计量经济学李子奈eviews完整实验

PAGE1计量经济学试验eviews——李子奈

目录实验一一元线性回归 5一实验目的 5二实验要求 5三实验原理 5四预备知识 5五实验内容 5六实验步骤 51.建立工作文件并录入数据 52.数据的描述性统计和图形统计： 73.设定模型，用最小二乘法估计参数： 84.模型检验： 85.应用：回归预测： 9实验二可化为线性的非线性回归模型估计、受约束回归检验及参数稳定性检验 12一实验目的： 12二实验要求 12三实验原理 12四预备知识 12五实验内容 12六实验步骤 13实验三多元线性回归 14一实验目的 14三实验原理 15四预备知识 15五实验内容 15六实验步骤 156.1建立工作文件并录入全部数据 156.2建立二元线性回归模型 156.3结果的分析与检验 166.4参数的置信区间 166.5回归预测 176.6置信区间的预测 18实验四异方差性 20一实验目的 20二实验要求 20三实验原理 20四预备知识 20五实验内容 20六实验步骤 206.1建立对象： 206.2用普通最小二乘法建立线性模型 216.3检验模型的异方差性 216.4异方差性的修正 24实验五自相关性 28一实验目地 28二实验要求 28三实验原理 28四预备知识 28五实验内容 28六实验步骤 286.1建立Workfile和对象 296.2参数估计、检验模型的自相关性 296.3使用广义最小二乘法估计模型 336.4采用差分形式作为新数据，估计模型并检验相关性 35实验六多元线性回归和多重共线性 37一实验目的 37二实验要求 37三实验原理 37四预备知识 37五实验内容 37六实验步骤 376.1建立工作文件并录入数据 386.2用OLS估计模型 386.3多重共线性模型的识别 386.4多重共线性模型的修正 39实验七分布滞后模型与自回归模型及格兰杰因果关系检验 41一实验目的 41二实验要求 41三实验原理 41四预备知识 41五实验内容 41六实验步骤 426.1建立工作文件并录入数据 426.2使用4期滞后2次多项式估计模型 426.3格兰杰因果关系检验 45实验八联立方程计量经济学模型 49一实验目的 49二实验要求 49三实验原理 49四预备知识 49五实验内容 49六实验步骤 506.1分析联立方程模型。 506.2建立工作文件并录入数据，如图1所示。 506.3估计国内生产总值方程 516.4估计货币供给量方程 536.5模型的直接计算机估计 54实验九时间序列计量经济学模型 56一实验目的 56二实验要求 56三实验原理 56四预备知识 56五实验内容 56六实验步骤 566.1建立工作文件并录入数据，如图1所示。 566.2平稳性检验 576.3单整性检验 616.4估计的模型 62

实验一一元线性回归一实验目的：掌握一元线性回归的估计与应用，熟悉EViews的基本操作。二实验要求：应用教材P61第12题做一元线性回归分析并做预测。三实验原理：普通最小二乘法。四预备知识：最小二乘法的原理、t检验、拟合优度检验、点预测和区间预测。五实验内容：第2章练习12下表是中国2007年各地区税收和国内生产总值GDP的统计资料。单位：亿元地区YGDP地区YGDP北京1435.79353.3湖北434.09230.7天津438.45050.4湖南410.79200.0河北618.313709.5广东2415.531084.4山西430.55733.4广西282.75955.7内蒙古347.96091.1海南88.01223.3辽宁815.711023.5重庆294.54122.5吉林237.45284.7四川629.010505.3黑龙江335.07065.0贵州211.92741.9上海1975.512188.9云南378.64741.3江苏1894.825741.2西藏11.7342.2浙江1535.418780.4陕西355.55465.8安徽401.97364.2甘肃142.12702.4福建594.09249.1青海43.3783.6江西281.95500.3宁夏58.8889.2山东1308.425965.9新疆220.63523.2河南625.015012.5要求，以手工和运用Eviews软件：(1)作出散点图，建立税收随国内生产总值GDP变化的一元线性回归方程，并解释斜率的经济意义；(2)对所建立的回归方程进行检验；(3)若2008年某地区国内生产总值为8500亿元，求该地区税收收入的预测值及预测区间。六实验步骤1.建立工作文件并录入数据：(1)双击桌面快速启动图标，启动MicrosoftOfficeExcel,如图1，将题目的数据输入到excel表格中并保存。(2)双击桌面快速启动图标，启动EViews6程序。(3)点击File/New/Workfile…，弹出WorkfileCreate对话框。在WorkfileCreate对话框左侧Workfilestructuretype栏中选择Unstructured/Undated选项，在右侧DataRange中填入样本个数31.在右下方输入Workfile的名称P53.如图2所示。图1图2(4)下面录入数据，点击File/Import/ReadText-Lotus-Excel...选中第(1)步保存的excel表格，弹出ExcelSpreadsheetImport对话框，在Upper-leftdatacell栏输入数据的起始单元格B2，在Excel5+sheetname栏中输入数据所在的工作表sheet1，在NamesforseriesorNumberifnamedinfile栏中输入变量名YGDP，如图3所示，点击OK，得到如图4所示界面。图3图4(5)按住Ctrl键同时选中Workfile界面的gdp表跟y表，点击鼠标右键选Open/asGroup得到完整表格如图5，并点击Group表格上菜单命令Name，在弹出的对话框中命名为group01.图5图62.数据的描述性统计和图形统计：以上建立的序列GDP和Y之后，可对其做描述统计和统计以把握该数据的一些统计属性。(1)描述属性：点View/DescriptiveStats\CommonSample，得描述统计结果，如图6所示，其中：Mean为均值，Std.Dev为标准差。(2)图形统计：双击序列GDP，打开GDP的表格形式，点击表格左边View/Graph，可得图7。同样可查看序列Y的线形图。很多时候需要把两个序列放在一个图形中来查看两者的相互关系，用线图或散点图都可以。在命令栏键入：scatGDPY，然后回车，就可以得到用散点图来查看GDP和Y的关系，如图8所示。图7图83.设定模型，用最小二乘法估计参数：设定模型为。按住Ctrl键，同时选中序列Y和序列GDP，点击右键，在所出现的右键菜单中，选择Open/asEquation…后弹出一对话框，在框中一次输入“ycgdp”，（注意被解释变量在最前，变量间要空格，如图9）点击其下的确定，即可得到回归结果（如图10）。