范文一:eviews面板数据之混合回归模型
一、数据:已知1996—2002年中国东北、华北、华东15个省级地区的居民
ip,不变价格)和人均收入(,不变价格)居民,利用数据家庭人均消费(cp
(1)建立面板数据(panel data)工作文件;(2)定义序列名并输入数据;(3)
估计选择面板模型;(4)面板单位根检验。年人均消费(consume)和人均收入
(income)数据以及消费者价格指数(p)分别见表1,2和3。
表1 1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费(元)数据 人均消费 1996 1997 1998 1999 2000 2001 2002
3607.43 3693.55 3777.41 3901.81 4232.98 4517.65 4736.52 CONSUMEAH
5729.52 6531.81 6970.83 7498.48 8493.49 8922.72 10284.6 CONSUMEBJ
4248.47 4935.95 5181.45 5266.69 5638.74 6015.11 6631.68 CONSUMEFJ
3424.35 4003.71 3834.43 4026.3 4348.47 4479.75 5069.28 CONSUMEHB
3110.92 3213.42 3303.15 3481.74 3824.44 4192.36 4462.08 CONSUMEHLJ
3037.32 3408.03 3449.74 3661.68 4020.87 4337.22 4973.88 CONSUMEJL
4057.5 4533.57 4889.43 5010.91 5323.18 5532.74 6042.6 CONSUMEJS
2942.11 3199.61 3266.81 3482.33 3623.56 3894.51 4549.32 CONSUMEJX
3493.02 3719.91 3890.74 3989.93 4356.06 4654.42 5342.64 CONSUMELN
2767.84 3032.3 3105.74 3468.99 3927.75 4195.62 4859.88 CONSUMENMG
3770.99 4040.63 4143.96 4515.05 5022 5252.41 5596.32 CONSUMESD
6763.12 6819.94 6866.41 8247.69 8868.19 9336.1 10464 CONSUMESH
3035.59 3228.71 3267.7 3492.98 3941.87 4123.01 4710.96 CONSUMESX
4679.61 5204.15 5471.01 5851.53 6121.04 6987.22 7191.96 CONSUMETJ
5764.27 6170.14 6217.93 6521.54 7020.22 7952.39 8713.08 CONSUMEZJ
表2 1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均收入(元)数据 人均收入 1996 1997 1998 1999 2000 2001 2002
4512.77 4599.27 4770.47 5064.6 5293.55 5668.8 6032.4 INCOMEAH
7332.01 7813.16 8471.98 9182.76 10349.69 11577.78 12463.92 INCOMEBJ
5172.93 6143.64 6485.63 6859.81 7432.26 8313.08 9189.36 INCOMEFJ
4442.81 4958.67 5084.64 5365.03 5661.16 5984.82 6679.68 INCOMEHB
3768.31 4090.72 4268.5 4595.14 4912.88 5425.87 6100.56 INCOMEHLJ
3805.53 4190.58 4206.64 4480.01 4810 5340.46 6260.16 INCOMEJL
5185.79 5765.2 6017.85 6538.2 6800.23 7375.1 8177.64 INCOMEJS
3780.2 4071.32 4251.42 4720.58 5103.58 5506.02 6335.64 INCOMEJX
4207.23 4518.1 4617.24 4898.61 5357.79 5797.01 6524.52 INCOMELN
3431.81 3944.67 4353.02 4770.53 5129.05 5535.89 6051 INCOMENMG
4890.28 5190.79 5380.08 5808.96 6489.97 7101.08 7614.36 INCOMESD
8178.48 8438.89 8773.1 10931.64 11718.01 12883.46 13249.8 INCOMESH
3702.69 3989.92 4098.73 4342.61 4724.11 5391.05 6234.36 INCOMESX
5967.71 6608.39 7110.54 7649.83 8140.5 8958.7 9337.56 INCOMETJ
6955.79 7358.72 7836.76 8427.95 9279.16 10464.67 11715.6 INCOMEZJ
1
表3 1996—2002年中国东北、华北、华东15个省级地区的消费者物价指数
物价指数 1996 1997 1998 1999 2000 2001 2002
109.9 101.3 100 97.8 100.7 100.5 99 PAH
111.6 105.3 102.4 100.6 103.5 103.1 98.2 PBJ
105.9 101.7 99.7 99.1 102.1 98.7 99.5 PFJ
107.1 103.5 98.4 98.1 99.7 100.5 99 PHB
107.1 104.4 100.4 96.8 98.3 100.8 99.3 PHLJ
107.2 103.7 99.2 98 98.6 101.3 99.5 PJL
109.3 101.7 99.4 98.7 100.1 100.8 99.2 PJS
108.4 102 101 98.6 100.3 99.5 100.1 PJX
107.9 103.1 99.3 98.6 99.9 100 98.9 PLN
107.6 104.5 99.3 99.8 101.3 100.6 100.2 PNMG
109.6 102.8 99.4 99.3 100.2 101.8 99.3 PSD
109.2 102.8 100 101.5 102.5 100 100.5 PSH
107.9 103.1 98.6 99.6 103.9 99.8 98.4 PSX
109 103.1 99.5 98.9 99.6 101.2 99.6 PTJ
107.9 102.8 99.7 98.8 101 99.8 99.1 PZJ
二、1.输入操作:
步骤:(1)File——New——Workfile
步骤:(2)Start date——End date——OK
2
步骤:(3)Object——New Object
步骤:(4)Type of object——Pool
步骤:(5)输入所有序列名称
3
步骤:(6)定义各变量点击sheet—输入consume,income,p?
步骤:(7)将表1、2、3中的数据复制到Eviews中
2.估计操作:
步骤:(1)点击poolmodel——Estimate
4
对话框说明
Dependent variable:被解释变量;Common:系数相同部分
Cross-section specific:截面系数不同部分
混合回归模型的估计原理说明
如果从时间上看,不同个体之间不存在显著性差异;从截面上看,不同截面之间也不存在显著性差异,即对个体从横向和纵向上进行比较,均不存在显著性差异,那么就可以直接把面板数据混合在一起用OLS估计参数。
K
yxu,,,,,,itkkitit1模型形式: (1)
k2,
混合回归模型是假设所有的解释变量对被解释变量的边际影响与个体无关,但是这通常与实际情况不符合,因此,在确定回归模型结果是否有效之前,先要对面板数据进行模型设定验证,通常利用邹氏检验的F统计。
()/()RRSSURSSNKKK,,,21FFNKKKNTKNK,,,,,~(,) 2112URSSNTKNK/(),,12
检验混合模型的约束条件: H:,,,,,,,,,021222n
5
步骤:(2)Dependent variable:consume,;Common:c income?
