來查看兩者的相互關系，用線圖或散點圖都可以。在命令欄鍵入：scatGDPY，然后回車，就可以得到用散點圖來查看GDP和Y的關系，如圖8所示。圖7圖83.設定模型，用最小二乘法估計參數(shù)：設定模型為。按住Ctrl鍵，同時選中序列Y和序列GDP，點擊右鍵，在所出現(xiàn)的右鍵菜單中，選擇Open/asEquation…后彈出一對話框，在框中一次輸入"ycgdp〞，〔注意被解釋變量在最前，變量間要空格，如圖9〕點擊其下確實定，即可得到回歸結果〔如圖10〕。圖9圖10由圖10數(shù)據(jù)結果，可得到回歸分析模型為：，，其中，括號的數(shù)為相應的t檢驗值。是可決系數(shù)，與是有關的兩個檢驗統(tǒng)計量。4.模型檢驗：(1)經(jīng)濟意義檢驗。斜率為邊際可支國生產總值GDP，說明2007年，中國地各省區(qū)GDP每增加1億元時，稅收平均增加0.071047億元。(2)t檢驗和擬合優(yōu)度檢驗。在顯著性水平下，自由度為31-2=29的t分布的臨界值。因此，從參數(shù)的t檢驗值看，斜率項顯然不為零，但不拒絕截距項為零的假設。另外，擬合優(yōu)度說明，稅收的76%的變化也以由GDP的變化來解釋，因此擬合情況較好。在Eqution界面點擊菜單命令View/Actual,Fitted,Residual/Actual,Fitted.ResidualGraph可得到圖11，可直觀看到實際觀測站和擬合值非常接近。圖11圖125.應用：回歸預測：(1)被解釋變量Y的個別值和平均值的點預測：由第二章第五節(jié)知道，個別值和平均值點預測的預測公式均為插預測：在Equation框中，點擊"Forecast〞，在Forecastname框中可以為所預測的預測值序列命名，計算機默認為yf，點擊"OK〞，得到樣本期被解釋變量的預測值序列yf〔也稱擬合值序列〕的圖形形式〔圖12〕。同時在Workfile中出現(xiàn)一個新序列對象yf。外推預測：錄入2008年某地區(qū)國生產總值GDP為8500億元的數(shù)據(jù)。雙擊Workfile菜單下的Range所在行，出現(xiàn)將Workfilestructured對話框，講右側Observation旁邊的數(shù)值改為32，然后點擊OK，即可用將Workfile的Range以及Sample的Range改為32；雙擊翻開GDP序列表格形式，將編輯狀態(tài)切換為"可編輯〞，在GDP序列中補充輸入GDP=8500〔如圖13所示〕。圖13圖14進展預測在Equation框中，點擊"Forecast〞，彈出一對話框，在其中為預測的序列命名，如yf2。點擊OK即可用得到預測結果的圖形形式〔如圖14所示〕。點擊Workfile中新出現(xiàn)的序列yf2，可以看到預測值為593.2667〔圖15〕〔注意：因為沒有對默認預測區(qū)間1-32做改變，這時候得到的是所有插預測與外插預測的值，假設將區(qū)間改為3232，那么只會得到外推預測結果〕。圖15圖16結果查看按住Ctrl鍵，同時選中y、yf、resid，點擊右鍵，在右鍵菜單中選Open/asGroup可翻開實際值、預測值、殘差序列，在view菜單項選擇擇Graph...，畫折線圖〔如圖16所示〕。(2)區(qū)間預測原理：當2007年中國某省區(qū)GDP為8500億元時，預測的稅收為被解釋變量Y的個別值區(qū)間預測公式為：，被解釋變量Y的均值區(qū)間預測公式為：。具體地說，可以在前面點預測序列中找到；可以查t分布表得到；樣本數(shù)n=31為；中的為，，可以在序列GDP的描述統(tǒng)計中找到，；，從而；由X總體方差的無偏估計式，可以計算(可在序列X的描述統(tǒng)計中找到)。(3)區(qū)間預測的Eviews操作：①個別值置信區(qū)間的計算：在命令欄輸入：〔yfu為個別值的置信上界，yfl為個別值的置信下界〕"scalaryfu=593.2667+2.045*sqrt(95183.1*(1+1/31+152979.5/55957878.6))〞"scalaryfl=593.2667-2.045*sqrt(95183.1*(1+1/31+152979.5/55957878.6))〞得到：yfu=1235.12876632yfl=-48.5953663235于是95%的置信度下預測的2008年某省區(qū)稅收入個值的置信區(qū)間為：〔-48.5953663235,1235.12876632〕。②均值的置信區(qū)間的計算：在命令欄輸入：〔eyfu為均值的置信上界，eyfl為均值的置信下界〕"scalareyfu=593.2667+2.045*sqrt(95183.1*(1/31+152979.5/55957878.6))〞"scalareyfl=593.2667-2.045*sqrt(95183.1*(1/31+152979.5/55957878.6))〞得到：eyfu=711.287072849eyfl=475.246327151于是在95%的置信度下，預測省區(qū)的2008年的稅收收入均值的置信區(qū)間為：〔475.246327151，711.287072849〕。實驗二可化為線性的非線性回歸模型估計、受約束回歸檢驗及參數(shù)穩(wěn)定性檢驗一實驗目的：〔1〕掌握可化為線性的非線性回歸模型的估計方法；〔2〕模型參數(shù)的線性約束檢驗方法；〔3〕掌握Chow檢驗的根本原理和主要用途；〔4〕掌握Chow分割點檢驗和Chow預測檢驗的操作過程，判斷分割點。二實驗要求：應用教材P83例子3.5.1做可化為線性的非線性回歸模型估計，利用受約束回歸檢驗，掌握Chow穩(wěn)定性檢驗。三實驗原理：普通最小二乘法、模型參數(shù)線性受約束檢驗法、Chow檢驗法。四預備知識：最小二乘估計原理、t檢驗、F檢驗、Chow檢驗。五實驗容：下表列出了中國某年按行業(yè)分的全部制造業(yè)國有企業(yè)及規(guī)模以上制造業(yè)非國有企業(yè)的工業(yè)總產值Y，資產合計K及職工人數(shù)L。