计量经济学实验指导书

　实验一

　EViews软件的基本操作

　【实验目的】 了解EViews软件的基本功能，掌握软件的基本操作。

　【实验内容】 一、EViews软件的安装； 二、数据的输入与编辑； 三、图形分析与描述统计分析； 四、数据文件的存贮、调用与转换。

　实验步骤二、三和四以表1-1所列出的税收收入和国内生产总值的统计资料为例进行操作。

　 表1-1

　我国FDI和GDP的统计资料

　 年份 FDI（亿美元） GDP（亿元） 年份 FDI（亿美元） GDP（亿元） 1985 16.61 8964.4

　1995 375.21 58478.1

　1986 18.74 10202.2

　1996 417.25 67884.6

　1987 23.14 11962.5

　1997 452.57 74462.6

　1988 31.94 14928.3

　1998 454.63 78345.2

　1989 33.92 16909.2

　1999 403.19 82067.5

　1990 34.87 18547.9

　2000 407.15 89468.1

　1991 43.66 21617.8

　2001 468.78 97314.8

　1992 110.07 26638.1

　2002 527.43 105172.3

　1993 275.15 34634.4

　2003 535.05 117390.2

　1994 337.67 46759.4

　2004 606.30 136875.9

　资料来源：《中国统计年鉴2000》和《中国统计年鉴2005》。

　 【实验步骤】 一、安装和启动EViews软件 （一）Eviews简介 EViews是Econometrics Views（计量经济学视窗）的缩写。EViews是在TSP (Time Series Processor) 软件包基础上发展起来的新版本，主要用于处理时间序列数据。EViews是Windows下专门从事数据分析、回归分析和预测的工具。EViews是为专门为大型机开发的、主要用以处理时间序列数据的软件。虽然EViews是经济学家开发的，而且主要用于经济学领域里，但是从软件包的设计来看，EViews的运用领域并不局限于处理经济时间序列。

　EViews具有现代Windows软件可视化操作的优良性。可以使用鼠标对标准的Windows菜单和对话框进行操作。操作结果出现在窗口中并能采用标准的Windows技术对操作结果进行处理。此外，EViews还拥有强大的命令功能和批处理语言功能。在EViews的命令行中输入、编辑和执行命令。在程序文件中建立和存储命令，以便在后续的研究项目中使用这些程序。

　（二）EViews对系统环境的要求 Eviews对计算机硬件和软件要求低，目前主流电脑和操作系统均能运用。

　（三）安装 略

　二、数据的输入与编辑 （一）创建工作文件 ⒈菜单方式 启动EViews软件之后，进入EViews主窗口（如图1-1所示）。

　 命令窗口口 标题栏 菜单栏

　 状态栏 主显示窗口

　 图1-1

　EViews主窗口

　标题栏：窗口的顶部是标题栏，标题栏的右端有三个按钮：最小化、最大化（或复原）和关闭，点击这三个按钮可以控制窗口的大小或关闭窗口。

　菜单栏：标题栏下是主菜单栏。主菜单栏上共有7个选项：

　File，Edit，Objects，View，Procs，Quick，Options，Window，Help。用鼠标点击可打开下拉式菜单（或再下一级菜单，如果有的话），点击某个选项电脑就会执行对应的操作响应（File，Edit的编辑功能与Word, Excel中的相应功能相似）。

　命令窗口：主菜单栏下是命令窗口，窗口最左端一竖线是提示符，允许用户在提示符后通过键盘输入EViews（TSP风格）命令。如果熟悉TSP（DOS）版的命令可以直接在此键入，如同DOS版一样地使用EViews。按↑箭头，键入的历史命令将重新显示出来，供用户选用。

　主显示窗口：命令窗口之下是Eviews的主显示窗口，以后操作产生的窗口（称为子窗口）均在此范围之内，不能移出主窗口之外。

　状态栏：主窗口之下是状态栏，左端显示信息，中部显示当前路径，右下端显示当前状态，例如有无工作文件等.

　工作文件 在主菜单上依次点击File－New－Workfile，即选择新建对象的类型为工作文件，将弹出一个对话框（如图1-2所示），由用户选择数据的时间频率（frequency）、起始期和终止期。

　 图1-2

　工作文件对话框

　其中，Annual——年度

　 Monthly——月度 Semi-annual——半年

　 Weekly——周

　Quarterly——季度

　Daily——日 Undated or irregular——非时间序列数据 根据表1－1中，选择时间频率为Annual（年度），再分别点击起始期栏（Start）和终止期栏（End），输入相应的日前1985和2004。然后点击OK按钮，将在EViews软件的主显示窗口显示相应的工作文件窗口（如图1-3所示）。

　 图1-3

　工作文件窗口

　工作文件窗口是EViews的子窗口，工作文件一开始其中就包含了两个对象，一个是系数向量C（保存系数估计值用），另一个是残差序列RESID（实际值与拟合值之差）。

　⒉命令方式 在EViews软件的命令窗口中直接键入CREATE命令，也可以建立工作文件。命令格式为：

　create

　时间频率类型

　起始期

　终止期 则以上菜单方式过程可写为：create

　 a

　1985

　 2004 其中a对应的是annual，字母和频率的对应关系如下 s

　 semi-annual

　 d

　 daily(5 day week) q

　 quarterly

　7

　daily(7 day week) m

　monthly

　 u

　undated or irrugular w

　weekly

　（二）输入数据 ⒈菜单方式 在EViews软件主窗口或工作文件窗口点击Objects－New Object，对象类型选择Series，并输入序列名gdp，一次只能创建一个新序列（图1-4所示）。再从工作文件目录中选取并双击所创建的新序列就可以展示该对象，选择Edit＋/－，进入编辑状态，输入数据。用同样的方式可以输入序列fdi。

　图1-4

　创建新对象窗口

　2．命令方式 在EViews软件的命令窗口键入data命令，命令格式为：

　data

　 <序列名1>

　<序列名2>…<序列名n> 本例中可在命令窗口键入如下命令（图1-5所示）：

　data

　 gdp

　 fdi

　图1-5

　键入data命令

　将显示一个数组（group）窗口（图1-6所示），此时可以按全屏幕编辑方式输入每个变量的统计资料。也可以将Excel文件中的数据用copy和paste命令复制过来。