图9图10由图10数据结果，可得到回归分析模型为：，，其中，括号内的数为相应的t检验值。是可决系数，与是有关的两个检验统计量。4.模型检验：(1)经济意义检验。斜率为边际可支国内生产总值GDP，表明2007年，中国内地各省区GDP每增加1亿元时，税收平均增加0.071047亿元。(2)t检验和拟合优度检验。在显著性水平下，自由度为31-2=29的t分布的临界值。因此，从参数的t检验值看，斜率项显然不为零，但不拒绝截距项为零的假设。另外，拟合优度表明，税收的76%的变化也以由GDP的变化来解释，因此拟合情况较好。在Eqution界面点击菜单命令View/Actual,Fitted,Residual/Actual,Fitted.ResidualGraph可得到图11，可直观看到实际观测站和拟合值非常接近。图11图125.应用：回归预测：(1)被解释变量Y的个别值和平均值的点预测：由第二章第五节知道，个别值和平均值点预测的预测公式均为内插预测：在Equation框中，点击“Forecast”，在Forecastname框中可以为所预测的预测值序列命名，计算机默认为yf，点击“OK”，得到样本期内被解释变量的预测值序列yf（也称拟合值序列）的图形形式（图12）。同时在Workfile中出现一个新序列对象yf。外推预测：录入2008年某地区国内生产总值GDP为8500亿元的数据。双击Workfile菜单下的Range所在行，出现将Workfilestructured对话框，讲右侧Observation旁边的数值改为32，然后点击OK，即可用将Workfile的Range以及Sample的Range改为32；双击打开GDP序列表格形式，将编辑状态切换为“可编辑”，在GDP序列中补充输入GDP=8500（如图13所示）。图13图14进行预测在Equation框中，点击“Forecast”，弹出一对话框，在其中为预测的序列命名，如yf2。点击OK即可用得到预测结果的图形形式（如图14所示）。点击Workfile中新出现的序列yf2，可以看到预测值为593.2667（图15）（注意：因为没有对默认预测区间1-32做改变，这时候得到的是所有内插预测与外插预测的值，若将区间改为3232，则只会得到外推预测结果）。图15图16结果查看按住Ctrl键，同时选中y、yf、resid，点击右键，在右键菜单中选Open/asGroup可打开实际值、预测值、残差序列，在view菜单选择Graph...，画折线图（如图16所示）。(2)区间预测原理：当2007年中国某省区GDP为8500亿元时，预测的税收为被解释变量Y的个别值区间预测公式为：，被解释变量Y的均值区间预测公式为：。具体地说，可以在前面点预测序列中找到；可以查t分布表得到；样本数n=31为已知；中的为已知，，可以在序列GDP的描述统计中找到，；，从而；由X总体方差的无偏估计式，可以计算(可在序列X的描述统计中找到)。(3)区间预测的Eviews操作：①个别值置信区间的计算：在命令栏输入：（yfu为个别值的置信上界，yfl为个别值的置信下界）“scalaryfu=593.2667+2.045*@sqrt(95183.1*(1+1/31+152979.5/55957878.6))”“scalaryfl=593.2667-2.045*@sqrt(95183.1*(1+1/31+152979.5/55957878.6))”得到：yfu=1235.12876632yfl=-48.5953663235于是95%的置信度下预测的2008年某省区税收入个值的置信区间为：（-48.5953663235,1235.12876632）。②均值的置信区间的计算：在命令栏输入：（eyfu为均值的置信上界，eyfl为均值的置信下界）“scalareyfu=593.2667+2.045*@sqrt(95183.1*(1/31+152979.5/55957878.6))”“scalareyfl=593.2667-2.045*@sqrt(95183.1*(1/31+152979.5/55957878.6))”得到：eyfu=711.287072849eyfl=475.246327151于是在95%的置信度下，预测省区的2008年的税收收入均值的置信区间为：（475.246327151，711.287072849）。实验二可化为线性的非线性回归模型估计、受约束回归检验及参数稳定性检验一实验目的：（1）掌握可化为线性的非线性回归模型的估计方法；（2）模型参数的线性约束检验方法；（3）掌握Chow检验的基本原理和主要用途；（4）掌握Chow分割点检验和Chow预测检验的操作过程，判断分割点。二实验要求：应用教材P83例子3.5.1做可化为线性的非线性回归模型估计，利剑受约束回归检验，掌握Chow稳定性检验。三实验原理：普通最小二乘法、模型参数线性受约束检验法、Chow检验法。四预备知识：最小二乘估计原理、t检验、F检验、Chow检验。五实验内容：下表列出了中国某年按行业分的全部制造业国有企业及规模以上制造业非国有企业的工业总产值Y，资产合计K及职工人数L。序号工业总产值Y资产合计K职工人数L序号工业总产值Y资产合计K职工人数L（亿元）（亿元）（万人）（亿元）（亿元）（万人）13722.73078.2211317812.71118.814321442.521684.4367181899.72052.166131752.372742.7784193692.856113.1124041451.291973.8227204732.99228.2522255149.35917.01327212180.232866.658062291.161758.77120222539.762545.639671345.17939.158233046.954787.92228656.77694.9431242192.633255.291639370.18363.4816255364.838129.68244101590.362511.9966264834.685260.214511616.71973.7358277549.587518.7913812617.94516.012828867.91984.5246134429.193785.9161294611.3918626.94218145749.028688.0325430170.3610.9119151781.372798.98331325.531523.1945161243.071808.4433设定模型为（1）利用上述资料，进行回归分析。（2）回答：中国概念的制造总体呈现规模报酬不变状态吗？六实验步骤：建立工作文件并导入全部数据，如图1所示(1)设定并估计可化为线性的非线性回归模型：在Eviews软件下，点击主界面菜单Qucik/EstimateEquation，在弹出的对话框中输入log(Y)Clog(K)log(L)，点击确定即可得到回归结果，如图2所示。根据图2中的数据，得到模型的估计结果为：（1.586）（3.454）（1.790）R2=0.809925=0.796348D.W.