序號工業(yè)總產值Y資產合計K職工人數(shù)L序號工業(yè)總產值Y資產合計K職工人數(shù)L〔億元〕〔億元〕〔萬人〕〔億元〕〔億元〕〔萬人〕13722.73078.2211317812.71118.814321442.521684.4367181899.72052.166131752.372742.7784193692.856113.1124041451.291973.8227204732.99228.2522255149.35917.01327212180.232866.658062291.161758.77120222539.762545.639671345.17939.158233046.954787.92228656.77694.9431242192.633255.291639370.18363.4816255364.838129.68244101590.362511.9966264834.685260.214511616.71973.7358277549.587518.7913812617.94516.012828867.91984.5246134429.193785.9161294611.3918626.94218145749.028688.0325430170.3610.9119151781.372798.98331325.531523.1945161243.071808.4433設定模型為〔1〕利用上述資料，進展回歸分析?！?〕答復：中國概念的制造總體呈現(xiàn)規(guī)模報酬不變狀態(tài)嗎？六實驗步驟：建立工作文件并導入全部數(shù)據(jù)，如圖1所示(1)設定并估計可化為線性的非線性回歸模型：在Eviews軟件下，點擊主界面菜單Qucik/EstimateEquation，在彈出的對話框中輸入log(Y)Clog(K)log(L)，點擊確定即可得到回歸結果，如圖2所示。根據(jù)圖2中的數(shù)據(jù)，得到模型的估計結果為：〔1.586〕〔3.454〕〔1.790〕R2=0.809925=0.796348D.W.=0.793209∑ei2=5.070303F=59.65501df=(2,28)隨機干擾項的方差估計值為：=5.070303/28=0.18108225回歸結果說明，這一年lnY變化的81%可由lnK和lnL的變化來解釋。在5%的顯著性水平下，F(xiàn)統(tǒng)計量的臨界值未，說明模型的線性關系顯著成立。在5%的顯著性水平下，自由度為n-k-1=28的t統(tǒng)計量臨界值為，因此lnK的參數(shù)通過了該顯著性水平下的t檢驗，但lnL未通過檢驗。如果將顯著性水平設為10%，那么t分布的臨界值為，此時lnL的參數(shù)也通過了顯著性水平檢驗。圖1圖2(2)從上述回歸結果可以得到：，也就是說，資產與勞動的產出彈性之和可以認為為1，即中國制造業(yè)這年呈現(xiàn)出規(guī)模報酬不變的狀態(tài)。下面進展參數(shù)的約束檢驗，原假設。假設原假設為真，那么可估計如下模型：點擊主界面菜單Qucik/EstimateEquation，在彈出的對話框中輸入log(Y/L)Clog(K/L)，點擊確定即可得到回歸結果，如圖3所示。由回歸結果可看到此模型通過了F檢驗和t檢驗，而在5%的顯著性水平為，自由度為〔1，28〕的F分布的臨界值為4.20，F(xiàn)<4.20，不拒絕原假設，說明該年中國制造業(yè)呈現(xiàn)規(guī)模報酬不變的狀態(tài)。在Eviews軟件中，當估計完圖2所示的模型后，選中View\CoefficientTest\WaldCoefficientRestrictions，然后在對話框中輸入C(2)+C(3)=1，點擊OK可得到如圖4所示的結果。得出的結論仍然是不拒絕原假設的，就原假設為真，所以該年中國制造業(yè)呈現(xiàn)規(guī)模報酬不變的狀態(tài)的結果。圖3圖4實驗三多元線性回歸一實驗目的：(1)掌握多元線性回歸模型的估計方法(2)模型方程的F檢驗，參數(shù)的t檢驗(3)模型的外推預測與置信區(qū)間預測二實驗要求：應用教材P105習題11做多元線性回歸模型估計，對回歸方程和回歸參數(shù)進展檢驗并做出單點預測與置信區(qū)間預測三實驗原理：最小二乘法四預備知識：最小二乘法估計原理、t檢驗、F檢驗、點預測和置信區(qū)間預測五實驗容：在一項對某社區(qū)家庭對某種消費品的消費需要調查中，得到書中的表所示的資料。序號對某商品的消費支出Y商品單價X1家庭月收入X2序號對某商品的消費支出Y商品單價X1家庭月收入X21591.923.5676206644.434524.4491207680.035.3143403623.632.07106708724.038.7159604647.032.46111609757.139.63180005674.031.151190010706.846.6819300請用手工與軟件兩種方法對該社區(qū)家庭對該商品的消費需求支出作二元線性回歸分析。(1)估計回歸方程的參數(shù)及及隨機干擾項的方差，計算及。(2)對方程進展F檢驗，對參數(shù)進展t檢驗，并構造參數(shù)95%的置信區(qū)間.(3)如果商品單價變?yōu)?5元，那么某一月收入為20000元的家庭的消費支出估計是多少？構造該估計值的95%的置信區(qū)間。六實驗步驟：6.1建立工作文件并錄入全部數(shù)據(jù)如圖1所示：圖16.2建立二元線性回歸模型點擊主界面菜單Quick\EstimateEquation選項，在彈出的對話框中輸入：YCX1X2點擊確定即可得到回歸結果，如圖2所示圖2根據(jù)圖2的信息，得到回歸模型的估計結果為：隨機干擾項的方差估計值為6.3結果的分析與檢驗6.3.1方程的F檢驗回歸模型的F值為：因為在5%的顯著性水平下，F(xiàn)統(tǒng)計量的臨界值為所以有所以回歸方程通過F檢驗，方程顯著成立。6.3.2參數(shù)的t檢驗由圖2的估計結果，常數(shù)項、X1、X2系數(shù)的參數(shù)估計的t值分別為：在5%的顯著性水平下，t統(tǒng)計量的臨界值為：顯然有所以拒絕原假設，即回歸方程的三個估計參數(shù)均顯著，通過t檢驗。6.4參數(shù)的置信區(qū)間由圖2的結果，可以看到:因為參數(shù)的區(qū)間估計為：又因為在的顯著性水平下，所以得：于是，常數(shù)項的95%的置信區(qū)間為：同樣的有：于是，X1項的系數(shù)的95%的置信區(qū)間為：同樣的有：于是，X2項的系數(shù)的95%的置信區(qū)間為：6.5回歸預測6.5.1插預測在Equation框中，點擊"Forecast〞，在Forecastname框中可以為所預測的預測值序列命名，計算機默認為yf，點擊"OK〞，得到樣本期被解釋變量的預測值序列yf〔也稱擬合值序列〕的圖形形式，如圖3所示。同時在Workfile中出現(xiàn)一個新序列對象yf。圖3圖46.5.2外推預測(1)錄入數(shù)據(jù)雙擊Workfile菜單下的Range所在行，出現(xiàn)將Workfilestructured對話框，講右側Observation旁邊的數(shù)值改為11，然后點擊OK，即可用將Workfile的Range以及Sample的Range改為11；雙擊翻開group01序列表格形式，將編輯狀態(tài)切換為"可編輯〞，在X1序列中補充輸入X1=35.