　 图1-6

　数组窗口

　（三）生成新序列 ⒈菜单方式 在EViews软件工作文件窗口点击Objects－Generate Sereies，出现Generate Series by E quation窗口，在Enter equation窗口中输入公式 loggdp=log(gdp) 点击ok（如图1－7），即可生长一个序列名为loggdp的新序列，该序列的值是对原序列gdp取自然对数后的值。

　 图1-7

　生成新序列窗口

　2．命令方式 在命令窗口中依次键入以下命令即可：

　genr

　 loggdp=log(gdp) （四）选择若干变量构成数组 在工作文件窗口中单击所要选择的变量，按住Ctrl键不放，继续用鼠标选择要展示的变量，选择完以后，单击鼠标右键，在弹出的快捷菜单中点击Open－as Group（图1-8），则会弹出如图1-9所示的数组窗口，其中变量从左至右按在工作文件窗口中选择变量的顺序来排列。

　 图1-8 选择变量构成数组

　图1-9

　弹出的数组窗口

　（五）在工作文件窗口中删除、更名变量。

　⒈在工作文件窗口中选取所要删除或更名的变量并单击鼠标右键，在弹出的快捷菜单中选择Delete（删除）或Rename（更名）即可（如图1-10所示）。

　 图1-10

　在工作文件窗口删除、更名变量1

　⒉在工作文件窗口中选取所要删除或更名的变量，点击工作文件窗口菜单栏中的Objects/Delete selected…（Rename selected…），即可删除（更名）变量（如图1-11所示）。

　 图1-11

　在工作文件窗口删除、更名变量2 ⒊在工作文件窗口中选取所要删除的变量，点击工作文件窗口菜单栏中的Delete按钮即可删除变量。

　三、图形分析与描述统计分析 （一）绘图 1．菜单方式 在主窗口点击Quick－Graph，有Line、Bar、Scatter等选项，如选择Line Graph（如图1－12），在series list输入gdp（如图1－13），则可以绘制变量gdp的随时间变化的趋势图（图1-14）

　图1－12 绘制线图

　图1－13 选择序列

　图1-14

　变量gdp的趋势图

　从图1-14中可以看出，我国1985－2004年间gdp大体呈增长趋势的。

　在series list输入gdp和fdi，则可以绘制序列gdp和fdi两个变量随时间变化的趋势图。

　在Graph菜单中，选择Scatter Graph，再在series list输入fdi和gdp，则可以画出gdp对fdi的散点图（图1-15）。

　 图1-15

　变量gdp对fdi的散点图

　图1-15表明，GDP与FDI密切相关，GDP随着FDI的增加而增加，两者大体呈线性变化趋势。

　2．命令方式 可以在命令行中输入Line gdp来绘制变量gdp的线图。scat fdi gdp来绘制gdp对fdi的散点图。

　3.在series或group窗口中操作 在工作文件（workfile）窗口双击所选择的序列（series），打开序列（series）窗口。在series窗口菜单中依次选择View—Graph—Line也可以画出随时间变化的线图。

　在group窗口中也可以进行同样的选择画图。

　4．观察图形参数的设置情况 双击图形区域中任意处或在图形窗口中点击Procs－Options，则会弹出如图1-16所示的Graph Options窗口，进入图形编辑状态。选择图形类型、图形属性（是否置入图框内，刻度，是否用彩色）、柱和线的选项，设定竖轴（单个，双个，是否交叉），设定比例尺度（优化线性尺度，强制通过0线，对数尺度，正态化尺度），手动设定比例尺度、线形图选项、柱形图选项、散点图选项（连接，配拟合直线）、饼图选项等。

　图1-16 图形选项窗口

　（二）在序列和数组窗口观察变量的描述统计量 在工作文件（workfile）窗口双击所选择的序列（series），打开序列（series）窗口，在series窗口的菜单选择View－Descriptive Statistics－Stats Table，则会显示变量的描述统计量（如图1－17）。

　 图1-17

　序列描述统计量窗口

　若是数组窗口，从数组窗口菜单选择View－Descriptive Stats－Individual Samples，就对每个序列计算描述统计量。

　 Mean——均值

　 Median——中位数

　 Maximum——最大值 Minimum——最小值

　 Std.Dev.——标准差

　 Skewness——偏度

　Kurtosis——峰度

　Jarque-Bera——雅克－贝拉检验值

　 Probability——p值（如很小，可以拒绝变量为正态分布的假定） Observations——观测值个数 在序列窗口菜单选择View－Descriptive Statistics－Histogram and Stats还可以作出统计学中所讲述过的直方图。

　四、数据文件的保存、调用与转换 （一）保存并调用工作文件 ⒈保存xxxxxxxxx 在Eviews主窗口的工具栏上选择File－Save（Save as），再在弹出的对话框中指定保存路径和文件名，点击确定按钮即可。

　⒉调用 在Eviews主窗口的工具栏上选择File－Open－Workfile，再在弹出的对话框中选取要调用的工作文件，点击确定按钮即可。

　3．调用Excel文件 在Eviews主窗口的工具栏上选择File－Open－Foreign Data as Workfile，再在弹出的对话框中选取要调用的工作表（sheet），点击确定按钮，然后再选择变量的名称（如图1－18）。

　 图1－18 调取Excel文件 （二）保存若干个变量，并在另一个工作文件中调用存贮保存的变量 在工作文件窗口中选取所要存贮的变量，点击工作文件窗口菜单栏中的Store按钮，弹出store对话框，指定存贮路径，点击YES按钮即可（图1-19）。

　打开另一个工作文件，点击工作文件窗口菜单栏中的Fetch按钮，弹出fetch对话框，在指定目录下选取要调用的变量，点击确定按钮即可（图1-20）。

　 图1-19

　Store 窗口

　图1-20

　Fetch窗口

　（三）将变量分别存贮成文本文件和Excel文件 在工作文件窗口中选择要保存的一个或多个变量，点击Eviews主窗口菜单栏中的File－Export－Write Text-Lotus-Excel，在弹出的对话框中指定存贮路径和存贮的文件格式（图1-21），若存贮成文本文件则选择Text-ASCII，若存贮成Excel文件则选择Excel.xls，再点击保存按钮。

