计量经济学实验报告Word下载.docx
- 文档编号:22600338
- 上传时间:2023-02-04
- 格式:DOCX
- 页数:15
- 大小:48KB
计量经济学实验报告Word下载.docx
《计量经济学实验报告Word下载.docx》由会员分享,可在线阅读,更多相关《计量经济学实验报告Word下载.docx(15页珍藏版)》请在冰豆网上搜索。
08:
37
Sample:
19782006
Includedobservations:
29
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
2091.309
334.9890
6.242919
0.0000
X
0.437527
0.009297
47.05918
R-squared
0.987955
Meandependentvar
14855.73
AdjustedR-squared
0.987509
S.D.dependentvar
9472.070
S.E.ofregression
1058.639
Akaikeinfocriterion
16.83383
Sumsquaredresid
30259374
Schwarzcriterion
16.92813
Loglikelihood
-242.0905
F-statistic
2214.566
Durbin-Watsonstat
0.277156
Prob(F-statistic)
0.000000
数据表明:
可建立中国居民消费函数
=2091.29+0.4375X
5、序列相关性检验:
(1)图像法
a、命令残差项
定义残差项为e,在主菜单Quick下选择GenerateSeries,在对话框中输入e=resid,即用e表示上一次回归结果的残差项。
b、残差项e与时间t的图像
在主菜单Quick下选择的Graph,在对话框中输入e,点击OK,弹出对话框,选择图形类型linegraph,,则出现残差项e和时间t的图像,点击Name保存。
c、残差项e与滞后一期e(-1)的图像
在主菜单Quick下选择的Graph,在对话框中输入e(-1)e,点击OK,在对话框中选择图形类型ScatterDiagram,出现残差项e和滞后一期e(-1)的散点图,点击Name保存。
在主菜单Quick下选择的Graph,在对话框中输入ee(-1),点击OK,在对话框中选择图形类型ScatterDiagram,出现滞后一期e(-1)和残差项e的散点图,点击Name保存。
从残差项e与时间t以及e(-1)与e的关系图综合来看,相邻随机项之间存在正序列相关性。
(2)D.W.检验法
D.W.检验结果表明,在5%显著性水平下,n=29,k-2(包含常数项),查表得dL=1.34,du=1.48,由于D.W=0.277<
dL,故存在正自相关。
(3)拉格朗日乘数检验法(LM检验法)
由于时间序列容易出现伪回归现象,因此做回归分析时须格外谨慎。
本例中X与Y都是时间序列,而且它们确实表现出共同的变动趋势,因此有理由怀疑较高的R2部分地是由这一共同的变化趋势带来的。
为了排除时间序列模型中这种随时间变动而具有的共同变化趋势的影响,一种解决方案是在模型中引入时间趋势项,将这种影响分离出来。
a.在工作文件窗口下选中X,点击右键,选择open。
再点击view选择linegraph,得到X随时间变动的趋势图。
同理,我们在工作文件窗口下选中Y,点击右键,选择open。
再点击view选择linegraph,得到Y随时间变动的趋势图。
b、定义时间变量t。
在主菜单Quick下选择GenerateSeries,在对话框中输入t=@trend(1978)+1,即用t表示时间趋势项。
c、由上述结果可在,由于X与Y均呈现非线性变化态势,引入的时间变量t以平方的形式出现。
接下来对Y=C+aX+bT2+u这个模型进行回归分析。
在主菜单Quick下选择EstimateEquation,在对话框输入变量ycxt^2,点击OK,得到用最小二乘法估计出模型的结果,点击Name保存。
09:
27
3328.217
195.0335
17.06485
0.176150
0.025986
6.778686
T^2
21.65596
2.124190
10.19493
0.997590
0.997404
482.5745
15.29384
6054831.
15.43529
-218.7608
5380.728
0.441989
回归结果是:
Y=3328.1+0.1762X+21.656T2
(17.06)(6.78)(10.19)
R2=0.9976R2=09974F=5380.4D.W.=0442
这里,D.W.值仍然较低,没有通过5%显著性水平下的D.W.检验,因此判断上述模型仍存在正自相关性。
d.对加入T2的模型进行序列相关性的拉格朗日乘数检验。
d.1含一阶滞后残差项的辅助回归:
在主菜单Quick下选择EstimateEquation,在对话框中输入e1cxt^2e1(-1),点击OK,得到用最小二乘法估计出模型的结果,点击Name保存。
E1
36
Sample(adjusted):
19792006
28afteradjustingendpoints
-47.00860
122.0154
-0.385268
0.7034
0.019092
0.016191
1.179215
0.2499
-1.618756
1.325883
-1.220889
0.2340
E1(-1)
0.760637
0.122338
6.217501
0.618948
25.70153
0.571316
452.0918
296.0025
14.35018
2102819.