同樣的方法錄入X2=20000(2)進展預測在Equation框中，點擊"Forecast〞，彈出一對話框，在其中為預測的序列命名，如yf2。點擊OK即可用得到預測結果的圖形形式，如圖4所示。點擊Workfile中新出現(xiàn)的序列yf2，可以看到預測值為856.2025〔如圖5所示〕圖5圖6(3)結果查看按住Ctrl鍵，同時選中y、yf、resid，點擊右鍵，在右鍵菜單中選Open/asGroup可翻開實際值、預測值、殘差序列，在view菜單項選擇擇Grap/Line，畫折線圖，如圖6所示。6.6置信區(qū)間的預測消費支出Y的個別值的預測置信區(qū)間為:其中,為Y的個別值預測的標準差為:消費支出Y的均值的預測置信區(qū)間為:其中，為Y的均值預測的標準差為:6.6.1Y個別值的置信區(qū)間的預測在Equation框中，點擊"Forecast〞，彈出Forecast話框,如圖7所示圖7圖8在圖7中S.E.那一欄為預測值的標準差，命名為yczbzc，然后點解OK，即可在Workfile界面看到一個名為yczbzc的序列。雙擊翻開這一序列，如圖8所示，在第11行〔預測行〕即可直接顯示個別值的預測值標準差為：把結果代入，即可得到Y個別值的95%的置信區(qū)間為：6.6.2Y均值的置信區(qū)間的預測：由于且所以可計算得：代入公式即可得到Y均值的預測標準差為：再把結果代入均值的置信區(qū)間公式得到Y均值的95%的置信區(qū)間為：實驗四異方差性一實驗目的：掌握異方差性模型的檢驗方法與處理方法二實驗要求：應用教材P155習題8案例做異方差模型的圖形法檢驗、Goldfeld-Quanadt檢驗與White檢驗，使用WLS方法、異方差穩(wěn)健標準誤方法對異方差進展修正。三實驗原理：圖形法檢驗、Goldfeld-Quanadt檢驗與White檢驗與加權最小二乘法、異方差穩(wěn)健標準誤方法。四預備知識：Goldfeld-Quanadt檢驗與White檢驗與加權最小二乘法。五實驗容：下表列出了某年中國局部省市城鎮(zhèn)居民每個家庭平均全年可支配收入X與消費性支出Y的統(tǒng)計數(shù)據(jù)。地區(qū)可支配收入〔X〕消費性支出〔Y〕地區(qū)可支配收入〔X〕消費性支出〔Y〕北京10349.698493.49浙江9279.167020.22天津8140.506121.04山東6489.975022.00河北5661.164348.47河南4766.263830.71山西4724.113941.87湖北5524.544644.55129.053927.75湖南6218.735218.79遼寧5357.794356.06廣東9761.578016.91吉林4810.004020.87陜西5124.244276.674912.883824.44甘肅4916.254126.47上海11718.018868.19青海5169.964185.73江6800.235323.18新疆5644.864422.93(1)使用普通最小二乘法建立居民人均消費支出與可支配收入的線性模型；(2)檢驗模型是否存在異方差性；(3)如果存在異方差性，試采用適當?shù)姆椒ü烙嬆Ｐ蛥?shù)。六實驗步驟：6.1建立對象：錄入變量可支配收入X和消費性支出Y，如圖1所示：圖1圖26.2用普通最小二乘法建立線性模型設定一元線性回歸模型為：點擊主界面菜單Quick\EstimateEquation，在彈出的對話框中輸入Y、C、X，點擊確定即可得到回歸結果，如圖2所示。根據(jù)圖2中的數(shù)據(jù)，得到模型的估計結果為估計結果顯示，即使在10%的顯著性水平下，都不拒絕常數(shù)項為零的假設。6.3檢驗模型的異方差性6.3.1圖形檢驗法生成殘差序列。在得到圖2結果后，在工作文件中點擊Object\GenerateSeries…，在彈出的窗口中，在主窗口鍵入命令如下"e2=resid^2〞，如圖3所示，得到殘差平方和序列e2。圖3圖4如果存在異方差，那么只可能是由于可支配收入X引起的。繪制對的散點圖。按住Ctrl鍵，同時選擇變量X與e2，以組對象方式翻開，進入數(shù)據(jù)列表，再點擊View\Graph\Scatter\SimpleScatter，可得散點圖，如圖4所示。由圖4可以看出，殘差平方和對大致存在遞增關系，即存在單調增型異方差。6.3.2Goldfeld-Quanadt檢驗對變量取值排序(按遞增或遞減)。在工作文件中點擊Proc\ScrtCurrentPage…，在彈出對話框中輸入X即可(默認項是升序)，如圖5所示。本列選擇升序排列，這時變量Y將以X按升序排列。圖5圖6構造子樣本區(qū)間，建立回歸模型。在此題中，樣本容量n=20，刪除中間1/4的觀測值，大約4個數(shù)據(jù)，余下局部平分得兩個樣本區(qū)間：1-8和13-20，它們的樣本個數(shù)均是8個，即.在工作文件窗口中點擊Sample菜單，在彈出的對話框中輸入18，將樣本期改為1～8，如圖6所示。然后，用OLS方法求得如圖7的結果圖7圖8根據(jù)圖7中的數(shù)據(jù)，得到模型的估計結果為：同樣的，在Sample菜單中，將區(qū)間定義為13～20，再利用OLS方法求得如圖8的結果。根據(jù)圖8中的數(shù)據(jù)，得到模型的估計結果為：計算F統(tǒng)計量：如果設定顯著性水平為5%，那么自由度為(6,6)的F分布的臨界值為，即有，所以拒絕原假設，說明模型存在異方差性6.3.3White檢驗由圖2的估計結果中，點擊View\Residualtests\whiteheteroskedasticity(nocrossterms),進入White檢驗，進過估計出現(xiàn)White檢驗的結果如圖9所示。圖9由圖9中的數(shù)據(jù)，得到White統(tǒng)計量，該值大于5%顯著性水平下自由度為2的分布的相應臨界值，(在估計模型中含有兩個解釋變量，所以自由度為2)因此拒絕同方差性的原假設。6.4異方差性的修正6.4.1加權最小二乘法運用OLS方法估計過程中，我們選用權數(shù)。權數(shù)生成過程如下，在圖2的情況下，在工作文件中點擊Object\GenerateSeries…，在彈出的窗口中，在Enterequation處輸入w=1/abs(resid).在工作文件中點擊Quick\EstimateEquation，在彈出的畫框中輸入Y、C、X，如圖10所示。圖10圖11然后，在圖10中點擊Options選項，選中WeightedLS/TLS復選框，在Weight框中輸入w，如圖11所示，點擊確定，即可得到加權最小二乘法的結果，如圖12所示。