《计量经济学解析》由会员分享，可在线阅读，更多相关《计量经济学解析（152页珍藏版）》请在金锄头文库上搜索。
1、计量经济学解析计量经济学解析经济学院邓嘉纬第一章至第三章第一章至第三章计量经济学基础计量经济学基础（一）、如何新建文件（一）、如何新建文件FileNewWorkfile，即可新建文件，或使用ctrl+N。1、文件结构类型（workfile structure type）分为，非结构/非日期（Unstructure/ Undated），时间序列（dated-regular frequency），平衡面板数据（balanced panel）。2、日期说明（date specification）。其中有频率（frequency）、开始日期（start date）、终止日期（end date）。3、对
2、文件命名（workfile names）。3、在频率（frequency）中有诸多选项，每两年（multi-year）、每年（annual）、半年（semi-annual）等等1、范围（range）、样本（sample）2、系数（c）、残差（resid）（二）、数据导入（二）、数据导入Fileimportimport from file数据文件所在地选择相应数据文件。在此，我们选择中国国家统计局2016年统计年鉴的3-13“支出法或内生产总值”作为本例数据，数据如右图所示。数据导入后，按照相关变量关系设置变量x与y，在本例中，根据凯恩斯消费函数y=+x，我们将消费设置为y，国内生产总值设置为x
3、。1、单击数据x，打开数据表格（如左图）2、viewgraph（如右图），可对数据图表进行画图分析，线性（line & symbol）、bar（柱状图）等等1、以组群形式展开：单击y然后x，右击openas group，呈现如右图2、以方程形式展开：单击y然后x，右击openas equation3、在方程形式下，单击viewrepresentaions，返回方程形式viewestimation output，下图所示的函数形式即凯恩斯消费函数（三）、如何手动输入数据（三）、如何手动输入数据QuickEmpty group手动复制表格（必须按照日期对齐）在以组群打开的形式中，viewgroup
4、（四）、如何划出带回归线的散点图（四）、如何划出带回归线的散点图1、Graph typespecificscatter（散点图）2、detailsfit linesregression line（带回归线的散点图）带回归线的散点图（五）、生成一个新的解释变量（五）、生成一个新的解释变量1、Genr：生成新变量2、以上一年消费计算，x2=y(-1)3、将原来的变量x更名（F2）为x14、选择次序：yx1x2，右击openas group，以组群方式打开，命名为group2，如图2所示。图1图2（六）、估计方程的实现方法（六）、估计方程的实现方法Procmake equation （以方程形式呈现
5、）（七）、如何增加（七）、如何增加2017的数据的数据双击range将end date更改为2017根据国民发展公报可知，2017年国内生产总值较2016年增长了6.7%，因此可得2017年国内生产总值数额。1、在以组群打开的形式中，procmake equation，如左图所示。点击确定，如右图所示。命名为eq02。（八）、如何进行预测（八）、如何进行预测对2017年的消费量进行预测1、点击左图中工具栏中的forecast，出现右图所示。点击确定2、点击确定后出现上图所示。3、如图1，文件中出现yf，即被估计的消费值4、如图2，估计值如下图所示。图1图2（九）、增加第三个变量（九）、增加第三
6、个变量x3并对消费进行预测并对消费进行预测1、在此我们引入税收的数据，直接由excel数据图表复制并粘贴在group02中。修改变量x3的名称，命名为x3。2、在以组群形式打开的情况下，重复操作：Procmake equation （以方程形式呈现）。如左图所示。3、点击确定。如右图所示。4、点击forecast。5、点击forecast 后，如左图所示，点击确定后，如右图所示。6、回到workfile文件中后，可以看到yf（估计值）。如左图所示。7、点击yf后可以看到2017年的估计值。第四章第四章 线性回归模型线性回归模型（一）、关于汽车保有量的综合实验操作（一）、关于汽车保有量的综合实验