　 图1-21

　指定存贮路径

　弹出ASCII Text Export（Excel Export）窗口（图1-22），点击OK按钮即可。其中，By Observation-Series in columns表示各观测值按列排列，By Series-Series in rows表示各观测值按行排列。

　 图1-22

　存贮为文本格式

　（四）在工作文件中调用文本文件和Excel文件 点击Eviews主窗口菜单栏中的File－Import－Read Text-Lotus-Excel，在弹出的对话框中选取要调用的文本文件或Excel文件，点击打开按钮后，弹出ASCII Text Import（Excel Import）窗口，在Name for series or Number of series if file names in file编辑框中要输入调用的变量名，点击OK按钮即可。

　其中in columns表示按列调用数据，in rows表示按行调用数据。

　（五）对象窗口中点击Name按钮，将对象存贮于工作文件。

　以gdp、fdi变量组成的数组为例，点击Name菜单，弹出object name对话框，在Name to identify object文本框中输入要命名的数组名称，点击OK按钮即可（图1-23）。

　 图1-23

　存贮对象于工作文件

　 实验二

　一元回归模型

　【实验目的】 掌握一元线性回归模型的估计方法。

　【实验内容】 建立我国FDI对GDP的一元回归模型 【实验步骤】 一、模型设定 1．菜单方式 按照实验一中的方法建立一个新的工作文件，输入表1－1中的FDI和GDP的数据分别命名为fdi和gdp。建立一个数组，包含fdi和gdp两个序列。在数组窗口中点击Proc－Make Equation。会出现Equation Estimation窗口（如图2－1），在Specification（模型设定）中最左边的是因变量（图2-1中因变量是fdi），c表示常数项。如果不需要重新确定方程中的变量或调整样本区间，可以直接点击“确定”。也可以在Equation Specification中输入公式，比如

　也可以在Eviews主窗口中点击Quick－Estimate Equation，也会弹出Equation Estimation窗口。

　 图2－1 Equation Estimation窗口 2．命令方式 也可以通过在Eviews命令窗口中键入LS命令来估计模型，其命令格式为：

　LS

　被解释变量

　C

　解释变量 LS表示估计方法是最小二乘法。

　二、估计结果 模型设定后，系统将弹出一个窗口来显示有关估计结果（如图2－2所示）。

　 图2－2 回归方程估计结果

　第一个表分别表示常数项c和自变量gdp的回归系数(Coeffficient)，标准误(Std. Error)，t值(t-Statistic)，p值(Prob.)。

　第二个是样本决定系数(R-squared)，调整后的(Adjusted R-squared)，回归方程的标准误(S.E. of regression，即随机误差项标注误的估计值)，残差平方和(Sum squared resid)，DW值(Durbin-Watson stat)，因变量的均值(Mean dependent var)，因变量的标准误(S.D. dependent var)，F检验值(F-statistic)，F检验对应的p值(Prob(F-statistic)。

　对数似然函数值(Log likelihood)，公式：)； AIC准则（赤池准则）(Akaike info criterion)

　公式：； Schwarz准则(Schwarz criterion)

　公式：。

　后两个准则通常用来选择模型的，数字越小，所构造的模型越好。

　三、回归方程 在估计结果窗口点击View－Representations，会弹出如下的窗口（图2－3）

　图2－3 Representations窗口 该窗口列出了以公式形式表达的回归方程。

　四、预测值 在估计结果窗口点击View－Actual,Fitted,Residual－Actual,Fitted,Residual Table，会弹出如下的窗口（图2－4）

　 图2－4 残差图

　该窗口显示的是实际的和回归方程估计的应变量值，以及相应的残差。右边是残差图。

　实验三

　多元回归模型

　【实验目的】 掌握建立多元回归模型建模和估计方法。

　【实验内容】 建立台湾地区生产函数的计量模型。

　表3－1列出了台湾地区1958年到1972年间总产出、资本投入和劳动投入的数据。

　表3－1 台湾地区总产出情况表 年份 实际总产值（新台币百万元） 劳动投入（千人） 实际资本投入（新台币百万元） 1958 8911.4 281.5 120753 1959 10873.2 284.4 122242 1960 11132.5 289 125263 1961 12086.5 375.8 128539 1962 12767.5 375.2 131427 1963 16347.1 402.5 134267 1964 19542.7 478 139038 1965 21075.9 553.4 146450 1966 23052 616.7 153714 1967 26128.2 695 164783 1968 29563.7 790.3 176864 1969 33376.6 816 188146 1970 38354.3 848.4 205841 1971 46868.3 873.1 221748 1972 54308 999.2 239715 资料来源：古扎拉蒂：《计量经济学》 【实验步骤】 一、输入数据 在命令窗口依次键入以下命令即可：

　⒈建立工作文件：

　create

　 a

　 58

　72 ⒉输入统计资料：

　data

　 y

　 l

　 k 然后直接输入数据，或者将Excel文件中的数据拷入。

　二、建立多元线性回归模型 在命令窗口输入 ls y c l k 则生产函数的估计结果及有关信息如图3-1所示。

　 Variable Coefficient Std. Error t-Statistic Prob.

　 C -32135.74 2995.491 -10.72804 0.0000 L 2.444546 6.131535 0.398684 0.6971 K 0.344011 0.038983 8.824730 0.0000

　 R-squared 0.990013     Mean dependent var 24292.53 Adjusted R-squared 0.988348     S.D. dependent var 13864.75 S.E. of regression 1496.608     Akaike info criterion 17.63665 Sum squared resid 26878026     Schwarz criterion 17.77826 Log likelihood -129.2748     F-statistic 594.7665 Durbin-Watson stat 0.972696     Prob(F-statistic) 0.000000

　 图3-1

　 台湾地区生产函数的估计结果 台湾地区生产函数为：

　（模型1） ＝

　(0.398684)

　(8.824730)

　估计结果显示，模型有很高的拟合优度。但是，变量劳动的统计量值未通过显著性检验。

　三、建立C-D生产函数模型

　输入命令：ls log(y) c log(l) log(k) 则生产函数的估计结果及有关信息如图3-2所示。

　 Variable Coefficient Std. Error t-Statistic Prob.  