圖12由圖12中的數(shù)據(jù)，得到模型的估計結果：可以看出，常數(shù)項的t統(tǒng)計量的值有了顯著的改良。下面檢驗是否經(jīng)加權的回歸的模型已不存在異方差性。記為加權回歸后模型的殘差估計的平方和。在圖12中，點擊View\Residualtests\whiteheteroskedasticity(nocrossterms)，進入White檢驗，經(jīng)過估計出現(xiàn)White檢驗結果，如圖13所示。圖13由圖13中的數(shù)據(jù)，得到White統(tǒng)計量，其所對應的伴隨概率為，因此在5%的顯著性水平下，不能拒絕同方差的假設。6.4.2異方差穩(wěn)健性標準誤方法在圖2中，點擊Estimate按鈕，出現(xiàn)Spection窗口(圖14)，點擊Option按鈕，在出現(xiàn)的EstimationOptions窗口中，選擇"Heteroskedasticity〞選項，并選擇默認的White選項(圖15)，點擊按鈕退回到EquationSpection窗口(圖14)，再點擊OK按鈕，即得到如圖16所示的結果。圖14圖15圖16可以看出，估計的參數(shù)與普通最小二乘法的結果一樣，只是由于參數(shù)的標準差得到了修正，從而使得t檢驗值與普通最小二乘法的結果不同。實驗五自相關性一實驗目地:掌握自相關性模型的檢驗方法與處理方法二實驗要求：應用教材P155習題9案例做自相關性模型的圖形法檢驗和DW檢驗，使用廣義最小二乘法和廣義差分法進展修正。三實驗原理：圖形法檢驗、DW檢驗、廣義最小二乘法和廣義差分法。四預備知識：最小二乘法、DW檢驗、廣義最小二乘法和廣義差分法。五實驗容：中國1980～2007年全社會固定資產投資總額X與工業(yè)總產值Y的統(tǒng)計資料如下表所示。單位：億元年份全社會固定資產投資〔X〕工業(yè)增加值〔Y〕年份全社會固定資產投資〔X〕工業(yè)增加值〔Y〕1980910.91996.5199417042.119480.719819612048.4199520019.324950.619821230.42162.3199622913.529447.619831430.12375.6199724941.132921.419841832.92789.0199828406.234018.419852543.23448.7199929854.735861.519863120.63967.0200032917.740033.619873791.74585.8200137213.543580.619884753.85777.2200243499.947431.319894410.46484.0200355566.654945.5199045176858.0200470477.465210.019915594.58087.1200588773.677230.819928080.110284.52006109998.291310.9199313072.314188.02007137323.9107367.2試問：(1)當設定模型為時，是否存在序列相關性？(2)假設按一階自相關假設，試用廣義最小二乘法估計原模型。(3)采用差分形式與作為新數(shù)據(jù)，估計模型，該模型是否存在序列相關？六實驗步驟：在經(jīng)濟系統(tǒng)中，經(jīng)濟變量前后期之間很可能有關聯(lián)，使得隨機誤差項不能滿足無自相關性的假設。本案例將探討隨機誤差項不滿足無自相關性的古典假定的參數(shù)估計問題。著重討論自相關性模型的圖形法檢驗、DW檢驗與廣義最小二乘估計和廣義差分法。6.1建立Workfile和對象錄入1980—2007年全社會固定資產投資X以及工業(yè)增加值Y，如圖1所示。圖1圖26.2參數(shù)估計、檢驗模型的自相關性6.2.1參數(shù)估計設定模型為點擊主界面菜單Quick\EstimateEquation，在彈出的對話框中輸入log(Y)Clog(X)，點擊確定即可得到回歸結果，如圖2所示。根據(jù)圖2中數(shù)據(jù)，得到模型的估計結果為：該回歸方程的可決系數(shù)較高，回歸系數(shù)顯著。對樣本容量為28、一個解析變量的模型、5%的顯著性水平，查D.W.統(tǒng)計表可知，，，模型中，顯然模型中存在正自相關。下面對模型的自相關性進展檢驗。6.2.2檢驗模型的自相關性點擊Eviews方程輸出窗口的按鈕Resids可以得到殘差圖，如圖3所示。圖3圖4圖3的殘差圖中，殘差的變動有系統(tǒng)模式，連續(xù)為正和連續(xù)為負，說明殘差存在一階正自相關，模型中t統(tǒng)計量和F統(tǒng)計量的結論不可信，需要采取補救措施。點擊工作文件窗口工具欄中的Object\GenerateSeries…,在彈出的對話框中輸入et=resid,如圖4所示，點擊OK得到殘差序列et。點擊Quick\Graph\LineGraph，在彈出的對話框中輸入：et，再點擊OK，得到殘差項與時間的關系圖，如圖5所示，點擊Quick\Graph\Scatter，在彈出的對話框中輸入：et(-1)et,再點擊OK，得到殘差項與時間的關系圖，如圖6所示。圖5圖6從圖5和圖6中可以看出，隨機干擾項呈現(xiàn)正相關。由于時間序列數(shù)據(jù)容易出現(xiàn)為回歸現(xiàn)象，因此做回歸分析是須格外慎重的。本例中，Y和X都是事件序列書記，因此有理由疑心較高的局部是由這一共同的變化趨勢帶來的。為了排除事件序列模型中的這種隨時間變動而具有的共同變化趨勢的影響，一種解決方案是在模型中引入時間趨勢項，將這種影響別離出來。點擊Quick\Graph\LineGraph，在彈出對話框中輸入：XY，再點擊OK，得到去社會固定資產投資X與工業(yè)增加值Y的變動圖，如圖7所示。圖7圖8由圖7可以看出，由于全社會固定資產投資X與工業(yè)增加值Y均呈現(xiàn)非線性變化態(tài)勢，我們引入時間變量以平方的形式出現(xiàn)。點擊工作文件窗口工具欄中的Object\GenerateSeries…，在彈出的對話框中輸入T=TREND+1，點擊OK得到時間變量序列T。點擊主界面菜單Quick\EstimateEquation，在彈出的對話框中輸入log(Y)Clog(X)T^2，點擊確定即可得到回歸結果，如圖8所示。從圖8中的數(shù)據(jù)，我們可以看到T^2的系數(shù)估計非常的小，而且其偽概率P值為0.7632，即承受其系數(shù)為0的原假設，于是不通過假設檢驗。我們認為原模型不存在虛假序列相關的成分，所以我們仍然采用原模型，即不引入時間趨勢項。即原模型中較低的D.W.值是純序列相關引起的。