第二章
例2.1.1(p24)
(1)表2.1.2中E(Y|X=800)即条件均值的求法,将数据直接复制到stata 中。
程序: sum y if x==800
程序:
程序:
(2)图2.1.1的做法:
程序:
twoway(scatter y x )(lfit y x ),title("不同可支配收入水平组家庭消费支出的条件分布图")xtitle("每月可支配收入(元)")ytitle("每月消费支出(元)")xtick(500(500)4000)ytick(0(500)3500)
例2.3.1(p37)
将数据直接复制到stata 中
程序:
(1)
total xiyi
return list
scalars:
r(skip) = 0
r(first) = 1
r(k_term) = 0
r(k_operator) = 0
r(k) = 0
r(k_level) = 0
r(output) = 1
r(b) = 4974750
r(se) = 1507820.761894463
g a=r(b) in 1 total xi2 xiyi 4974750 1507821 1563822 8385678
Total Std. Err. [95% Conf. Interval]
Scatter 表示散点图选项,lfit 表示回归线,title 表示题目,xtick 表示刻度,(500(500)4000)分别表示起始刻度,中间数表示以单位刻度,4000表示最后的刻度。要注意的是命令中的符号都要用英文字符,否则命令无效。这个图可以直接复制的,但是由于我的软件出问题,只能直接剪切,所以影响清晰度。
return list
g b=r(b) in 1
di a/b
.67
(2)
mean Yi
gen m=r(b) in 1
mean Xi
g n=r(b) in 1
di m-n*0.67
142.4
由此得到回归方程:Y=142.4+0.67Xi
例2.6.2(p53)
程序:(1)回归
reg y x
(2)求X的样本均值和样本方差:
mean x
Mean estimation Number of obs = 31 Mean Std. Err. [95% Conf. Interval] x 11363.69 591.7041 10155.27 12572.11
sum x ,d(d表示detail的省略,这个命令会产生更多的信息)
x
Percentiles Smallest
1% 8871.27 8871.27
5% 8920.59 8920.59
10% 9000.35 8941.08 Obs 31
25% 9267.7 9000.35 Sum of Wgt. 31
50% 9898.75 Mean 11363.69
Largest Std. Dev. 3294.469
75% 12192.24 16015.58
90% 16015.58 18265.1 Variance 1.09e+07
95% 19977.52 19977.52 Skewness 1.691973
99% 20667.91 20667.91 Kurtosis 4.739267
di r(Var)(特别注意Var的大小写)
10853528
例2.6.2(P56)
(1)reg Y X
Source SS df MS Number of obs = 29
F( 1, 27) = 2214.60
Model 2.4819e+09 1 2.4819e+09 Prob > F = 0.0000
Residual 30259023.9 27 1120704.59 R-squared = 0.9880
Adj R-squared = 0.9875
Total 2.5122e+09 28 89720219.8 Root MSE = 1058.6
Y Coef. Std. Err. t P>|t| [95% Conf. Interval]
X .4375268 .0092973 47.06 0.000 .4184503 .4566033
_cons 2091.295 334.987 6.24 0.000 1403.959 2778.632
(2)图2.6.1的绘制:
twoway (line Y X year),title("中国居民可支配总收入X与消费总支出Y 的变动图")
第三章
例3.2.2(p72)
reg Y X1 X2
Source SS df MS Number of obs = 31
F( 2, 28) = 560.57
Model 166971988 2 83485994.2 Prob > F = 0.0000
Residual 4170092.27 28 148931.867 R-squared = 0.9756
Adj R-squared = 0.9739
Total 171142081 30 5704736.02 Root MSE = 385.92
Y Coef. Std. Err. t P>|t| [95% Conf. Interval]
X1 .5556438 .0753076 7.38 0.000 .4013831 .7099046
X2 .2500854 .1136343 2.20 0.036 .0173161 .4828547
_cons 143.3266 260.4032 0.55 0.586 -390.0851 676.7383例3.5.1(p85)
g lnP1=ln(P1)
g lnP0=ln(P0)
g lnQ=ln(Q)
g lnX=ln(X)
Source SS df MS Number of obs = 22 F( 3, 18) = 258.84 Model .765670868 3 .255223623 Prob > F = 0.0000 Residual .017748183 18 .00098601 R-squared = 0.9773 Adj R-squared = 0.9736 Total .783419051 21 .037305669 Root MSE = .0314 lnQ Coef. Std. Err. t P>|t| [95% Conf. Interval]
lnX .5399167 .0365299 14.78 0.000 .4631703 .6166631 lnP1 -.2580119 .1781856 -1.45 0.165 -.632366 .1163422 lnP0 -.2885609 .2051844 -1.41 0.177 -.7196373 .1425155 _cons 5.53195 .0931071 59.41 0.000 5.336339 5.727561 drop lnX lnP1 lnP0
g lnXP0=ln(X/P0)
g lnP1P0=ln(P1/P0)
reg lnQ lnXP0 lnP1P0
Source SS df MS Number of obs = 22
F( 2, 19) = 408.93
Model .765632331 2 .382816165 Prob > F = 0.0000
Residual .01778672 19 .000936143 R-squared = 0.9773
Adj R-squared = 0.9749
Total .783419051 21 .037305669 Root MSE = .0306
lnQ Coef. Std. Err. t P>|t| [95% Conf. Interval]
lnXP0 .5344394 .0231984 23.04 0.000 .4858846 .5829942
lnP1P0 -.2753473 .1511432 -1.82 0.084 -.5916936 .040999
_cons 5.524569 .0831077 66.47 0.000 5.350622 5.698515
练习题13(p105)
g lnY=ln(Y)
g lnK=ln(K)
g lnL=ln(L)
reg lnY lnK lnL
Source SS df MS Number of obs = 31 F( 2, 28) = 59.66 Model 21.6049266 2 10.8024633 Prob > F = 0.0000 Residual 5.07030244 28 .18108223 R-squared = 0.8099 Adj R-squared = 0.7963 Total 26.6752291 30 .889174303 Root MSE = .42554 lnY Coef. Std. Err. t P>|t| [95% Conf. Interval]
lnK .6092356 .1763779 3.45 0.002 .2479419 .9705293 lnL .3607965 .2015915 1.79 0.084 -.0521449 .7737378 _cons 1.153994 .7276114 1.59 0.124 -.33645 2.644439第二问:
test b_[lnk]+b_[lnl]==1
第四章
例4.1.4 (P116)
(1)回归
g lnY=ln(Y)
g lnX1=ln(X1)
g lnX2=ln(X2)
reg lnY lnX1 lnX2
Source SS df MS Number of obs = 31 F( 2, 28) = 49.60 Model 2.9609923 2 1.48049615 Prob > F = 0.0000 Residual .835744123 28 .029848004 R-squared = 0.7799 Adj R-squared = 0.7642 Total 3.79673642 30 .126557881 Root MSE = .17277 lnY Coef. Std. Err. t P>|t| [95% Conf. Interval]
lnX1 .1502137 .1085379 1.38 0.177 -.072116 .3725435 lnX2 .4774534 .0515951 9.25 0.000 .3717657 .5831412 _cons 3.266068 1.041591 3.14 0.004 1.132465 5.39967于是得到方程:lnY=3.266+0.1502lnX1+0.4775lnX2
(2)绘制参差图:
predict e, resid
g ei2=e^2
scatter ei2 lnX2,title("图4.1.3 异方差性检验图")xtick(6(0.4)9.2)ytick(0(0.04)0.24)
predict在回
归结束后,需
要对拟合值以
及残差进行分
析,需要使用