7、操作1、重复操作新建打开文件，并导入数据，此处不再赘述，详见第一、第二部分。2、导入数据后，按照既定顺序，依次设置y=“汽油消费量”，x1=“汽车保有量”，x2=“汽油价格”，x3=“人口数”，x4=“国民生产总值”。3、重复操作，依次点击yx1x2x3x4，右击openas group建组群，如图1所示。4、在组群显示菜单下，点击procmake equation，出现左图。点击确定出现右图所示结果5、查T统计量分布表，得系数C的T-statistic值的绝对值小于1，因此不具有显著性，舍去。重复操作，新建方程，删去c量，得出下图所示结果。6、共有样本38个，查T统计量分布表，自由度n=35
8、，=0.025，得t=2.0301。可知x3，x4的t-statistic值不具有显著性，舍去。由此得出下图结果。（二）、残差分析（二）、残差分析（Residual ）1、以第三大点的国内消费函数为例，重复基础操作创建工作文件，命名为“残差分析”，显示如左图所示。2、如下创建方程，工具栏viewactual fitted residual（实际拟合残差分析）actual fitted residual table（实际拟合残差分析表），显示如右图所示。3、补充说明：（1）actual fitted residual table，实际拟合残差分析数值表（上页已示）（2）actual fitted
9、 residual graph，实际拟合残差分析图（如下图所示）（3）residual graph，残差图（如左图所示）（4）standardized residual graph，标准残差图（如右图所示）（三）、引入往年消费（三）、引入往年消费（x2=y(-1)）的残差分析）的残差分析1、重复第五大点（如何引入一个新的解释变量）的操作，将新的解释变量设定为计算往年消费，即x2=y(-1)。2、建立方程，进行残差分析，可得下图所示。（四）、综合练习：（四）、综合练习：拟合优度检验、计算置信区间拟合优度检验、计算置信区间1、新建文件，导入相关数据，此处我们引用劳动生产率与实际工资的数据图表，如左
10、图所示。数据导入后，将劳动生产率设置为x，由于实际工资是劳动生产率的函数，因此设定为y。依次单击yx，右键openas group，以组群的形式打开，如右图所示。2、在以组群显示的情况下，单击procmake equation，点击确定。3、点击确定后如上图所示。4、补充说明变量：R-squared：拟合优度（判决系数）；Adjusted r-squared：被调整后的R2S.E. of squared resid：回归线的标准差；Sum squared resid：残差平方和F-statistic：F统计量第五章第五章 异方差性异方差性（一）、异方差综合练习：（一）、异方差综合练习：人均储蓄
11、与人均收入人均储蓄与人均收入由于数据是word文档，所以需要在Eviews文件操作中黏贴数据。QuickEmpty group手动复制表格（必须按照日期对齐）同时将人均收入设为x，将人均储蓄设为y，得到如右下图所示结果。建立方程，得如左图结论；建立带回归线的散点图，得如右图结论。新增变量： Genr，令e2=resid2得到如图2所示结果。图1图2按照第二种检验方法，即e2X散点图，将e2与x联立组群（辅助组群如左下图所示），进而得到带回归线的散点图。如右下图所示结果。通过观察带回归线的散点图，我们可知，残差平方e2与x之间成正相关关系。则由此上溯，可知，原来模型的随机项的方差随x的取值的变大
12、而变大，是递增型的异方差。估计辅助回归方程：进行统计检验：（1）F检验：查表可得4.38，结论所得6.8084.38，所以方程存在；（2）T检验：通过查t统计量分布表，样本数为21，所以自由度n为19；=0.05，由于是单边检验，所以取/2=0.025，可得 ，结论所得2.60932.093，所以数据显著存在。由此可得辅助回归结果，如上图所示。所以一定存在正相关，且递增的异方差。（二）、异方差综合练习：（二）、异方差综合练习：（地区）可支配收入与交通通讯支出（地区）可支配收入与交通通讯支出1、由于是非时间序列，所以选择截面数据。2、导入数据后将可支配收入设为x，将交通与通讯支出设为y3、将数据