其他部分不动
所得结果:
6
相应的表达式是:
ConsumeIncome,,120.140.76itit
(1.8) (78.3)
2 RSSE,,0.98,4965275r
收入每上升一个百分点,人均消费增加0.76个百分点,表明15个省级
地区的城镇人均指出平均占收入的76%。
邹氏检验的F统计量:将安徽、北京、上海等十五个省分别进行OLS估计,得到15
个一元回归的残差平方和:
18172.05
351282.5
31998.24
53170.06
32628.78
25352.68
64917.04
33428.92
16756.32
152987.4
29603.14
481043.4
49859.47
44987.95
80170.54
URSS=1466358.49
混合回归模型的残差平方和:RRSS=4965275
()/()RRSSURSSNKKK,,,21因而FFNKKKNTKNK,,,,,~(,) 2112URSSNTKNK/(),,12
=6.39
F>,拒绝原假设,因而原假设模型不适合。 F(28,75)1.6265,0.05
7
范文二:eviews 回归
计量经济学期末论文
我国居民消费水平的影响因素的实证分析
课程名称 计量经济学 授课教师
学 院
专 业
学 号
学生姓名 电 话
邮 箱
二 ? 一五 年 十二月
我国居民消费水平的影响因素的实证分析
【摘 要】 本文利用我国1985年到2014年的统计数字,建立了我国居民消费水平的影响
因素分析模型,对我国的居民消费水平进行了实证分析。其中包含了多重共线检验、异方差
检验以及自相关检验,通过线性回归模型与非线性回归模型的对比,最终选择了多元线性回
归模型。对该模型进行分析得出各种因素得出各种因素对我国消费居民水平的影响程度。研
究结果表明在其他因素保持不变的情况下,当人均国民生产总值增加1单位,我国居民消费
水平增加0.115单位;农村居民人均可支配收入增加1单位时,我国居民消费水平增加1.260
单位。最后对如何提高我国居民消费水平提出了一些建议。本文的创新之处在于两模型的对
比,并选取适合的最优的计量经济学模型。
【关键词】 居民消费水平;影响因素;多元回归;实证分析;政策建议
An empirical analysis on the influencing factors of the
consumption level of Chinese Residents
Abstract: This paper use statistics from 1985 to 2014 derived from
National Bureau of Statistics of the People's Republic of China to build an analysis model. It is built on the factors affecting the consumption level of residents in our country and carries out an empirical analysis of China's consumption level of residents. This model contains multiple collinear test, test for heteroscedasticity and autocorrelation test. Based on the specific statistics, a linear regression model and nonlinear regression model are analyzed by comparison. Finally, chooses the multiple linear regression model. Then, the model is used to make analysis and the degree of influence of various factors on the level of consumption in our country is obtained. The results show: when other factors keep constant, the per capita GNP increases by 1 unit, China's consumption level of residents increased 0.115 unit. The same, when other variables are not changed, rural residents per capita disposable income increased by 1 unit, China's consumption level of residents increased 126 units. The end, it puts forward some suggestions on how to improve the consumption level of Chinese residents. The innovation of this paper lies in the comparison of the two models, and select the appropriate econometric model.
Key words: Residents' consumption level; Influence factors; Multiple Regression; Empirical Analysis; Policy Suggestion
2
一、 研究综述
改革开放以来,中国一直实行的是出口拉动为主的经济增长模式,粗放型经济所积累的矛盾日益突出,从驱动结构上表现为“重出口、重投资、轻消费”。经济增长对出口和投资的过度依赖,使得我国在最近一次的全球性金融危机中,经济遭受重创,这个经验教训使得众多专家学者认识到是消费在拉动经济增长和面对经济危机中的重要性。目前,我国所处的这样的经济背景下:投资与出口步履维艰。我国是一个人口大国,消费有着巨大的开发空间,因此,扩大内需、促进消费成为我国应对经济危机的重要手段。
现代经济学中的消费理论始于20世纪30年代,约翰?梅纳德?凯恩斯在他的《就业、利息和货币通论》,把消费和投资列为影响总产量和总需求波动的两大主要决定因素,是对消费问题概念上研究的开端;50年代中期凯恩斯的绝对收入假说和杜森贝里的相对收入假说成为最具代表性的理论,莫迪利安尼和弗里德曼从消费者选择理性出发,提出了消费的生命周期模型和持久收入模型;70年代末80年代初,霍尔将理性预期因素引入生命周期和持久收入假说。
从前人的研究成果来看,研究地方居民消费水平的较多,而站在宏观的角度、国家的层面研究的较少。李海凤(2014)通过分析居民消费结构、新型消费品增长以及国际化的特征分析城乡居民消费现状及其影响因素,对导致低消费的成因进行了分析。更多学者将研究居民消费水平与地域差异相结合或是单独研究某一个变量对我国居民消费水平。乐为、钟意(2014)运用协整分析的理论,研究了
瑾瑜(2012)运用凯恩斯的消费收入视角下农民收入对居民消费水平的影响。陈
函数,在影响我国城乡居民消费水平的主要因素上,研究增加城乡居民收入、增加农村居民收入和缩小城乡居民收入差距对提高我国居民整体消费水平的影响。本文的创新点在于站在宏观的角度,利用全国1985至2014年的数据分别作线性模型和非线性模型,并对比找出拟合优度最高的模型,真实反映居民消费水平与各影响因素之间的关系。
党的十八大报告提出,推动经济的发展,需要加快扩大消费需求长效机制的建立,从而释放居民消费潜力。消费是经济增长的主要动力之一,一国的宏观经济的运行离不开国民的整体消费行为,它既关系国家宏观经济问题,又关系到与百姓息息相关的民生问题。因此,科学分析影响我国居民消费水平的因素对于制定经济政策和策略,促进经济良性增长有很重要的意义。
二、 数据选取
以往的关于我国居民消费水平的不同计量模型,虽然结论有所差异,但总体来看,影响我国居民消费水平的影响因素主要有:人均国内生产总值(元)、城镇居民人均可支配收入(元)、农村居民人均可支配收入(元)、就业人数(万人)、物价水平、人口增长率(‰)选取的数据为国家统计局1985 年到2014年上述方面的统计数据。
3
表2.1 我国居民消费水平的影响因素的实证分析 时间 居民消费人均国内城镇居民农村居民就业人数物价水平人口自然
水平(元) 生产总值人均可支人均可支(万人) (商品零增长率
(元) 配收入配收入 售价格指(‰)