下面再對模型進展序列相關性的拉格朗日乘數(shù)檢驗。在圖2中，點擊View\ResidualTests\SerialCorrelationLMTest…，在彈出的對話框中輸入：1，點擊OK，得到如圖9所示結果。根據(jù)圖9中的數(shù)據(jù)得到：，其所對應的伴隨概率為，因此如果取顯著性水平5%，那么可以判斷原模型存在1階序列相關性。圖9圖10在圖2中，點擊View\ResidualTests\SerialCorrelationLMTest…，在彈出的對話框中輸入：2，點擊OK，得到如圖10所示結果。根據(jù)圖10中的數(shù)據(jù)得到：，其所對應的伴隨概率為，模型存在序列相關性，又的參數(shù)通過了5%的顯著性檢驗，說明模型存在2階序列相關性。同樣的，在圖2中，點擊View\ResidualTests\SerialCorrelationLMTest…，在彈出的對話框中輸入：3，點擊OK，得到如圖11所示結果。圖11圖12根據(jù)圖11中的數(shù)據(jù)得到：，其所對應的伴隨概率為，因此如果取顯著性水平5%，那么可以判斷原模型存在序列相關性，但的參數(shù)未通過5%的顯著性檢驗，說明并不存在3階序列相關性。結合2階滯后殘差項的輔助回歸情況，可以判斷模型存在顯著的2階序列相關性。點擊主界面Quick\EstimateEquation，在彈出的對話框中輸入log(Y)Clog(X)AR(1)AR(2)，點擊確定即可得到回歸結果，如圖12所示。根據(jù)圖12中的數(shù)據(jù)得到廣義最小二乘的估計結果為：在5%的顯著性水平下，查D.W.統(tǒng)計表可知，，，(樣本容量為26)，那么有，即序列已經(jīng)不存在相關性。1階LM檢驗結果如下表所示：6.3使用廣義最小二乘法估計模型按題目第二題要求，是假設存在一階自相關，然后使用廣義最小二乘法進展估計。對于原模型，存在序列相關性，于是要找到一個可逆矩陣，用左乘上式兩邊，得到一個新的模型：即由一階自相關假設，可得：于是，我們首先來計算的值，我們可以根據(jù)估計出來的值來計算，估計出來的如表2所示。因為樣本容量較大時可根據(jù)計算，又，因此得，由此，我們可以直接計算新產生的序列跟。圖13圖14點擊工作文件窗口工具欄中的Object\GenerateSeries…,在彈出的對話框中輸入命令：lny=log(y)，來產生取了自然對數(shù)后的Y序列，如圖13所示。同樣的，使用命令yx=-0.8103385*lny(-1)+lny，來產生新的序列，此時產生的，只有后n-1項，我們必須人工計算，然后補充到新產生的yx序列中去。同樣的操作，我們也產生，即為**序列，其第一項也是要人工計算然后補充的。產生的新序列如圖15所示。圖15圖16于是我們就可以對新序列(yx)跟(**)進展最小二乘估計了。點擊主界面Quick\EstimateEquation，在彈出的對話框中輸入yxC**，點擊確定即可得到回歸結果如圖16所示。根據(jù)圖16中的數(shù)據(jù)，可得到廣義最小二乘法估計的結果：可見D.W.值已經(jīng)有所改善，但模型仍具有序列相關性。6.4采用差分形式作為新數(shù)據(jù)，估計模型并檢驗相關性按題目第三題要求，采用差分形式與作為新數(shù)據(jù)，并估計模型。首先要產生新序列跟。點擊工作文件窗口工具欄中的Object\GenerateSeries…,在彈出的對話框中輸入命令：ytx=D(y),在點擊OK，就產生了新的序列(ytx)，如圖17所示；同樣的，使用命令：xtx=D(x),產生新的序列(xtx),如圖18所示。圖17圖18于是，就可以對新序列進展估計，采用普通最小二乘估計。點擊主界面Quick\EstimateEquation，在彈出的對話框中輸入ytxCxtx,點擊確定，得到回歸結果如圖19所示。圖19圖20根據(jù)圖9中的數(shù)據(jù)，得到模型估計結果為：在5%的顯著性水平下，，(樣本容量為27)，有，即序列存在正自相關。其1階LM檢驗結果如下表所示：從表中數(shù)據(jù)也可以看到，模型是拒絕其序列無相關性的假設的，模型還是存在序列相關性。接下來，我們不妨考慮雙對數(shù)模型對此新數(shù)據(jù)進展估計。設定模型為：采用最小二乘估計，點擊主界面Quick\EstimateEquation，在彈出的對話框中輸入：log(ytx)Clog(xtx)，點擊OK，得到如圖20所示結果。根據(jù)圖20中的數(shù)據(jù)，得到模型的估計結果為：在5%的顯著性水平下，，(樣本容量為27)，有，序列相關性不能確定。于是進展LM檢驗，在圖20中，點擊View\ResidualTests\SerialCorrelationLMTest…，在彈出的對話框中輸入：1，點擊OK。得到1階LM檢驗結果如下表所示：從表中數(shù)據(jù)可以看到，模型是承受其序列無相關性的原假設的，即模型已經(jīng)不存在序列相關性了?？梢姴捎秒p對數(shù)模型是比題目中第三題給定的模型更好的。實驗六多元線性回歸和多重共線性一實驗目的：掌握多元線性回歸模型的估計方法、掌握多重共線性模型的識別和修正。二實驗要求：應用指導書P245習題4-18案例做多元線性回歸模型，并識別和修正多重共線性。三實驗原理：普通最小二乘法、簡單相關系數(shù)檢驗法、綜合判斷法、逐步回歸法。四預備知識：最小二乘估計的原理、t檢驗、F檢驗、值。五實驗容：Y6.06.06.57.17.27.68.09.09.09.3X140.140.347.549.252.358.061.362.564.766.8X25.54.75.26.87.38.710.214.117.121.3X31089410810099991019793102X4637286100107111114116119121表中列出了被解釋變量及解釋變量、、、的時間序列觀測值。(1)用OLS估計線性回歸模型，并采用適當?shù)姆椒z驗多重共線形；(2)用逐步回歸法確定一個較好的回歸模型。六實驗步驟：6.1建立工作文件并錄入數(shù)據(jù)如圖1所示圖1圖26.2用OLS估計模型設定多元線性回歸模型為：用普通最小二乘法進展估計，點擊主界面菜單Quick\EstimateEquation，在彈出的對話框中輸入：YCX1X2X3X4，點擊確定即可得到回歸結果，如圖2所示。根據(jù)圖2中的數(shù)據(jù)，可得到模型的估計結果為：其中，括號的數(shù)為相應的t檢驗值。從以上回歸結果可以看出，擬合優(yōu)度很高，整體效果的F檢驗通過。但很明顯，在5%的顯著性水平下，模型中的各參數(shù)均不通過檢驗，在10%的顯著性水平下，也只有X2的系數(shù)通過檢驗。