经济计量管理学与财务知识分析课程

计量经济学课程实验实验一EViews软件的基本操作【实验目的】了解EViews软件的基本操作对象，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、编辑与序列生成；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。实验内容中后三步以表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我国税收与GDP统计资料单位：亿元年份税收YGDPX年份税收YGDPX1985204189641992329726638198620911020219934255346341987214011963199451274675919882391149281995603858478198927271690919966910678851990282218548199782347446319912990216181998926379396资料来源：《中国统计年鉴1999》【实验步骤】一、安装EViews软件㈠EViews对系统环境的要求⒈一台386、486奔腾或其他芯片的计算机，运行Windows3.1、Windows9X、Windows2000、WindowsNT或WindowsXP操作系统；⒉至少4MB内存；⒊VGA、SuperVGA显示器；⒋鼠标、轨迹球或写字板；⒌至少10MB以上的硬盘空间。㈡安装步骤⒈点击“网上邻居”，进入服务器；⒉在服务器上查找“计量经济软件”文件夹，双击其中的setup.exe，会出现如图1-1所示的安装界面，直接点击next按钮即可继续安装；⒊指定安装EViews软件的目录（默认为C:\EViews3，如图1-2所示），点击OK按钮后，一直点击next按钮即可；⒋安装完毕之后，将EViews的启动设置成桌面快捷方式。图1-1安装界面1图1-2安装界面2二、数据的输入、编辑与序列生成㈠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1-3所示）。命令窗口口菜单栏命令窗口口菜单栏标题栏状态栏工作区域状态栏工作区域图1-3EViews主窗口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1-4所示），由用户选择数据的时间频率（frequency）、起始期和终止期。图1-4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Undatedorirregular——非时序数据选择时间频率为Annual（年度），再分别点击起始期栏（Startdate）和终止期栏（Enddate），输入相应的日前1985和1998。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1-5所示）。图1-5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（保存估计系数用），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：CREATEA19851998㈡输入Y、X的数据⒈DATA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1-6所示）：DATAYX将显示一个数组窗口（图1-7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。图1-6键入DATA命令图1-7数组窗口⒉鼠标图形界面方式在EViews软件主窗口或工作文件窗口点击Objects/NewObject，对象类型选择Series，并给定序列名，一次只能创建一个新序列（图1-8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。图1-8创建新对象窗口㈢生成log（Y）、log（X）、X^2、1/X、时间变量T等序列在命令窗口中依次键入以下命令即可：GENRLOGY=LOG(Y)GENRLOGX=LOG(X)GENRX1=X^2GENRX2=1/XGENRT=@TREND(84)㈣选择若干变量构成数组，在数组中增加、更名变量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/asGroup（图1-9），则会弹出如图1-10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1-9选择变量构成数组图1-10弹出的数组窗口在数组窗口点击Edit＋/－，进入全屏幕编辑状态，选择一个空列，点击标题栏，在编辑窗口输入变量名，再点击屏幕任意位置，即可增加一个新变量（图1-11所示）。图1-11在数组窗口增加变量增加变量后，即可输入数据。点击要删除的变量列的标题栏，在编辑窗口输入新变量名，再点击屏幕任意位置，弹出RENAME对话框，点击YES按钮即可。（图1-12所示）。