(元) (元) 数) N Y X1 X2 X3 X4 X5 X6 1985 440 860 739.1 397.6 49873 100 14.26 1986 497 963.19 899.6 423.8 51282 106.5 15.57 1987 565 1112.38 1002.2 462.6 52783 114.3 16.61 1988 714 1365.51 1181.4 545 54334 135.8 15.73 1989 788 1519 1373.9 601.5 55329 160.2 15.04 1990 833 1644 1510.2 686.3 64749 165.2 14.39 1991 932 1892.76 1700.6 708.6 65491 170.8 12.98 1992 1116 2311.09 2026.6 784 66152 181.7 11.6 1993 1393 2998.36 2577.4 921.6 66808 208.4 11.45 1994 1833 4044 3496.2 1221 67455 258.6 11.21 1995 2355 5045.73 4283 1577.7 68065 302.8 10.55 1996 2789 5845.89 4838.9 1926.1 68950 327.93 10.42 1997 3002 6420.18 5160.3 2090.1 69820 337.11 10.06 1998 3159 6796.03 5425.1 2162 70637 334.42 9.14 1999 3346 7158.5 5854.02 2210.3 71394 329.74 8.18 2000 3632 7857.68 6280 2253.4 72085 331.05 7.58 2001 3886.93 8621.71 6859.6 2366.4 72797 333.37 6.95 2002 4143.75 9398.05 7702.8 2475.6 73280 330.71 6.45 2003 4474.53 10541.97 8472.2 2622.2 73736 334.57 6.01 2004 5032 12335.58 9421.6 2936.4 74264 347.55 5.87 2005 5596.2 14185.36 10493 3254.9 74647 353.84 5.89 2006 6298.57 16499.705 11759.5 3587 74978 359.03 5.28 2007 7309.63 20169.461 13785.8 4140.4 75321 376.17 5.17 2008 8430.15 23707.715 15780.76 4760.62 75564 398.23 5.08 2009 9283.28 25607.531 17174.65 5153.17 75828 395.46 4.87 2010 10522.4 30015.048 19109.44 5919.01 76105 408.6 4.79 2011 12271.52 35181.237 21809.78 6977.29 76420 430.64 4.79 2012 14699 39544 24564.7 7917 78894 434.7 4.95 2013 16190 43320 26955 8896 79300 440.8 4.92 2014 17806 46629 28844 10489 79690 441.76 5.21
数据来源:《中国统计年鉴》(1985-2014年);
4
三、 模型设定
本文设定了如下线性形式的计量经济模型:
Y其中 :——居民消费水平(元)
X1——人均国内生产总值(元)
X2 ——城镇居民人均可支配收入(元)
X3——农村居民人均可支配收入(元)
X4——就业人数(万人)
X5——物价水平(指数)
X6——人口增占率(‰)
,、,、,、,、,、,123456分别为人均国内生产总值、城镇居民人均可支配收
入、农村居民人均可支配收入、就业人数、物价水平、人口增占率各因素的待估
参数。
四、 实证分析及计量经济学检验
(一) 模型的参数估计
利用eviews软件和最小二乘估计法对模型进行分析,输出结果如图(4.1):
图4.1
5
YXXXXXX,,,,,,,,803.62870.12090.31691.64160.01324.490717.2152123456
t(1.038)(1.963)(2.992)(10.395)(1.571)(4.455)(0.592),,,
FAICSESCDW,,,,,7820.76212.380106.485712.7102.33,,0.05
FF,,,7820.7626,202.599,,
kt,,222.074tn,,,,,,0.0252
22RR
YXX,,,,181.1280.1151.26013
t(2.450)(4.952)(10.223),
22RRFF,,,,,0.9990,0.998913004.896,222.5491,,
22由此可见,该模型可决系数与修正可决系数都很RR,,0.9995,0.9994
,,0.05高,当时,,, FF,,,7820.7626,222.549tnkt,,,222.074,,,,,,,0.025
2X1、X4、X6系数的t检验不显著。故认为此模型可能存在多重共线性。本文将对此模型进行计量经济检验和模型修正。
(二)计量经济检验分析
1.多重共线性检验以及消除多重共线性
相关系数检验,利用相关系数可以分析解释变量之间的相关情况。在Eviews软件中可以直接计算相关系数矩阵。自变量之间的相关系数截图如图(4.2):
图4.2
由图4.2结果可以看出,除X1和X2、X3,X2和X3,X4和X4以及X6解释变量之间,其余相关系数都很高,均高于0.89,证实解释变量之间确实存在严重多重共线性。
(1) 建立基本的一元回归方程
下面分别做出Y对X1、X2、X3、X4、X5、X6的一元线性回归。综合上述被解释变量分别对解释变量的一元回归分析,结果如表(4.1)所示:
表4.1 我国居民消费水平对各解释变量一元回归分析结果
变量 X1 X2 X3 X4 X5 X6 参数估计0.35 0.575 1.886 0.39 33.667 -869.53
值
6
t 统计量 73.2 73.93 117.8 5.921 7.780 -6.900
20.995 0.995 0.998 0.565 0.692 -0.638 R
由表(4.1)结果可看出Y对X3的可决系数最高,且参数通过t检验,方程的显著性通过F检验,因此选其为最初回归模型。然后逐步引入变量。
综合如图(4.3)所示:
图4.3
(2)逐步回归方法消除多重共线性
2AICFR依次引入自变量X1,X2,X4,X5,X6,通过,检验,检验,,t
DW等值确定下一个引入的变量是X1,详图请见附录。回归结果如图(4.4):
7
图4.4
(3)继续依次引入变量X2,X4,X5,X6
检验模型的拟合优度是否提高,参数是否符合经济意义,参数能否通过t检验等。
所以引入变量X1。引入变量X2,结果显示参数参数也未通过t检验,剔除变量X2;引入变量X4,结果显示参数也未通过t检验,剔除变量X4;引入变量X5,结果显示参数也未通过t检验,剔除变量X5;引入变量X6,结果显示参数也未通过t检验,剔除变量X6。
综上所述,逐步引入其它变量,确定最适合的多元回归方程(回归结果表(4.2)所示)
表4.2 我国居民消费水平预测模型逐步回归结果
22模型 C X1 X2 X3 X4 X5 X6 AIC RR Y=f(X3,X1) -181.128 0.11 1.260 0.9990 0.9989 12.86
-188.054 0.107 1.217 0.999 0.998 12.92 Y=f(X3,X1,X2) 0.027
Y=f(X3,X1,X4) -71.737 0.11 1.294 -0.002 0.999 0.999 12.93 Y=f(X3,X1,X5) -70.84 0.076 1.509 -1.131 0.999 0.999 12.81 Y=f(X3,X1,X6) -222.86 1.276 2.731 0.999 0.998 12.924 Y=f(X3,X6) -829.54 1.905 27.278 0.998 0.998 12.40
经过比较选择,参考其变量的经济意义和参数的t检验,最终选择对我国居民消费水平影响的因素是X3和X1,方程结果表明拟合优度高,各变量的参数符号符合经济意义,且各参数都通过t检验,方程的显著性通过F检验。
8
得到最优回归模型:
YXX,,,,181.1280.1151.26013
t(2.450)(4.952)(10.223),
22RRF,,,0.99900.998913004.89
2.异方差性检验:G-Q检验法
首先,依据上述结果,我们观察残差图:
图 4.5
由上述残差图,我们并不能发现明显的异方差性,下面采用更为精确的G-Q
检验。检验结果如图(4.6):
(1)选前十一组数据做回归
9
图 4.6 (2)后十一组数据做回归,如图(4.7):
图 4.7
比较两个回归的残差平方和:
10
RSS5353.7281 F,,,2.0499RSS2611.7042
临界值:
FF(31,113)(2,8)4.459,,,,0.050.05
由于,所以不存在异方差。 2.0499(2,8)4.459,,F0.05
3.自相关性检验:DW检验
(1)DW检验
对于自相关性,我们采用DW检验进行检验。 DW,1.447145,,0.05,因为,取显著性水平时,查表得nk,,29,3
, dd,,1.26992,1.56312LU
而,所以存在一阶正自相关。 dDWd,,,,,1.269921.4471451.56312LU
(2)自相关性修正
对自相关性进行修正,加入AR(1)项,如图(4.8):
图4.8
dDWd,,,,,,1.563121.912442.435013调整后的模型的,因为UU
dd,,1.19762,1.64987nk,,29,4,查表可得,所以修正后,该模型不存LU
在一阶正相关。采用偏相关系数检验的结果,也表明不存在高阶自相关,如图
11
(4.9)
图 4.9
得到最终的回归方程:
YXX,,,,181.1280.1151.26013
t(2.450)(4.952)(10.223),
22RRF,,,0.99900.998913004.89
22 由此回归模型方程可见,该模型可决系数与修正可RR,,0.9990,0.9989
,,0.05决系数都很高,说明方程的拟合优度很好,当时,
tnkt()(25)2.073879,,,,0.025FF,,,13004.896,222.5491,,X1、X3系,,0.052