　 C -8.393324 2.718330 -3.087676 0.0094 LOG(L) 0.673615 0.153202 4.396919 0.0009 LOG(K) 1.180703 0.302122 3.908038 0.0021

　 R-squared 0.982456     Mean dependent var 9.949177 Adjusted R-squared 0.979532     S.D. dependent var 0.566292 S.E. of regression 0.081018     Akaike info criterion -2.011430 Sum squared resid 0.078767     Schwarz criterion -1.869820 Log likelihood 18.08572     F-statistic 335.9902 Durbin-Watson stat 1.299353     Prob(F-statistic) 0.000000

　 图3-2

　 C-D生产函数估计结果 C-D生产函数为：

　（模型2） ＝

　(4.396919)

　(3.908039)

　从图3-2的结果看出，回归系数的符号是合理的，而且系数都是显著性。

　四、模型的选择 从经济意义和统计意义上看，模型2更为可取，因为系数都是高度显著的，而且符号也符合经济意义。注意：不能直接比较两个模型的或RSS。

　五、回归系数的线性约束 在Eviews中，我们可以检验对回归系数的线性约束。比如，我们可以检验该生产函数是否满足规模报酬不变。即C-D生产函数中劳动和资本的回归系数是否相加为1。

　在估计结果窗口中，点击View－Coefficient Test－Wald-Coefficient Restrictions，会弹出如下的对话窗口（如图3－3），在窗口中输入以公式表达的约束，c(2)+c(3)=1。

　图3－3 回归系数约束公式的输入窗口

　点击ok后，会出现如下结果（图3－4）

　Wald Test:

　 Equation: EQ02

　 Test Statistic Value   df     Probability

　 F-statistic 27.10376 (1, 12)   0.0002 Chi-square 27.10376 1   0.0000

　 Null Hypothesis Summary:

　Normalized Restriction (= 0) Value   Std. Err.

　 -1 + C(2) + C(3) 0.854319 0.164099

　 Restrictions are linear in coefficients. 图3－4 回归系数约束的检验结果

　第一个表格中的F统计量值，就是利用回归系数线性约束的F检验的结果。从结果中可以看出，p值很小，所以可以拒绝原假设，即规模报酬不变不成立。

　六、受约束条件下的最小二乘法 利用Eviews我们可以很容易得到受约束条件下的最小二乘估计量。比如在上例中，如果我们想要估计当规模报酬不变约束下的回归系数时，可以按照图3-5所示进行输入。回归结果是图3-6.

　图3-5 RLS估计

　 图3-6 RLS估计结果

　当然，也可以在模型设定窗口中输入 log(y/l)

　c

　log(k/l) 或在命令窗口中输入 ls log(y/l) c log(k/l) 也可以得到相同的结果。

　实验四

　多重共线性

　【实验目的】 掌握多重共线性的检验及处理方法 【实验内容】 根据表4－1的数据，建立子鸡消费的回归模型

　表4－1 子鸡消费数据 年份 子鸡消费 实际收入 子鸡价格 猪肉价格 牛肉价格 综合价格 1960 27.8 397.5 42.2 50.7 78.3 65.8 1961 29.9 413.3 38.1 52 79.2 66.9 1962 29.8 439.2 40.3 54 79.2 67.8 1963 30.8 459.7 39.5 55.3 79.2 69.6 1964 31.2 492.9 37.3 54.7 77.4 68.7 1965 33.3 528.6 38.1 63.7 80.2 73.6 1966 35.6 560.3 39.3 69.8 80.4 76.3 1967 36.4 624.6 37.8 65.9 83.9 77.2 1968 36.7 666.4 38.4 64.5 85.5 78.1 1969 38.4 717.8 40.1 70 93.7 84.7 1970 40.4 768.2 38.6 73.2 106.1 93.9 1971 40.3 843.3 39.8 67.8 104.8 89.7 1972 41.8 911.6 39.7 79.1 114 100.7 1973 40.4 931.3 52.1 95.4 124.1 113.5 1974 40.7 1021.5 48.9 94.2 127.6 115.3 1975 40.1 1165.9 58.3 123.5 142.9 136.7 1976 42.7 1349.6 57.9 129.9 143.6 139.2 1977 44.1 1449.4 56.5 117.6 139.2 132 1978 46.7 1575.5 63.7 130.9 165.5 132.1 1979 50.6 1759.1 61.6 129.8 203.3 154.4 1980 50.1 1994.2 58.9 128 219.6 174.9 1981 51.7 2258.1 66.4 141 221.6 180.8 1982 52.9 2478.7 70.4 168.2 232.6 189.4

　【实验步骤】 一、输入数据 在Eviews命令行中输入 create a 1960 1982 data q I p p2 p3 ap 然后输入表6－1中的数据，或将表中数据拷入。其中q子鸡消费量，I表示收入，p表示子鸡价格，p2表示猪肉价格，p3表示牛肉价格，ap表示猪肉和牛肉的综合价格。

　二、建立回归模型 根据经济理论可知，子鸡消费量依赖于收入，子鸡价格和替代品的价格，所以首先考虑子鸡消费对收入、子鸡价格、猪肉价格和牛肉价格的回归。输入命令 ls q c I p p2 p3 回归结果如下

　Dependent Variable: Q

　 Variable Coefficient Std. Error t-Statistic Prob.  