此命令。
(3)G-Q检验
sort X2
drop in 13 /19
reg lnY lnX1 lnX2 in 1/12
Source SS df MS Number of obs = 12
F( 2, 9) = 12.79
Model .19947228 2 .09973614 Prob > F = 0.0023
Residual .070196863 9 .007799651 R-squared = 0.7397
Adj R-squared = 0.6818
Total .269669142 11 .024515377 Root MSE = .08832
lnY Coef. Std. Err. t P>|t| [95% Conf. Interval]
lnX1 .3983847 .0787908 5.06 0.001 .2201475 .5766219
lnX2 .2347508 .1097475 2.14 0.061 -.0135153 .4830169
_cons 3.141209 1.122358 2.80 0.021 .6022575 5.68016
reg lnY lnX1 lnX2 in 13/24
Source SS df MS Number of obs = 12 F( 2, 9) = 32.06 Model 1.36238223 2 .681191114 Prob > F = 0.0001 Residual .191197445 9 .021244161 R-squared = 0.8769 Adj R-squared = 0.8496 Total 1.55357967 11 .141234516 Root MSE = .14575 lnY Coef. Std. Err. t P>|t| [95% Conf. Interval]
lnX1 -.113766 .1599622 -0.71 0.495 -.4756257 .2480937 lnX2 .6201685 .1116539 5.55 0.000 .3675898 .8727472 _cons 3.993643 1.884053 2.12 0.063 -.2683811 8.255668 di F=0.1911/0.0702(可以用字母替代)
2.72364672.7222222
(4)怀特检验(重新把原始数据出入)
reg lnY lnX1 lnX2
predict e ,resid
g e2=e^2
g lnX12=(lnX1)^2
g lnX22=(lnX2)^2
g lnX1X2=lnX1*lnX2
reg e2 lnX1 lnX2 lnX12 lnX22 lnX1X2
Source SS df MS Number of obs = 31
F( 5, 25) = 9.83
Model .035298411 5 .007059682 Prob > F = 0.0000
Residual .017947599 25 .000717904 R-squared = 0.6629
Adj R-squared = 0.5955
Total .05324601 30 .001774867 Root MSE = .02679
e2 Coef. Std. Err. t P>|t| [95% Conf. Interval]
lnX1 -2.32907 1.116442 -2.09 0.047 -4.628426 -.0297138
lnX2 -.4573069 .4540203 -1.01 0.323 -1.392379 .4777655
lnX12 .1491144 .0581072 2.57 0.017 .0294404 .2687884
lnX22 .0211007 .0133574 1.58 0.127 -.0064095 .0486109
lnX1X2 .0193327 .0412645 0.47 0.643 -.0656532 .1043186
_cons 10.24328 5.474522 1.87 0.073 -1.031707 21.51827
reg e2 lnX1 lnX2 lnX12 lnX22
Source SS df MS Number of obs = 31 F( 4, 26) = 12.62 Model .035140831 4 .008785208 Prob > F = 0.0000 Residual .018105178 26 .000696353 R-squared = 0.6600 Adj R-squared = 0.6077 Total .05324601 30 .001774867 Root MSE = .02639 e2 Coef. Std. Err. t P>|t| [95% Conf. Interval]
lnX1 -1.851123 .4467273 -4.14 0.000 -2.769384 -.932862 lnX2 -.2581661 .1571598 -1.64 0.112 -.5812127 .0648806 lnX12 .1261597 .0307668 4.10 0.000 .0629176 .1894018 lnX22 .0172142 .0103109 1.67 0.107 -.0039802 .0384085 _cons 7.763275 1.375323 5.64 0.000 4.936257 10.59029 g lne2= ln(e2)
reg lne2 lnX2 lnX22
Source SS df MS Number of obs = 31
F( 2, 28) = 3.55
Model 29.2575216 2 14.6287608 Prob > F = 0.0423
Residual 115.374726 28 4.12052593 R-squared = 0.2023
Adj R-squared = 0.1453
Total 144.632248 30 4.82107492 Root MSE = 2.0299
lne2 Coef. Std. Err. t P>|t| [95% Conf. Interval]
lnX2 -25.97629 9.860002 -2.63 0.014 -46.17359 -5.778992
lnX22 1.701071 .6414051 2.65 0.013 .3872121 3.01493
_cons 93.19585 37.65529 2.47 0.020 16.06249 170.3292
. predict m ,xb(和书上直接以差残作为权数是有区别的,理论上不能能以残差直接作为权
数)
. predictnl n=exp(xb())
. g wi=sqrt(n)
. vwls lnX1 lnX2,sd(wi)
Variance-weighted least-squares regression Number of obs = 31 Goodness-of-fit chi2(28) = 73.28 Model chi2(2) = 263.97 Prob > chi2 = 0.0000 Prob > chi2 = 0.0000
lnY Coef. Std. Err. z P>|z| [95% Conf. Interval]
lnX1 .3177322 .0514579 6.17 0.000 .2168765 .4185879 lnX2 .428669 .0275805 15.54 0.000 .3746122 .4827257 _cons 2.338164 .4472981 5.23 0.000 1.461476 3.214852例4.21(老师有标准答案)
reg Y X
Source SS df MS Number of obs = 29
F( 1, 27) = 2214.60
Model 2.4819e+09 1 2.4819e+09 Prob > F = 0.0000
Residual 30259023.9 27 1120704.59 R-squared = 0.9880
Adj R-squared = 0.9875
Total 2.5122e+09 28 89720219.8 Root MSE = 1058.6
Y Coef. Std. Err. t P>|t| [95% Conf. Interval]
X .4375268 .0092973 47.06 0.000 .4184503 .4566033
_cons 2091.295 334.987 6.24 0.000 1403.959 2778.632
predict e,resid
tsset year
time variable: year, 1978 to 2006
delta: 1 unit
line e year,title("残差相关图")xtick(1978(5)2006)ytick(-3000(1000)3000)
scatter e e1,title("残差相关图")xtick(-2000(1000)3000)ytick(-3000(1000)3000)
g T=_n
g T2=T^2
reg Y X T2
Source SS df MS Number of obs = 29 F( 2, 26) = 5380.77 Model 2.5061e+09 2 1.2531e+09 Prob > F = 0.0000 Residual 6054792.7 26 232876.642 R-squared = 0.9976 Adj R-squared = 0.9974 Total 2.5122e+09 28 89720219.8 Root MSE = 482.57 Y Coef. Std. Err. t P>|t| [95% Conf. Interval]
X .1761519 .0259858 6.78 0.000 .1227374 .2295664 T2 21.65582 2.124183 10.19 0.000 17.2895 26.02215 _cons 3328.191 195.0326 17.06 0.000 2927.296 3729.086 reg e X T2 e1
Source SS df MS Number of obs = 28 F( 3, 24) = 64.94 Model 25597419.6 3 8532473.19 Prob > F = 0.0000 Residual 3153351.72 24 131389.655 R-squared = 0.8903 Adj R-squared = 0.8766 Total 28750771.3 27 1064843.38 Root MSE = 362.48 e Coef. Std. Err. t P>|t| [95% Conf. Interval]