数的t检验均显著。
(三)建立非线性模型
1.建立双对数模型并进行参数估计
lnlnlnlnlnlnlnlnYAXXXXXX,,,,,,,,,,,,, 112233445566
Y其中 :——居民消费水平(元)
12
——人均国内生产总值(元) X1
——城镇居民人均可支配收入(元) X2
X3——农村居民人均可支配收入(元)
X4——就业人数(万人)
X5——物价水平(指数)
X6——人口增占率(‰)
,、,、,、,、,、,123456分别为人均国内生产总值、城镇居民人均可支配收入、农村居民人均可支配收入、就业人数、物价水平、人口增占率各因素的待估参数。
对上式两边取自然对数可得回归模型:
lnlnlnlnlnlnlnlnYAXXXXXX,,,,,,,,,,,,,112233445566
利用eviews软件和最小二乘估计法对模型进行分析,输出结果如图(4.10):
图4.10
ln0.1390.079ln0.516ln0.459ln0.061ln0.028ln0.026lnyxxxxxx,,,,,,,,123456 t(0.106)(0.443)(2.533)(5.243)(0.134)(0.068)(0.026),
22 RRFDW,,,,0.9996,0.9995,10045.16,1.381
22由此可见,该模型可决系数和修正可决系数都很高,RR,,0.9996,0.9995
13
,,0.05当时,, FF,,,10045.166,222.5491,, 0.05
tnkt,,,222.07387,,,,,0.025
2
lnX1、lnX4、lnX5、lnX6系数的t检验不显著。故认为此模型可能存在多重共线性。本文将对此模型进行计量经济检验和模型修正。
2.利用逐步回归方法消除多重共线性找出最优回归模型
在Eviews软件中可以直接计算相关系数矩阵。自变量之间的相关系数截图如图(4.11)
图4.11
由图(4.11)结果可以看出,除解释变量lnX4和lnX6、lnX5和lnX6之间相关系数没有超过0.90,其余的都超过了0.90,证实解释变量,之间确实存在严重多重共线性。
用逐步回归的办法,去检验和解决多重共线性问题。分别作Y对lnX1、lnX2、lnX3、lnX4、lnX5、lnX6的一元回归。结果如表(4.3)所示:
表4.3 我国居民消费水平对各解释变量一元回归分析结果
变量 lnX1 lnX2 lnX3 lnX4 lnX5 lnX6 参数估计0.8938 0.9934 1.151 7.436 2.239 -2.34579
值
t 统计量 117.6 133.32 111.656 12.442 17.127 -119.525
20.9981 0.9985 0.9978 0.8515 0.9517 0.9339 R
由表(4.3)可观察到lnY和lnX2的可决系数最高,且参数通过t检验,方程的显著性通过F检验,因此选其为最初回归模型。
2AICtFR依次引入变量lnX1, lnX3, lnX4, lnX5, lnX6 ,通过,检验,检验,,DW等值确定下一个引入的变量是lnX3,详图请见附录。回归结果如图(4.12):
14
图4.12
依次再逐步引入变量lnX1,lnX4,lnX5,lnX6,确定最适合的多元回归方程,回归结果如表(4.4)所示
表4.4 我国居民消费水平预测模型逐步回归结果
22模型 C lnX1 lnX2 lnX3 lnX4 lnX5 lnX6 AIC RRY=f(lnX2,lnX3-0.623 0.553 0.9996 -4.736 ) 0.512 0.9996 Y=f(lnX2,lnX3-0.599 0.029 0.502 0.9996 0.9996 -4.671 ,lnX1) 0.529
Y=f(lnX2,lnX3 0.9996 -4.674 ,lnX4) -0.231 0.565 0.502 -0.038 0.99996 Y=f(lnX2,lnX3
,lnX5) -0.623 0.552 0.512 0.001 0.9996 0.9996 -4.667 Y=f(lnX2,lnX3-0.724 0.501 0.019 0.9996 0.9996 -6.675 ,lnX6) 0.570
Y=f(lnX2,lnX6-1.340 1.052 0.147 0.9986 0.9987 -3.4978 )
根据t值检验以及上表,建立的多元回归模型为:
ln0.6230.553ln0.512lnyxx,,,,23
t(18.07)(11.077)(8.852),
2RFDW,,,0.9996,34392.181.4955
15
此模型的回归分析结果如图(4.13)所示:
图 4.13
(四)线性模型与非线性模型的对比
本文所得线性模型利用国家统计局1985-2013年的相关数据的出的最优多
元回归方程如下:
得到最终的回归方程:
YXX,,,,181.1280.1151.26013
t(2.450)(4.952)(10.223),
22RRF,,,0.99900.998913004.89
22 由此回归模型方程可见,该模型可决系数与修正可RR,,0.9990,0.9989
,,0.05决系数都很高,说明方程的拟合优度很好,当时,
tnkt()(25)2.073879,,,,0.025FF,,,13004.896,222.5491,,X1、X3系,,0.052
数的t检验均显著。
本文所得非线性模型的最优回归方程:
ln0.6230.553ln0.512lnyxx,,,,23
t(18.07)(11.077)(8.852),
2RFDW,,,0.9996,34392.181.4955
22该模型 RR,,0.999620.99959
,,0.05可决系数与修正可决系数都很高,说明方程的拟合优度很好,当时,
16
tnkt()(25)2.073879,,,,0.025,,lnX2FF,,,34392.186,222.5491,,0.052
和lnX3系数的t检验均显著。
上述两个模型方程都很显著,参数也都通过了t检验,虽然非线性模型的可
2决系数以及修正的可决系数更高,但是接近0.9999,说明非线性模型的方程可R
能过拟合,测试因变量的变动可以被自变量解释的程度更高更优,但是预测时准确性会低一些。且线性模型的DW值明显高于非线性模型的DW值,故本文选取了线性模型。
五、 结论、预测及建议
(一)结论
由上面的分析可知,我国居民消费水平与农村居民人均可支配收入有关,同时也与人均国内生产总值有关,从而建立模型为
。同时,影响我国居民消费水平因素还有城镇居YXX,,,,181.1280.1151.26013
民人均可支配收入、就业人数、物价水平和人口增长率。
虽然我国居民消费水平在逐步稳健地上升,从模型中可以看出,人均国内生产总值每增加1单位,我国居民消费水平就增加10.115单位;农村居民人均可支配收入增加1单位,我国居民消费水平增加1.260单位。
(二)模型的预测
建立模型的一个重要的目的是进行预测,虽然2014年已经过去,但是我们可以用2014年国家统计局发布的数据来对建立的模型进行检验。
相关的数据还没有一个完全的统计,我们这里不妨对2011年进行预测。首先,利用建立的吉林省粮食产量预测模型对样本区间进行模拟预测检验,得到历年吉林省粮食产量的预测值,预测误差,结果见图(5.1)和表(5.1):
17
图5.1回归方程的残差分布
表5.1 2014年我国居民消费水平及相关数据 时间 居民消费人均国内城镇居民农村居民就业人数物价水平人口自然
水平(元) 生产总值人均可支人均可支(万人) (商品零增长率
(元) 配收入配收入 售价格指(‰)
(元) (元) 数) N Y X1 X2 X3 X4 X5 X6 2014 17806 46629 28844 10489 79690 441.76 5.21
数据来源:国家统计局;
2014年我国居民消费水平的预测值:
,,,,,,181.1280.115466291.2601048918397.347(元)
18
18397.34717806,相对误差= %3%,17806
2014我国居民消费水平实际值是17806元,预测值相对于实际值的相对误差为3%,实证分析证明我们用线性回归模型计算得出我国居民消费水平,相对准确。
(三)对提高我国居民消费水平的建议
本文通过实证分析,我们可以看出在人均国内生产总值、城镇居民人均可支配收入、农村居民人均可支配收入、就业人数、物价水平和人口增长率这几个影响我国居民消费水平的因素中,人均国内生产总值和农村居民人均可支配收入对我国居民消费水平的影响较为显著。
从文中,我们不难发现,在城镇居民人均可支配收入和农村居民人均可支配收入对我国居民消费水平的影响中,农村远远大于城镇,这是因为,就我国国情而言,农村人口远比城镇人口要多,人口构成中,农村居民占据主要部分,农村居民对于消费的动力也比城镇居民大得多,所以增加农村居民收入对于我国居民消费水平的提高具有至关重要的意义。此外,人均国内生产总值的增加也可以有效提高我国居民消费水平。
对此,首先,应该大力发展生产力,切实提高居民的收入水平。只有生产力水平的提高,居民收入才会增加。我国作为一个农业大国,要想提高生产力,需要从农业入手,一是要调整和优化农业产业结构,大力发展优质的农产品,通过质量的提高和产量的增加来实现目标效益;二是要运用科技,减少成本、提高效益;三是要提供一些政策,来支持农业发展。
其次,政府要加强调控,完善合理的收入分配政策。政府在经济中主导、领导和调节对于提高农村居民人均可支配收入,提高我国居民消费水平有重要意义。
最后,调整一些政策,如税收政策,给低收入者和农民一定的补贴和优惠,加强市场监督,确保农村居民的购买力。
19
参考文献
[1] 陈春鹂. 我国社会保障支出对居民消费水平的影响[D]. 辽宁大学, 2011.
