计量经济学实验报告(OLS的估计和检验)

《计量经济学实验报告(OLS的估计和检验)》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、本文档系作者精心整理编辑，实用价值高。计量经济学实验报告专业：姓名：学号：本文档系作者精心整理编辑，如有需要，可查看作者文库其他文档。本文档系作者精心整理编辑，实用价值高。实验课程计量经济学实验名称OLS的估计和检验实验目的和内容1．利用Eviews计算OLS估计量2．利用Eviews求回归方程的残差3．对模型估计结果进行检验。实验步骤1．构建2000年全国31个省份的消费函数模型，被解释变量为人均消费支出，解释变量为人均可支配收入。2．在中经网数据库获取数据，并建立Excel表格类型的数据文档。3．利用，求解参数估计

2、值。4．将数据导入Eviews5.0中，首先利用equation命令求解，进一步利用程序设计地方法解得参数估计值。5．根据模型估计结果检验估计效果和拟合图形。实验成果（系统化研究结果的说明和研究过程介绍，纸张不够可以加页）一、研究目的和意义我们研究的对象是各地区居民消费的差异。居民消费可分为城市居民消费和农村居民消费，由于各地区的城市与农村人口比例及经济结构有较大差异，最具有直接对比可比性的是城市居民消费。而且，由于各地区人口和经济总量不同，只能用“城市居民每人每年的平均消费支出”来比较，而这正是可从统计年鉴中获得数据

3、的变量。所以模型的被解释变量Y选定为“城市居民每人每年的平均消费支出”。因为研究的目的是各地区城市居民消费的差异，并不是城市居民消费在不同时间的变动，所以应选择同一时期各地区城市居民的消费支出来建立模型。因此建立的是2002年截面数据模型。影响各地区城市居民人均消费支出有明显差异的因素有多种，但从理论和经验分析，最主要的影响因素应是居民收入，其他因素虽然对居民消费也有影响，但有的不易取得数据，如“居民财产”和“购物环境”；有的与居民收入可能高度相关，如“就业状况”、“居民财产”；还有的因素在运用截面数据时在地区间的差异

4、并不大，如“零售物价指数”、“利率”。因此这些其他因素可以不列入模型，即便它们对居民消费有某些影响也可归入随即扰动项中。为了与“城市居民人均消费支出”相对应，选择在统计年鉴中可以获得的“城市居民每人每年可支配收入”作为解释变量X。本文档系作者精心整理编辑，如有需要，可查看作者文库其他文档。本文档系作者精心整理编辑，实用价值高。从2002年《中国统计年鉴》中得到表1的数据:表12002年中国各地区城市居民人均年消费支出和可支配收入地区城市居民家庭平均每人每年消费支出(元)Y城市居民人均年可支配收入(元)X北京天津河北山西

5、内蒙古辽宁吉林黑龙江上海江苏浙江安徽福建江西山东河南湖北湖南广东广西海南重庆四川贵州云南10284.607191.965069.284710.964859.885342.644973.884462.0810464.006042.608713.084736.526631.684549.325596.324504.685608.925574.728988.485413.445459.646360.245413.084598.285827.9212463.929337.566679.685234.356051.066524.

6、526260.166100.5613249.808177.6411715.606032.409189.366334.647614.366245.406788.526958.5611137.207315.326822.727238.046610.805944.087240.56本文档系作者精心整理编辑，如有需要，可查看作者文库其他文档。本文档系作者精心整理编辑，实用价值高。西藏陕西甘肃青海宁夏新疆6952.445278.045064.245042.526104.925636.408079.126330.846151.44

7、6170.526067.446899.64作城市居民家庭平均每人每年消费支出(Y)和城市居民人均年可支配收入(X)的散点图，如图1：图1从散点图可以看出居民家庭平均每人每年消费支出(Y)和城市居民人均年可支配收入(X)大体呈现为线性关系，所以建立的计量经济模型为如下线性模型：二、估计参数假定所建模型及随机扰动项满足古典假定，可以用OLS法估计其参数。运用计算机软件EViews作计量经济分析十分方便。利用EViews作简单线性回归分析的步骤如下：1、建立工作文件首先，双击EViews图标，进入EViews主页。在菜单一次

8、点击FileNewWorkfile，出现对话框“WorkfileRange”。在“Workfilefrequency”中选择数据频率：Annual(年度)Weekly(周数据)Quartrly(季度)Daily(5dayweek)(每周5天日数据)SemiAnnual(半年)Daily(7dayweek)(每周7天日数据)Mo