X -.1435191 .0335797 -4.27 0.000 -.2128242 -.074214 T2 11.04582 2.915754 3.79 0.001 5.028004 17.06365 e1 .6186482 .1467037 4.22 0.000 .3158666 .9214297 _cons 910.3409 172.739 5.27 0.000 553.8251 1266.857
g e2=e[_n-1]
reg e X T2 e1 e2
Source SS df MS Number of obs = 28 F( 4, 23) = 46.69 Model 25598535.3 4 6399633.84 Prob > F = 0.0000 Residual 3152235.94 23 137053.737 R-squared = 0.8904 Adj R-squared = 0.8713 Total 28750771.3 27 1064843.38 Root MSE = 370.21 e Coef. Std. Err. t P>|t| [95% Conf. Interval]
X -.1421776 .0373799 -3.80 0.001 -.2195039 -.0648513 T2 10.80845 3.973581 2.72 0.012 2.58847 19.02843 e1 .6192203 .1499666 4.13 0.000 .3089908 .9294498 e2 4.183503 46.36562 0.09 0.929 -91.73108 100.0981 _cons 886.1107 321.3096 2.76 0.011 221.4311 1550.79 prais Y X T2,rhotype(orrc)
Prais-Winsten AR(1) regression -- iterated estimates
Source SS df MS Number of obs = 29
F( 2, 26) = 1153.30
Model 215943215 2 107971607 Prob > F = 0.0000
Residual 2434113.93 26 93619.7664 R-squared = 0.9889
Adj R-squared = 0.9880
Total 218377329 28 7799190.31 Root MSE = 305.97
Y Coef. Std. Err. t P>|t| [95% Conf. Interval]
X .1896298 .0292979 6.47 0.000 .1294071 .2498524
T2 20.79527 2.693162 7.72 0.000 15.25939 26.33114
_cons 3118.169 329.4324 9.47 0.000 2441.011 3795.327
rho .764553
Durbin-Watson statistic (original) 0.442033
Durbin-Watson statistic (transformed) 1.361658
newey lnY lnX, lag(2)
例4.3.1(P140)
g lnX1=ln(X1)
g lnX2=ln(X2)
g lnX3=ln(X3)
g lnX4=ln(X4)
g lnX5=ln(X5)
g lnY=ln(Y)
reg lnY lnX1 lnX2 lnX3 lnX4 lnX5
Source SS df MS Number of obs = 25 F( 5, 19) = 202.68 Model .205495866 5 .041099173 Prob > F = 0.0000 Residual .003852744 19 .000202776 R-squared = 0.9816 Adj R-squared = 0.9768 Total .209348611 24 .008722859 Root MSE = .01424 lnY Coef. Std. Err. t P>|t| [95% Conf. Interval]
lnX1 .3811446 .050242 7.59 0.000 .275987 .4863022 lnX2 1.222289 .1351786 9.04 0.000 .9393566 1.505221 lnX3 -.0811099 .0153037 -5.30 0.000 -.1131409 -.0490789 lnX4 -.0472287 .0447674 -1.05 0.305 -.1409279 .0464705 lnX5 -.1011737 .0576866 -1.75 0.096 -.2219131 .0195656 _cons -4.173174 1.923624 -2.17 0.043 -8.199365 -.1469838 corr lnX1 lnX2 lnX3 lnX4 lnX5
lnX1 lnX2 lnX3 lnX4 lnX5
lnX1 1.0000
lnX2 -0.5687 1.0000
lnX3 0.4517 -0.2141 1.0000
lnX4 0.9644 -0.6976 0.3988 1.0000
lnX5 0.4402 -0.0733 0.4113 0.2795 1.0000
stepwise, pr(0.05) : reg Y X1 X2 X3 X4 X5
或者stepwise, pe(0.05) : reg Y X1 X2 X3 X4 X5(逐步向前回归和逐步向后回归)
reg lnY lnX1 lnX2 lnX3
Source SS df MS Number of obs = 25
F( 3, 21) = 320.34
Model .204871849 3 .068290616 Prob > F = 0.0000
Residual .004476761 21 .000213179 R-squared = 0.9786
Adj R-squared = 0.9756
Total .209348611 24 .008722859 Root MSE = .0146
lnY Coef. Std. Err. t P>|t| [95% Conf. Interval]
lnX1 .3233849 .0108608 29.78 0.000 .3007987 .3459711
lnX2 1.290729 .0961534 13.42 0.000 1.090767 1.490691
lnX3 -.0867539 .0151549 -5.72 0.000 -.1182702 -.0552376
_cons -5.999638 1.162078 -5.16 0.000 -8.416312 -3.582964
例4.4.1(P151)
reg X1 X2 Z
Source SS df MS Number of obs = 31 F( 2, 28) = 1947.55 Model 323280649 2 161640324 Prob > F = 0.0000 Residual 2323912.12 28 82996.8616 R-squared = 0.9929 Adj R-squared = 0.9924 Total 325604561 30 10853485.4 Root MSE = 288.09 X1 Coef. Std. Err. t P>|t| [95% Conf. Interval]
X2 -.470904 .1154633 -4.08 0.000 -.7074199 -.2343881 Z 1.460539 .0860022 16.98 0.000 1.284372 1.636707 _cons 132.7416 194.2843 0.68 0.500 -265.2317 530.7149 predict v,resid
reg Y X1 X2 v
Source SS df MS Number of obs = 31
F( 3, 27) = 1313.48
Model 169977392 3 56659130.6 Prob > F = 0.0000
Residual 1164688.99 27 43136.6292 R-squared = 0.9932
Adj R-squared = 0.9924
Total 171142081 30 5704736.02 Root MSE = 207.69
Y Coef. Std. Err. t P>|t| [95% Conf. Interval]
X1 .4502363 .042451 10.61 0.000 .3631339 .5373386
X2 .4025897 .0638268 6.31 0.000 .2716278 .5335515
v 1.191137 .1427031 8.35 0.000 .8983341 1.483939
_cons 155.6975 140.1522 1.11 0.276 -131.871 443.266
ivreg Y X2 (X1=Z)
Instrumental variables (2SLS) regression
Source SS df MS Number of obs = 31
F( 2, 28) = 513.69
Model 166680210 2 83340105 Prob > F = 0.0000
Residual 4461870.66 28 159352.524 R-squared = 0.9739
Adj R-squared = 0.9721
Total 171142081 30 5704736.02 Root MSE = 399.19
Y Coef. Std. Err. t P>|t| [95% Conf. Interval]
X1 .4502363 .0815915 5.52 0.000 .2831037 .6173688
X2 .4025897 .122676 3.28 0.003 .1512992 .6538801
_cons 155.6975 269.3743 0.58 0.568 -396.0907 707.4858
reg Y X1 X2
Source SS df MS Number of obs = 31
F( 2, 28) = 560.57
Model 166971988 2 83485994.2 Prob > F = 0.0000
Residual 4170092.27 28 148931.867 R-squared = 0.9756
Adj R-squared = 0.9739