故認為解析變量之間存在多重共線性。6.3多重共線性模型的識別6.3.1綜合判斷法由模型的估計結果可以看出，，，可決系數(shù)很高，說明模型對樣本的擬合很好；檢驗值比擬大，相應的，說明回歸方程顯著，即各自變量聯(lián)合起來確實對因變量Y有顯著影響；給定顯著性水平，但變量X1、X2、X3、X4系數(shù)的t統(tǒng)計量分別為1.246、2.397、-0.693、0.420，相應的p值分別為0.2681、0.0619、0.5190、0.6916，說明變量均對因變量影響不顯著。綜合上述分析，說明模型存在非常嚴重的多重共線性。6.3.2簡單相關系數(shù)檢驗法計算解析變量X1、X2、X3、X4的簡單相關系數(shù)矩陣。選中X1、X2、X3、X4，產生一個組，然后點擊View\Correlation\monSample，即可得出相關系數(shù)矩陣，如圖3所示。再點擊頂部的Freeze按鈕，可以得到一個Table類型獨立的Object，如圖4所示。圖3圖4由圖3相關系數(shù)矩陣可以看出，各解析變量之間的相關系數(shù)較高，特別是X1和X4之間的高度相關，證實解析變量之間存在多重共線性。根據(jù)綜合判別法與簡單相關系數(shù)法分析的結果可以知道，本案例的回歸變量間確實存在多重共線性，注意，多重共線性是一個程度問題而不是存在與否的問題。下面我們將采用逐步回歸法來減少共線性的嚴重程度而不是徹底地消除它。6.4多重共線性模型的修正關于多重共線性的修正方法一般有變量變換法、先驗信息法、逐步回歸法等，這里僅僅采用逐步回歸法來減少共線性的嚴重程度。Step1：運用OLS方法分別求Y對各解析變量X1、X2、X3、X4進展一元回歸。四個方程的回歸結果詳見圖5——圖8，再結合統(tǒng)計檢驗選出擬合效果好的一元線性回歸方程。圖5圖6圖7圖8通過一元回歸結果圖5——圖8進展比照分析，依據(jù)調整可決系數(shù)最大原那么，選擇X1作為進入回歸模型的第一個解析變量，形成一元回歸模型。Step2：逐步回歸。將剩余解析變量分別參加模型，得到分別如圖9——圖11所示的二元回歸結果。圖9圖10圖11通過觀察比擬圖9——圖11所示結果，并根據(jù)逐步回歸的思想，我們可以看到，新參加變量X2的二元回歸方程最大，并且各參數(shù)的檢驗顯著，因此，保存變量X2.Step3：在保存變量X1、X2的根底上，繼續(xù)進展逐步回歸，分別得到圖12——圖13所示的回歸結果。圖12圖13由圖12可以看到，在X1、X2的根底上參加X3后略有改良，但是X3的參數(shù)的t檢驗不顯著。由圖13可以看到，在X1、X2的根底上參加X4后略有降低，而且X4參數(shù)的t檢驗不顯著。這說明X3、X4引起多重共線性，應當予以剔除。因此，本案例最后應保存的變量是X1、X2，相應的回歸結果為：由綜合判斷法知，上述回歸結果根本上消除了多重共線性。實驗七分布滯后模型與自回歸模型及格蘭杰因果關系檢驗一實驗目的：掌握分布滯后模型與自回歸模型的估計與應用，將我格蘭杰因果關系檢驗方法，熟悉Eviews的根本操作。二實驗要求：應用教材P187習題6案例，做有限分布滯后模型的估計、格蘭杰因果關系檢驗。三實驗原理：普通最小二乘法、阿爾蒙法、格蘭杰因果關系檢驗、LM檢驗。四預備知識：普通最小二乘法估計的原理、t檢驗、擬合優(yōu)度檢驗、阿爾蒙法、多項式近似。五實驗容：1970～1991年美國制造業(yè)固定廠房設備投資Y和銷售量X的相關數(shù)據(jù)如下表所示。單位：10億美元年份廠房開支Y銷售量X年份廠房開支Y銷售量X197036.9952.8051981128.68168.129197133.655.9061982123.97163.351197235.4263.0271983117.35172.547197342.3572.9311984139.61190.682197452.4884.791985152.88194.538197553.6686.5891986137.95194.657197668.5398.7971987141.06206.326197767.48113.2011988163.45223.547197878.13126.9051989183.8232.724197995.13143.9361990192.61239.4591980112.6154.3911991182.81235.142(1)假定銷售量對廠房設備支出有一個分布滯后效應，使用4期滯后和2次多項式去估計此分布滯后模型；(2)檢驗銷售量與廠房設備支出的格蘭杰因果關系，使用直至6期為止的滯后并評述你的結果。六實驗步驟：6.1建立工作文件并錄入數(shù)據(jù)如圖1所示圖16.2使用4期滯后2次多項式估計模型在工作文件中，點擊Quick\EstimateEquation…，然后在彈出的對話框中輸入：YCPDL(X,4,2)，點擊OK，得到如圖2所示的回歸分析結果。其中，"PDL指令〞表示進展多項式分布滯后(PloynamialDistributedLags)模型的估計，X為滯后序列名，4表示滯后長度，2表示多項式次數(shù)。由圖2中的數(shù)據(jù)，我們得到估計結果如下：最后得到的分布滯后模型估計式為：圖2圖2所示輸出結果的上半局部格式與一般的回歸方程一樣，給出了模型參數(shù)估計值、t檢驗統(tǒng)計量值及對應的概率值，以及模型的其他統(tǒng)計量。圖2窗口的下半局部那么給出了模型解析變量X及X各滯后變量的系數(shù)估計值、標準差、t統(tǒng)計量以及滯后系數(shù)之和(SumofLags)等信息。圖2上局部中的PDL01、PDL02、PDL03分別代表式中的、、。由于多項式次數(shù)為2，因此除了常數(shù)項外共有3個參數(shù)估計值。在3個PDL變量系數(shù)估計值中變量PDL01、PDL03的系數(shù)估計值的t統(tǒng)計量沒有通過顯著性檢驗，而PDL02的系數(shù)估計值在5%的檢驗水平是顯著的。但是F統(tǒng)計量=243.9194，其對應的概率值P非常小，從而可以拒絕"整體上諸變量PDL之間對Y沒有影響〞的原假設，參數(shù)估計值不顯著很可能是由于諸變量之間存在多重共線性問題。圖2下半局部，LagDistributionofX列繪制出了分布滯后變量X的諸系數(shù)的分布圖，其圖形有呈現(xiàn)二次拋物線形狀的趨勢。緊接著，Eviews給出了分布滯后模型中諸的估計值。這些系數(shù)值分別為0.83242、0.31742、-0.01174、-0.15506、-0.11253，分別表示銷售量X增加一個單位，在當期將使廠房開支Y增加0.83242個單位；由于存在時間滯后的影響，銷售量X還將在下一期使得廠房開支Y增加0.31742個單位；在第二期使得廠房開支Y減少0.01174個單位；在第三期使得廠房開支Y減少0.15506個單位；第四期舍得廠房開支Y減少0.11253個單位。