实验教学平台
教务管理
研究生教育
本科教育
专科教育
精品课程
辅修课程
实验教学平台
实验教学平台
首页 > 教育教学 > 实验教学平台
计量经济学实验指导2
发布时间:2011-08-26 03:00 作者: 访问次数:0

实验二 指导书

一元线性回归模型的检验和结果报告

实验目的:掌握一元线性回归模型的检验方法。

实验要求:进行经济、拟合优度、参数显著性和方程显著性等检验。

实验原理:拟合优度的判定系数R2 检验和参数显著性t检验等。

实验步骤:

一、经济检验

需要注意的是,回归并不意味存在因果关系,解释变量是否与应变量存在因果关系,必须根据相关理论来判定。关系确定之后,我们来验证估计的模型是否有经济含义,以及用模型估计的结果是否与经济理论相符,这称为经济检验。

经济检验主要涉及参数的符合和大小,即看估计的参数是否符合经济理论。在回归分析中,我们不仅对模型参数的估计感兴趣,而且对检验来自于某个经济理论(或先验经验)的假设也感兴趣。根据东莞数据得到的三个估计方程为:

  REV =-5826.158 + 0.084781 * GDP

  EXB =-2457.310 + 0.719308 * REV

  SLC =-2411.361 + 0.431827 * GDP

财政收人REV对国内生产总值GDP的回归系数为0.084781,财政支出EXB对财政收入REV的回归系数为0.719308,社会消费晶零售额SLC对国内生产总值GDP的回归系数为0.431827,无论从参数的符合和大小来说都符合经济理论。说明国内生产总值GDP、财政收人REV和国内生成总值GDP分别增加1个单位,财政收人REV、财政支出EXB和社会消费品零售额SLC分别增加0.085、0.72和0.432个单位。在大多数情况下,截距没有什么明显的经济含义。

 

根据广东数据得到的6个估计方程为:

LB =0.5058 * GDP1

ZJ =0.1584 * GDP1

SE =0.15450702 * GDP1 

YY =0.1753 * GDP1  

  CS =29.03121+0.4905459 * SE

 

劳动者报酬LB、固定资产折旧ZJ、生产税净额SE和营业盈余YY分别对国内生产总值GDP1的回归系数0.51323153、0.15498343、0.15450702和0.17727865符合经济理论,说明国内生产总值GDP1中的0.51%、0.16%、0.15%和0.18%分别是劳动者报酬LB、固定资产折旧ZJ、生产税净额SE、和营业盈余YY。

财政收入CS对生产税净额SE的回归系数0.482249表明财政收入仅仅是地方的财政收入,税额SE中仅有一部分是地方的财政收入。财政支出CZ对财政收入CS的回归系数1.3025145大于1,表明财政支出CZ中还有很大一部分未得到解释。

                                      

二、统计检验                                       

根据东莞数据的三个估计方程,判定系数R2均接近1;参数显著性t检验值除1个常数项外均大于2,而常数项相对来说不重要;方程显著性F检验值表明方程都显著。

根据广东数据六个估计方程的结果为:

Dependent Variable: LB

Method: Least Squares

Date: 09/21/04   Time: 21:34

Sample: 1978 2000

Included observations: 23

Variable

Coefficient

Std. Error

t-Statistic

Prob. 

GDP1

0.505849

0.004310

117.3703

0.0000

R-squared

0.996886

    Mean dependent var

1486.166

Adjusted R-squared

0.996886

    S.D. dependent var

1556.667

S.E. of regression

86.86456

    Akaike info criterion

11.80908

Sum squared resid

165999.9

    Schwarz criterion

11.85845

Log likelihood

-134.8044

    Durbin-Watson stat

1.395510

 

 

 

 

 

Dependent Variable: ZJ

Method: Least Squares

Date: 09/21/04   Time: 21:38

Sample: 1978 2000

Included observations: 23

Variable

Coefficient

Std. Error

t-Statistic

Prob. 

GDP1

0.158400

0.002628

60.27122

0.0000

R-squared

0.989610

    Mean dependent var

433.0448

Adjusted R-squared

0.989610

    S.D. dependent var

519.6546

S.E. of regression

52.96956

    Akaike info criterion

10.81982

Sum squared resid

61727.04

    Schwarz criterion

10.86919

Log likelihood

-123.4279

    Durbin-Watson stat

0.278503

Dependent Variable: SE

Method: Least Squares

Date: 09/21/04   Time: 21:40

Sample: 1978 2000

Included observations: 23

Variable

Coefficient

Std. Error

t-Statistic

Prob. 

