计量经济学实验报告-LOGIT模型

8/8XXX学院实验报告课程名称计量经济学成绩实验名称虚拟变量模型专业投资学年级/班级B18投资学一班指导教师刘某某实验地点文博楼实验室名称经济学实验中心实验时间实验仪器计算机、eviews计量分析软件姓名学号实验目的运用习题7-1数据，建立ANOVA模型，并解释相关变量。运用习题7-1数据，建立ANCOVA模型，并解释相关变量。运用习题7-1数据，建立LPM模型，并解释相关变量。运用7-1数据，建立LOGIT模型，并解释相关变量。运用7-1数据，建立PROBIT模型，并解释相关变量。运用7-2数据，建立审察回归模型TOBIT模型，并解释相关变量。实验内容\步骤1.建立ANOVA模型：打开Eviews，选择数据GPA、PSI打开，点击Quick-EstimateEquation进行回归分析。2.建立ANCOVA模型：选择GPAGRADEPSITUCE作为一组数据打开，点击Quick-EstimateEquation进行回归分析。3.建立LPM模型：在EstimateEquation命令框中输入GRADECGPAPSITUCE进行回归，得到LPM模型。4.建立LOGIT模型：在Method下拉列表中选择BINARY选项，并在BinaryEstimate选项组中选择LOGIT，同时在命令框中输入GRADEGPAPSITUCEC得到模型。5.建立PROBIT模型：在Method下拉列表选择BINARY选项，并在BinaryEstimate选项组中选择PROBIT，同时在命令框中输入GRADEGPAPSITUCEC得到模型。6.建立TOBIT模型：在Method下拉列表中选择CENSORED选项，在EstimateEquation命令框中输入YX1X2X3X4C，在Distribution中选择Normal。实验结果分析及讨论1.建立ANOVA模型如下：回归分析如下：

DependentVariable:GPAMethod:LeastSquaresDate:11/21/21Time:11:24Sample:132Includedobservations:32VariableCoefficientStd.Errort-StatisticProb.

PSI0.0367460.1689280.2175240.8293C3.1011110.11173627.754020.0000R-squared0.001575

Meandependentvar3.117188AdjustedR-squared-0.031706

S.D.dependentvar0.466713S.E.ofregression0.474054

Akaikeinfocriterion1.405470Sumsquaredresid6.741813

Schwarzcriterion1.497079Loglikelihood-20.48752

Hannan-Quinncriter.1.435836F-statistic0.047317

Durbin-Watsonstat2.225416Prob(F-statistic)0.829272根据回归数据建立模型，结果为：由回归结果可知，PSI所对应的P值为0.8293，P>0.05,P值不显著，这说明PSI对GPA没有显著影响,即是否接受新的教学方法对学生的平均分数没有很大的关系。实验结果分析及讨论（续）2.建立ANCOVA模型如下：回归分析结果如下：

DependentVariable:GPAMethod:LeastSquaresDate:11/21/21Time:11:48Sample:132Includedobservations:32VariableCoefficientStd.Errort-StatisticProb.

GRADE0.4884730.1705532.8640540.0078PSI-0.1877880.156612-1.1990610.2406TUCE0.0307190.0192401.5966380.1216C2.3575330.4182445.6367380.0000R-squared0.342418

Meandependentvar3.117188AdjustedR-squared0.271963

S.D.dependentvar0.466713S.E.ofregression0.398223

Akaikeinfocriterion1.112861Sumsquaredresid4.440289

Schwarzcriterion1.296078Loglikelihood-13.80577

Hannan-Quinncriter.1.173592F-statistic4.860075

Durbin-Watsonstat1.831719Prob(F-statistic)0.007604根据回归数据建立模型，结果为：

由模型结果可知，当GRADE为常量时，接受新方法比不接受新方法的平均分数低0.187788分；当GRADE和PSI为常量时，测验得分每增加一个单位，学生的平均分数就增加2.388252分。另外GRADE的P值较小，小于0.05，说明是否接受新方法对学生的学习成绩影响较大。实验结果分析及讨论（续）3.建立LPM模型如下：DependentVariable:GRADEMethod:LeastSquaresDate:11/21/21Time:11:27Sample:132Includedobservations:32VariableCoefficientStd.Errort-StatisticProb.