=0.793209∑ei2=5.070303F=59.65501df=(2,28)随机干扰项的方差估计值为：=5.070303/28=0.18108225回归结果表明，这一年lnY变化的81%可由lnK和lnL的变化来解释。在5%的显著性水平下，F统计量的临界值未，表明模型的线性关系显著成立。在5%的显著性水平下，自由度为n-k-1=28的t统计量临界值为，因此lnK的参数通过了该显著性水平下的t检验，但lnL未通过检验。如果将显著性水平设为10%，则t分布的临界值为，此时lnL的参数也通过了显著性水平检验。图1图2(2)从上述回归结果可以得到：，也就是说，资产与劳动的产出弹性之和可以认为为1，即中国制造业这年呈现出规模报酬不变的状态。下面进行参数的约束检验，原假设。若原假设为真，则可估计如下模型：点击主界面菜单Qucik/EstimateEquation，在弹出的对话框中输入log(Y/L)Clog(K/L)，点击确定即可得到回归结果，如图3所示。由回归结果可看到此模型通过了F检验和t检验，而在5%的显著性水平为，自由度为（1，28）的F分布的临界值为4.20，F<4.20，不拒绝原假设，表明该年中国制造业呈现规模报酬不变的状态。在Eviews软件中，当估计完图2所示的模型后，选中View\CoefficientTest\WaldCoefficientRestrictions，然后在对话框中输入C(2)+C(3)=1，点击OK可得到如图4所示的结果。得出的结论仍然是不拒绝原假设的，就原假设为真，所以该年中国制造业呈现规模报酬不变的状态的结果。图3图4实验三多元线性回归一实验目的：(1)掌握多元线性回归模型的估计方法(2)模型方程的F检验，参数的t检验(3)模型的外推预测与置信区间预测二实验要求：应用教材P105习题11做多元线性回归模型估计，对回归方程和回归参数进行检验并做出单点预测与置信区间预测三实验原理：最小二乘法四预备知识：最小二乘法估计原理、t检验、F检验、点预测和置信区间预测五实验内容：在一项对某社区家庭对某种消费品的消费需要调查中，得到书中的表所示的资料。序号对某商品的消费支出Y商品单价X1家庭月收入X2序号对某商品的消费支出Y商品单价X1家庭月收入X21591.923.5676206644.434524.4491207680.035.3143403623.632.07106708724.038.7159604647.032.46111609757.139.63180005674.031.151190010706.846.6819300请用手工与软件两种方法对该社区家庭对该商品的消费需求支出作二元线性回归分析。(1)估计回归方程的参数及及随机干扰项的方差，计算及。(2)对方程进行F检验，对参数进行t检验，并构造参数95%的置信区间.(3)如果商品单价变为35元，则某一月收入为20000元的家庭的消费支出估计是多少？构造该估计值的95%的置信区间。六实验步骤：6.1建立工作文件并录入全部数据如图1所示：图16.2建立二元线性回归模型点击主界面菜单Quick\EstimateEquation选项，在弹出的对话框中输入：YCX1X2点击确定即可得到回归结果，如图2所示图2根据图2的信息，得到回归模型的估计结果为：随机干扰项的方差估计值为6.3结果的分析与检验6.3.1方程的F检验回归模型的F值为：因为在5%的显著性水平下，F统计量的临界值为所以有所以回归方程通过F检验，方程显著成立。6.3.2参数的t检验由图2的估计结果，常数项、X1、X2系数的参数估计的t值分别为：在5%的显著性水平下，t统计量的临界值为：显然有所以拒绝原假设，即回归方程的三个估计参数均显著，通过t检验。6.4参数的置信区间由图2的结果，可以看到:因为参数的区间估计为：又因为在的显著性水平下，所以得：于是，常数项的95%的置信区间为：同样的有：于是，X1项的系数的95%的置信区间为：同样的有：于是，X2项的系数的95%的置信区间为：6.5回归预测6.5.1内插预测在Equation框中，点击“Forecast”，在Forecastname框中可以为所预测的预测值序列命名，计算机默认为yf，点击“OK”，得到样本期内被解释变量的预测值序列yf（也称拟合值序列）的图形形式，如图3所示。同时在Workfile中出现一个新序列对象yf。图3图46.5.2外推预测(1)录入数据双击Workfile菜单下的Range所在行，出现将Workfilestructured对话框，讲右侧Observation旁边的数值改为11，然后点击OK，即可用将Workfile的Range以及Sample的Range改为11；双击打开group01序列表格形式，将编辑状态切换为“可编辑”，在X1序列中补充输入X1=35.同样的方法录入X2=20000(2)进行预测在Equation框中，点击“Forecast”，弹出一对话框，在其中为预测的序列命名，如yf2。点击OK即可用得到预测结果的图形形式，如图4所示。点击Workfile中新出现的序列yf2，可以看到预测值为856.2025（如图5所示）图5图6(3)结果查看按住Ctrl键，同时选中y、yf、resid，点击右键，在右键菜单中选Open/asGroup可打开实际值、预测值、残差序列，在view菜单选择Grap/Line，画折线图，如图6所示。6.6置信区间的预测消费支出Y的个别值的预测置信区间为:其中,为Y的个别值预测的标准差为:消费支出Y的均值的预测置信区间为:其中，为Y的均值预测的标准差为:6.6.1Y个别值的置信区间的预测在Equation框中，点击“Forecast”，弹出Forecast话框,如图7所示图7图8在图7中S.E.那一栏为预测值的标准差，命名为yczbzc，然后点解OK，即可在Workfile界面看到一个名为yczbzc的序列。双击打开这一序列，如图8所示，在第11行（预测行）即可直接显示个别值的预测值标准差为：把结果代入，即可得到Y个别值的95%的置信区间为：6.6.2Y均值的置信区间的预测：由于且所以可计算得：代入公式即可得到Y均值的预测标准差为：再把结果代入均值的置信区间公式得到Y均值的95%的置信区间为：实验四异方差性一实验目的：掌握异方差性模型的检验方法与处理方法二实验要求：应用教材P155习题8案例做异方差模型的图形法检验、Goldfeld-Quanadt检验与White检验，使用WLS方法、异方差稳健标准误方法对异方差进行修正。三实验原理：图形法检验、Goldfeld-Quanadt检验与White检验与加权最小二乘法、异方差稳健标准误方法。四预备知识：Goldfeld-Quanadt检验与White检验与加权最小二乘法。五实验内容：下表列出了某年中国部分省市城镇居民每个家庭平均全年可支配收入X与消费性支出Y的统计数据。