[2] 李海凤. 居民消费影响因素及提高消费水平探析[J]. 大陆桥视野, 2014(9). [3] 陈瑾瑜. 城乡居民消费水平的影响因素分析[J]. 特区经济, 2012(2):296-298. [4] 马琳. 我国居民消费水平影响因素的实证分析[J]. 农村经济与科技,
2015(04):117-118.
[5] 刘琪, 疏雨, 何旻玖. 我国居民消费水平影响因素的实证分析[J]. 商,
2015(19):93-93.
[6] 程晓彤. 影响我国居民消费水平的因素及政策分析[J]. 商, 2015(8):83-84. [7] 张晓伟. 促进我国居民消费水平提升的财税政策[J]. 经济视角旬刊,
2013(12):28-30.
[8] 陶伟. 影响我国城乡居民消费水平的因素——基于计量经济学理论[J]. 知识经济,
2015(14):17-18.
[9] 罗安怡. 我国城乡居民消费影响因素的比较分析[J]. 江苏商论, 2015(32). [10]吕明月.关于我国居民人均消费水平影响因素的分析[J]. 商, 2015(21):183-183.
20
附录:
对所有变量进行回归
21
依次进行一元回归
22
23
24
依次做二元回归
25
26
依次做三元回归
27
28
29
30
非线性模型:
依次做一元回归
31
32
33
依次做二元回归
34
35
依次做三元回归
36
37
38
范文三:eviews 处理面板数据
Fulbright Economics Teaching Program
First Semester 2002
Analytical Methods
EViews and Panel Data
EViews POOL objects operate on variables that have special two-part names. The first part is the name of the variable, and the second part of the name is the cross-section identifier that indicates which cross-sectional unit the variable belongs to. It is good practice (though not necessary) to begin cross-section identifiers with an underscore mark to make the full variable names more readable.
Example: Suppose we want to work with a panel data set on the USA, Canada, and Mexico. The variables that we want to use are GDP, Population, and Trade Flows.
Variable Name First Part:
GDP
POP
TRA
Variable Name Second Part (Cross-Section Identifier)
_USA
_CAN
_MEX
Variables
GDP_USA GDP_CAN GDP_MEX
POP_USA POP_CAN POP_MEX
TRA_USA TRA_CAN TRA_MEX
Thus, there are nine variables in our EViews workfile. It is easy to see that panel data sets can quickly become very large. For example, if we have a panel of 61 Vietnamese provinces for which we have ten-year time series on 8 variables related to agriculture, then our workfile has (61 x 8) = 488 variables.
After you have named all of your variables and have got the data into an EViews workfile, you are ready to create the POOL object. You do this by clicking the following sequence:
Objects / New Object / Pool
A window will open with space for you to list your cross-section identifiers:
Eshragh Motahar 1
In the POOL object you refer to variables by the first part name and the question mark. Thus, if we type a command using GDP? EViews uses all three GDP series for the USA, Canada, and Mexico.
Notice the button PoolGenr. PoolGenr is used to create new variables according to rules that are similar to the rules for ordinary Genr. For example, if we want to create GDP Per Capita for all three countries in our POOL, we would click PoolGenr and then type the equation:
GDPPC? = GDP? / POP?
For estimation, EViews has one
window in which the user specifies
the equation and the assumptions
regarding the stochastic
disturbance term. That window is
shown here.
We will describe each element of
the specification window.
Dependent Variable
The dependent variable will be
typed in according to its name and
question mark. For example, you
might use GDPPC?
Eshragh Motahar 2
Sample
By default, EViews will use the largest sample possible in each cross-section. An observation will be excluded if any of the explanatory or dependent variables for that cross-section are
unavailable in that period.
If the box for Balanced Sample is checked, EViews will eliminate an observation if data are unavailable for any cross-section in that period.
Common Coefficients
In this field you list all explanatory variables that you assume have the same slope coefficient for every cross-sectional unit. Use the format VAR? You may use AR(p) specifications if you want to model autocorrelation. Keep in mind that your panel data set should have a rather long time series dimension in order to get reliable estimators of the autocorrelation coefficients.
Cross-Section Specific Coefficients
In this window you type the names of all explanatory variables that you assume have different slope coefficient values for different cross-sectional units. Use the format VAR?
Intercept
Here you specify whether your model has
No intercept ... this case is rare.
Common intercept ... this case is unusual. 1Fixed Effects ... the typical specification.
Random Effects ... this specification is not often used because it requires strong
assumptions that are difficult to meet in practice.
Weighting
Here, weighting refers to "feasible weighted least squares."
No weighting ... no equation-specific heteroscedasticity.
Cross-section weights ... feasible WLS to correct for equation-specific heteroscedasticity. SUR ... accounts for contemporaneous cross-equation correlation of errors
and equation-specific heteroscedasticity. To use this, the time-
series dimension must exceed the cross-section dimension (T > N).
1 If you check this option you will see that the EViews output does not report standard errors, t-stats, or p-values for
the estimates of the fixed effects. If you are interested in these (especially for conducting Wald test on these coefficients), you can enter C in the Cross section specific coefficients edit field, and estimate a
model without a constant; that is, in the Intercept field check None.
Eshragh Motahar 3
Iterate to Convergence ... causes the program to compute new residuals based on the feasible
GLS coefficient estimators, then update the feasible GLS
coefficient estimators; compute new residuals based on the new
GLS coefficient estimators, then update the feasible GLS
coefficient estimators, etc ....
Options
There is only one option: Whites HCCM can be produced if you do not choose SUR.
Hypothesis Testing
In panel data models (as in single-equation multiple-regression models) we are interested in testing two types of hypotheses: hypotheses about the variances and covariances of the stochastic error terms and hypotheses about the regression coefficients. The general to simple procedure provides a good guide.
Before testing hypotheses about the regression coefficients, it is important to have a good specification of the error covariance matrix so that the test statistics for the regression coefficients are reliable.
Testing Hypotheses About The Error Covariance Matrix
It is helpful to think about restricted and unrestricted error covariance matrices.
An error covariance matrix is a square matrix with the error variances of the individual cross-sectional equations along the diagonal and with the contemporaneous error covariances on the off-diagonal elements. All covariance matrices are symmetric, so if we specify an error covariance matrix for a panel model with five cross-sectional units we have a (5 x 5) matrix with five diagonal units and ten off-diagonal units:
2,,,,, 1121314152 ,,,,22324252 ,,,334352 ,,4452 5,
If we click the button for SUR, EViews will estimate all of these parameters. On the other hand, if we believe that the cross-sectional units do not have any contemporaneous cross-equation error covariances, we would click the button for Cross-Section Weighting and EViews would impose zero restrictions on all of the off-diagonal elements of the matrix. Only the diagonal elements would be estimated:
Eshragh Motahar 4
2, 0 0 0 012 0 0 0,22 0 0,32 0,42 5,
The second model involves imposing ten restrictions, compared to the first model.