图1-12在数组窗口更名变量㈤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1-13所示）。图1-13在工作文件窗口删除、更名变量1⒉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/Deleteselected…（Renameselected…），即可删除（更名）变量（如图1-14所示）。图1-14在工作文件窗口删除、更名变量2⒊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（如图1-15所示）。图1-15在工作文件窗口删除变量3三、图形分析与描述统计分析㈠利用PLOT命令绘制趋势图在命令窗口中键入：PLOTY则可以绘制变量Y的趋势图（图1-16）。图1-16变量Y的趋势图从图1-16中可以看出，我国1985－1998年间税收收入是大体呈指数增长趋势的。也可以利用PLOT命令将多个变量的变化趋势描绘在同一张图中，例如键入以下命令，可以观察变量Y、X的变化趋势（图1-17）。PLOTYX图1-17变量Y、X的趋势图从图1-17中可以看出，我国1985－1998年间税收收入与GDP都大体呈指数增长趋势。㈡利用SCAT命令绘制X、Y的相关图在命令窗口中键入：SCATXY则可以初步观察变量之间的相关程度与相关类型（图1-18）。图1-18变量X、Y相关图图1-18表明，税收收入水平与GDP密切相关，税收收入水平随着GDP的增加而增加，两者大体呈线性变化趋势。㈢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（图1-19），则会弹出如图1-20所示的GraphOptions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1-19在图形窗口选择GraphOptions图1-20图形选项窗口从图1-20中可以看出，本例中X、Y相关图使用散点图，且置入图框内，带有刻度与色彩，竖轴是单个刻度，比例尺度为优化线性尺度，散点图未连接，未配拟合直线，其余一些参数模式是自动设置的。㈣在序列和数组窗口观察变量的描述统计量若是单独序列窗口，从序列窗口菜单选择View/DescriptiveStatistics/HistogramandStats，则会显示变量的描述统计量（图1-21）。图1-21单独变量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/DescriptiveStats/IndividualSamples，就对每个序列计算描述统计量（图1-22）。图1-22数组描述统计量窗口其中，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——Probability——概率Observations——观测值个数四、数据文件的存贮、调用与转换㈠存贮并调用工作文件⒈存贮在Eviews主窗口的工具栏上选择File/Save（Saveas），再在弹出的对话框中指定存贮路径，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。㈡存贮若干个变量，并在另一个工作文件中调用存贮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1-23）。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1-24）。图1-23Store窗口图1-24Fetch窗口㈢将工作文件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/WriteText-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1-25），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，弹出ASCIITextExport（ExcelExport）窗口（图1-26），点击OK按钮即可。其中，ByObservation-Seriesincolumns表示各观测值按列排列，BySeries-Seriesinrows表示各观测值按行排列。图1-25指定存贮路径图1-26存贮为文本格式㈣在工作文件中分别调用文本文件和Excel文件点击Eviews主窗口菜单栏中的File/Import/ReadText-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ASCIITextImport（ExcelImport）窗口（图1-27），在NameforseriesorNumberofseriesiffilenamesinfile编辑框中要输入调用的变量名，点击OK按钮即可。其中incolumns表示按列调用数据，inrows表示按行调用数据。图1-27调用文本文件或Excel文件窗口㈤在对象窗口中点击Name按钮，将对象存贮于工作文件。