地区可支配收入（X）消费性支出（Y）地区可支配收入（X）消费性支出（Y）北京10349.698493.49浙江9279.167020.22天津8140.506121.04山东6489.975022.00河北5661.164348.47河南4766.263830.71山西4724.113941.87湖北5524.544644.5内蒙古5129.053927.75湖南6218.735218.79辽宁5357.794356.06广东9761.578016.91吉林4810.004020.87陕西5124.244276.67黑龙江4912.883824.44甘肃4916.254126.47上海11718.018868.19青海5169.964185.73江苏6800.235323.18新疆5644.864422.93(1)使用普通最小二乘法建立居民人均消费支出与可支配收入的线性模型；(2)检验模型是否存在异方差性；(3)如果存在异方差性，试采用适当的方法估计模型参数。六实验步骤：6.1建立对象：录入变量可支配收入X和消费性支出Y，如图1所示：图1图26.2用普通最小二乘法建立线性模型设定一元线性回归模型为：点击主界面菜单Quick\EstimateEquation，在弹出的对话框中输入Y、C、X，点击确定即可得到回归结果，如图2所示。根据图2中的数据，得到模型的估计结果为估计结果显示，即使在10%的显著性水平下，都不拒绝常数项为零的假设。6.3检验模型的异方差性6.3.1图形检验法生成残差序列。在得到图2结果后，在工作文件中点击Object\GenerateSeries…，在弹出的窗口中，在主窗口键入命令如下“e2=resid^2”图3图4如果存在异方差，则只可能是由于可支配收入X引起的。绘制对的散点图。按住Ctrl键，同时选择变量X与e2，以组对象方式打开，进入数据列表，再点击View\Graph\Scatter\SimpleScatter，可得散点图，如图4所示。由图4可以看出，残差平方和对大致存在递增关系，即存在单调增型异方差。6.3.2Goldfeld-Quanadt检验对变量取值排序(按递增或递减)。在工作文件中点击Proc\ScrtCurrentPage…，在弹出对话框中输入X即可(默认项是升序)，如图5所示。本列选择升序排列，这时变量Y将以X按升序排列。图5图6构造子样本区间，建立回归模型。在本题中，样本容量n=20，删除中间1/4的观测值，大约4个数据，余下部分平分得两个样本区间：1-8和13-20，它们的样本个数均是8个，即.在工作文件窗口中点击Sample菜单，在弹出的对话框中输入18，将样本期改为1～8，如图6所示。然后，用OLS方法求得如图7的结果图7图8根据图7中的数据，得到模型的估计结果为：同样的，在Sample菜单中，将区间定义为13～20，再利用OLS方法求得如图8的结果。根据图8中的数据，得到模型的估计结果为：计算F统计量：如果设定显著性水平为5%，那么自由度为(6,6)的F分布的临界值为，即有，所以拒绝原假设，表明模型存在异方差性6.3.3White检验由图2的估计结果中，点击View\Residualtests\whiteheteroskedasticity(nocrossterms),进入White检验，进过估计出现White检验的结果如图9所示。图9由图9中的数据，得到White统计量，该值大于5%显著性水平下自由度为2的分布的相应临界值，(在估计模型中含有两个解释变量，所以自由度为2)因此拒绝同方差性的原假设。6.4异方差性的修正6.4.1加权最小二乘法运用OLS方法估计过程中，我们选用权数。权数生成过程如下，在图2的情况下，在工作文件中点Object\GenerateSeries…，在弹出的窗口中，在Enterequation处输入w=1/@abs(resid).在工作文件中点击Quick\EstimateEquation，在弹出的画框中输入Y、C、X，如图10所示。图10图11然后，在图10中点击Options选项，选中WeightedLS/TLS复选框，在Weight框中输入w，如图11所示，点击确定，即可得到加权最小二乘法的结果，如图12所示。图12由图12中的数据，得到模型的估计结果：可以看出，常数项的t统计量的值有了显著的改进。下面检验是否经加权的回归的模型已不存在异方差性。记为加权回归后模型的残差估计的平方和。在图12中，点击View\Residualtests\whiteheteroskedasticity(nocrossterms)，进入White检验，经过估计出现White检验结果，如图13所示。图13由图13中的数据，得到White统计量，其所对应的伴随概率为，因此在5%的显著性水平下，不能拒绝同方差的假设。6.4.2异方差稳健性标准误方法在图2中，点击Estimate按钮，出现Spection窗口(图14)，点击Option按钮，在出现的EstimationOptions窗口中，选择“Heteroskedasticity”选项，并选择默认的White选项(图15)，点击按钮退回到EquationSpection窗口(图14)，再点击OK按钮，即得到如图16所示的结果。图14图15图16可以看出，估计的参数与普通最小二乘法的结果相同，只是由于参数的标准差得到了修正，从而使得t检验值与普通最小二乘法的结果不同。实验五自相关性一实验目地:掌握自相关性模型的检验方法与处理方法二实验要求：应用教材P155习题9案例做自相关性模型的图形法检验和DW检验，使用广义最小二乘法和广义差分法进行修正。三实验原理：图形法检验、DW检验、广义最小二乘法和广义差分法。四预备知识：最小二乘法、DW检验、广义最小二乘法和广义差分法。五实验内容：中国1980～2007年全社会固定资产投资总额X与工业总产值Y的统计资料如下表所示。单位：亿元年份全社会固定资产投资（X）工业增加值（Y）年份全社会固定资产投资（X）工业增加值（Y）1980910.91996.5199417042.119480.719819612048.4199520019.324950.619821230.42162.3199622913.529447.619831430.12375.6199724941.132921.419841832.92789.0199828406.234018.419852543.23448.7199929854.735861.519863120.63967.0200032917.740033.619873791.74585.8200137213.543580.619884753.85777.2200243499.947431.319894410.46484.0200355566.654945.5199045176858.0200470477.465210.019915594.58087.1200588773.677230.819928080.110284.52006109998.291310.9199313072.314188.02007137323.9107367.2试问：(1)当设定模型为时，是否存在序列相关性？(2)若按一阶自相关假设，试用广义最小二乘法估计原模型。(3)采用差分形式与作为新数据，估计模型，该模型是否存在序列相关？