13、以组群的形式打开，并建立带有回归线的散点图，如左图所示。由左图可知，大体上是递增型异方差（预测）。同时输出方程，结果如右图所示。1、图示检验法（1）相关图分析 看是否存在明显的散点扩大、缩小或复杂型趋势（即不在一个固定的带型域中） 同方差同方差 递增异方差递增异方差 递减异方差递减异方差 先减后增先减后增 先增后减先增后减YX（一）如何检验异方差（残差图分析）（残差图分析）先增后减先增后减4、重复操作，生成新变量e2，令e2=resid2（残差的平方），并与x以组群（辅助族群）的形式打开，结果如左图所示。输出带回归线的散点图，结果如右图所示。因此，可得结论，可支配收入（x）的增加，残差的平方（
14、e2）也增加，成正相关关系，所以是递增型异方差。估计辅助回归方程：进行统计检验：（1）F检验：查表可得4.18，结论所得4.7324.18，所以方程存在；（2）T检验：通过查t统计量分布表，样本数为31，所以自由度n为29；=0.05，由于是单边检验，所以取/2=0.025，可得 ，结论所得2.17542.045，所以数据显著存在。由此可得辅助回归结果，如上图所示。所以一定存在正相关，且递增的异方差。2、G-Q检验：（1）对已知数据进行排序：将n对样本观察值(Xi,Yi)按观察值Xi的大小排队（2）将序列中间的c=n/4个观察值除去，并将剩下的观察值划分为较小与较大的相同的两个子样本，每个子样
15、样本容量均为(n-c)/2。在本例中一共有31个观测值，因此，去掉中间的7个观测值，需要前12个观测值和后12个观测值。（3）对每个子样分别进行OLS回归，并计算各自的残差平方和。（4）提出假设：两个子样方差相等；在同方差性假定下，构造如下满足F分布的统计量（五）给定显著性水平，确定临界值F(v1,v2)， 若F F(v1,v2)， 则拒绝同方差性假设，表明存在异方差。 当然，还可根据两个残差平方和对应的子样的顺序判断是递增型异方差还是递减异型方差。如左图所示，点击已知的group01，点击procSort Current Page，显示图框如右图所示。排序后结果如左图所示。构建并截取第一个小
16、样本，双击左图中的sample，并按照右图的数据进行更改。选取前12个数据，并估计方程。选取后12个数据，并估计方程。3、帕克(Park)检验（1）运用最小二乘法作基本回归；（2）Genr lne2=log(resid2), Genr lnx=log(x) ; （3）对lne2和 lnx运用最小二乘法作基本回归；（4）对新的回归结果进行=0.05的系数显著性检验（t检验）；（5）如接受原假设，即系数为0， lne2和 lnx 之间无显著性相关关系，则不存在异方差。生成新变量，令e=resid再生成两个新变量：令lne2=log(e2)和令lnx=log(x)将lne2与lnx以组群的形式打开，
17、建立辅助组群（先选择lne2，再选择lnx），得下图所示结果，并得出带回归线的散点图。由右图可知，两者成正相关，即方差随x的变大而变大，因此存在递增型的异方差。估计方程后进行T检验，查T统计量表，自由度为29，=0.025，得T统计量=2.045，已知所得数据为3.26，因此大于2.045，所以拒绝备选假设。4、戈里瑟(Gleiser)检验（1）运用最小二乘法作基本回归；（2）Genr e1=abs(resid), Genr x1=1x, Genr x2=x2, Genr x3=1x2, Genr x4=sqr(x), Genr x5=1sqr(x), ; （3）分别对e1与 x、x1、 x2
18、、 x3、 x4、 x5运用最小二乘法作基本回归，并对回归结果进行=0.05的系数显著性检验（t检验）；（4）如接受原假设，即系数为0，e1与 x、x1、 x2、 x3、 x4、 x5之间无显著性相关关系，则不存在异方差。对group1的估计方程进行残差检验：在方程窗口下viewresidual diagnostics Heteroskedasticity test点击后如右图所示，点击第三个Glejser（戈里瑟检验）5、怀特检验White检验的具体步骤为：（1）估计回归模型，并计算e2i ；（2）估计辅助回归模型；（3）计算辅助回归模型的R2； 可以证明，在同方差的假设下，有:nR22(n
19、) q：辅助回归模型中的自变量个数（此时n=5）。（4）给定，若nR(n)，存在异方差性；反之，不存在。 对group1的估计方程进行残差检验：在方程窗口下viewresidual diagnostics Heteroskedasticity test点击后如右图所示，点击第三个White（怀特检验）“include White cross terms”即“包括怀特交叉项”。由于是一元函数，所以无需更改；多元函数必须选择交叉项（二）如何消除异方差对上式再次进行怀特检验：（三）、（三）、异方差综合练习：异方差综合练习：（地区（地区）家家庭人均纯收入与食品消费支出庭人均纯收入与食品消费支出（一）输