　 C 37.23398 3.717757 10.01517 0.0000 I 0.005015 0.004893 1.024840 0.3190 P -0.611156 0.162839 -3.753131 0.0015 P2 0.198384 0.063719 3.113441 0.0060 P3 0.069467 0.050989 1.362394 0.1899

　 R-squared 0.942585     F-statistic 73.87690 Adjusted R-squared 0.929826     Prob(F-statistic) 0.000000 回归结果中，所有变量的回归系数的符号都符合经济含义，但是收入和牛肉价格这两个变量的回归系数在统计上不显著。回归方程高度显著。

　三、侦察多重共线性 回归结果方程高度显著，但有个别解释变量系数不显著，提示我们很可能存在多重共线性。

　1．检查解释变量两两简单相关系数 将变量I、p、p2和p3以数组方式打开，然后在菜单上选择View－Correlations－Common Sample，会出现相关系数矩阵（图4－1）。

　图4－1 自变量的相关系数矩阵

　或者在Eviews命令窗口中键入：

　COR

　i

　p

　p2

　p3 从相关系数可以看出，这四个变量的两两相关系数都在0.928以上，表示存在着一定的多重共线性。

　⒉辅助回归方程检验 可以通过建立辅助回归模型来检验多重共线性。本例中，在Eviews软件命令窗口中键入：

　LS

　i

　C

　p

　p2

　p3 回归结果表明该辅助回归的样本决定系数=0.98。所以可以计算方差膨胀因子=50。可见存在着严重的多重共线性。

　四、解决方法 根据理论分析，子鸡消费量应主要取决于收入和子鸡价格，所以先考虑引入I和p两个解释变量。输入命令ls q c I p，结果如下 Dependent Variable: Q

　 Variable Coefficient Std. Error t-Statistic Prob.  

　 I 0.014885 0.002193 6.786161 0.0000 P -0.213670 0.121901 -1.752813 0.0950 C 34.51775 3.855600 8.952627 0.0000

　 R-squared 0.910837     F-statistic 102.1538 Adjusted R-squared 0.901920     Prob(F-statistic) 0.000000 回归方程高度显著，收入的系数也是高度显著的，价格的系数在0.1的显著性水平下也是显著的。

　然后再逐个引入猪肉价格和牛肉价格，引入猪肉价格后的结果如下 Dependent Variable: Q

　 Variable Coefficient Std. Error t-Statistic Prob.  

　 I 0.010878 0.002381 4.568227 0.0002 P -0.541124 0.157955 -3.425800 0.0028 P2 0.174041 0.062525 2.783547 0.0118 C 38.64867 3.649340 10.59059 0.0000

　 R-squared 0.936665     F-statistic 93.66346 Adjusted R-squared 0.926664     Prob(F-statistic) 0.000000 引入牛肉价格后的结果如下 Dependent Variable: Q

　 Variable Coefficient Std. Error t-Statistic Prob.  

　 I 0.012981 0.005036 2.577694 0.0184 P -0.222373 0.126180 -1.762344 0.0941 P3 0.024949 0.059088 0.422236 0.6776 C 33.80214 4.286604 7.885528 0.0000

　 R-squared 0.911666     F-statistic 65.36389 Adjusted R-squared 0.897718     Prob(F-statistic) 0.000000 可见，引入猪肉价格后，系数是高度显著的，而且符号也符合经济含义。从理论上看，猪肉和牛肉都是替代产品，所以引入综合价格，结果如下

　Dependent Variable: Q

　 Variable Coefficient Std. Error t-Statistic Prob.  

　 I 0.009534 0.004187 2.276731 0.0346 P -0.296246 0.130809 -2.264714 0.0354 AP 0.106390 0.071672 1.484402 0.1541 C 32.54244 3.974005 8.188828 0.0000

　综合价格的系数不显著。

　所以，理想的模型应该是

　实验五

　虚拟变量

　【实验目的】 掌握虚拟变量的使用方法 【实验数据】 表4－1 我国各地区2003年FDI和GDP的数据 地区 2003年FDI(万美元） 2003GDP（亿元） 地区 2003年FDI(万美元） 2003GDP（亿元） 北京 219126 3663.10 河南 53903 7048.59 天津 153473 2447.66 湖北 156886 5401.71 河北 96405 7098.56 湖南 101835 4638.73 山西 21361 2456.59 广东 782294 13625.87 内蒙 8854 2150.41 广西 41856 2735.13 辽宁 282410 6002.54 海南 42125 670.93 吉林 19059 2522.62 重庆 26083 2250.56 黑龙江 32180 4430.00 四川 41231 5456.32 上海 546849 6250.81 贵州 4521 1356.11 江苏 1056365 12460.83 云南 8384 2465.29 浙江 498055 9395.0000 陕西 33190 2398.58 安徽 36720 3972.380 甘肃 2342 1304.60 福建 259903 5232.17 青海 2522 390.21 江西 161202 2830.46 宁夏 1743 385.34 山东 601617 12435.93 新疆 1534 1877.61 资料来源：《中国统计年鉴》2003，2005. 【实验步骤】 一、输入数据 在Eviews中输入命令 Create u 30

　Data fdi gdp 然后输入表5－1中的数据。

　二、输入虚拟变量 以表4-1数据为例，现在考虑将全国分为三大经济地带，东部、中部和西部。我们分别生产三个虚拟变量，，和，如图4-1所示。

　 图4-1 地区虚拟变量

　三、虚拟变量回归模型 通常情况下，因分为三大经济地带，所以引入两个虚拟变量即可。做fdi对截距项，gdp和d1，d2的回归，结果如下 Dependent Variable: FDI

　 Included observations: 30

　 Variable Coefficient Std. Error t-Statistic Prob.  

　 C -92194.98 34923.56 -2.639908 0.0138 GDP 52.10349 6.965702 7.480006 0.0000 D1 160308.5 58402.02 2.744913 0.0108 D2 -66184.04 50321.02 -1.315237 0.1999

　 R-squared 0.855693     Mean dependent var 176467.6 Adjusted R-squared 0.839042     S.D. dependent var 262951.1 S.E. of regression 105495.0     Akaike info criterion 26.09428 Sum squared resid 2.89E+11     Schwarz criterion 26.28111 Log likelihood -387.4142     F-statistic 51.39027 Durbin-Watson stat 1.964926     Prob(F-statistic) 0.000000

　 注意，虚拟变量前的系数表示当GDP变量不变时，各地区与对照组（这里是西部地区）FDI的差距。但我们实际上也可以同时引入三个虚拟变量，只需要将截距项“c”去掉即可。回归结果如下

　Dependent Variable: FDI

　 Included observations: 30

　 Variable Coefficient Std. Error t-Statistic Prob.  