圖2所示的估計結果的最后一行SumofLags是諸系數(shù)估計值的總和，其反映的分布滯后變量X對因變量Y的長期影響(即長期乘數(shù))，即從長期看，X增加一個單位將使得Y增加0.87052個單位。為了進展比擬，下面直接對滯后4期的模型進展OLS估計。在工作文件中，點擊Quick\EstimateEquation...，然后在彈出的對話框中輸入：YCXX(-1)X(-2)X(-3)X(-4)，點擊OK，得到如圖3所示的回歸分析結果。圖3由圖3中數(shù)據(jù)我們得到：可以看出，盡管擬合優(yōu)度有所提高，但所有變量的系數(shù)均未通過顯著性水平為5%的t檢驗。6.3格蘭杰因果關系檢驗翻開序列組GROUP01，如圖1所示，在其窗口工具欄中單擊View\GrangerCausality...，；屏幕彈出如圖4所示的對話框。圖4在圖4所示對話框中輸入滯后長度"1〞，然后單擊OK按鈕，屏幕會輸出Granger因果關系檢驗結果，如圖5所示。圖5由圖5中伴隨概率知，在5%的顯著性水平下，拒絕"X不是Y的格蘭杰原因〞的原假設，即"X是Y的格蘭杰原因〞；同時拒絕"Y不是X的格蘭杰原因〞。因此，從1階滯后情況來看，X的增長是廠房開支Y增長的格蘭杰原因，同時廠房開支Y增長是X增長的格蘭杰原因，即廠房開支Y與銷售量X的增長互為格蘭杰原因。下面再利用拉格朗日乘數(shù)法進展模型的序列相關性檢驗。點擊主界面菜單Quick\EstimateEquation，在彈出的對話框中輸入XCX(-1)Y(-1)，在輸出的回歸結果中(如圖6所示)，點擊View\ResidualTests\SerialCorrelationLMTess...，在彈出的對話框中輸入1，點擊確定即可得到1階滯后殘差項的輔助回歸函數(shù)結果，如圖7所示。圖6圖7由圖7知，拉格朗日乘數(shù)統(tǒng)計量，大于5%的顯著性水平下自由度有1的分布的臨界值，對應的伴隨概率，可以判斷模型存在一階自相關性。點擊主界面菜單Quick\EstimateEquation，在彈出的對話框中輸入YCY(-1)X(-2)，在輸出的回歸結果中(如圖8所示)，點擊View\ResidualTests\SerialCorrelationLMTess...，在彈出的對話框中輸入1，點擊確定即可得到1階滯后殘差項的輔助回歸函數(shù)結果哦，如圖9所示。圖8圖9由圖9知，拉格朗日乘數(shù)統(tǒng)計量，小于5%顯著性水平下自由度為1的分布的臨界值，對應的伴隨概率，可以判斷模型已經(jīng)不存在一階自相關性。用同樣的方法，可以得出2～6階滯后的檢驗結果。下表給出了1～6階滯后的格蘭杰因果關系檢驗結果。表1美國制造業(yè)固定廠房設備投資Y和銷售量X的格蘭杰因果關系檢驗滯后長度格蘭杰因果性F檢驗的P值LM(1)檢驗的P值AIC值SC值結論12.33E-050.5138666.839786.988998拒絕0.000120.0338055.9906576.139875拒絕29.01E-050.9436576.8048517.053784拒絕0.00050.0807866.0028396.251772拒絕30.0088740.2522476.9378957.285846拒絕0.0050920.3750346.1246836.472634拒絕40.0471940.5576017.1322487.577434拒絕0.0294570.4180196.329046.774226拒絕50.1712360.5388087.3696497.908787承受0.1232690.586526.5591787.098316承受60.5232420.051577.5370738.164801承受0.1925530.0067745.889966.517688承受注：表中"〞表示"箭頭前的變量不是箭頭后的變量格蘭杰原因〞從表1可以看出，1階到4階滯后期，檢驗模型都拒絕了"X不是Y的格蘭杰原因〞的假設，同時也拒絕了"Y不是X的格蘭杰原因〞的假設。第2階到第5階滯后期，在5%的顯著性水平下，兩檢驗模型都不不存在序列相關性，再根據(jù)赤池信息準那么，發(fā)現(xiàn)滯后2階檢驗模型擁有較小的AIC值跟SC值。據(jù)此，可以判斷銷售量X是廠房開支Y的格蘭杰原因，同時廠房開支Y也是銷售量X的格蘭杰原因，即兩者相互影響。滯后長度為2～6的Granger因果關系檢驗結果，分別如下表2～表6所示。表2滯后2階Granger因果關系檢驗結果表3滯后3階Granger因果關系檢驗結果表4滯后4階Granger因果關系檢驗結果表5滯后2階Granger因果關系檢驗結果表6滯后2階Granger因果關系檢驗結果實驗八聯(lián)立方程計量經(jīng)濟學模型一實驗目的：掌握聯(lián)立方程模型，理解掌握恰好識別方程與可識別方程的估計方法，熟悉Eviews的根本操作。二實驗要求：應用教材P187習題8案例估計模型，采用工具變量法、間接最小二乘法與二階段最小二乘法進展估計。三實驗原理：工具變量法、間接最小二乘法、二階段最小二乘法。四預備知識：可識別的概念、工具變量法、間接最小二乘法、二階段最小二乘法。五實驗容：以下為一個完備的聯(lián)立方程計量經(jīng)濟學模型：其中，為貨幣供應量，為國生產總值，為價格總指數(shù)。，分別為居民消費與投資。以如下中國的實際數(shù)據(jù)為資料，估計上述聯(lián)立模型。要求恰好識別的方程按工具變量法與二階段最小二乘法估計。年份貨幣與準貨幣(億元)國生產總值GDP(億元)居民消費價格指數(shù)P