20、入数据：将家庭人均纯收入设置为X，将食品消费支出设置为Y，并估计方程。（二）异方差检验：1、图示检验法由组群得到带回归线的散点图由两张带回归线的散点图，我们易可得，该方程存在异方差2、戈里瑟检验：对group1的估计方程进行残差检验：在方程窗口下viewresidual diagnostics Heteroskedasticity test点击后如右图所示，点击第三个Glejser（戈里瑟检验）3、怀特检验对group1的估计方程进行残差检验：在方程窗口下viewresidual diagnostics Heteroskedasticity test点击后如右图所示，点击第三个White（怀特
21、检验）估计方程后重新进行怀特检验：在此对上式进行怀特检验：得到结果如下图所示：第六章第六章 自相关性自相关性自相关性综合练习自相关性综合练习某国的钢消费量与国内生产总值的某国的钢消费量与国内生产总值的季度资料季度资料1、由于是季度数据，如左上图显示，选择”quarterly”。导入数据，以组群的形式打开，并估计方程。2、生成解释变量e=resid；e1=e(-1)（一）、基础数据检验3、将e与e1，以组群的形式打开，并画出带回归线的散点图，即可得出成正相关性。（二）、杜宾-瓦森检验法 该方法的假定条件是：（1）解释变量X非随机；（2）随机误差项i为一阶自回归形式： i=i-1+i（3）回归模型
22、中不应含有滞后因变量作为解释变量，即不应出现下列形式： Yi=0+1X1i+kXki+Yi-1+I；（4）样本容量应充分大（T 15）；（5）回归含有截距项。 (1) 若DW取值在（0, dL）之间，拒绝原假设H0 ,认为ut 存在一阶正自相关。(2) 若DW取值在（4 - dL , 4）之间，拒绝原假设H0 ,认为ut 存在一阶负自相关。(3) 若DW取值在（dU, 4- dU）之间，接受原假设H0 ,认为ut 非自相关。(4) 若DW取值在（dL, dU）或（- dU, 4 - dL）之间，这种检验没有结论，即不能判别ut 是否存在一阶自相关。判别规则可用上图表示。（三）、回归检验法1.应
23、用普通最小二乘估计，得到残差；2.Genr/e=resid,Genr/e1=e(-1), Genr/e2=e(-2), Genr/e3=e(-3); Genr/e4=e(-4);3.分别对e和e1、e和e1、e2、e3，e和e4做回归并进行系数显著性检验（t检验）；4.t检验结果显示显著相关的就是残差的相关形式。1、继续生成新的解释变量：e2=e(-2)；e3=e(-3)；e4=(e-4)（四）、拉格朗日乘数检验 GBGB检验可用来检验如下受约束回归方程检验可用来检验如下受约束回归方程 约束条件为：约束条件为： HH0 0: : 1 1= = 2 2= p p =0 =0约束条件约束条件H H
24、0 0为真时，大样本下为真时，大样本下其中，其中，n n为样本容量，为样本容量，R R2 2为如下辅助回归的可决系数：为如下辅助回归的可决系数： 给定给定 ，查临界值，查临界值 2 2( (p p) )，若，若 则存在自则存在自相关，实际检验中，可从相关，实际检验中，可从1 1阶、阶、2 2阶、阶、逐次向更高阶逐次向更高阶检验。检验。 拉格朗日乘数检验的Eviews实现在方程窗口中点击ViewResidual Test Serial Correlation LM Test。 滞后期的长度确定：一般是从低阶的p（p=1）开始，直到p=10左右，若未能得到显著的检验结果，可以认为不存在自相关性。
25、LM检验的进一步说明通过Residual Test Serial Correlation LM Test实现的检验要分两步判断：1.自相关的存在性：LM=NR(q)， LM=NR(q)，存在自相关； LM=NR(q)，不存在自相关。2.自相关阶数的确定：要通过RESID(-q)的t-statistic的显著性检验来确定。在原始组群的形式下，方程窗口下，Viewresidual diagnosticsserial correlation LM Test（序列相关LM检验）得出滞后的期数，如左图所示（先默认为滞后2期），点击确定后得到LM检验数据表。（五）、偏相关系数检验Eviews实现1.做普通