　 GDP 52.10349 6.965702 7.480006 0.0000 D1 68113.49 60342.18 1.128787 0.2693 D2 -158379.0 47055.96 -3.365759 0.0024 D3 -92194.98 34923.56 -2.639908 0.0138

　 R-squared 0.855693     Mean dependent var 176467.6 Adjusted R-squared 0.839042     S.D. dependent var 262951.1 S.E. of regression 105495.0     Akaike info criterion 26.09428 Sum squared resid 2.89E+11     Schwarz criterion 26.28111 Log likelihood -387.4142     Durbin-Watson stat 1.964926

　这时，虚拟变量前的回归系数表示各地区除GDP影响外其他因素所能解释的FDI部分。进一步，我们还可以在引入三个虚拟变量的同时保留截距项，但需要对三个虚拟变量前的系数施加一个约束：三个系数之和等于零。回归结果如下

　Dependent Variable: FDI

　 Method: Least Squares

　 Included observations: 30

　 FDI=C(1)+C(2)*GDP+C(3)*D1+C(4)*D2+(-C(3)-C(4))*D3

　Coefficient Std. Error t-Statistic Prob.  

　 C(1) -60820.17 37373.89 -1.627344 0.1157 C(2) 52.10349 6.965702 7.480006 0.0000 C(3) 128933.7 32848.86 3.925058 0.0006 C(4) -97558.85 28038.97 -3.479402 0.0018

　 R-squared 0.855693     Mean dependent var 176467.6 Adjusted R-squared 0.839042     S.D. dependent var 262951.1 S.E. of regression 105495.0     Akaike info criterion 26.09428 Sum squared resid 2.89E+11     Schwarz criterion 26.28111 Log likelihood -387.4142     Durbin-Watson stat 1.964926 注意，在上述回归结果中，虚拟变量前的系数表示的是各地区与全国平均水平相比的差距。而且，三个回归结果中，GDP前的系数并没有发生改变。

　以上回归，我们实际上认为各地区FDI和GDP的关系中，地区的影响体现在差别截距上。但我们还可以考虑差别斜率的影响。考虑如下的回归，D1*GDP和D2*GDP前的系数表示的就是各地区的差别斜率的影响。东部地区仍是要显著地异于西部地区。

　Dependent Variable: FDI

　 Included observations: 30

　 Variable Coefficient Std. Error t-Statistic Prob.  

　 C 2394.661 32147.90 0.074489 0.9412 GDP 7.206954 15.16661 0.475185 0.6386 D1*GDP 54.37751 13.34756 4.073966 0.0004 D2*GDP 7.957034 12.83808 0.619799 0.5408

　 R-squared 0.907779     Mean dependent var 176467.6 Adjusted R-squared 0.897139     S.D. dependent var 262951.1 S.E. of regression 84333.69     Akaike info criterion 25.64652 Sum squared resid 1.85E+11     Schwarz criterion 25.83334 Log likelihood -380.6977     F-statistic 85.31093 Durbin-Watson stat 1.985188     Prob(F-statistic) 0.000000

　实验六

　异方差

　【实验目的】 掌握异方差性的检验及处理方法。

　【实验内容】 表5－1列出了2003年我国各地区的FDI和GDP的数据，利用Eviews建立我国各地区FDI对GDP的回归模型。

　表5－1 我国各地区2003年FDI和GDP的数据 项目 2003年FDI(万美元） 2003GDP（亿元） 项目 2003年FDI(万美元） 2003GDP（亿元） 北京 219126 3663.10 河南 53903 7048.59 天津 153473 2447.66 湖北 156886 5401.71 河北 96405 7098.56 湖南 101835 4638.73 山西 21361 2456.59 广东 782294 13625.87 内蒙 8854 2150.41 广西 41856 2735.13 辽宁 282410 6002.54 海南 42125 670.93 吉林 19059 2522.62 重庆 26083 2250.56 黑龙江 32180 4430.00 四川 41231 5456.32 上海 546849 6250.81 贵州 4521 1356.11 江苏 1056365 12460.83 云南 8384 2465.29 浙江 498055 9395.00 陕西 33190 2398.58 安徽 36720 3972.38 甘肃 2342 1304.60 福建 259903 5232.17 青海 2522 390.21 江西 161202 2830.46 宁夏 1743 385.34 山东 601617 12435.93 新疆 1534 1877.61 资料来源：《中国统计年鉴》2003，2005. 【实验步骤】 一、输入数据 在Eviews中输入命令 Create u 30

　Data fdi gdp 然后输入表5－1中的数据。

　二、建立回归模型 在Eviews中输入命令 ls fdi c gdp 建立FDI对GDP的回归模型，结果如下

　Dependent Variable: FDI

　 Variable Coefficient Std. Error t-Statistic Prob.  

　 GDP 63.92439 6.967284 9.174937 0.0000 C -111947.8 39799.32 -2.812808 0.0089

　 R-squared 0.750400     Mean dependent var 176467.6 Adjusted R-squared 0.741486     S.D. dependent var 262951.1 S.E. of regression 133695.6     Akaike info criterion 26.50886 Sum squared resid 5.00E+11     Schwarz criterion 26.60227 Log likelihood -395.6329     F-statistic 84.17946 Durbin-Watson stat 1.586021     Prob(F-statistic) 0.000000

　 模型1 S.E.=

　(6.967284)

　三、检验异方差 （一）分析残差图 输入如下的命令，genr resid2=resid^2 生成的序列，可以描图来侦察异方差。

　输入命令 Scat gdp resid2，会输出如图5-1的散点图。

　 图5－1 残差平方和对gdp的散点图

　从图中可见，随着gdp的增加，残差平方和大致呈上升态势。

　（二）正式的检验 1．怀特（White）的一般异方差检验 在估计结果窗口，点击View－Residual Tests－White Heteroskedasticity（no cross terms）（图5－2），会出现如下的检验结果

　图5－2 选择White Heteroskedasticity（no cross terms）检验 White Heteroskedasticity Test:

　F-statistic 4.064941     Probability 0.028627 Obs*R-squared 6.942706     Probability 0.031075

　Test Equation:

　 Dependent Variable: RESID^2

　 Variable Coefficient Std. Error t-Statistic Prob.  