以Y、X变量组成的数组为例，点击Name菜单，弹出objectname对话框，在Nametoidentifyobject文本框中输入要命名的数组名称，点击OK按钮即可（图1-28）。图1-28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、非线性回归模型的建模方法【实验内容】建立我国税收预测模型【实验步骤】【例1】建立我国税收预测模型。表1列出了我国1985－1998年间税收收入Y和国内生产总值（GDP）x的时间序列数据，请利用统计软件Eviews建立一元线性回归模型。表1我国税收与GDP统计资料年份税收GDP年份税收GDP1985204189641992329726638198620911020219934255346341987214011963199451274675919882391149281995603858478198927271690919966910678851990282218548199782347446319912990216181998926379396建立工作文件⒈菜单方式在录入和分析数据之前，应先创建一个工作文件（Workfile）。启动Eviews软件之后，在主菜单上依次点击File\New\Workfile（菜单选择方式如图1所示），将弹出一个对话框（如图2所示）。用户可以选择数据的时间频率（Frequency）、起始期和终止期。图1Eviews菜单方式创建工作文件示意图图2工作文件定义对话框本例中选择时间频率为Annual（年度数据），在起始栏和终止栏分别输入相应的日期85和98。然后点击OK，在Eviews软件的主显示窗口将显示相应的工作文件窗口（如图3所示）。图3Eviews工作文件窗口一个新建的工作文件窗口内只有2个对象(Object）,分别为c（系数向量）和resid（残差）。它们当前的取值分别是0和NA（空值）。可以通过鼠标左键双击对象名打开该对象查看其数据，也可以用相同的方法查看工作文件窗口中其它对象的数值。⒉命令方式还可以用输入命令的方式建立工作文件。在Eviews软件的命令窗口中直接键入CREATE命令，其格式为：CREATE时间频率类型起始期终止期本例应为：CREATEA8598输入数据在Eviews软件的命令窗口中键入数据输入/编辑命令：DATAYX此时将显示一个数组窗口（如图4所示），即可以输入每个变量的数值图4Eviews数组窗口三、图形分析借助图形分析可以直观地观察经济变量的变动规律和相关关系，以便合理地确定模型的数学形式。⒈趋势图分析命令格式：PLOT变量1变量2……变量K作用：⑴分析经济变量的发展变化趋势⑵观察是否存在异常值本例为：PLOTYX⒉相关图分析命令格式：SCAT变量1变量2作用：⑴观察变量之间的相关程度⑵观察变量之间的相关类型，即为线性相关还是曲线相关，曲线相关时大致是哪种类型的曲线说明：⑴SCAT命令中，第一个变量为横轴变量，一般取为解释变量；第二个变量为纵轴变量，一般取为被解释变量⑵SCAT命令每次只能显示两个变量之间的相关图，若模型中含有多个解释变量，可以逐个进行分析⑶通过改变图形的类型，可以将趋势图转变为相关图本例为：SCATYX图5税收与GDP趋势图图5、图6分别是我国税收与GDP时间序列趋势图和相关图分析结果。两变量趋势图分析结果显示，我国税收收入与GDP二者存在差距逐渐增大的增长趋势。相关图分析显示，我国税收收入增长与GDP密切相关，二者为非线性的曲线相关关系。图6税收与GDP相关图估计线性回归模型在数组窗口中点击Proc\MakeEquation，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OK进行估计。也可以在Eviews主窗口中点击Quick\EstimateEquation，在弹出的方程设定框（图7）内输入模型：YCX或图7方程设定对话框还可以通过在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解释变量系统将弹出一个窗口来显示有关估计结果（如图8所示）。因此，我国税收模型的估计式为：这个估计结果表明，GDP每增长1亿元，我国税收收入将增加0.09646亿元。图8我国税收预测模型的输出结果估计非线性回归模型由相关图分析可知，变量之间是非线性的曲线相关关系。因此，可初步将模型设定为指数函数模型、对数模型和二次函数模型并分别进行估计。在Eviews命令窗口中分别键入以下命令命令来估计模型：双对数函数模型：LSlog(Y)Clog(X)对数函数模型：LSYClog(X)指数函数模型：LSlog(Y)CX二次函数模型：LSYCXX^2还可以采取菜单方式，在上述已经估计过的线性方程窗口中点击Estimate项，然后在弹出的方程定义窗口中依次输入上述模型（方法通线性方程的估计），其估计结果显示如图9、图10、图11图、12所示。双对数模型：(3.8305)(21.0487)对数模型：(-8.3066)(9.6999)指数模型：(231.7463)(27.2685)二次函数模型：(7.4918)(3.3422)(3.4806)图9双对数模型回归结果图10对数模型回归结果图11指数模型回归结果图12二次函数模型回归结果模型比较四个模型的经济意义都比较合理，解释变量也都通过了T检验。