六实验步骤：在经济系统中，经济变量前后期之间很可能有关联，使得随机误差项不能满足无自相关性的假设。本案例将探讨随机误差项不满足无自相关性的古典假定的参数估计问题。着重讨论自相关性模型的图形法检验、DW检验与广义最小二乘估计和广义差分法。6.1建立Workfile和对象录入1980—2007年全社会固定资产投资X以及工业增加值Y，如图1所示。图1图26.2参数估计、检验模型的自相关性6.2.1参数估计设定模型为点击主界面菜单Quick\EstimateEquation，在弹出的对话框中输入log(Y)Clog(X)，点击确定即可得到回归结果，如图2所示。根据图2中数据，得到模型的估计结果为：该回归方程的可决系数较高，回归系数显著。对样本容量为28、一个解析变量的模型、5%的显著性水平，查D.W.统计表可知，，，模型中，显然模型中存在正自相关。下面对模型的自相关性进行检验。6.2.2检验模型的自相关性点击Eviews方程输出窗口的按钮Resids可以得到残差图，如图3所示。图3图4图3的残差图中，残差的变动有系统模式，连续为正和连续为负，表明残差存在一阶正自相关，模型中t统计量和F统计量的结论不可信，需要采取补救措施。点击工作文件窗口工具栏中的Object\GenerateSeries…,在弹出的对话框中输入et=resid,如图4所示，点击OK得到残差序列et。点击Quick\Graph\LineGraph，在弹出的对话框中输入：et，再点击OK，得到残差项与时间的关系图，如图5所示，点击Quick\Graph\Scatter，在弹出的对话框中输入：et(-1)et,再点击OK，得到残差项与时间的关系图，如图6所示。图5图6从图5和图6中可以看出，随机干扰项呈现正相关。由于时间序列数据容易出现为回归现象，因此做回归分析是须格外谨慎的。本例中，Y和X都是事件序列书记，因此有理由怀疑较高的部分是由这一共同的变化趋势带来的。为了排除事件序列模型中的这种随时间变动而具有的共同变化趋势的影响，一种解决方案是在模型中引入时间趋势项，将这种影响分离出来。点击Quick\Graph\LineGraph，在弹出对话框中输入：XY，再点击OK，得到去社会固定资产投资X与工业增加值Y的变动图，如图7所示。图7图8由图7可以看出，由于全社会固定资产投资X与工业增加值Y均呈现非线性变化态势，我们引入时间变量以平方的形式出现。点击工作文件窗口工具栏中的Object\GenerateSeries…，在弹出的对话框中输入T=@TREND+1，点击OK得到时间变量序列T。点击主界面菜单Quick\EstimateEquation，在弹出的对话框中输入log(Y)Clog(X)T^2，点击确定即可得到回归结果，如图8所示。从图8中的数据，我们可以看到T^2的系数估计非常的小，而且其伪概率P值为0.7632，即接受其系数为0的原假设，于是不通过假设检验。我们认为原模型不存在虚假序列相关的成分，所以我们仍然采用原模型，即不引入时间趋势项。即原模型中较低的D.W.值是纯序列相关引起的。下面再对模型进行序列相关性的拉格朗日乘数检验。在图2中，点击View\ResidualTests\SerialCorrelationLMTest…，在弹出的对话框中输入：1，点击OK，得到如图9所示结果。根据图9中的数据得到：，其所对应的伴随概率为，因此如果取显著性水平5%，则可以判断原模型存在1阶序列相关性。图9图10在图2中，点击View\ResidualTests\SerialCorrelationLMTest…，在弹出的对话框中输入：2，点击OK，得到如图10所示结果。根据图10中的数据得到：，其所对应的伴随概率为，模型存在序列相关性，又的参数通过了5%的显著性检验，表明模型存在2阶序列相关性。同样的，在图2中，点击View\ResidualTests\SerialCorrelationLMTest…，在弹出的对话框中输入：3，点击OK，得到如图11所示结果。图11图12根据图11中的数据得到：，其所对应的伴随概率为，因此如果取显著性水平5%，则可以判断原模型存在序列相关性，但的参数未通过5%的显著性检验，表明并不存在3阶序列相关性。结合2阶滞后残差项的辅助回归情况，可以判断模型存在显著的2阶序列相关性。点击主界面Quick\EstimateEquation，在弹出的对话框中输入log(Y)Clog(X)AR(1)AR(2)，点击确定即可得到回归结果，如图12所示。根据图12中的数据得到广义最小二乘的估计结果为：在5%的显著性水平下，查D.W.统计表可知，，，(样本容量为26)，则有，即序列已经不存在相关性。1阶LM检验结果如下表所示：6.3使用广义最小二乘法估计模型按题目第二题要求，是假设存在一阶自相关，然后使用广义最小二乘法进行估计。对于原模型，存在序列相关性，于是要找到一个可逆矩阵，用左乘上式两边，得到一个新的模型：即由一阶自相关假设，可得：于是，我们首先来计算的值，我们可以根据估计出来的值来计算，估计出来的如表2所示。因为样本容量较大时可根据计算，又，因此得，由此，我们可以直接计算新产生的序列跟。图13图14点击工作文件窗口工具栏中的Object\GenerateSeries…,在弹出的对话框中输入命令：lny=log(y)，来产生取了自然对数后的Y序列，如图13所示。同样的，使用命令yx=-0.8103385*lny(-1)+lny，来产生新的序列，此时产生的，只有后n-1项，我们必须人工计算，然后补充到新产生的yx序列中去。同样的操作，我们也产生，即为xx序列，其第一项也是要人工计算然后补充的。产生的新序列如图15所示。图15图16于是我们就可以对新序列(yx)跟(xx)进行最小二乘估计了。点击主界面Quick\EstimateEquation，在弹出的对话框中输入yxCxx，点击确定即可得到回归结果如图16所示。根据图16中的数据，可得到广义最小二乘法估计的结果：可见D.W.值已经有所改善，但模型仍具有序列相关性。6.4采用差分形式作为新数据，估计模型并检验相关性按题目第三题要求，采用差分形式与作为新数据，并估计模型。首先要产生新序列跟。点击工作文件窗口工具栏中的Object\GenerateSeries…,在弹出的对话框中输入命令：ytx=D(y),在点击OK，就产生了新的序列(ytx)，如图17所示；同样的，使用命令：xtx=D(x),产生新的序列(xtx),如图18所示。图17图18于是，就可以对新序列进行估计，采用普通最小二乘估计。点击主界面Quick\EstimateEquation，在弹出的对话框中输入ytxCxtx,点击确定，得到回归结果如图19所示。图19图20根据图9中的数据，得到模型估计结果为：在5%的显著性水平下，，(样本容量为27)，有，即序列存在正自相关。其1阶LM检验结果如下表所示：从表中数据也可以看到，模型是拒绝其序列无相关性的假设的，模型还是存在序列相关性。接下来，我们不妨考虑双对数模型对此新数据进行估计。