Total 171142081 30 5704736.02 Root MSE = 385.92
Y Coef. Std. Err. t P>|t| [95% Conf. Interval]
X1 .5556438 .0753076 7.38 0.000 .4013831 .7099046
X2 .2500854 .1136343 2.20 0.036 .0173161 .4828547
_cons 143.3266 260.4032 0.55 0.586 -390.0851 676.7383
第4章练习8(P154)
(1)回归
rename var1 X
rename var2 Y
reg Y X
Source SS df MS Number of obs = 20 F( 1, 18) = 1048.91 Model 49342144 1 49342144 Prob > F = 0.0000 Residual 846742.352 18 47041.2418 R-squared = 0.9831 Adj R-squared = 0.9822 Total 50188886.4 19 2641520.34 Root MSE = 216.89 Y Coef. Std. Err. t P>|t| [95% Conf. Interval]
X .755125 .0233157 32.39 0.000 .7061404 .8041095 _cons 272.3635 159.6772 1.71 0.105 -63.1059 607.8329
(2)异方差判断(4种方法)
predict e,resid
g e2=e^2
scatter e2 X
i通过观测散点图可知残差有明显
的扩大趋势
ii 通过怀特检验,原假设为同方差,
p值<0.05,拒绝原假设。
上述两种方法证明存在异方差
imtest,white
White's test for Ho: homoskedasticity
against Ha: unrestricted heteroskedasticity
chi2(2) = 12.65
Prob > chi2 = 0.0018
Cameron & Trivedi's decomposition of IM-test
Source chi2 df p
Heteroskedasticity 12.65 2 0.0018
Skewness 5.16 1 0.0232
Kurtosis 1.85 1 0.1733
Total 19.66 4 0.0006
(3)解决异方差
predict e,residuals
g e2=e^2
reg le2 X
Source SS df MS Number of obs = 20 F( 1, 18) = 7.80 Model 18.3174302 1 18.3174302 Prob > F = 0.0120 Residual 42.2889689 18 2.34938716 R-squared = 0.3022 Adj R-squared = 0.2635 Total 60.6063991 19 3.18981048 Root MSE = 1.5328 le2 Coef. Std. Err. t P>|t| [95% Conf. Interval]
X .0004601 .0001648 2.79 0.012 .0001139 .0008063 _cons 6.825132 1.128446 6.05 0.000 4.454355 9.19591 predict m,xb
predictnl h=exp(xb())
reg Y X [w=1/h]
Source SS df MS Number of obs = 20 F( 1, 18) = 428.83 Model 11254461.3 1 11254461.3 Prob > F = 0.0000 Residual 472402.755 18 26244.5975 R-squared = 0.9597 Adj R-squared = 0.9575 Total 11726864.1 19 617203.372 Root MSE = 162 Y Coef. Std. Err. t P>|t| [95% Conf. Interval]
X .7399551 .0357325 20.71 0.000 .664884 .8150263 _cons 359.3844 197.876 1.82 0.086 -56.33756 775.1064
练习题9(p155)
g lnX=ln(X)
g lnY=ln(Y)
reg lnY lnX
Source SS df MS Number of obs = 28 F( 1, 26) = 3610.88 Model 45.5793477 1 45.5793477 Prob > F = 0.0000 Residual .328192471 26 .012622787 R-squared = 0.9929 Adj R-squared = 0.9926 Total 45.9075401 27 1.70027926 Root MSE = .11235 lnY Coef. Std. Err. t P>|t| [95% Conf. Interval]
lnX .8544154 .0142188 60.09 0.000 .8251883 .8836426 _cons 1.588478 .1342196 11.83 0.000 1.312586 1.86437
判断相关性:(通过e-t或者DW值)
predict e ,resid
line e year
scatter e l.e
tsset year
time variable: year, 1980 to 2007
delta: 1 unit
estat dwatson
Durbin-Watson d-statistic( 2, 28) = .3793231
表明有正自相关性。
prais lnY lnX ,corc
Cochrane-Orcutt AR(1) regression -- iterated estimates
Source SS df MS Number of obs = 27 F( 1, 25) = 26.23 Model .083721114 1 .083721114 Prob > F = 0.0000 Residual .079800977 25 .003192039 R-squared = 0.5120 Adj R-squared = 0.4925 Total .163522091 26 .006289311 Root MSE = .0565 lnY Coef. Std. Err. t P>|t| [95% Conf. Interval]
lnX .504519 .0985131 5.12 0.000 .3016274 .7074106 _cons 11.95764 3.631466 3.29 0.003 4.478499 19.43679 rho .9924519
Durbin-Watson statistic (original) 0.379323
Durbin-Watson statistic (transformed) 0.832823
reg e lnX L.e
Source SS df MS Number of obs = 27
F( 2, 24) = 22.06
Model .188756553 2 .094378277 Prob > F = 0.0000
Residual .102659588 24 .004277483 R-squared = 0.6477
Adj R-squared = 0.6184
Total .291416141 26 .011208313 Root MSE = .0654
e Coef. Std. Err. t P>|t| [95% Conf. Interval]
lnX .0057439 .0087579 0.66 0.518 -.0123316 .0238194
e
L1. .7661694 .1166684 6.57 0.000 .5253777 1.006961
_cons -.0642313 .0833749 -0.77 0.449 -.2363086 .107846
reg e lnX L.e l2.e
Source SS df MS Number of obs = 26
F( 3, 22) = 19.84
Model .18949079 3 .063163597 Prob > F = 0.0000
Residual .070047033 22 .003183956 R-squared = 0.7301
Adj R-squared = 0.6933
Total .259537823 25 .010381513 Root MSE = .05643
e Coef. Std. Err. t P>|t| [95% Conf. Interval]
lnX .0078685 .0082029 0.96 0.348 -.0091433 .0248803
e
L1. 1.152102 .1778105 6.48 0.000 .7833456 1.520858
L2. -.5101045 .1680217 -3.04 0.006 -.8585601 -.1616488
_cons -.0813209 .078954 -1.03 0.314 -.2450615 .0824196
reg e lnX L.e l2.e l3.e
Source SS df MS Number of obs = 25
F( 4, 20) = 15.06
Model .194368268 4 .048592067 Prob > F = 0.0000
Residual .064523896 20 .003226195 R-squared = 0.7508
Adj R-squared = 0.7009
Total .258892163 24 .010787173 Root MSE = .0568
e Coef. Std. Err. t P>|t| [95% Conf. Interval]
lnX .0025104 .0092842 0.27 0.790 -.0168561 .021877
e
L1. 1.202647 .2201807 5.46 0.000 .7433583 1.661936
L2. -.4914312 .3070908 -1.60 0.125 -1.132011 .1491489
L3. .005666 .2038663 0.03 0.978 -.4195916 .4309235