14.54049
-196.9025
12.99448
1.426383
0.000030
回归结果如下:
e1=-47.09+0.019X-1.62T2+0.761e-l
(-0.39)(1.18)(-1.22)(6.22)
R2=0.6190
于是,LM=28*0.6190=17.33,该值大于显著性水平为5%、自由度为1的k2分布的临界值k20.05
(1)=3.84,由此判断原模型存在l阶序列相关性。
d.2含二阶滞后残差项的辅助回归:
在主菜单Quick下选择EstimateEquation,在对话框中输入e1cxt^2e1(-1)e1(-2),点击OK,得到用最小二乘法估计出模型的结果,点击Name保存。
41
19802006
27afteradjustingendpoints
-61.21510
120.4411
-0.508257
0.6163
0.017361
0.015732
1.103502
0.2817
-1.420290
1.295000
-1.096749
0.2846
1.056475
0.200004
5.282266
E1(-2)
-0.362924
0.191011
-1.900018
0.0706
0.656736
44.12952
0.594324
449.8598
286.5278
14.31912
1806160.
14.55909
-188.3082
10.52264
1.993911
0.000064
e1=-61.3+0.017X-l.421T2+1.056e(-1)-0.363e(-2)
(-0.51)(1.10)(-1.10)(5.28)(-1.90)
R2=0.6568
于是,LM=27*0.6568=17.73.该值大于显著性水平为5%、自由度为2的k2分布的临界值k20.05
(2)=5.99,仍说明原模型存在序列相关性,但e(-2)的参数未通过5%的显著性检验,表明并不存在2阶序列相关性。
结合1阶滞后残差项的辅助回归情况,可判断引入T2的模型存在显著的1阶序列相关性。
6、广义差分法修正模型
在主菜单Quick下选择EstimateEquation,在对话框中输入变量ycxt^2ar
(1),点击OK,得到用最小二乘法估计出模型的结果,点击Name保存。
10:
39
Convergenceachievedafter5iterations
3505.790
403.3206
8.692316
0.199531
0.030262
6.593467
19.24236
2.926713
6.574733
AR
(1)
0.747939
0.126037
5.934292
0.999093
15250.34
0.998980
9400.003
300.2759
14.37884
2163974.
14.56916
-197.3038
8811.778
1.394747
InvertedARRoots
.75
回归的估计结果如下:
Y=3505.7+0.1996X+19.24T2+0.7480AR
(1)
(8.69)(6.59)(6.57)(5.93)
R2=0.999l调整后的R2=0.9990D.W.=1.39
式中,ar
(1)前的参数值即为随机扰动项的l阶序列相关系数。
在5%的显著性水平下,l.l8=DL<
D.W.<
DU=1.65(样本容量为28),无法判断经广义差分变换后的模型是否已不存在序列相关性。
下面,借助模型E2=c+a*(X-0.7480X-1)+b(T2-0.7480T2-1)+E(-1)进行判断变换后的模型是否存在序列相关性。
首先定义模型中的相关变量:
在主菜单Quick下选择GenerateSeries,在对话框中输入e2=resid,即用e2表示广义差分法估计结果的残差项。
同样的操作,再次在主菜单Quick下选择GenerateSeries,我们在对话框中输入x1=x-0.7480x-1,即用x1表示x与之后一期的差,在对话框中输入t1=t-0.7480t-1,即用t1表示t与之后一期的差。
这样便完成了对e2、x1和t1的定义。
然后再对借助的模型进行回归分析。
在主菜单Quick下选择EstimateEquation,在对话框中输入变量e2、c、x1、t1、e2(-1),点击OK,得到用最小二乘法估计出模型的结果,点击Name保存。
E2
51
-7.032528
96.01640
-0.073243
0.9422
X1
0.010395
0.029328
0.354437
0.7262
T1
-0.896520
2.791610
-0.321148
0.7510
E2(-1)
0.315078
0.206889
1.522933
0.1414
0.091640
1.121592
-0.026842
288.4323
292.2777
14.32924
1964804.
14.52122
-189.4447
0.773451
1.882730
0.520721
回归结果入下:
E2=-7.028+0.027X1-0.89T1+0.315E2(-1)
R2=0.0917
由拉格朗日检验值为LM=n.R2=27x0.0917=2.48,小于显著性水平为5%、自由度为1的k2,分布的临界值k20.05
(1)=3.84,表明模型干扰项己不存在自相关性。
7、序列相关稳健标准误差法
当模型存在序列相关性时,也可采用尼威一韦斯特的序列相关一致方差估计,即进行所谓的序列相关稳健估计,以达到对普通最小二乘法中参数的不正确方差估计的修正。
接下来将进行序列相关稳健标准误法。
在主菜单Quick下选择EstimateEquation,在对话框中输入变量ycxt^2,在option选中heteroskedasticity并选择newey-west,点击OK,得到用最小二乘法估计出模型的结果,点击Name保存。
56
Newey-WestHACStandardErrors&
Covariance(lagtruncation=3)
227.6632
14.61904
0.023389
7.531195
2.211639
9.791818
序列相关稳健估计结果为:
Y=3328.19十0.176X+21.656T2
(14.61)(7.53)(9.79)
R2=0.9976修正后的R2=0.9972D.W.=0.442
可以看出,估计的参数与普通最小二乘法的结果相同,只是由于参数的标准差得到了修正,从而使得t检验值与普通最小二乘法的结果不同,但差异并不大。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 计量 经济学 实验 报告