设定模型为：采用最小二乘估计，点击主界面Quick\EstimateEquation，在弹出的对话框中输入：log(ytx)Clog(xtx)，点击OK，得到如图20所示结果。根据图20中的数据，得到模型的估计结果为：在5%的显著性水平下，，(样本容量为27)，有，序列相关性不能确定。于是进行LM检验，在图20中，点击View\ResidualTests\SerialCorrelationLMTest…，在弹出的对话框中输入：1，点击OK。得到1阶LM检验结果如下表所示：从表中数据可以看到，模型是接受其序列无相关性的原假设的，即模型已经不存在序列相关性了。可见采用双对数模型是比题目中第三题给定的模型更好的。实验六多元线性回归和多重共线性一实验目的：掌握多元线性回归模型的估计方法、掌握多重共线性模型的识别和修正。二实验要求：应用指导书P245习题4-18案例做多元线性回归模型，并识别和修正多重共线性。三实验原理：普通最小二乘法、简单相关系数检验法、综合判断法、逐步回归法。四预备知识：最小二乘估计的原理、t检验、F检验、值。五实验内容：Y6.06.06.57.17.27.68.09.09.09.3X140.140.347.549.252.358.061.362.564.766.8X25.54.75.26.87.38.710.214.117.121.3X31089410810099991019793102X4637286100107111114116119121表中列出了被解释变量及解释变量、、、的时间序列观测值。(1)用OLS估计线性回归模型，并采用适当的方法检验多重共线形；(2)用逐步回归法确定一个较好的回归模型。六实验步骤：6.1建立工作文件并录入数据如图1所示图1图26.2用OLS估计模型设定多元线性回归模型为：用普通最小二乘法进行估计，点击主界面菜单Quick\EstimateEquation，在弹出的对话框中输入：YCX1X2X3X4，点击确定即可得到回归结果，如图2所示。根据图2中的数据，可得到模型的估计结果为：其中，括号内的数为相应的t检验值。从以上回归结果可以看出，拟合优度很高，整体效果的F检验通过。但很明显，在5%的显著性水平下，模型中的各参数均不通过检验，在10%的显著性水平下，也只有X2的系数通过检验。故认为解析变量之间存在多重共线性。6.3多重共线性模型的识别6.3.1综合判断法由模型的估计结果可以看出，，，可决系数很高，说明模型对样本的拟合很好；检验值比较大，相应的，说明回归方程显著，即各自变量联合起来确实对因变量Y有显著影响；给定显著性水平，但变量X1、X2、X3、X4系数的t统计量分别为1.246、2.397、-0.693、0.420，相应的p值分别为0.2681、0.0619、0.5190、0.6916，说明变量均对因变量影响不显著。综合上述分析，表明模型存在非常严重的多重共线性。6.3.2简单相关系数检验法计算解析变量X1、X2、X3、X4的简单相关系数矩阵。选中X1、X2、X3、X4，产生一个组，然后点击View\Correlation\CommonSample，即可得出相关系数矩阵，如图3所示。再点击顶部的Freeze按钮，可以得到一个Table类型独立的Object，如图4所示。图3图4由图3相关系数矩阵可以看出，各解析变量之间的相关系数较高，特别是X1和X4之间的高度相关，证实解析变量之间存在多重共线性。根据综合判别法与简单相关系数法分析的结果可以知道，本案例的回归变量间确实存在多重共线性，注意，多重共线性是一个程度问题而不是存在与否的问题。下面我们将采用逐步回归法来减少共线性的严重程度而不是彻底地消除它。6.4多重共线性模型的修正关于多重共线性的修正方法一般有变量变换法、先验信息法、逐步回归法等，这里仅仅采用逐步回归法来减少共线性的严重程度。Step1：运用OLS方法分别求Y对各解析变量X1、X2、X3、X4进行一元回归。四个方程的回归结果详见图5——图8，再结合统计检验选出拟合效果好的一元线性回归方程。图5图6图7图8通过一元回归结果图5——图8进行对比分析，依据调整可决系数最大原则，选择X1作为进入回归模型的第一个解析变量，形成一元回归模型。Step2：逐步回归。将剩余解析变量分别加入模型，得到分别如图9——图11所示的二元回归结果。图9图10图11通过观察比较图9——图11所示结果，并根据逐步回归的思想，我们可以看到，新加入变量X2的二元回归方程最大，并且各参数的检验显著，因此，保留变量X2.Step3：在保留变量X1、X2的基础上，继续进行逐步回归，分别得到图12——图13所示的回归结果。图12图13由图12可以看到，在X1、X2的基础上加入X3后略有改进，但是X3的参数的t检验不显著。由图13可以看到，在X1、X2的基础上加入X4后略有降低，而且X4参数的t检验不显著。这说明X3、X4引起多重共线性，应当予以剔除。因此，本案例最后应保留的变量是X1、X2，相应的回归结果为：由综合判断法知，上述回归结果基本上消除了多重共线性。实验七分布滞后模型与自回归模型及格兰杰因果关系检验一实验目的：掌握分布滞后模型与自回归模型的估计与应用，将我格兰杰因果关系检验方法，熟悉Eviews的基本操作。二实验要求：应用教材P187习题6案例，做有限分布滞后模型的估计、格兰杰因果关系检验。三实验原理：普通最小二乘法、阿尔蒙法、格兰杰因果关系检验、LM检验。四预备知识：普通最小二乘法估计的原理、t检验、拟合优度检验、阿尔蒙法、多项式近似。五实验内容：1970～1991年美国制造业固定厂房设备投资Y和销售量X的相关数据如下表所示。单位：10亿美元年份厂房开支Y销售量X年份厂房开支Y销售量X197036.9952.8051981128.68168.129197133.655.9061982123.97163.351197235.4263.0271983117.35172.547197342.3572.9311984139.61190.682197452.4884.791985152.88194.538197553.6686.5891986137.95194.657197668.5398.7971987141.06206.326197767.48113.2011988163.45223.547197878.13126.9051989183.8232.724197995.13143.9361990192.61239.4591980112.6154.3911991182.81235.142(1)假定销售量对厂房设备支出有一个分布滞后效应，使用4期滞后和2次多项式去估计此分布滞后模型；(2)检验销售量与厂房设备支出的格兰杰因果关系，使用直至6期为止的滞后并评述你的结果。六实验步骤：6.1建立工作文件并录入数据如图1所示图16.2使用4期滞后2次多项式估计模型在工作文件中，点击Quick\EstimateEquation…，然后在弹出的对话框中输入：YCPDL(X,4,2)，点击OK，得到如图2所示的回归分析结果。其中，“PDL指令”表示进行多项式分布滞后(PloynamialDistributedLags)模型的估计，X为滞后序列名，4表示滞后长度，2表示多项式次数。