_cons -.0269681 .0902114 -0.30 0.768 -.2151459 .1612096
newey lnY lnX, lag(2)
Regression with Newey-West standard errors Number of obs = 28 maximum lag: 2 F( 1, 26) = 1615.20 Prob > F = 0.0000 Newey-West
lnY Coef. Std. Err. t P>|t| [95% Conf. Interval] lnX .8544154 .0212596 40.19 0.000 .8107157 .8981152 _cons 1.588478 .2087091 7.61 0.000 1.15947 2.017486
计量经济学题库 一、单项选择题(每小题1分) 1.计量经济学是下列哪门学科的分支学科(C)。 A.统计学 B.数学 C.经济学 D.数理统计学 2.计量经济学成为一门独立学科的标志是(B)。 A.1930年世界计量经济学会成立B.1933年《计量经济学》会刊出版 C.1969年诺贝尔经济学奖设立 D.1926年计量经济学(Economics)一词构造出来 3.外生变量和滞后变量统称为(D)。 A.控制变量 B.解释变量 C.被解释变量 D.前定变量4.横截面数据是指(A)。 A.同一时点上不同统计单位相同统计指标组成的数据B.同一时点上相同统计单位相同统计指标组成的数据 C.同一时点上相同统计单位不同统计指标组成的数据D.同一时点上不同统计单位不同统计指标组成的数据 5.同一统计指标,同一统计单位按时间顺序记录形成的数据列是(C)。 A.时期数据 B.混合数据 C.时间序列数据 D.横截面数据6.在计量经济模型中,由模型系统内部因素决定,表现为具有一定的概率分布的随机变量,其数值受模型中其他变量影响的变量是( A )。 A.内生变量 B.外生变量 C.滞后变量 D.前定变量7.描述微观主体经济活动中的变量关系的计量经济模型是( A )。 A.微观计量经济模型 B.宏观计量经济模型 C.理论计量经济模型 D.应用计量经济模型 8.经济计量模型的被解释变量一定是( C )。 A.控制变量 B.政策变量 C.内生变量 D.外生变量9.下面属于横截面数据的是( D )。 A.1991-2003年各年某地区20个乡镇企业的平均工业产值 B.1991-2003年各年某地区20个乡镇企业各镇的工业产值 C.某年某地区20个乡镇工业产值的合计数 D.某年某地区20个乡镇各镇的工业产值 10.经济计量分析工作的基本步骤是( A )。 A.设定理论模型→收集样本资料→估计模型参数→检验模型B.设定模型→估计参数→检验模型→应用
《 期中练习题 1、回归分析中使用的距离是点到直线的垂直坐标距离。最小二乘准则是指( ) A .使 ∑=-n t t t Y Y 1)?(达到最小值 B.使∑=-n t t t Y Y 1达到最小值 C. 使 ∑=-n t t t Y Y 1 2 )(达到最小值 D.使∑=-n t t t Y Y 1 2)?(达到最小值 2、根据样本资料估计得出人均消费支出 Y 对人均收入 X 的回归模型为 ?ln 2.00.75ln i i Y X =+,这表明人均收入每增加 1%,人均消费支出将增加 ( ) A. B. % C. 2 D. % 3、设k 为回归模型中的参数个数,n 为样本容量。则对总体回归模型进行显著性检验的F 统计量与可决系数2 R 之间的关系为( ) ~ A.)1/()1()/(R 2 2---=k R k n F B. )/(1)-(k )R 1/(R 22k n F --= C. )/()1(22k n R R F --= D. ) 1()1/(2 2R k R F --= 6、二元线性回归分析中 TSS=RSS+ESS 。则 RSS 的自由度为( ) 9、已知五个解释变量线形回归模型估计的残差平方和为 8002=∑t e ,样本容量为46,则随机误 差项μ的方差估计量2 ?σ 为( ) D. 20 1、经典线性回归模型运用普通最小二乘法估计参数时,下列哪些假定是正确的( ) A.0)E(u i = B. 2 i )V ar(u i σ= C. 0)u E(u j i ≠ ) D.随机解释变量X 与随机误差i u 不相关 E. i u ~),0(2 i N σ 2、对于二元样本回归模型i i i i e X X Y +++=2211???ββα,下列各式成立的有( ) A.0 =∑i e B. 0 1=∑i i X e C. 0 2=∑i i X e D. =∑i i Y e E. 21=∑i i X X 4、能够检验多重共线性的方法有( )
计算分析题(共3小题,每题15分,共计45分) 1、下表给出了一含有3个实解释变量的模型的回归结果: 方差来源 平方和(SS ) 自由度(d.f.) 来自回归65965 — 来自残差— — 总离差(TSS) 66056 43 (1)求样本容量n 、RSS 、ESS 的自由度、RSS 的自由度 (2)求可决系数)37.0(-和调整的可决系数2 R (3)在5%的显著性水平下检验1X 、2X 和3X 总体上对Y 的影响的显著性 (已知0.05(3,40) 2.84F =) (4)根据以上信息能否确定1X 、2X 和3X 各自对Y 的贡献?为什么? 1、 (1)样本容量n=43+1=44 (1分) RSS=TSS-ESS=66056-65965=91 (1分) ESS 的自由度为: 3 (1分) RSS 的自由度为: d.f.=44-3-1=40 (1分) (2)R 2=ESS/TSS=65965/66056=0.9986 (1分) 2R =1-(1- R 2)(n-1)/(n-k-1)=1-0.0014?43/40=0.9985 (2分) (3)H 0:1230βββ=== (1分) F=/65965/39665.2/(1)91/40 ESS k RSS n k ==-- (2分) F >0.05(3,40) 2.84F = 拒绝原假设 (2分) 所以,1X 、2X 和3X 总体上对Y 的影响显著 (1分) (4)不能。 (1分) 因为仅通过上述信息,可初步判断X 1,X 2,X 3联合起来 对Y 有线性影响,三者的变化解释了Y 变化的约99.9%。但由于 无法知道回归X 1,X 2,X 3前参数的具体估计值,因此还无法 判断它们各自对Y 的影响有多大。 2、以某地区22年的年度数据估计了如下工业就业模型 i i i i i X X X Y μββββ++++=3322110ln ln ln 回归方程如下: i i i i X X X Y 321ln 62.0ln 25.0ln 51.089.3?+-+-= (-0.56)(2.3) (-1.7) (5.8) 2 0.996R = 147.3=DW 式中,Y 为总就业量;X 1为总收入;X 2为平均月工资率;X 3为地方政府的
计量经济学题库 计算与分析题(每小题10分) 1 X:年均汇率(日元/美元) Y:汽车出口数量(万辆) 问题:(1)画出X 与Y 关系的散点图。 (2)计算X 与Y 的相关系数。其中X 129.3=,Y 554.2=,2X X 4432.1∑(-)=,2Y Y 68113.6∑ (-)=,()()X X Y Y ∑--=16195.4 (3)采用直线回归方程拟和出的模型为 ?81.72 3.65Y X =+ t 值 1.2427 7.2797 R 2=0.8688 F=52.99 解释参数的经济意义。 2.已知一模型的最小二乘的回归结果如下: i i ?Y =101.4-4.78X 标准差 (45.2) (1.53) n=30 R 2=0.31 其中,Y :政府债券价格(百美元),X :利率(%)。 回答以下问题:(1)系数的符号是否正确,并说明理由;(2)为什么左边是i ?Y 而不是i Y ; (3)在此模型中是否漏了误差项i u ;(4)该模型参数的经济意义是什么。 3.估计消费函数模型i i i C =Y u αβ++得 i i ?C =150.81Y + t 值 (13.1)(18.7) n=19 R 2=0.81 其中,C :消费(元) Y :收入(元) 已知0.025(19) 2.0930t =,0.05(19) 1.729t =,0.025(17) 2.1098t =,0.05(17) 1.7396t =。 问:(1)利用t 值检验参数β的显著性(α=0.05);(2)确定参数β的标准差;(3)判断一下该模型的拟合情况。 4.已知估计回归模型得 i i ?Y =81.7230 3.6541X + 且2X X 4432.1∑ (-)=,2Y Y 68113.6∑(-)=, 求判定系数和相关系数。 5.有如下表数据
第一章绪论 一、填空题: 1.计量经济学是以揭示经济活动中客观存在的__________为内容的分支学科,挪威经济学家弗里希,将计量经济学定义为__________、__________、__________三者的结合。 2.数理经济模型揭示经济活动中各个因素之间的__________关系,用__________性的数学方程加以描述,计量经济模型揭示经济活动中各因素之间__________的关系,用__________性的数学方程加以描述。 3.经济数学模型是用__________描述经济活动。 4.计量经济学根据研究对象和内容侧重面不同,可以分为__________计量经济学和__________计量经济学。 5.计量经济学模型包括__________和__________两大类。 6.建模过程中理论模型的设计主要包括三部分工作,即__________、____________________、____________________。 7.确定理论模型中所包含的变量,主要指确定__________。 8.可以作为解释变量的几类变量有__________变量、__________变量、__________变量和__________变量。 9.选择模型数学形式的主要依据是__________。 10.研究经济问题时,一般要处理三种类型的数据:__________数据、__________数据和__________数据。 11.样本数据的质量包括四个方面__________、__________、__________、__________。 12.模型参数的估计包括__________、__________和软件的应用等内容。 13.计量经济学模型用于预测前必须通过的检验分别是__________检验、__________检验、__________检验和__________检验。