(1978=100)居民消費CONS(億元)固定資產投資I(億元)199015293.419347.8165.29450.94517199119349.922577.4170.810730.65594.5199225402.227565.2181.713000.18080.1199334879.836938.1208.516412.113072.3199446923.550217.4258.721844.217042.1199560750.563216.9302.928369.720019.3199676094.974163.6328.133955.922913.5199790995.381658.5337.336921.524941.11998104498.586531.6334.639229.328406.21999119897.991125329.941920.429854.72000134610.498749331.245854.632917.72001158301.9108972.4333.549213.237213.52002185007120350.3330.952571.343499.92003221222.8136398.8334.856834.455566.62004254107160280.4347.963833.570477.42005298755.7188692.1354.271217.588773.62006345603.6221651.3359.580476.9109998.22007403442.2263242.5376.793317.2137323.9六實驗步驟：6.1分析聯(lián)立方程模型。題設模型為：其構造參數(shù)矩陣為：易知，該構造式模型中生變量個數(shù)為，先決變量個數(shù)為。對于第1個方程，有，，且，所以第1個構造方程為恰好識別的構造方程。對于第2個方程，有，有，且有，所以第2個結果方程為過度識別方程。模型的簡化式模型為：6.2建立工作文件并錄入數(shù)據(jù)，如圖1所示。圖16.3估計國生產總值方程6.3.1使用狹義的工具變量法估計國生產總值方程選取國生產總值方程中未包含的先決變量作為生解析變量的工具變量，得到結果參數(shù)的工具變量法估計量，利用公式進展估計：其中，，，，。(注意，這里估計的，的含義已不同于上述構造式識別條件中的，。)利用Matlab進展矩陣的計算，其局部過程及結果如以下圖2所示：圖2根據(jù)Matlab計算出來的結果得到：，，，，其中為Matlab計算中矩陣中的第個元素。于是得到參數(shù)的估計為：6.3.2使用間接最小二乘法估計國生產總值方程有6.1的分析有國生產總值方程中包含的生變量的簡化式方程為：其參數(shù)關系體系為：使用普通最小二乘法估計簡化式方程，在Eviews中點擊主界面菜單Quick\EstimateEquation，在彈出的對話框中輸入YCTIP，點擊確定，即可得到第一個簡化方程回歸結果，如圖3所示；同樣的，點擊主界面菜單Quick\EstimateEquation，在彈出的對話框中輸入MCTIP，點擊確定，可得到第二個簡化方程回歸結果，如圖4所示。圖3圖4根據(jù)圖3中的數(shù)據(jù)，可以得到：根據(jù)圖4中的數(shù)據(jù)，可以得到：于是，由參數(shù)關系體系計算得到構造參數(shù)間接最小二乘估計值為：6.3.3使用二階段最小二乘法估計國生產總值方程Step1：用普通最小二乘法估計生變量的簡化式方程，如圖4所示，由圖中的數(shù)據(jù)得到：Step2：據(jù)此方程計算，替換結果方程中的，再用普通最小二乘法估計變換了的構造式方程。點擊主菜單中Object\GenerateSeries...，在彈出的對話框中輸入：，產生序列。點擊主界面菜單Quick\EstimateEquation，在彈出的對話框中輸入YCMMtCTI，點擊確定即可得到回歸結果，如圖5所示。圖5由圖5中數(shù)據(jù)，得到國生產總值方程的二階段最小二乘估計量為：比擬上述國生產總值方程的3種估計結果，說明這3種方法對于恰好識別的構造方程是等價的。6.4估計貨幣供應量方程由6.1的分析知，貨幣供應量方程為過度識別的構造方程，最能用二階段最小二乘法進展參數(shù)的估計。同樣得，仿照6.3.3的步驟有：Step1：用普通最小二乘法估計生變量的簡化式方程，如圖3所示，由圖中的數(shù)據(jù)得到：Step2：據(jù)此方程計算，替換結果方程中的，再用普通最小二乘法估計變換了的構造式方程。點擊主菜單中Object\GenerateSeries...，在彈出的對話框中輸入：，產生序列。點擊主界面菜單Quick\EstimateEquation，在彈出的對話框中輸入MCYYtP，點擊確定即可得到回歸結果，如圖6所示。圖6由圖6中的數(shù)據(jù)得到貨幣供應量方程的二階段最小二乘估計量為：至此，我們已經(jīng)完成了該模型系統(tǒng)的估計，并完成了題目的要求。6.5模型的直接計算機估計EViews軟件擁有強大的功能，在Eviews軟件中有直接應用的二階段最小二乘估計的函數(shù)，即我們可以不用自己一步步地進展二階段最小二乘估計而直接輸入構造方程要估計的參數(shù)跟構造式模型中的可決變量，Eviews軟件就可以幫我們實現(xiàn)二階段最小二乘法的估計。在Eviews主菜單中點擊Quick\EstimateEquation，會翻開方程定義對話框，在對話框項的下拉列表框中選擇選項TSLS，屏幕會出現(xiàn)如圖7所示的二階段最小二乘估計對話框。圖7圖8TSLS估計對話框的設置。首先，在對話框上方EquationSpecification項編輯框中設定待估計方程的形式，對于第1個構造方程(國生成總值方程)使用列表法輸入：YCMCTI。然后再對對話框Instrumentlist項編輯框中輸入構造式模型中的可決變量名，本例中輸入：CCTIP。設定對話框后，點擊確定，屏幕將輸出如圖8所示的方程2SLS的估計結果。根據(jù)圖8中的數(shù)據(jù)，得到國生成總值方程的2SLS估計為：圖9圖10同樣的，對于貨幣供應量方程有同樣的操作，在TSLS估計對話框上方的EquationSpecification項編輯框中輸入：MCYP，在Instrumentlist項編輯框中輸入：CCTIP，如圖9所示。點擊確定即可得到如圖10所示的方程2SLS的估計結果。根據(jù)圖10中數(shù)據(jù)，得到貨幣供應量方程的2SLS估計為：可以看到模型的直接計算機估計，跟自己分兩步做的估計結果是一致的，估計量的差異只是很小的計算誤差。實驗九時間序列計量經(jīng)濟學模型一實驗目的：掌握時間序列計量經(jīng)濟學模型，單整性、平穩(wěn)性，模型的建立。二實驗要求：完成教材P305習題7，建立的模型。三實驗原理：平穩(wěn)性檢驗、單位根檢驗、單整性檢驗、檢驗、模型的建立。四預備知識：單位根檢驗、單整性檢驗、檢驗、最小二乘估計原理。五實驗容：下表給出了1978—2006年中國居民消費價格指數(shù)(1990年=100)年份年份年份197846.21198882.31998202.59197947.071989971999199.72198050.6219901002000200.55198151.91991103.422001201.94198252.951992110.032002200.321983541993126.22003202.73198455.471994156.652004210.63198560.651995183.412005214.42198664.571996198.662006217.65198769.