由图2中的数据，我们得到估计结果如下：最后得到的分布滞后模型估计式为：图2图2所示输出结果的上半部分格式与一般的回归方程相同，给出了模型参数估计值、t检验统计量值及对应的概率值，以及模型的其他统计量。图2窗口的下半部分则给出了模型解析变量X及X各滞后变量的系数估计值、标准差、t统计量以及滞后系数之和(SumofLags)等信息。图2上部分中的PDL01、PDL02、PDL03分别代表式中的、、。由于多项式次数为2，因此除了常数项外共有3个参数估计值。在3个PDL变量系数估计值中变量PDL01、PDL03的系数估计值的t统计量没有通过显著性检验，而PDL02的系数估计值在5%的检验水平是显著的。但是F统计量=243.9194，其对应的概率值P非常小，从而可以拒绝“整体上诸变量PDL之间对Y没有影响”的原假设，参数估计值不显著很可能是由于诸变量之间存在多重共线性问题。图2下半部分，LagDistributionofX列绘制出了分布滞后变量X的诸系数的分布图，其图形有呈现二次抛物线形状的趋势。紧接著，Eviews给出了分布滞后模型中诸的估计值。这些系数值分别为0.83242、0.31742、-0.01174、-0.15506、-0.11253，分别表示销售量X增加一个单位，在当期将使厂房开支Y增加0.83242个单位；由于存在时间滞后的影响，销售量X还将在下一期使得厂房开支Y增加0.31742个单位；在第二期使得厂房开支Y减少0.01174个单位；在第三期使得厂房开支Y减少0.15506个单位；第四期舍得厂房开支Y减少0.11253个单位。图2所示的估计结果的最后一行SumofLags是诸系数估计值的总和，其反映的分布滞后变量X对因变量Y的长期影响(即长期乘数)，即从长期看，X增加一个单位将使得Y增加0.87052个单位。为了进行比较，下面直接对滞后4期的模型进行OLS估计。在工作文件中，点击Quick\EstimateEquation...，然后在弹出的对话框中输入：YCXX(-1)X(-2)X(-3)X(-4)，点击OK，得到如图3所示的回归分析结果。图3由图3中数据我们得到：可以看出，尽管拟合优度有所提高，但所有变量的系数均未通过显著性水平为5%的t检验。6.3格兰杰因果关系检验打开序列组GROUP01，如图1所示，在其窗口工具栏中单击View\GrangerCausality...，；屏幕弹出如图4所示的对话框。图4在图4所示对话框中输入滞后长度“1”图5由图5中伴随概率知，在5%的显著性水平下，拒绝“X不是Y的格兰杰原因”的原假设，即“X是Y的格兰杰原因”；同时拒绝“Y不是X的格兰杰原因”。因此，从1阶滞后情况来看，X的增长是厂房开支Y增长的格兰杰原因，同时厂房开支Y增长是X增长的格兰杰原因，即厂房开支Y与销售量X的增长互为格兰杰原因。下面再利用拉格朗日乘数法进行模型的序列相关性检验。点击主界面菜单Quick\EstimateEquation，在弹出的对话框中输入XCX(-1)Y(-1)，在输出的回归结果中(如图6所示)，点击View\ResidualTests\SerialCorrelationLMTess...，在弹出的对话框中输入1，点击确定即可得到1阶滞后残差项的辅助回归函数结果，如图7所示。图6图7

由图7知，拉格朗日乘数统计量，大于5%的显著性水平下自由度有1的分布的临界值，对应的伴随概率，可以判断模型存在一阶自相关性。点击主界面菜单Quick\EstimateEquation，在弹出的对话框中输入YCY(-1)X(-2)，在输出的回归结果中(如图8所示)，点击View\ResidualTests\SerialCorrelationLMTess...，在弹出的对话框中输入1，点击确定即可得到1阶滞后残差项的辅助回归函数结果哦，如图9所示。图8图9由图9知，拉格朗日乘数统计量，小于5%显著性水平下自由度为1的分布的临界值，对应的伴随概率，可以判断模型已经不存在一阶自相关性。用同样的方法，可以得出2～6阶滞后的检验结果。下表给出了1～6阶滞后的格兰杰因果关系检验结果。表1美国制造业固定厂房设备投资Y和销售量X的格兰杰因果关系检验滞后长度格兰杰因果性F检验的P值LM(1)检验的P值AIC值SC值结论12.33E-050.5138666.839786.988998拒绝0.000120.0338055.9906576.139875拒绝29.01E-050.9436576.8048517.053784拒绝0.00050.0807866.0028396.251772拒绝30.0088740.2522476.9378957.285846拒绝0.0050920.3750346.1246836.472634拒绝40.0471940.5576017.1322487.577434拒绝0.0294570.4180196.329046.774226拒绝50.1712360.5388087.3696497.908787接受0.1232690.586526.5591787.098316接受60.5232420.051577.5370738.164801接受0.1925530.0067745.889966.517688接受注：表中“”表示“箭头前的变量不是箭头后的变量格兰杰原因”从表1可以看出，1阶到4阶滞后期，检验模型都拒绝了“X不是Y的格兰杰原因”的假设，同时也拒绝了“Y不是X的格兰杰原因”的假设。第2阶到第5阶滞后期，在5%的显著性水平下，两检验模型都不不存在序列相关性，再根据赤池信息准则，发现滞后2阶检验模型拥有较小的AIC值跟SC值。据此，可以判断销售量X是厂房开支Y的格兰杰原因，同时厂房开支Y也是销售量X的格兰杰原因，即两者相互影响。滞后长度为2～6的Granger因果关系检验结果，分别如下表2～表6所示。表2滞后2阶Granger因果关系检验结果表3滞后3阶Granger因果关系检验结果表4滞后4阶Granger因果关系检验结果表5滞后2阶Granger因果关系检验结果表6滞后2阶Granger因果关系检验结果实验八联立方程计量经济学模型一实验目的：掌握联立方程模型，理解掌握恰好识别方程与可识别方程的估计方法，熟悉Eviews的基本操作。二实验要求：应用教材P187习题8案例估计模型，采用工具变量法、间接最小二乘法与二阶段最小二乘法进行估计。三实验原理：工具变量法、间接最小二乘法、二阶段最小二乘法。四预备知识：可识别的概念、工具变量法、间接最小二乘法、二阶段最小二乘法。五实验内容：下列为一个完备的联立方程计量经济学模型：其中，为货币供给量，为国内生产总值，为价格总指数。，分别为居民消费与投资。以如下中国的实际数据为资料，估计上述联立模型。要求恰好识别的方程按工具变量法与二阶段最小二乘法估计。年份货币与准货币(亿元)国内生产总值GDP(亿元)居民消费价格指数P