Finally, if we assumed that our stochastic disturbances were free of cross-sectional heteroscedasticity, we click the No Weighting button and EViews would estimate only one diagonal element instead of five: four restrictions would be imposed, compared to the second model.
2, 0 0 0 0
2 0 0 0,
2 0 0,
2 0,2 ,
Testing these restrictions is easily accomplished by means of a test called a likelihood ratio test.
EViews output reports a statistic called the Log-Likelihood. This is an estimator of the joint
probability of the observed sample, given the point estimates of the parameters. As such, it is a number bounded by zero and one.
All of our estimation methods aim to maximize this log-likelihood. In many applications, maximizing the log-likelihood leads to exactly the same estimator as the Least-Squares method does, but the analytical work required is heavier, so we follow the Least-Squares approach.
Our interest here is in the extent to which imposing restrictions on the error covariance matrix reduces the log-likelihood statistic.
?If we form a ratio of the likelihood of a restricted model divided by the likelihood of an LR
?Lunrestricted model , we expect the ratio to be less than 1 because the maximum likelihood U
subject to a restriction can be no greater than the maximum likelihood of the unrestricted model.
?LR0 1,,Define the likelihood ratio: . Then , ?LU
If the restricted model is not significantly different from the unrestricted model we expect the likelihood ratio to be close to 1. The distribution theory of the likelihood ratio is a bit
,,2 log()cumbersome. However, it is well known that the distribution of is asymptotically
Chi-Square, so that in any application with a sufficiently large sample size we can use: Eshragh Motahar 5
2垐 where q is the number of ,,,,,,LL,2log()2loglog approx ~ ,,,,,,RUq
restrictions.
,,2 log()Under the null hypothesis we expect to be close to zero; we reject the null
hypothesis if the realized value of the likelihood ratio statistic exceeds an appropriate critical value or if the p-value of the test is smaller than the pre-selected significance level.
Maintained Model
While testing hypotheses about restrictions on the error covariance matrix, some specification of the panel data regression model must be maintained. It is recommended that the maintained model be "general" in the sense that we used that term in describing the "general-to-simple" modeling strategy.
Testing Restrictions on the Panel Data Model
After a sound specification for the error covariance structure has been established, tests associated with the general to simple modeling strategy may be undertaken. These tests may be the usual Wald tests or t-tests on individual coefficients.
Keep in mind that when the cross-section weights or SUR methods or any AR(p) specification is used, the results all asymptotically based so that the t-stats are approximately standard normal and the Wald F-stats are approximately Chi-Squared.
Unrestricted Model
The completely unrestricted model is this one:
YXXX ,,,,,,,,,,,itiiitiitiKKitit1 1 2 2
In this model, the intercepts and the partial regression coefficients vary across cross-sectional units. If either the no-weighting or cross-sectional weights option is chosen for the error covariance structure, then the results will be exactly the same as applying OLS to the data for each cross sectional unit.
If the SUR option is chosen, then efficiency will be enhanced by exploiting the information contained in the cross-equation error covariances. Remember that ( T > N ) is required to use this option.
Partially Restricted Model
In many panel data sets the time-series dimension is quite short so it is impractical to estimate the model for which all parameters vary across cross-sectional units. In this case the most Eshragh Motahar 6
general feasible model is the fixed-effects model: only the intercepts vary across cross-sectional units; the partial regression coefficients are the same for all cross-sectional units.
Of course, there are models in which some partial regression coefficients are identical across cross-sectional units while others vary.
Restricted Model
The most restrictive model is the one in which the intercepts and the partial regression coefficients are identical for all cross-sectional units.
Testing model restrictions may be done via the Wald Coefficient test or via the likelihood ratio test. The two methods are asymptotically equivalent, though they may give different results for a particular finite sample.
As you move through the general-to-simple modeling strategy it is sensible to re-check the error covariance structure as you impose restrictions on the model's partial regression coefficients and intercepts. Even though you may fail to reject the hypotheses that represent restrictions that you impose, the hypotheses may not be perfectly true, and that may affect the estimators and tests of
the error covariances.
[Written by Eshragh Motahar based on notes by M. D. Westbrook, and the EViews manual.]
Eshragh Motahar 7
范文四:eviews线性回归分析
Eviews线性回归分析
从《中国统计年鉴》收集到以下数据
设公式Yi=β0+β1X1+β2X2+β3X3+μ
通过eviews分析所得:Y与X1有相关关系
Y与X2有相关关系
Y与X3有相关关系
Dependent Variable: Y
Method: Least Squares
Date: 12/19/12 Time: 23:29
Sample: 1990 2010
Included observations: 21
Variable Coefficient Std. Error t-Statistic Prob.??
C 11.01618 0.699743 15.74318 0.0000
X1 -1.69E-06 1.31E-06 -1.295660 0.2124
X2 0.083146 0.055935 1.486471 0.1555
X3 -0.000263 4.68E-05 -5.631646 0.0000
R-squared 0.772692 ????Mean dependent var 8.281905 Adjusted R-squared 0.732578 ????S.D. dependent var 2.981023 S.E. of regression 1.541571 ????Akaike info criterion 3.873124 Sum squared resid 40.39949 ????Schwarz criterion 4.072081 Log likelihood -36.66781 ????Hannan-Quinn criter. 3.916303 F-statistic 19.26276 ????Durbin-Watson stat 0.429342 Prob(F-statistic) 0.000010
模型估计结果是:
Y=11.01618-1.69E-06x1+0.083146x2-0.000263x3
(0.699743) (1.31E-0.6) (0.055935) (4.68E-05)
t={15.74318} {-1.295660} {1.486471} {-5.631646}
R2=0.772692 R2=0.732578 F=19.26276 df=16 模型检验
1.经济意义检验
模型估计结果说明,在假定其他变量不变的情况下,当年国民总收入每增长1亿人口,人口
增长率就会增加-1.69E-06%;在假定其他变量不变的情况下,当年居民消费价格指数增数增
长率每增长1%,人口增长率就会增加0.083146%;在假定其他变量不变的情况下,当人均GDP增长一元,人口增长率就会增长-0.000263%
2.统计检验
(1)拟合优度:R2=0.772692,修正的可决系数为R2=0.772692这说明模型对样本拟合的很好。
(2)F检验:针对H0: β1 =β2=β3=0,给定的显著性水平α=0.05,在F分布表中查出自由
-1=3和n-k=16的临界值Fα(3,16)=3.24.由eviews得到F=19.26276 >3.24,应拒度为K
绝原假设H0,说明回归方程显著,即“国民总收入”“居民消费价格指数增数增长率”“人均GDP”联合起来确实对“人口增长率”有显著影响。
(3)T检验:分别针对H:βj=0(j=0,1,2,3),给定的显著水平α=0.05,查t分布表得自由度为n-k=16临界值tα/2(n-k)=2.1199。由eviews数据可得,与β0β1β2β3对应的t统计量分别为15.74318,-1.295660,1.486471,-5.631646,其绝对值不均大于2.1199,这说明分别应当部分拒绝H0,也就是说,当其他解释变量不变的情况下,解释变量“国民总收入X1” 对被解释变量“人口增长率Y”没有显著的影响。
“居民消费价格指数增数增长率X2” 对被解释变量“人口增长率Y”没有显著的影响。
“人均GDPx3”对被解释变量“人口增长率Y”有显著的影响。
下面是赠送的两篇散文欣赏,可以仔细阅读,不需要的朋友可以下载后编辑删除~~谢谢~~
脚下的时光
不知走过多少地方,不知看过多少风景,不知听说过多少轶事;
不知经历过多少岁月,不知邂逅过多少良人,不知变换过多少心情;
不知理想的未知是否在前路等待??????