GPA0.4638520.1619562.8640540.0078PSI0.3785550.1391732.7200350.0111TUCE0.0104950.0194830.5386850.5944C-1.4980170.523889-2.8594190.0079R-squared0.415900

Meandependentvar0.343750AdjustedR-squared0.353318

S.D.dependentvar0.482559S.E.ofregression0.388057

Akaikeinfocriterion1.061140Sumsquaredresid4.216474

Schwarzcriterion1.244357Loglikelihood-12.97825

Hannan-Quinncriter.1.121872F-statistic6.645658

Durbin-Watsonstat2.346447Prob(F-statistic)0.001571利用普通最小二乘估计，得到线性概率模型为：模型回归结果表明，模型总体的统计是显著的。可知GPA的斜率估计量为0.463852，这说明平均分数每增加1时，接受新教学方法后成绩改善的概率上升46.39%；TUCE的斜率估计量为0.010495，这说明测验得分每增加1个单位时，接受新教学方法后成绩改善的概率上升1.05%；PSI的斜率估计量为0.378555，这接受新方法的意愿每增加1个单位时，接受新教学方法后成绩改善的概率上升37.86%。实验结果分析及讨论（续）4.建立LOGIT模型如下：

DependentVariable:GRADEMethod:ML-BinaryLogit(Quadratichillclimbing)Date:11/21/21Time:11:32Sample:132Includedobservations:32Convergenceachievedafter4iterationsCovariancematrixputedusingsecondderivativesVariableCoefficientStd.Errorz-StatisticProb.

GPA0.2993360.6815420.4392040.6605PSI1.6363570.8126202.0136810.0440TUCE-0.1014720.099563-1.0191830.3081Meandependentvar0.343750

S.D.dependentvar0.482559S.E.ofregression0.467281

Akaikeinfocriterion1.360661Sumsquaredresid6.332187

Schwarzcriterion1.498074Loglikelihood-18.77057

Hannan-Quinncriter.1.406209Deviance37.54114

Restr.deviance41.18346Avg.loglikelihood-0.586580ObswithDep=021

Totalobs32ObswithDep=111根据上述结果，可以得出二元Logit模型结果为：由二元Logit模型可得：可知解释变量PSI的Z统计量较大且其相应的概率值比较小，这说明其在统计上是显著的，从而说明PSI对提高学生成绩有显著的影响。然而解释变量GPA，TUCE参数估计值相应的概率值较大，统计上不显著，说明这两个变量对提高学生成绩没有显著影响。实验结果分析及讨论（续）5.建立PROBIT模型如下：

DependentVariable:GRADEMethod:ML-BinaryProbit(Quadratichillclimbing)Date:11/21/21Time:11:31Sample:132Includedobservations:32Convergenceachievedafter3iterationsCovariancematrixputedusingsecondderivativesVariableCoefficientStd.Errorz-StatisticProb.

GPA0.1763780.4089200.4313260.6662PSI0.9786390.4746342.0618820.0392TUCE-0.0602020.059089-1.0188220.3083Meandependentvar0.343750

S.D.dependentvar0.482559S.E.ofregression0.467831

Akaikeinfocriterion1.363158Sumsquaredresid6.347100

Schwarzcriterion1.500570Loglikelihood-18.81052

Hannan-Quinncriter.1.408706Deviance37.62104

Restr.deviance41.18346Avg.loglikelihood-0.587829ObswithDep=021

Totalobs32ObswithDep=111根据上述结果，可以得出二元Probit模型结果为：由回归模型结果可得：可知PSI对应的P值为0.0392，小于0.05，从而表明PSI对提高学生成绩有明显的影响。而解释变量GPA和TUCE相应的概率较大，统计上不显著，说明其对提高学生成绩没有明显的影响。实验结果分析及讨论（续）6.建立TOBIT模型如下：

DependentVariable:YMethod:ML-CensoredNormal(TOBIT)(Quadratichillclimbing)Date:11/21/21Time:11:34Sample:150Includedobservations:50Leftcensoring(value)atzeroConvergenceachievedafter5iterationsCovariancematrixputedusingsecondderivativesVariableCoefficientStd.Errorz-StatisticProb.

X1-6.2048323.179638-1.9514270.0510X2-0.9415340.326982-2.8794710.0040X33.0494971.3462202.2652300.0235X40.0001560.0001700.9153960.3600C18.6330320.644960.9025460.3668ErrorDistributionSCALE:C(6)22.790783.1028637.3450830.0000Meandependentvar19.16000

S.D.dependentvar19.02454S.E.ofregression17.27325

Akaikeinfocriterion6.628115Sumsquaredresid13128.06

Schwarzcriterion6.857558Loglikelihood-159.7029

Hannan-Quinncriter.6.715488Avg.loglikelihood-3.194058Leftcensoredobs18

Rightcensoredobs0Uncensoredobs32

Totalobs50根据结果可以得出回归方程：可知、的回归系数值为-6.204832和-0.941534，且P值都比较显著，这意味着、对有显著的反向影响关系。的回归系数值为3.049497，P值较小，对产生显著的正向影响关系。的回归系数值为0.00