(1978=100)居民消费CONS(亿元)固定资产投资I(亿元)199015293.419347.8165.29450.94517199119349.922577.4170.810730.65594.5199225402.227565.2181.713000.18080.1199334879.836938.1208.516412.113072.3199446923.550217.4258.721844.217042.1199560750.563216.9302.928369.720019.3199676094.974163.6328.133955.922913.5199790995.381658.5337.336921.524941.11998104498.586531.6334.639229.328406.21999119897.991125329.941920.429854.72000134610.498749331.245854.632917.72001158301.9108972.4333.549213.237213.52002185007120350.3330.952571.343499.92003221222.8136398.8334.856834.455566.62004254107160280.4347.963833.570477.42005298755.7188692.1354.271217.588773.62006345603.6221651.3359.580476.9109998.22007403442.2263242.5376.793317.2137323.9六实验步骤：6.1分析联立方程模型。题设模型为：其结构参数矩阵为：易知，该结构式模型中内生变量个数为，先决变量个数为。对于第1个方程，有，，且，所以第1个结构方程为恰好识别的结构方程。对于第2个方程，有，有，且有，所以第2个结果方程为过度识别方程。模型的简化式模型为：6.2建立工作文件并录入数据，如图1所示。图16.3估计国内生产总值方程6.3.1使用狭义的工具变量法估计国内生产总值方程选取国内生产总值方程中未包含的先决变量作为内生解析变量的工具变量，得到结果参数的工具变量法估计量，利用公式进行估计：其中，，，，。(注意，这里估计的，的含义已不同于上述结构式识别条件中的，。)利用Matlab进行矩阵的计算，其部分过程及结果如下图2所示：图2根据Matlab计算出来的结果得到：，，，，其中为Matlab计算中矩阵中的第个元素。于是得到参数的估计为：6.3.2使用间接最小二乘法估计国内生产总值方程有6.1的分析有国内生产总值方程中包含的内生变量的简化式方程为：其参数关系体系为：使用普通最小二乘法估计简化式方程，在Eviews中点击主界面菜单Quick\EstimateEquation，在弹出的对话框中输入YCTIP，点击确定，即可得到第一个简化方程回归结果，如图3所示；同样的，点击主界面菜单Quick\EstimateEquation，在弹出的对话框中输入MCTIP，点击确定，可得到第二个简化方程回归结果，如图4所示。图3图4根据图3中的数据，可以得到：根据图4中的数据，可以得到：于是，由参数关系体系计算得到结构参数间接最小二乘估计值为：6.3.3使用二阶段最小二乘法估计国内生产总值方程Step1：用普通最小二乘法估计内生变量的简化式方程，如图4所示，由图中的数据得到：Step2：据此方程计算，替换结果方程中的，再用普通最小二乘法估计变换了的结构式方程。点击主菜单中Object\GenerateSeries...，在弹出的对话框中输入：，产生序列。点击主界面菜单Quick\EstimateEquation，在弹出的对话框中输入YCMMtCTI，点击确定即可得到回归结果，如图5所示。图5由图5中数据，得到国内生产总值方程的二阶段最小二乘估计量为：比较上述国内生产总值方程的3种估计结果，说明这3种方法对于恰好识别的结构方程是等价的。6.4估计货币供给量方程由6.1的分析知，货币供给量方程为过度识别的结构方程，最能用二阶段最小二乘法进行参数的估计。同样得，仿照6.3.3的步骤有：Step1：用普通最小二乘法估计内生变量的简化式方程，如图3所示，由图中的数据得到：Step2：据此方程计算，替换结果方程中的，再用普通最小二乘法估计变换了的结构式方程。点击主菜单中Object\GenerateSeries...，在弹出的对话框中输入：，产生序列。点击主界面菜单Quick\EstimateEquation，在弹出的对话框中输入MCYYtP，点击确定即可得到回归结果，如图6所示。图6由图6中的数据得到货币供给量方程的二阶段最小二乘估计量为：至此，我们已经完成了该模型系统的估计，并完成了题目的要求。6.5模型的直接计算机估计EViews软件拥有强大的功能，在Eviews软件中有直接应用的二阶段最小二乘估计的函数，即我们可以不用自己一步步地进行二阶段最小二乘估计而直接输入结构方程要估计的参数跟结构式模型中的可决变量，Eviews软件就可以帮我们实现二阶段最小二乘法的估计。在Eviews主菜单中点击Quick\EstimateEquation，会打开方程定义对话框，在对话框项的下拉列表框中选择选项TSLS，屏幕会出现如图7所示的二阶段最小二乘估计对话框。图7图8TSLS估计对话框的设置。首先，在对话框上方EquationSpecification项编辑框中设定待估计方程的形式，对于第1个结构方程(国内生成总值方程)使用列表法输入：YCMCTI。然后再对对话框Instrumentlist项编辑框中输入结构式模型中的可决变量名，本例中输入：CCTIP。设定对话框后，点击确定，屏幕将输出如图8所示的方程2SLS的估计结果。根据图8中的数据，得到国内生成总值方程的2SLS估计为：图9图10同样的，对于货币供给量方程有同样的操作，在TSLS估计对话框上方的EquationSpecification项编辑框中输入：MCYP，在Instrumentlist项编辑框中输入：CCTIP，如图9所示。点击确定即可得到如图10所示的方程2SLS的估计结果。根据图10中数据，得到货币供给量方程的2SLS估计为：可以看到模型的直接计算机估计，跟自己分两步做的估计结果是一致的，估计量的差别只是很小的计算误差。实验九时间序列计量经济学模型一实验目的：掌握时间序列计量经济学模型，单整性、平稳性，模型的建立。二实验要求：完成教材P305习题7，建立的模型。三实验原理：平稳性检验、单位根检验、单整性检验、检验、模型的建立。四预备知识：单位根检验、单整性检验、检验、最小二乘估计原理。五实验内容：下表给出了1978—2006年中国居民消费价格指数(1990年=100)年份年份年份197846.21198882.31998202.59197947.071989971999199.72198050.6219901002000200.55198151.91991103.422001201.94198252.951992110.032002200.321983541993126.22003202.73198455.471994156.652004210.63198560