题记:蒲公英
悠悠岁月,时间苍苍~(?文章阅读网:www.sanwen.net )
在这繁花似锦的青葱岁月里,我们不断的接受新鲜的美好事物,不断的享受科技发展所带来的高品质生活;我们总是随大流的,去跟风一些前卫潮流的思想;然而,很少有人去整理那些过往的断壁残垣~
我走过很多地方,但是同样的,我也有更多的地方没去过~
我渴望走遍地球上每一寸土地,我期许世界上每一个地方的人都善良~
从踏入社会的那一刻起,我就觉得人应该是自由的;应该去做自己喜欢的事,看自己喜欢的风景,爱自己喜欢的人;一切都那么单纯,完美~
然而,现实的世界告诉我;理想的丰满一定要遇到拥有相同理想的另一半~
我喜欢珠海,一个美丽的花园城市;我喜欢那里的天气,没有北方的寒冷;四季如春的温度感觉非常惬意,不用担心换季带来的差异~走在市区的街道上,绿化的花草树木被园丁修剪的井然有序;形态各异的花卉搭配得格外美观~尤其是除过草之后的绿地,泥土的芬芳
与绿草的清新扑鼻而来,有一种身处大草原的感觉,使人心旷神怡~我时常一个人发呆,散步;看着过往的人群,车水马龙的街道;也时常去繁华的街巷,拥挤的商业中心;感觉这才是生活,正因为世界有了这么多事物的陪伴,才使我有了对美好生活的向往与喜悦~
珠海的夜,很美;到处灯红酒绿,一派歌舞升平的祥和;每当夜幕降临,才是广东因有的生活的开始~溜冰场,酒吧,迪厅,大排档等等等等;我很庆幸在这里认识了很多人,他们教会了我很多,也帮助了我很多;我们都是来自五湖四海,为了同一个目标而聚集在一起的年轻人;我们时常出去聚会,嗨皮;但等到散场后,又回到了应有的孤寂~白天,可以去渔女,公园,九州城,免税店等等都是不错的地方~
人常说,一个时代会有一个时代的代表;而我在这个曾经为之奋斗的地方,也时常会想起曾经相识的人,走过的地方,看过的风景;有时候,听着当时的流行歌曲,也会感伤;也会自嘲一笑;还有那公车到站的粤语提醒,还有那想见却永远没见的人;一篇篇,一幕幕久久回荡在脑海;早晨的肠粉,中午的餐饭,下午的炒粉,晚上的烧烤;好像味道还回味在口中一样~人,只有在对自己真诚的人的眼里,才会感觉到亲切;而我,也着实喜欢这座城市带给我家一样的温暖感觉~
在这短暂而悠长的时光里,我成长了很多,也磨砺了很多;正是因为思想的成熟,阅历的增长,我选择了离开;去寻找属于自己的新的天地,新的开始,新的征程~
其实,无论走过多少地方;都不重要~
重要的是你从中得到什么~知识~阅历~思想~??????
每个人,在人生的道路上;难免遇到挫折困苦,也难免会因为一些因素而错失机缘~
不可能因为一时的艰难险阻而放弃将要来临的幸福~
也不可能因为一时的过失而自暴自弃颓废一生~
人,应该用豁达的心态来迎接下一秒的新鲜时光;而不是沉溺在上一秒的懊恼当中~
每个人的路,都在自己的脚下;只有自己醒悟才能把未来的路走好,反之只会让错误延续到未来,从而影响以后的健康生活~
即便曾经的时光再美好,那也只是人生道路上的一段插曲;没必要去纠结当时的愕然,愚昧~就像我,从来不对上一秒的事情产生情绪一样~
一切都是恬淡的样子,顺其自然比什么都好~
对于未来,只要真诚的去善待身边的所有;我相信,未来的时光,也该是你想象的模样~
蒲公英
2015.12.13
家乡的茶籽林
坐落在戴云山脉西麓的高才坂,属亚热带季风气候区,夏无酷暑,冬无严寒,日照充足,雨量充沛,山区丘陵满地尽是红壤土,非常适宜茶籽树的生长。高才坂种植小果油茶有着悠久的历史,是远近闻名的茶籽油之乡。
家乡高才坂,一年四季茶籽林郁郁葱葱,枝繁叶茂。村头的亭后坑、银珠垄、赤土岭、牛脊崎,村尾的庵墘头、虎坪林、下淂,村庄对岸的牌匾山、坑里、墘头、下坋、坑柄里等等,山坡上,山坳里,道路边,田边地头,屋后山边,漫山遍野到处是一片连着一片的茶籽林。那里是我儿时与伙伴们捉迷藏、摘茶苞、采茶菇、捡茶籽的地方。
每当春风拂来,几场淅淅沥沥的春雨之后,唤醒沉睡了一个冬季的茶籽树林。老茶树开始发出新枝,抽出嫩芽,嫩芽吐露出嫩红嫩红的叶片,转眼间,嫩红的叶片又变成稚嫩的绿叶。整片茶籽林绿浪涛涛,层层叠叠,在家乡群山环抱的山腰上,形成一道翠绿的屏障。清明节后,儿时的我常与伙伴们在嬉戏玩耍的同时,十分注意寻找茶籽树梢上的“茶苞”,这是
一种生长在茶籽树上的果实,果熟时表面会脱去一层薄如蝉翼的白皮,淡绿色的形似胖胖的寿桃,中空,果瓤可以食用,果肉脆而汁多,清甜爽口。“茶苞”是儿时伙伴们最喜欢的果实,从茶籽树上摘下,在袖口上来回擦几下,脱去表层酥松的外皮,馋猫似地往嘴里塞,津津有味地品尝着大自然恩赐的美食,这是我与伙伴们喜欢到茶籽林玩耍的原因之一。
秋季来临,茶籽树上挂满了青色中夹杂着褐色的茶籽果,茶树枝被压弯下垂,这是村民一年的希望。全村的村民这时节荷锄上山为茶籽林锄草,将林地里各种杂草锄掉,并填埋在茶籽树头下作为有机肥,锄后的茶籽林寸草不留。这是家乡当地的传统习惯,很少采撷树上的油茶果,而是在锄得干干净净的林地上捡茶籽。村民在锄草中,时常发现茶籽林里长的一种真菌——茶树菇,菇伞灰色如碗口大,菇腿灰白色很长,采摘回家煮汤或煮米粉汤味道极其甜美。
清爽的秋风送来百花仙子的柔情蜜意,吹开了丹桂的花骨朵,让神州大地香气四溢的同时,茶籽树也毫不犹豫地绽放自己的花朵,展示自己最妖艳的容貌,一夜之间,漫山遍野的茶籽林中雪白的油茶花盛开了,白色花朵中间吐露出金黄色的花蕊,散发出沁人心脾的芬芳,茶籽林变成一片白色的花海。成群的蜜蜂“嗡嗡嗡”在花丛中飞来飞去,落在金黄色的花蕊中不知疲倦地采蜜,也为油茶花义务传授花粉,为明年茶籽树挂果立下汗马功劳。儿时,我和伙伴们像一群快乐的小蜜蜂,一头扎进茶籽林里,一边观赏着洁白娇艳的油茶花,一边折一根抽去内心的赤蕨杆当吸管,插入金黄色的花蕊中,轻轻一吸,芬芳甜美、味道香醇的花蜜便进入口中。我们小心翼翼地攀下茶树枝,如痴如醉地在一朵又一朵的油茶花中滋滋有声吮吸着花蜜,比供销社卖的硬糖粒还要甜美十倍。
到了秋高气爽的秋末,山区空气相对干燥,白天依然烈日炎炎,可夜晚却出现霜冻,昼夜温差很大。这时,茶籽树上的茶籽果由原来的青色转瞬间全部变成深褐色,已经熟透的茶籽果一颗颗裂开大嘴,露出大嘴里油光发亮的油茶籽。阵阵秋风送爽,茶籽树梢随风摇曳,催促油茶籽快快离开树梢,洒脱地坠落在村民锄得干干净净的地板上,几天时间,茶树林的地面上便铺上一层深褐色的油茶籽。此时的茶籽林沸腾了,满怀丰收喜悦的村民,发动全村男女老幼一起上山捡收油茶籽,大家一边欢快地捡着,一边大声地说笑着,这边有母亲唤儿声,那边有青年男女对歌声,茶籽林里飘出一阵阵欢乐的笑声。这笑声就像嘹亮的集合号角,将满地的油茶籽在愉快的气氛中快速聚结起来,坚定果断地跟随村民进入农家大院。(
油茶籽从开花、授粉、结果到成熟落地,经历了秋、冬、春、夏、秋五个季节的阳光雨露,尽吸天然养分,天地精华,营养极高,是纯天然的绿色食品。村民视油茶籽为农家之宝,及时晒干,装筐储藏,等待冬闲之时送到榨油坊加工成金黄色的茶籽油。
范文五:eviews多元回归
回归模型的估计和统计检验 一、实验目的:
使用EViews软件进行多元回归估计和统计检验 二、实验内容:
考察中国1980-2001年被解释变量国债发行总量(,亿元)DEBT与选择3个解释变量,财政赤字额(DEF,亿元),国内生产总值(GDP,百亿元),年还本付息额(REPAY,亿元)是否存在线性关系。
数据如下 :