但是从模型的拟合优度来看，二次函数模型的值最大，其次为指数函数模型。因此，对这两个模型再做进一步比较。在回归方程（以二次函数模型为例）窗口中点击View\Actual,Fitted,Residual\Actual,Fitted,ResidualTable（如图13）,可以得到相应的残差分布表。图13回归方程残差分析菜单上述两个回归模型的残差分别表分别如下（图14、图15）。比较两表可以发现，虽然二次函数模型总拟合误差较小，但其近期误差却比指数函数模型大。所以，如果所建立的模型是用于经济预测，则指数函数模型更加适合。图14二次函数回归模型残差分别表图15指数函数模型残差分布表实验三多元回归模型【实验目的】掌握建立多元回归模型和比较、筛选模型的方法。【实验内容】建立我国国有独立核算工业企业生产函数。根据生产函数理论，生产函数的基本形式为：。其中，L、K分别为生产过程中投入的劳动与资金，时间变量反映技术进步的影响。表3-1列出了我国1978-1994年期间国有独立核算工业企业的有关统计资料；其中产出Y为工业总产值（可比价），L、K分别为年末职工人数和固定资产净值（可比价）。表3-1我国国有独立核算工业企业统计资料年份时间工业总产值Y（亿元）职工人数L（万人）固定资产K（亿元）197813289.1831392225.70197923581.2632082376.34198033782.1733342522.81198143877.8634882700.90198254151.2535822902.19198364541.0536323141.76198474946.1136693350.95198585586.1438153835.79198695931.3639554302.251987106601.6040864786.051988117434.0642295251.901989127721.0142735808.711990137949.5543646365.791991148634.8044727071.351992159705.5245217757.2519931610261.6544988628.7719941710928.6645459374.34资料来源：根据《中国统计年鉴－1995》和《中国工业经济年鉴-1995》计算整理【实验步骤】一、建立多元线性回归模型㈠建立包括时间变量的三元线性回归模型；在命令窗口依次键入以下命令即可：⒈建立工作文件：CREATEA7894⒉输入统计资料：DATAYLK⒊生成时间变量：GENRT=@TREND(77)⒋建立回归模型：LSYCTLK则生产函数的估计结果及有关信息如图3-1所示。图3-1我国国有独立核算工业企业生产函数的估计结果因此，我国国有独立工业企业的生产函数为：（模型1）＝(-0.252)(0.672)(0.781)(7.433)模型的计算结果表明，我国国有独立核算工业企业的劳动力边际产出为0.6667，资金的边际产出为0.7764，技术进步的影响使工业总产值平均每年递增77.68亿元。回归系数的符号和数值是较为合理的。，说明模型有很高的拟合优度，F检验也是高度显著的，说明职工人数L、资金K和时间变量对工业总产值的总影响是显著的。从图3-1看出，解释变量资金K的统计量值为7.433，表明资金对企业产出的影响是显著的。但是，模型中其他变量（包括常数项）的统计量值都较小，未通过检验。因此，需要对以上三元线性回归模型做适当的调整，按照统计检验程序，一般应先剔除统计量最小的变量（即时间变量）而重新建立模型。㈡建立剔除时间变量的二元线性回归模型；命令：LSYCLK则生产函数的估计结果及有关信息如图3-2所示。图3-2剔除时间变量后的估计结果因此，我国国有独立工业企业的生产函数为：（模型2）＝(-2.922)(4.427)(14.533)从图3-2的结果看出，回归系数的符号和数值也是合理的。劳动力边际产出为1.2085，资金的边际产出为0.8345，表明这段时期劳动力投入的增加对我国国有独立核算工业企业的产出的影响最为明显。模型2的拟合优度较模型1并无多大变化，F检验也是高度显著的。这里，解释变量、常数项的检验值都比较大，显著性概率都小于0.05，因此模型2较模型1更为合理。㈢建立非线性回归模型——C-D生产函数。C-D生产函数为：，对于此类非线性函数，可以采用以下两种方式建立模型。方式1：转化成线性模型进行估计；在模型两端同时取对数，得：在EViews软件的命令窗口中依次键入以下命令：GENRLNY=log（Y）GENRLNL=log（L）GENRLNK=log（K）LSLNYCLNLLNK则估计结果如图3-3所示。图3-3线性变换后的C-D生产函数估计结果即可得到C-D生产函数的估计式为：（模型3）＝(-1.172)(2.217)(9.310)即：从模型3中看出，资本与劳动的产出弹性都是在0到1之间，模型的经济意义合理，而且拟合优度较模型2还略有提高，解释变量都通过了显著性检验。