26、最小二乘估计；2.ViewResidual TestCorrelogram-Q-statistics 屏幕将直接输出et与et-1, et-2 et-p （p是事先指定的滞后期长度）的相关系数和偏相关系数。 在原始方程窗口下Viewresidual diagnosticscorrelogram-Q-statistics，默认为滞后12期，点击确定，得出右图所示结果。AC（本期残差）分别与之后的滞后期et与et-1, et-2 et-p的关系；PAC（偏自相关系数）指的是et与et-1, et-2 et-p 前面的系数。由此例可知，AC、PAC都与之后的滞后期有关，由于可得，AC4=-0.543
27、，可以得知，e1与e4之间也存在一阶正相关。生成新的解释变量e4=e(-4)，将e与e4联立并估计方程。（六）、如何消除一阶自相关：科克伦-奥科特迭代法 以一元线性模型为例：以一元线性模型为例： 首先，采用首先，采用OLSOLS法估计原模型法估计原模型 Y Yi i= = 0 0+ + 1 1X Xi i+ + i i得到的得到的 的的“近似估计值近似估计值”，并以之作为观测值，并以之作为观测值使用使用OLSOLS法估计下式法估计下式 i i= = 1 1 i-1i-1+ + 2 2 i-2i-2+ + L L i-Li-L+ + i i求出i新的“近拟估计值”， 并以之作为样本观测值，再次估
28、计 i=1i-1+2i-2+Li-L+i 类似地，可进行第三次、第四次迭代。类似地，可进行第三次、第四次迭代。 关于迭代的次数，可根据具体的问题来定。关于迭代的次数，可根据具体的问题来定。 一一般般是是事事先先给给出出一一个个精精度度，当当相相邻邻两两次次 1 1, , 2 2, , , , L L的的估估计计值值之之差差小小于于这这一一精精度度时时，迭迭代终止。代终止。 实实践践中中，有有时时只只要要迭迭代代两两次次，就就可可得得到到较较满满意意的的结结果果。两两次次迭迭代代过过程程也也被被称称为为科科克克伦伦- -奥奥科科特两步法。特两步法。在原始组群，估计方程窗口下，写入ar(1)（ar
29、函数滞后一期），如左图所示。点击options，左侧max=500，即迭代次数，这里默认为500。之后点击确定。运用拉格朗日乘数检验法，检测是否消除第七章第七章 多重共线性多重共线性综综合合练练习习我我国钢材供应量分析国钢材供应量分析建立组群并估计方程将x1至x7联立，观察辅助回归组群的相关系数：Viewcovariance analysiscorrelation得到如下图所示结果观察下图的回归系数：0,0.3：相关性不显著0.3,0.5：存在弱相关性0.5,0.8：存在强相关性0.8,1：存在极强相关性因此存在多重共线性。消除多重共线性：因为x4为电力产量，x2为生铁产量，x3为原煤产量，x
30、6为国内生产总值，通过比较coefficient值，可知，y与x4，x2成正相关，与x3，x6成负相关，根据经济含义，我们可知x3，x6不符合经济意义，因此舍去。去除x3，x6后，可以得到输出方程如右图所示。第八章第八章随机解释变量和随机解释变量和滞滞后后变量变量模型模型案例一：储蓄与国内生产总值的例子（第八章案例一）建立组群并估计方程。对原始y(x)的组群进行滞后期检验：在组群group01viewcross correlation选择滞后24期（如左图）对滞后期输出结果检测，有多少期的lag值0.3。在此可得滞后期数为6。首先，不施加约束类型。引入阿尔蒙多项式，回归到原始估计方程操作界面，
31、如左图：输入y pdl(x,6,2) c其中pdl()代表阿尔蒙多项式，6代表滞后期数，2代表多项式阶数如左图，由此可见，施加约束后，模型系数显著性明显改善。输出估计方程结果（如右图）。案例二：基本建设新增固定资产和全省工业总产值的例子（第八章案例二（3）建立组群并估计方程，检查T统计量。回归原始组群，计算滞后期数，算得，滞后期数为6。如左图，由此可见，施加约束后，模型系数显著性明显改善。输出估计方程结果（如右图）。第第九九章章 非线性模型和定性变量模型非线性模型和定性变量模型案例一：市场用煤销售量模型引入新变量：t*D1，并估计方程，同时做T统计量检验，可得TD1不符合，所以可见斜率未发生变化。因此仍然以模型 y = 2515.86 + 49.73 t + 1290.91 D1作为最后确立的模型。案例二：用虚拟变量区别不同历史时期