Obs DEBT DEF GDP REPAY 1980 43.01 68.9 45.178 28.58 1981 121.74 -37.38 48.624 62.89 1982 83.86 17.65 52.947 55.52 1983 79.41 42.57 59.345 42.47 1984 77.34 58.16 71.71 28.9 1985 89.85 -0.57 89.644 39.56 1986 138.25 82.9 102.022 50.17 1987 223.55 62.83 119.625 79.83 1988 270.78 133.97 149.283 76.76 1989 407.97 158.88 169.092 72.37 1990 375.45 146.49 185.479 190.07 1991 461.4 237.14 216.178 246.8 1992 669.68 258.83 266.381 438.57 1993 739.22 293.35 346.344 336.22 1994 1175.25 574.52 467.594 499.36 1995 1549.76 581.52 584.781 882.96 1996 1967.28 529.56 678.846 1355.03 1997 2476.82 582.42 744.626 1918.37 1998 3310.93 922.23 783.452 2352.92 1999 3715.03 1743.59 820.6746 1910.53 2000 4180.1 2491.27 894.422 1579.82 2001 4604 2516.54 959.333 2007.73 数据来源:中国统计年鉴,中国统计出版社
三、实验过程
1.工作文件,或录入数据,建立组group01
选择方程:选择方程估计方法,选择回归分析的样本范围 (1)作散点图
3,000
2,500
2,000
1,500X4
X3
1,000X2
500
0
-500
01,0002,0003,0004,0005,000
Y
(2)模型设立
从散点图可以看出国债发行总量(Y)与财政赤字额(X2),国
内生产总值(X3),年还本付息额(X4)大体呈现为线性关系,为分析中国国债的发行额与经济总规模,财政赤字的多少,每年的还本付息能力变动的数量规律性,可以建立如下简单线性回归模型:
Y = ,+,X+,X+,X+ u t1 2 2t 33t 4 4t t
(3)估计参数
利用Eviews估计模型参数,点击‘quick’下拉菜单中的‘Estimate Equation’,在出现的对话框的‘Equation Specification’栏中键入‘Y C X2 X3 X4’,回车即出现回归结果: Dependent Variable: Y
Method: Least Squares
Date: 12/01/10 Time: 17:13
Sample: 1980 2001
Included observations: 22
Variable Coefficient Std. Error t-Statistic Prob.
C 4.314008 21.66725 0.199103 0.8444
X2 0.995403 0.031613 31.48699 0.0000
X3 0.345202 0.154470 2.234756 0.0384
X4 0.879760 0.049508 17.77022 0.0000
R-squared 0.998955 Mean dependent var 1216.395 Adjusted R-squared 0.998781 S.D. dependent var 1485.993 S.E. of regression 51.88705 Akaike info criterion 10.89898 Sum squared resid 48460.78 Schwarz criterion 11.09735 Log likelihood -115.8888 Hannan-Quinn criter. 10.94571 F-statistic 5735.346 Durbin-Watson stat 2.116834 Prob(F-statistic) 0.000000
根据表中数据,模型估计结果为
?Y,4.314008,0.995403X,0.345202X,0.879760X 234
(21.66725)(0.031613) (0.154470) (0.049508) t= (0.199103)(31.48699) (2.234756) (17.77022)
22R,0.998955R,0.998781 F=5735.346
(4)模型检验
1、经济意义检验
模型估计说明,在假定其他变量不变的情况下,当年财政赤字额每增长1%,平均来说当年国债发行总量会增长0.995403%;在假定其他变量不变的情况下,当年GDP每增长1%,平均来说当年国债发行总量会增长0.345202%;在假定其他变量不变的情况下,当年年还本付息率每增长1%,平均来说当年国债发行总量会增长0.879760%。这与理论分析和经验判断相一致。
2、统计检验
一)拟合优度
2由表中数据可以得到R,0.998955,修正的可决系数为2,这说明模型对样本的拟合很好。 R,0.998781
二)F检验
针对H0:?2=?3=?4=0,给定显著水平为a=0.05,在F分布表中查出自由度为k-1=3和n-k=18的临界值F(3,18)=3.16,由表中的F=5735.346,由F> F(3,18)=3.16,因此拒绝原假设H0:?2=?3=?4=0,说明回归方程显著。即财政赤字额(DEF,亿元),国内生产总值(GDP,百亿元),年还本付息额(REPAY,亿元)联合起来对国债发行总量(DEBT,亿元)有显著影响。
三)t检验
针对H0:?2=?3=?4=0,给定显著水平为a=0.05,在t分布表中查出自由度为n-k=18的临界值t(18)=2.101,由表数据得?1、 ?2、
?3、?4的估计值0.199103、31.48699、2.234756 、17.77022,由?1< t(18)="2.101," ?2=""> t(18)=2.101、?3> t(18)=2.101、?4> t(18)=2.101因此,比较可知?1接受原假设,?2、?3、?4拒绝原假设。即中国财政赤字额(DEF,亿元),国内生产总值(GDP,百亿元),年还本付息额(REPAY,亿元)国债发行总量(DEBT,亿元)有显著影响。
(5)残差图
在估计方程的窗口选择View\ Actual,
Fitted,Residual\Actual, Fitted,Residual Table,得到相应的残差图。 Actual表示yt的实际观测值,Fitted表示yt的拟合值 ,Residual表示残差 。残差图中的两条虚线与中心线的距离表示残差的一个标准差,即s.e.。
5,000
4,000
3,000
2,000
1,000
150
0
100
50
0
-50
-100
8082848688909294969800
ResidualActualFitted
转载请注明出处范文大全网 » eviews面板数据之混合回