方式2：迭代估计非线性模型，迭代过程中可以作如下控制：⑴在工作文件窗口中双击序列C，输入参数的初始值；⑵在方程描述框中点击Options，输入精度控制值。控制过程：①参数初值：0，0，0；迭代精度：10－3；则生产函数的估计结果如图3-4所示。图3-4生产函数估计结果此时，函数表达式为：（模型4）＝(0.313)(－2.023)(8.647)可以看出，模型4中劳动力弹性＝-1.01161，资金的产出弹性＝1.0317，很显然模型的经济意义不合理，因此，该模型不能用来描述经济变量间的关系。而且模型的拟合优度也有所下降，解释变量L的显著性检验也未通过，所以应舍弃该模型。②参数初值：0，0，0；迭代精度：10－5；图3-5生产函数估计结果从图3-5看出，将收敛的误差精度改为10－5后，迭代100次后仍报告不收敛，说明在使用迭代估计法时参数的初始值与误差精度或迭代次数设置不当，会直接影响模型的估计结果。③参数初值：0，0，0；迭代精度：10－5，迭代次数1000；图3-6生产函数估计结果此时，迭代953次后收敛，函数表达式为：（模型5）＝(0.581)(2.267)(10.486)从模型5中看出，资本与劳动的产出弹性都是在0到1之间，模型的经济意义合理，，具有很高的拟合优度，解释变量都通过了显著性检验。将模型5与通过方式1所估计的模型3比较，可见两者是相当接近的。④参数初值：1，1，1；迭代精度：10－5，迭代次数100；图3-7生产函数估计结果此时，迭代14次后收敛，估计结果与模型5相同。比较方式2的不同控制过程可见，迭代估计过程的收敛性及收敛速度与参数初始值的选取密切相关。若选取的初始值与参数真值比较接近，则收敛速度快；反之，则收敛速度慢甚至发散。因此，估计模型时最好依据参数的经济意义和有关先验信息，设定好参数的初始值。二、比较、选择最佳模型估计过程中，对每个模型检验以下内容，以便选择出一个最佳模型：㈠回归系数的符号及数值是否合理；㈡模型的更改是否提高了拟合优度；㈢模型中各个解释变量是否显著；㈣残差分布情况以上比较模型的㈠、㈡、㈢步在步骤一中已有阐述，现分析步骤一中5个不同模型的残差分布情况。分别在模型1～模型5的各方程窗口中点击View/Actual,Fitted,Residual/Actual,Fitted,ResidualTable（图3-8），可以得到各个模型相应的残差分布表（图3-9至图3-13）。可以看出，模型4的残差在前段时期内连续取负值且不断增大，在接下来的一段时期又连续取正值，说明模型设定形式不当，估计过程出现了较大的偏差。而且，模型4的表达式也说明了模型的经济意义不合理，不能用于描述我国国有工业企业的生产情况，应舍弃此模型。模型1的各期残差中大多数都落在的虚线框内，且残差分别不存在明显的规律性。但是，由步骤一中的分析可知，模型1中除了解释变量K之外，其余变量均为通过变量显著性检验，因此，该模型也应舍弃。模型2、模型3、模型5都具有合理的经济意义，都通过了检验和F检验，拟合优度非常接近，理论上讲都可以描述资本、劳动的投入与产出的关系。但从图3-13看出，模型5的近期误差较大，因此也可以舍弃该模型。最后将模型2与模型3比较发现，模型3的近期预测误差略小，拟合优度比模型2略有提高，因此可以选择模型2为我国国有工业企业生产函数。图3-8回归方程的残差分析图3-9模型1的残差分布图3-10模型2的残差分布图3-11模型3的残差分布图3-12模型4的残差分布图3-13模型5的残差分布三、模型预测假设估计的模型为一元线性回归模型。1．样本期内预测①利用样本数据估计方程，LSYCX，并保存方程；②在方程窗口点击FORECAST按钮，在弹出的预测对话框中输入预测变量名，也即Y拟合值的变量名（被解释变量为Y，则软件默认的变量名是YF）；③关闭弹出的预测变量描述性统计分析界面，在工作文件窗口中即可发现新出现的预测变量YF。2．外推预测①先利用样本数据估计方程，LSYCX，并保存方程；②修改数据区间和样本区间，将区间扩充到预测年份：鼠标放在工作文件窗口Range和sample位置，双击即可修改数据区间和样本区间；【或者用命令】修改数据区间：RANGE起始期终止期扩充数据区间：EXPAND起始期终止期（注：EXPAND这条命令只能增加数据区间，不能缩减）调整样本区间：SMPL起始期终止期③输入解释变量预测年份的数值，点击方程之前保存的方程窗口的FORECAST按钮进行预测，注意，此时预测的样本区间已经包含了扩充的年份；④观察保存的预测变量，预测年份的被解释变量也已填充了数据，此即点预测结果。实验四异方差性【实验目的】掌握异方差性的检验及处理方法【实验内容】建立并检验我国制造业利润函数模型【实验步骤】【例1】表1列出了1998年我国主要制造工业销售收入与销售利润的统计资料，请利用统计软件Eviews建立我国制造业利润函数模型。