　 C -9.15E+09 1.33E+10 -0.688625 0.4969 GDP 7718860. 5224878. 1.477328 0.1512 GDP^2 -275.5664 378.1071 -0.728805 0.4724

　 第一个表的第二行表示的就是white检验的结果。由于p值小于0.05，可以认为存在异方差。

　2．格莱泽检验 输入命令 ls fdi c gdp

　genr aresid=abs(resid) 生成一个新序列aresid，是原始回归模型中残差的绝对值。根据散点图，作对的回归，结果如下。

　Dependent Variable: ARESID

　 Variable Coefficient Std. Error t-Statistic Prob.  

　 GDP^0.5 1427.597 635.6001 2.246061 0.0328 C 1776.797 42693.32 0.041618 0.9671

　 R-squared 0.152665     Mean dependent var 90679.38 Adjusted R-squared 0.122403     S.D. dependent var 93551.42 S.E. of regression 87639.10     Akaike info criterion 25.66418 Sum squared resid 2.15E+11     Schwarz criterion 25.75760 Log likelihood -382.9627     F-statistic 5.044791 Durbin-Watson stat 2.047406     Prob(F-statistic) 0.032774 该估计结果表明，残差绝对值和存在一定的关联性。

　四、异方差的处理 1．加权最小二乘法（WLS） 根据上面的结果，可以考虑以原始模型等式两边同时乘以，来消除异方差性。点击估计结果窗口的Estimate，在模型设定窗口中输入 （fdi/gdp^0.5） (1/gdp^0.5)

　gdp^0.5 会输出如下结果

　why? Dependent Variable: FDI/GDP^0.5

　 Variable Coefficient Std. Error t-Statistic Prob.  

　 1/GDP^0.5 -39834.67 19805.77 -2.011266 0.0540 GDP^0.5 47.94123 6.554265 7.314509 0.0000

　 R-squared 0.495311     Mean dependent var 2097.001 Adjusted R-squared 0.477286     S.D. dependent var 2476.699 S.E. of regression 1790.627     Akaike info criterion 17.88286 Sum squared resid 89777660     Schwarz criterion 17.97627 Log likelihood -266.2429     Durbin-Watson stat 1.603471

　也可以在模型Option窗口中选择WLS方法，在Weight处输入1/(gdp^0.5)，如图5－3所示。

　 图5－3 选择WLS方法

　输出结果如下：

　Dependent Variable: FDI

　 Method: Least Squares

　 Sample: 1 30

　Included observations: 30

　 Weighting series: 1/(GDP^0.5)

　Variable Coefficient Std. Error t-Statistic Prob.  

　 C -39834.67 19805.77 -2.011266 0.0540 GDP 47.94123 6.554265 7.314509 0.0000

　Weighted Statistics

　 R-squared 0.495311     Mean dependent var 106859.1 Adjusted R-squared 0.477286     S.D. dependent var 126207.8 S.E. of regression 91246.90     Akaike info criterion 25.74487 Sum squared resid 2.33E+11     Schwarz criterion 25.83828 Log likelihood -384.1730     F-statistic 53.50205 Durbin-Watson stat 1.603471     Prob(F-statistic) 0.000000

　Unweighted Statistics

　 R-squared 0.703488     Mean dependent var 176467.6 Adjusted R-squared 0.692898     S.D. dependent var 262951.1 S.E. of regression 145719.0     Sum squared resid 5.95E+11 Durbin-Watson stat 1.495208

　其中Weighted Statistics是根据残差计算出来的，而Unweighted Statistics是根据计算出来的。WLS方法估计后，残差序列resid中保存的是Unweighted的残差，即。

　（注意：Eviews中的WLS方法与课堂上讲的有一些区别，它在估计系数前，先用加权序列w的均值除加权序列w，然后用这个处理后的加权序列w进行WLS估计，这么做的好处是可以比较上面的Weighted Statistics和Unweighted Statistics） WLS的结果是

　模型2 S.E.=

　(6.554265)

　方程两边同时乘以可以得到与原始的回归模型1相比较的结果。可见，在校正了异方差性后，GDP回归系数的标准误降低了。

　为了验证WLS后的回归模型没有异方差，可以在进行一次White的异方差检验，结果如下。可见，异方差消除了。怎么看的出来？ White Heteroskedasticity Test:

　F-statistic 1.825149     Probability 0.155517 Obs*R-squared 6.780613     Probability 0.147946

　2．计算怀特的异方差校正后的标准误 点击估计结果窗口的Estimate，选择Option，在option窗口中选择Heteroskedasticity Consistent Coefficient Covariances中的White方法。结果如下 Dependent Variable: FDI

　 Method: Least Squares

　 Sample: 1 30

　Included observations: 30

　 White Heteroskedasticity-Consistent Standard Errors & Covariance

　 Variable Coefficient Std. Error t-Statistic Prob.  

　 GDP 63.92439 9.296151 6.876436 0.0000 C -111947.8 32321.73 -3.463547 0.0017

　 R-squared 0.750400     Mean dependent var 176467.6 Adjusted R-squared 0.741486     S.D. dependent var 262951.1 S.E. of regression 133695.6     Akaike info criterion 26.50886 Sum squared resid 5.00E+11     Schwarz criterion 26.60227 Log likelihood -395.6329     F-statistic 84.17946 Durbin-Watson stat 1.586021     Prob(F-statistic) 0.000000

　3）对数转换 输入命令ls log(fdi) c log(gdp)，可以得到如下的结果

　Dependent Variable: LOG(FDI)

　 Variable Coefficient Std. Error t-Statistic Prob.  