GDP1

0.160482

0.002810

57.11494

0.0000

R-squared

0.988300

    Mean dependent var

442.4265

Adjusted R-squared

0.988300

    S.D. dependent var

523.5596

S.E. of regression

56.63148

    Akaike info criterion

10.95351

Sum squared resid

70556.74

    Schwarz criterion

11.00288

Log likelihood

-124.9654

    Durbin-Watson stat

0.523106

 

Dependent Variable: YY

Method: Least Squares

Date: 09/21/04   Time: 21:42

Sample: 1978 2000

Included observations: 23

Variable

Coefficient

Std. Error

t-Statistic

Prob. 

GDP1

0.175269

0.004464

39.26142

0.0000

R-squared

0.972704

    Mean dependent var

516.3478

Adjusted R-squared

0.972704

    S.D. dependent var

544.5861

S.E. of regression

89.97426

    Akaike info criterion

11.87943

Sum squared resid

178098.1

    Schwarz criterion

11.92880

Log likelihood

-135.6134

    Durbin-Watson stat

1.058314

Dependent Variable: CS

Method: Least Squares

Date: 09/21/04   Time: 21:46

Sample: 1978 2000

Included observations: 23

Variable

Coefficient

Std. Error

t-Statistic

Prob. 

C

29.03121

9.141929

3.175612

0.0046

SE

0.490546

0.013509

36.31158

0.0000

R-squared

0.984323

    Mean dependent var

246.0617

Adjusted R-squared

0.983576

    S.D. dependent var

258.8672

S.E. of regression

33.17508

    Akaike info criterion

9.924417

Sum squared resid

23112.31

    Schwarz criterion

10.02316

Log likelihood

-112.1308

    F-statistic

1318.531

Durbin-Watson stat

1.281007

    Prob(F-statistic)

0.000000

 

Dependent Variable: CZ

Method: Least Squares

Date: 09/21/04   Time: 21:51

Sample: 1978 2000

Included observations: 23

Variable

Coefficient

Std. Error

t-Statistic

Prob. 

C

-20.24722

9.665329

-2.094830

0.0485

CS

1.262016

0.027377

46.09837

0.0000

R-squared

0.990215

    Mean dependent var

290.2865

Adjusted R-squared

0.989749

    S.D. dependent var

328.3047

S.E. of regression

33.24050

    Akaike info criterion

9.928356

Sum squared resid

23203.55

    Schwarz criterion

10.02709

Log likelihood

-112.1761

    F-statistic

2125.060

Durbin-Watson stat

1.475902

    Prob(F-statistic)

0.000000

 

这六个估计方程的统计检验值表明,拟合优度的判定系数R2 检验,参数显著性t检验均可以通过。但无论根据东莞数据的三个估计方程还是估计广东数据的六个估计方程来说,进一步学习就会发现多数方程估计得并不是很好。

三、回归结果的报告                  

按如下形式把回归分析的结果报告出来:

          

         

    

    R2 =            SE =              

在上述方程中,Y和X分别为被解释变量和解释变量,为回归系数,第一组括号内的数表示估计的回归系数的标准差,第二组括号内的数表示在零假设:每个回归系数的真实值为零的情况下,估计的t值的T值(即T值是估计的系数与其标准差之比)。R2为判定系数,SE为回归标准差。如果没有特别地规定零假设,习惯地假定为“零”零假设(即假定总体参数为零)。如果拒绝该零假设(即检验统计量是显著的),则表示真实的总体参数值不为零。

用上述形式报告回归结果的一个优点是,可以一目了然地看到每一个估计的系数是否是统计独立的,即是否显著不为零。

  根据东莞数据的三个结果报告为:

REV = -5826.1579 + 0.084781035 * GDP

      ( 2517.475 ) ( 0.003311 )

       (-2.314286)( 25.60453)

R2 =  0.976176   SE =  7732.823   

EXB =  (      ) + (        ) * REV

        (      ) (         )

        (       )(          )

R2 =             SE =             

SLC = (         ) + (        ) * GDP

       (        ) (         )

       (        )(          )     

R2 =           SE =          

同理根据广东数据的六个结果也可以报告出来。 

 

请保留下来写进实验报告中

 
 
湖南省长沙市韶山南路498号 邮编:410004 电话:0731-85623096 湘ICP备09017705号 湘教QS4_201212_010022 丨 网络中心技术支持