四、简答题(每小题5分) 令狐采学 1.简述计量经济学与经济学、统计学、数理统计学学科间的关系。 2.计量经济模型有哪些应用? 3.简述建立与应用计量经济模型的主要步调。4.对计量经济模型的检验应从几个方面入手? 5.计量经济学应用的数据是怎样进行分类的?6.在计量经济模型中,为什么会存在随机误差项? 7.古典线性回归模型的基本假定是什么?8.总体回归模型与样本回归模型的区别与联系。 9.试述回归阐发与相关阐发的联系和区别。 10.在满足古典假定条件下,一元线性回归模型的普通最小二乘估计量有哪些统计性质?11.简述BLUE 的含义。 12.对多元线性回归模型,为什么在进行了总体显著性F 检验之后,还要对每个回归系数进行是否为0的t 检验? 13.给定二元回归模型:01122t t t t y b b x b x u =+++,请叙述模型的古典假定。 14.在多元线性回归阐发中,为什么用修正的决定系数衡量估计模型对样本观测值的拟合优度? 15.修正的决定系数2R 及其作用。16.罕见的非线性回归模型有几种情况? 17.观察下列方程并判断其变量是否呈线性,系数是否呈线性,或
都是或都不是。 ①t t t u x b b y ++=310②t t t u x b b y ++=log 10 ③t t t u x b b y ++=log log 10④t t t u x b b y +=)/(10 18. 观察下列方程并判断其变量是否呈线性,系数是否呈线性,或都是或都不是。 ①t t t u x b b y ++=log 10②t t t u x b b b y ++=)(210 ③t t t u x b b y +=)/(10④t b t t u x b y +-+=)1(11 0 19.什么是异方差性?试举例说明经济现象中的异方差性。 20.产生异方差性的原因及异方差性对模型的OLS 估计有何影响。21.检验异方差性的办法有哪些? 22.异方差性的解决办法有哪些?23.什么是加权最小二乘法?它的基本思想是什么? 24.样天职段法(即戈德菲尔特——匡特检验)检验异方差性的基来源根基理及其使用条件。 25.简述DW 检验的局限性。26.序列相关性的后果。27.简述序列相关性的几种检验办法。 28.广义最小二乘法(GLS )的基本思想是什么?29.解决序列相关性的问题主要有哪几种办法? 30.差分法的基本思想是什么?31.差分法和广义差分法主要区别是什么? 32.请简述什么是虚假序列相关。33.序列相关和自相关的概念和规模是否是一个意思? 34.DW 值与一阶自相关系数的关系是什么?35.什么是多重共线
1、已知一模型的最小二乘的回归结果如下: i i ?Y =101.4-4.78X (45.2)(1.53) n=30 R 2=0.31 其中,Y :政府债券价格(百美元),X :利率(%)。 回答以下问题: (1)系数的符号是否正确,并说明理由;(2)为什么左边是i ?Y 而不是i Y ; (3)在此模型中是否漏了误差项i u ;(4)该模型参数的经济意义是什么。 答:(1)系数的符号是正确的,政府债券的价格与利率是负相关关系,利率的上升会引起政府债券价格的下降。 (2)i Y 代表的是样本值,而i ?Y 代表的是给定i X 的条件下i Y 的期望值,即?(/)i i i Y E Y X 。此模型是根据样本数据得出的回归结果,左边应当是i Y 的期望值,因此是i ?Y 而不是i Y 。 (3)没有遗漏,因为这是根据样本做出的回归结果,并不是理论模型。 (4)截距项101.4表示在X 取0时Y 的水平,本例中它没有实际意义;斜率项-4.78表明利率X 每上升一个百分点,引起政府债券价格Y 降低478美元。 2、有10户家庭的收入(X ,元)和消费(Y ,百元)数据如下表: 10户家庭的收入(X )与消费(Y )的资料 X 20 30 33 40 15 13 26 38 35 43 Y 7 9 8 11 5 4 8 10 9 10 若建立的消费Y 对收入X 的回归直线的Eviews 输出结果如下: Dependent Variable: Y
Variable Coefficient Std. Error X 0.202298 0.023273 C 2.172664 0.720217 R-squared 0.904259 S.D. dependent var 2.233582 Adjusted R-squared 0.892292 F-statistic 75.55898 Durbin-Watson stat 2.077648 Prob(F-statistic) 0.000024 (1)说明回归直线的代表性及解释能力。 (2)在95%的置信度下检验参数的显著性。(0.025(10) 2.2281t =,0.05(10) 1.8125t =,0.025(8) 2.3060t =,0.05(8) 1.8595t =) (3)在95%的置信度下,预测当X =45(百元)时,消费(Y )的置信区间。(其中29.3x =,2()992.1x x -=∑) 答:(1)回归模型的R 2=0.9042,表明在消费Y 的总变差中,由回归直线解释的部分占到90%以上,回归直线的代表性及解释能力较好。 (2)对于斜率项,11 ? 0.20238.6824?0.0233 ()b t s b ===>0.05(8) 1.8595t =,即表明斜率项 显著不为0,家庭收入对消费有显著影响。对于截距项, 00? 2.1727 3.0167?0.7202 ()b t s b ===>0.05(8) 1.8595t =, 即表明截距项也显著不为0,通过了显著性检验。 (3)Y f =2.17+0.2023×45=11.2735 0.025(8) 1.8595 2.2336 4.823t ?=?= 95%置信区间为(11.2735-4.823,11.2735+4.823),即(6.4505,16.0965)。
计量经济学(第3版)例题和习题数据表表2.1.1 某社区家庭每月收入与消费支出统计表
表2.3.1 参数估计的计算表
表2.6.1 中国各地区城镇居民家庭人均全年可支配收入与人均全年消费性支出(元) 资料来源:《中国统计年鉴》(2007)。
表2.6.3 中国居民总量消费支出与收入资料 单位:亿元年份GDP CONS CPI TAX GDPC X Y 19783605.6 1759.1 46.21519.28 7802.5 6678.83806.7 19794092.6 2011.5 47.07537.828694.2 7551.64273.2 19804592.9 2331.2 50.62571.70 9073.7 7944.24605.5 19815008.8 2627.9 51.90629.899651.8 8438.05063.9 19825590.0 2902.9 52.95700.02 10557.3 9235.25482.4 19836216.2 3231.1 54.00775.5911510.8 10074.65983.2 19847362.7 3742.0 55.47947.35 13272.8 11565.06745.7 19859076.7 4687.4 60.652040.79 14966.8 11601.77729.2 198610508.5 5302.1 64.572090.37 16273.7 13036.58210.9 198712277.4 6126.1 69.302140.36 17716.3 14627.78840.0 198815388.6 7868.1 82.302390.47 18698.7 15794.09560.5 198917311.3 8812.6 97.002727.40 17847.4 15035.59085.5 199019347.8 9450.9 100.002821.86 19347.8 16525.99450.9 199122577.4 10730.6 103.422990.17 21830.9 18939.610375.8 199227565.2 13000.1 110.033296.91 25053.0 22056.511815.3 199336938.1 16412.1 126.204255.30 29269.1 25897.313004.7 199450217.4 21844.2 156.655126.88 32056.2 28783.413944.2 199563216.9 28369.7 183.416038.04 34467.5 31175.415467.9 199674163.6 33955.9 198.666909.82 37331.9 33853.717092.5 199781658.5 36921.5 204.218234.04 39988.5 35956.218080.6 199886531.6 39229.3 202.599262.80 42713.1 38140.919364.1 199991125.0 41920.4 199.7210682.58 45625.8 40277.020989.3 200098749.0 45854.6 200.5512581.51 49238.0 42964.622863.9 2001108972.4 49213.2 201.9415301.38 53962.5 46385.424370.1 2002120350.3 52571.3 200.3217636.45 60078.0 51274.026243.2 2003136398.8 56834.4 202.7320017.31 67282.2 57408.128035.0 2004160280.4 63833.5 210.6324165.68 76096.3 64623.130306.2 2005188692.1 71217.5 214.4228778.54 88002.1 74580.433214.4 2006221170.5 80120.5 217.6534809.72 101616.3 85623.136811.2资料来源:根据《中国统计年鉴》(2001,2007)整理。
计量经济学题库一、单项选择题(每小题1分) 1.计量经济学是下列哪门学科的分支学科(C)。 A.统计学B.数学C.经济学D.数理统计学 2.计量经济学成为一门独立学科的标志是(B)。 A.1930年世界计量经济学会成立B.1933年《计量经济学》会刊出版 C.1969年诺贝尔经济学奖设立D.1926年计量经济学(Economics)一词构造出来 3.外生变量和滞后变量统称为(D)。 A.控制变量B.解释变量C.被解释变量D.前定变量4.横截面数据是指(A)。 A.同一时点上不同统计单位相同统计指标组成的数据B.同一时点上相同统计单位相同统计指标组成的数据 C.同一时点上相同统计单位不同统计指标组成的数据D.同一时点上不同统计单位不同统计指标组成的数据 5.同一统计指标,同一统计单位按时间顺序记录形成的数据列是(C)。 A.时期数据B.混合数据C.时间序列数据D.横截面数据6.在计量经济模型中,由模型系统内部因素决定,表现为具有一定的概率分布的随机变量,其数值受模型中其他变量影响的变量是()。 A.内生变量B.外生变量C.滞后变量D.前定变量7.描述微观主体经济活动中的变量关系的计量经济模型是()。 A.微观计量经济模型B.宏观计量经济模型C.理论计量经济模型D.应用计量经济模型 8.经济计量模型的被解释变量一定是()。 A.控制变量B.政策变量C.内生变量D.外生变量9.下面属于横截面数据的是()。