　 C -2.884844 1.833345 -1.573542 0.1268 LOG(GDP) 1.694826 0.225493 7.516097 0.0000

　 R-squared 0.668607     Mean dependent var 10.81110 Adjusted R-squared 0.656771     S.D. dependent var 1.885777 S.E. of regression 1.104797     Akaike info criterion 3.101540 Sum squared resid 34.17613     Schwarz criterion 3.194953 Log likelihood -44.52310     F-statistic 56.49171 Durbin-Watson stat 1.643514     Prob(F-statistic) 0.000000

　回归系数和方程都是高度显著性。White异方差检验的结果如下，可见异方差也不存在。

　White Heteroskedasticity Test:

　F-statistic 1.913815     Probability 0.167001 Obs*R-squared 3.724869     Probability 0.155294

　实验七

　自相关性

　【实验目的】 掌握自相关性的检验与处理方法。

　【实验内容】 利用表1-1资料，建立我国FDI对GDP的回归模型。

　表1-1

　我国FDI和GDP的统计资料

　 年份 FDI（亿美元） GDP（亿元） 年份 FDI（亿美元） GDP（亿元） 1985 16.61 8964.4

　1995 375.21 58478.1

　1986 18.74 10202.2

　1996 417.25 67884.6

　1987 23.14 11962.5

　1997 452.57 74462.6

　1988 31.94 14928.3

　1998 454.63 78345.2

　1989 33.92 16909.2

　1999 403.19 82067.5

　1990 34.87 18547.9

　2000 407.15 89468.1

　1991 43.66 21617.8

　2001 468.78 97314.8

　1992 110.07 26638.1

　2002 527.43 105172.3

　1993 275.15 34634.4

　2003 535.05 117390.2

　1994 337.67 46759.4

　2004 606.30 136875.9

　资料来源：《中国统计年鉴2000》和《中国统计年鉴2005》。

　 【实验步骤】 我们曾在实验2中，根据上述数据建立过FDI对GDP的回归模型，但是当时没有考虑自相关的问题。现在，我们来分析是否存在自相关。

　一、输入数据 在Eviews命令行中输入 create a 1985 2004 data fdi gdp 然后输入数据，或将Excel中数据拷入。

　二、建立回归模型 输入命令ls fdi c gdp，可以得到如下的回归结果

　 Variable Coefficient Std. Error t-Statistic Prob.  

　 GDP 0.005078 0.000358 14.19417 0.0000 C -5.367690 24.42833 -0.219732 0.8286

　 R-squared 0.917986     Mean dependent var 278.6665 Adjusted R-squared 0.913430     S.D. dependent var 212.9660 S.E. of regression 62.66068     Akaike info criterion 11.20798 Sum squared resid 70674.50     Schwarz criterion 11.30756 Log likelihood -110.0798     F-statistic 201.4744 Durbin-Watson stat 0.408584     Prob(F-statistic) 0.000000

　(14.19417) ＝0.917986

　DW=0.408584 回归方程和系数都是高度显著的，且符合经济含义。

　三、检验自相关 （一）非正式的方法 通过观测残差图，可以看出残差随着时间呈现出一定的规律（图6－1），提示可能存在一定程度的自相关。

　 图6－1 残差图 （二）正式的检验 1．DW检验 DW=0.408584，经查DW表，可知dU=1.08，dL=1.36，所以模型存在一阶正的自相关情况。

　2．序列相关的LM检验（Serial Correlation LM Test） DW检验仅仅针对一阶自相关，为了检查是否存在高阶自相关，可以用序列相关的LM检验。在估计结果窗口中，点击View－Residual Tests－Serial Correlation LM Test（如图6－2）。

　图5－2 选择B－G检验 然后会弹出对话框（图6－3）。

　 图6－3 选择自相关的阶数 该窗口中输入2表示检验是否存在二阶自相关。检验结果如下

　Breusch-Godfrey Serial Correlation LM Test:

　F-statistic 18.48010     Probability 0.000069 Obs*R-squared 13.95773     Probability 0.000931

　 Dependent Variable: RESID

　 Variable Coefficient Std. Error t-Statistic Prob.  

　 GDP -0.000113 0.000224 -0.506780 0.6192 C 4.507146 14.64035 0.307858 0.7622 RESID(-1) 1.168644 0.228534 5.113649 0.0001 RESID(-2) -0.436187 0.246323 -1.770794 0.0956

　 表中第二行表示的就是Serial Correlation LM Test检验的结果，由于p值很小，可以认为存在自相关。Why? 四、自相关的处理 主要通过广义差分法来消除自相关。根据DW检验和B－G检验的结果，假定存在一阶自相关。通过在Eviews中输入命令 ls fdi c gdp ar(1) 可以得到如下的估计结果 Dependent Variable: FDI

　 Included observations: 19 after adjustments

　Convergence achieved after 17 iterations

　Variable Coefficient Std. Error t-Statistic Prob.  

　 C 47.99302 114.4085 0.419488 0.6804 GDP 0.004331 0.001093 3.962109 0.0011 AR(1) 0.818683 0.163274 5.014161 0.0001

　 其中，AR(1)对应的系数就是一阶自相关系数=0.818683。

　注意：Eviews对自回归模型的估计采取的并不是书上介绍的方法，而是一种非线性的方法，同时估计和参数B。

　估计出后，可采取广义差分法，利用命令 ls (fdi-0.818683*fdi(-1))

　c

　(gdp-0.818683*gdp(-1)) 来估计回归系数，其中fdi(-1)表示变量fdi的滞后一期。回归结果如下 Dependent Variable: FDI-0.818683*FDI(-1)

　Included observations: 19 after adjustments

　Variable Coefficient Std. Error t-Statistic Prob.  

　 C 8.702067 16.76180 0.519161 0.6103 GDP-0.818683*GDP(-1) 0.004331 0.000881 4.914091 0.0001

　 (0.000881) ＝0.58686

　 =0.818683 可见，回归系数的标准误大大下降了。再次进行B—G检验，结果如下，可见自相关性被消除了。

　Breusch-Godfrey Serial Correlation LM Test:

　F-statistic 2.352290     Probability 0.129250 Obs*R-squared 4.536358     Probability 0.103500 注意，这里使用的回归方法中，舍去了第一个观测值。如何增加第一个观测值呢？