A.1991-2003年各年某地区20个乡镇企业的平均工业产值 B.1991-2003年各年某地区20个乡镇企业各镇的工业产值 C.某年某地区20个乡镇工业产值的合计数D.某年某地区20个乡镇各镇的工业产值 10.经济计量分析工作的基本步骤是()。 A.设定理论模型→收集样本资料→估计模型参数→检验模型B.设定模型→估计参数→检验模型→应用模型 C.个体设计→总体估计→估计模型→应用模型D.确定模型导向→确定变量及方程式→估计模型→应用模型 11.将内生变量的前期值作解释变量,这样的变量称为()。 A.虚拟变量B.控制变量C.政策变量D.滞后变量 12.()是具有一定概率分布的随机变量,它的数值由模型本身决定。 A.外生变量B.内生变量C.前定变量D.滞后变量 13.同一统计指标按时间顺序记录的数据列称为()。 A.横截面数据B.时间序列数据C.修匀数据D.原始数据 14.计量经济模型的基本应用领域有()。 A.结构分析、经济预测、政策评价B.弹性分析、乘数分析、政策模拟 C.消费需求分析、生产技术分析、D.季度分析、年度分析、中长期分析 15.变量之间的关系可以分为两大类,它们是()。 A.函数关系与相关关系B.线性相关关系和非线性相关关系 C.正相关关系和负相关关系D.简单相关关系和复杂相关关系 16.相关关系是指()。 A.变量间的非独立关系B.变量间的因果关系C.变量间的函数关系D.变量间不确定性
2.已知一模型的最小二乘的回归结果如下: i i ?Y =101.4-4.78X 标准差 () () n=30 R 2 = 其中,Y :政府债券价格(百美元),X :利率(%)。 回答以下问题:(1)系数的符号是否正确,并说明理由;(2)为什么左边是i ?Y 而不是i Y ; (3)在此模型中是否漏了误差项i u ;(4)该模型参数的经济意义是什么。 13.假设某国的货币供给量Y 与国民收入X 的历史如系下表。 某国的货币供给量X 与国民收入Y 的历史数据 根据以上数据估计货币供给量Y 对国民收入X 的回归方程,利用Eivews 软件输出结果为: Dependent Variable: Y Variable Coefficient Std. Error t-Statistic Prob. X C R-squared Mean dependent var Adjusted R-squared . dependent var . of regression F-statistic Sum squared resid Prob(F-statistic) 问:(1)写出回归模型的方程形式,并说明回归系数的显著性() 。 (2)解释回归系数的含义。 (2)如果希望1997年国民收入达到15,那么应该把货币供给量定在什么水平 14.假定有如下的回归结果 t t X Y 4795.06911.2?-= 其中,Y 表示美国的咖啡消费量(每天每人消费的杯数),X 表示咖啡的零售价格(单位:美元/杯),t 表示时间。问: (1)这是一个时间序列回归还是横截面回归做出回归线。 (2)如何解释截距的意义它有经济含义吗如何解释斜率(3)能否救出真实的总体回归函数 (4)根据需求的价格弹性定义: Y X ?弹性=斜率,依据上述回归结果,你能救出对咖啡需求的价格弹性吗如果不能,计算此弹性还需要其他什么信息 15.下面数据是依据10组X 和Y 的观察值得到的: 1110=∑i Y ,1680 =∑i X ,204200=∑i i Y X ,315400 2=∑ i X ,133300 2 =∑i Y 假定满足所有经典线性回归模型的假设,求0β,1β的估计值; 16.根据某地1961—1999年共39年的总产出Y 、劳动投入L 和资本投入K 的年度数据,运用普通最小二乘法估计得出了下列回归方程: ,DW= 式下括号中的数字为相应估计量的标准误。 (1)解释回归系数的经济含义; (2)系数的符号符合你的预期吗为什么 17.某计量经济学家曾用1921~1941年与1945~1950年(1942~1944年战争期间略去)美国国内消费C和工资收入W、非工资-非农业收入
第一章 1、什么是计量经济学?计量经济学方法与一般经济学方法有什么区别? 解答计量经济学是经济学的一个分支学科,以揭示经济活动中客观存在的经济关系为主要内容,是由经济理论、统计学、数学三者结合而成的交叉性学科。 计量经济学方法揭示经济活动中具有因果关系的各因素间的定量关系,它用随 机性的数学方程加以描述;而一般经济数学方法揭示经济活动中各因素间的理 论关系,更多的用确定性的数学方程加以描述。 2、计量经济学的研究对象和内容是什么?计量经济学模型研究的经济关系有哪两个基本特征? 解答计量经济学的研究对象是经济现象,主要研究经济现象中的具体数量规律,换言之,计量经济学是利用数学方法,根据统计测定的经济数据,对反映经济 现象本质的经济数量关系进行研究。计量经济学的内容大致包括两个方面:一 是方法论,即计量经济学方法或理论计量经济学;二是应用,即应用计量经济学。无论理论计量经济学还是应用计量经济学,都包括理论、方法和数据三要素。 计量经济学模型研究的经济关系有两个基本特征:一是随机关系,二是因果关系。 3、为什么说计量经济学在当代经济学科中占据重要地位?当代计量经济学发展的基本特征与动向是什么? 解答计量经济学子20世纪20年代末30年代初形成以来,无论在技术方法 上还是在应用方面发展都十分迅速,尤其是经过20世纪50年代的发展阶段和20世纪60年代的扩张阶段,计量经济学在经济学科中占据了重要的地位,主 要表现在以下几点。 第一,在西方大多数大学和学院中,计量经济学的讲授已成为经济学课程中最具有权威性的一部分。 第二,1969-2003诺贝尔经济学奖的53位获奖者中有10位于研究和应用计量经济学有关,居经济学各分支学科之首。除此之外,绝大多数诺贝尔 经济学奖获得者,即使其主要贡献不在计量经济学领域,但在他们的研 究中都普遍的应用了计量经济学方法。著名经济学家、诺贝尔经济学奖
计量经济学题库(超完整版)及答案 一、单项选择题(每小题1分) 1.计量经济学是下列哪门学科的分支学科(C )。 A .统计学 B .数学 C .经济学 D .数理统计学 2.计量经济学成为一门独立学科的标志是(B )。 A .1930年世界计量经济学会成立 B .1933年《计量经济学》会刊出版 C .1969年诺贝尔经济学奖设立 D .1926年计量经济学(Economics )一词构造出来3.外生变量和滞后变量统称为(D )。 A .控制变量 B .解释变量 C .被解释变量 D .前定变量 4.横截面数据是指(A )。 A .同一时点上不同统计单位相同统计指标组成的数据 B .同一时点上相同统计单位相同统计指标组成的数据 C .同一时点上相同统计单位不同统计指标组成的数据 D .同一时点上不同统计单位不同统计指标组成的数据 5.同一统计指标,同一统计单位按时间顺序记录形成的数据列是(C )。 A .时期数据 B .混合数据 C .时间序列数据 D .横截面数据 6.在计量经济模型中,由模型系统内部因素决定,表现为具有一定的概率分布的随机变量,其数值受模型中其他变量影响的变量是()。 A .内生变量 B .外生变量 C .滞后变量 D .前定变量 7.描述微观主体经济活动中的变量关系的计量经济模型是()。 A .微观计量经济模型 B .宏观计量经济模型 C .理论计量经济模型 D .应用计量经济模型 8.经济计量模型的被解释变量一定是()。 A .控制变量 B .政策变量 C .内生变量 D .外生变量 9.下面属于横截面数据的是()。 A .1991-2003年各年某地区20个乡镇企业的平均工业产值 B .1991-2003年各年某地区20个乡镇企业各镇的工业产值 C .某年某地区20个乡镇工业产值的合计数 D .某年某地区20个乡镇各镇的工业产值10.经济计量分析工作的基本步骤是()。 A .设定理论模型→收集样本资料→估计模型参数→检验模型 B .设定模型→估计参数→检验模型→应用模型 C .个体设计→总体估计→估计模型→应用模型 D .确定模型导向→确定变量及方程式→估计模型→应用模型 11.将内生变量的前期值作解释变量,这样的变量称为()。 A .虚拟变量 B .控制变量 C .政策变量 D .滞后变量 12.()是具有一定概率分布的随机变量,它的数值由模型本身决定。 A .外生变量 B .内生变量 C .前定变量 D .滞后变量 13.同一统计指标按时间顺序记录的数据列称为()。 A .横截面数据 B .时间序列数据 C .修匀数据 D .原始数据 14.计量经济模型的基本应用领域有()。 A .结构分析、经济预测、政策评价 B .弹性分析、乘数分析、政策模拟 C .消费需求分析、生产技术分析、 D .季度分析、年度分析、中长期分析 15.变量之间的关系可以分为两大类,它们是()。 A .函数关系与相关关系 B .线性相关关系和非线性相关关系
期中练习题 1、回归分析中使用的距离是点到直线的垂直坐标距离。最小二乘准则是指( ) A .使∑=-n t t t Y Y 1)?(达到最小值 B.使∑=-n t t t Y Y 1达到最小值 型为F C. )/()1(2k n R F --= D. ) 1(2R F -= 6、二元线性回归分析中 TSS=RSS+ESS 。则 RSS 的自由度为( ) A.1 B.n-2 C.2 D.n-3
9、已知五个解释变量线形回归模型估计的残差平方和为8002=∑t e ,样本容量为46, 则随机误差项μ的方差估计量2?σ 为( ) 1、经典线性回归模型运用普通最小二乘法估计参数时,下列哪些假定是正确的 ( ) ) 计算题 1、为了研究我国经济发展状况,建立投资(1X ,亿元)与净出口(2X ,亿元)与国民生产总值(Y ,亿元)的线性回归方程并用13年的数据进行估计,结果如下:
S.E=(2235.26) (0.12) (1.28) 2R =0.99 F=582 n=13 问题如下: ①从经济意义上考察模型估计的合理性;(3分)②估计修正可决系数2R ,并对2 R 作解释;(3分) ③在5%的显着性水平上,分别检验参数的显着性;在5%显着性水平上,检验模型的整体显着性。(16.2)13(025.0=t , 10.4)10,2(05.0=F )(4分) 2、已知某市33个工业行业2000年生产函数为:(共20分) Q=AL ?K ?e u 1. 说明?、?的经济意义。(5分) 2. 写出将生产函数变换为线性函数的变换方法。(5分) 3. 假如变换后的线性回归模型的常数项估计量为 0β ,试写出A 的估计式。(5分) 3、对于人均存款与人均收入之间的关系式 ,使用美国 36 年的年度数据, 得到如下估计模型 ( 括号内为标准差 ) : (151.105) (0.011)
计量经济学 复习题 一、单选题 1、怀特检验法可用于检验( )。 A.异方差性 B.多重共线性 C.序列相关 D.模型设定误差 2、计量经济学分析问题的工作程序是( )。 A.设定模型,检验模型,估计模型,改进模型 B.设定模型,估计参数,检验模型,应用模型 C.估计模型,应用模型,检验模型,改进模型 D.搜集资料,设定模型,估计参数,应用模型 3、对下列模型进行经济意义检验,哪一个模型是没有实际意义的( )。 A.i C (消费)i I 8.0500+=(收入) B.di Q (商品需求)i I 8.010+=(收入)i P 9.0+(价格) C.si Q (商品供给)i P 75.020+=(价格) D.i Y (产出量)6.065.0i K =(资本)4 .0i L (劳动) 4、戈德菲尔德—匡特检验法可用于检验模型的( )。 A.异方差性 B.多重共线性 C.序列相关 D.设定误差 5、在满足基本假定的情况下,对单方程计量经济学模型而言,下列有关解 释变量和被解释变量的说法中正确的有( )。 A.被解释变量和解释变量均为随机变量 B.被解释变量和解释变量均为非随机变量 C.被解释变量为随机变量,解释变量为非随机变量 D.被解释变量为非随机变量,解释变量为随机变量 6、根据样本资料估计得到人均消费支出Y 对人均收入X 的回归方程为 X Y ln 75.000.2ln += ,这表明人均收入每增加1%,人均消费支出将增加 ( )。 A.2% B.0.75 C.0.75% D.7.5% 7、设k 为回归模型中的解释变量个数,n 为样本容量,则对总体回归模型 进行显著性检验(F 检验)时构造的F 统计量为( )。 A.)1/()/(--=k n RSS k ESS F B. )k n /(RSS )1k /(ESS 1F ---=
四、简答题(每小题5分) 1.简述计量经济学与经济学、统计学、数理统计学学科间的关系。2.计量经济模型有哪些应用? 3.简述建立与应用计量经济模型的主要步骤。 4.对计量经济模型的检验应从几个方面入手? 5.计量经济学应用的数据是怎样进行分类的? 6.在计量经济模型中,为什么会存在随机误差项? 7.古典线性回归模型的基本假定是什么? 8.总体回归模型与样本回归模型的区别与联系。 9.试述回归分析与相关分析的联系和区别。 10.在满足古典假定条件下,一元线性回归模型的普通最小二乘估计量有哪些统计性质? 11.简述BLUE 的含义。 12.对于多元线性回归模型,为什么在进行了总体显著性F 检验之后,还要对每个回归系数进行是否为0的t 检验? 13.给定二元回归模型: 01122t t t t y b b x b x u =+++,请叙述模型的古典假定。 14.在多元线性回归分析中,为什么用修正的决定系数衡量估计模型对样本观测值的拟合优度? 15.修正的决定系数2R 及其作用。 16.常见的非线性回归模型有几种情况? 17.观察下列方程并判断其变量是否呈线性,系数是否呈线性,或都是或都不是。 ①t t t u x b b y ++=310 ②t t t u x b b y ++=log 10 ③ t t t u x b b y ++=log log 10 ④t t t u x b b y +=)/(10 18. 观察下列方程并判断其变量是否呈线性,系数是否呈线性,或都是或都不是。 ①t t t u x b b y ++=log 10 ②t t t u x b b b y ++=)(210 ③ t t t u x b b y +=)/(10 ④t b t t u x b y +-+=)1(110 19.什么是异方差性?试举例说明经济现象中的异方差性。
计量经济学习题 一、名词解释 1、普通最小二乘法:为使被解释变量的估计值与观测值在总体上最为接近使Q= 最小,从而求出参数估计量的方法,即之。 2、总平方和、回归平方和、残差平方和的定义:TSS度量Y自身的差异程度,称为总平方和。TSS除以自由度n-1=因变量的方差,度量因变量自身的变化;RSS度量因变量Y的拟合值自身的差异程度,称为回归平方和,RSS除以自由度(自变量个数-1)=回归方差,度量由自变量的变化引起的因变量变化部分;ESS度量实际值与拟合值之间的差异程度,称为残差平方和。RSS除以自由度(n-自变量个数-1)=残差(误差)方差,度量由非自变量的变化引起的因变量变化部分。 3、计量经济学:计量经济学是以经济理论为指导,以事实为依据,以数学和统计学为方法,以电脑技术为工具,从事经济关系与经济活动数量规律的研究,并以建立和应用经济计量模型为核心的一门经济学科。而且必须指出,这些经济计量模型是具有随机性特征的。 4、最小样本容量:即从最小二乘原理和最大似然原理出发,欲得到参数估计量,不管其质量如何,所要求的样本容量的下限;即样本容量必须不少于模型中解释变量的数目(包扩常数项),即之。 5、序列相关性:模型的随机误差项违背了相互独立的基本假设的情况。 6、多重共线性:在线性回归模型中,如果某两个或多个解释变量之间出现了相关性,则称为多重共线性。 7、工具变量法:在模型估计过程中被作为工具使用,以替代模型中与随机误差项相关的随机解释变量。这种估计方法称为工具变量法。 8、时间序列数据:按照时间先后排列的统计数据。 9、截面数据:发生在同一时间截面上的调查数据。 10、相关系数:指两个以上的变量的样本观测值序列之间表现出来的随机数学关系。 11、异方差:对于线性回归模型提出了若干基本假设,其中包括随机误差项具有同方差;如果对于不同样本点,随机误差项的方差不再是常数,而互不相同,则认为出现了异方差性。 12、外生变量:外生变量是模型以外决定的变量,作为自变量影响内生变量,外生变量决定内生变量,其参数不是模型系统的元素。因此,外生变量本身不能在模型体系内得到说明。外生变量一般是确定性变量,或者是具有临界概率分布的随机变量。外生变量影响系统,但本身并不受系统的影响。外生变量一般是经济变量、条件变量、政策变量、虚变量。一般情况下,外生变量与随机项不相关。
计量经济学-李子奈-计算题整理集合
计算分析题(共3小题,每题15分,共计45分) 1 (1)求样本容量n 、RSS 、ESS 的自由度、RSS 的自由度 (2)求可决系数)37.0(-和调整的可决系数2 R (3)在5%的显著性水平下检验1X 、2X 和3X 总体上对Y 的影响的显著性 (已知0.05(3,40) 2.84F =) (4)根据以上信息能否确定1X 、2X 和3X 各自对Y 的贡献?为什么? 1、 (1)样本容量n=43+1=44 (1分) RSS=TSS-ESS=66056-65965=91 (1分) ESS 的自由度为: 3 (1分) RSS 的自由度为: d.f.=44-3-1=40 (1分) (2)R 2=ESS/TSS=65965/66056=0.9986 (1分) 2R =1-(1- R 2)(n-1)/(n-k-1)=1-0.0014?43/40=0.9985 (2分) (3)H 0:1230βββ=== (1分) F=/65965/39665.2/(1)91/40 ESS k RSS n k ==-- (2分) F >0.05(3,40) 2.84F = 拒绝原假设 (2分) 所以,1X 、2X 和3X 总体上对Y 的影响显著 (1分) (4)不能。 (1分) 因为仅通过上述信息,可初步判断X 1,X 2,X 3联合起来 对Y 有线性影响,三者的变化解释了Y 变化的约99.9%。但由于 无法知道回归X 1,X 2,X 3前参数的具体估计值,因此还无法 判断它们各自对Y 的影响有多大。 2、以某地区22年的年度数据估计了如下工业就业模型 i i i i i X X X Y μββββ++++=3322110ln ln ln 回归方程如下: i i i i X X X Y 321ln 62.0ln 25.0ln 51.089.3?+-+-= (-0.56)(2.3) (-1.7) (5.8) 2 0.996R = 147.3=DW 式中,Y 为总就业量;X 1为总收入;X 2为平均月工资率;X 3为地方政府
第一章导论 一、单项选择题 1、计量经济学是__________的一个分支学科。C A统计学 B数学 C经济学 D数理统计学 2、计量经济学成为一门独立学科的标志是__________。B A 1930年世界计量经济学会成立 B 1933年《计量经济学》会刊出版 C 1969年诺贝尔经济学奖设立 D 1926年计量经济学(Economics)一词构造出来 3、外生变量和滞后变量统称为__________。D A控制变量 B解释变量 C被解释变量 D前定变量 4、横截面数据是指__________。A A同一时点上不同统计单位相同统计指标组成的数据 B同一时点上相同统计单位相同统计指标组成的数据 C同一时点上相同统计单位不同统计指标组成的数据 D同一时点上不同统计单位不同统计指标组成的数据 5、同一统计指标,同一统计单位按时间顺序记录形成的数据列是__________。C A时期数据 B混合数据 C时间序列数据 D横截面数据 6、在计量经济模型中,由模型系统内部因素决定,表现为具有一定的概率分布的随机变量,其数值受模型中其他变量影响的变量是__________。B A 内生变量 B 外生变量 C 滞后变量 D 前定变量 7、描述微观主体经济活动中的变量关系的计量经济模型是__________。A A 微观计量经济模型 B 宏观计量经济模型 C 理论计量经济模型 D 应用计量经济模型 8、经济计量模型的被解释变量一定是__________。C A 控制变量 B 政策变量 C 内生变量 D 外生变量 9、下面属于横截面数据的是__________。D A1991-2003年各年某地区20个乡镇企业的平均工业产值 B1991-2003年各年某地区20个乡镇企业各镇的工业产值 C某年某地区20个乡镇工业产值的合计数 D某年某地区20个乡镇各镇的工业产值 10、经济计量分析工作的基本步骤是__________。A A建立模型、收集样本数据、估计参数、检验模型、应用模型 B设定模型、估计参数、检验模型、应用模型、模型评价