表1我国制造工业1998年销售利润与销售收入情况行业名称销售利润销售收入行业名称销售利润销售收入食品加工业187.253180.44医药制造业238.711264.1食品制造业111.421119.88化学纤维制品81.57779.46饮料制造业205.421489.89橡胶制品业77.84692.08烟草加工业183.871328.59塑料制品业144.341345纺织业316.793862.9非金属矿制品339.262866.14服装制品业157.71779.1黑色金属冶炼367.473868.28皮革羽绒制品81.71081.77有色金属冶炼144.291535.16木材加工业35.67443.74金属制品业201.421948.12家具制造业31.06226.78普通机械制造354.692351.68造纸及纸品业134.41124.94专用设备制造238.161714.73印刷业90.12499.83交通运输设备511.944011.53文教体育用品54.4504.44电子机械制造409.833286.15石油加工业194.452363.8电子通讯设备508.154499.19化学原料纸品502.614195.22仪器仪表设备72.46663.68检验异方差性⒈图形分析检验⑴观察销售利润（Y）与销售收入（X）的相关图(图1)：SCATXY图1我国制造工业销售利润与销售收入相关图从图中可以看出，随着销售收入的增加，销售利润的平均水平不断提高，但离散程度也逐步扩大。这说明变量之间可能存在递增的异方差性。⑵残差分析首先将数据排序（命令格式为：SORT解释变量），然后建立回归方程。在方程窗口中点击Resids按钮就可以得到模型的残差分布图（或建立方程后在Eviews工作文件窗口中点击resid对象来观察）。图2我国制造业销售利润回归模型残差分布图2显示回归方程的残差分布有明显的扩大趋势，即表明存在异方差性。⒉Goldfeld-Quant检验⑴将样本安解释变量排序（SORTX）并分成两部分（分别有1到10共11个样本合19到28共10个样本）⑵利用样本1建立回归模型1（回归结果如图3），其残差平方和为2579.587。SMPL110LSYCX图3样本1回归结果⑶利用样本2建立回归模型2（回归结果如图4），其残差平方和为63769.67。SMPL1928LSYCX图4样本2回归结果⑷计算F统计量：＝63769.67/2579.59=24.72，分别是模型1和模型2的残差平方和。取时，查F分布表得，而，所以存在异方差性⒊White检验⑴建立回归模型：LSYCX，回归结果如图5。图5我国制造业销售利润回归模型⑵在方程窗口上点击View\Residual\Test\WhiteHeteroskedastcity,检验结果如图6。图6White检验结果其中F值为辅助回归模型的F统计量值。取显著水平，由于,所以存在异方差性。实际应用中可以直接观察相伴概率p值的大小，若p值较小，则认为存在异方差性。反之，则认为不存在异方差性。⒋Park检验⑴建立回归模型（结果同图5所示）。⑵生成新变量序列：GENRLNE2=log(RESID^2)GENRLNX=log⑶建立新残差序列对解释变量的回归模型：LSLNE2CLNX，回归结果如图7所示。图7Park检验回归模型从图7所示的回归结果中可以看出，LNX的系数估计值不为0且能通过显著性检验，即随即误差项的方差与解释变量存在较强的相关关系，即认为存在异方差性。⒌Gleiser检验（Gleiser检验与Park检验原理相同）⑴建立回归模型（结果同图5所示）。⑵生成新变量序列：GENRE=ABS(RESID)⑶分别建立新残差序列（E）对各解释变量（X/X^2/X^(1/2)/X^(－1)/X^(－2)/X^(－1/2)）的回归模型：LSECX，回归结果如图8、9、10、11、12、13所示。图8图9图10图11图12图13由上述各回归结果可知，各回归模型中解释变量的系数估计值显著不为0且均能通过显著性检验。所以认为存在异方差性。⑷由F值或确定异方差类型Gleiser检验中可以通过F值或值确定异方差的具体形式。本例中，图10所示的回归方程F值（）最大，可以据次来确定异方差的形式。调整异方差性⒈确定权数变量根据Park检验生成权数变量：GENRW1=1/X^1.6743根据Gleiser检验生成权数变量：GENRW2=1/X^0.5另外生成：GENRW3=1/ABS(RESID）GENRW4=1/RESID^2⒉利用加权最小二乘法估计模型在Eviews命令窗口中依次键入命令：LS(W=)YCX或在方程窗口中点击Estimate\Option按钮，并在权数变量栏里依次输入W1、W2、W3、W4，回归结果图14、15、16、17所示。图14图15图16图17⒊对所估计的模型再进行White检验，观察异方差的调整情况对所估计的模型再进行White检验，其结果分别对应图14、15、16、17的回归模型（如图18、19、20、21所示）。图18、19、21所对应的White检验显示，P值较大，所以接收不存在异方差的原假设，即认为已经消除了回归模型的异方差性。图20对应的White检验没有显示F值和的值，这表示异方差性已经得到很好的解决。图18图19图20图21实验五自相关性【实验目的】掌握自相关性的检验与处理方法。【实验内容】表5-1列出了我国城乡居民储蓄存款年底余额（单位：亿元）和国内生产总值指数（1978年＝100）的历年统计资料，试建立我国城乡居民储蓄存款模型，并检验模型的自相关性。表5-1我国城乡居民储蓄存款与GDP统计资料年份存款余额YGDP指数X年份存款余额YGDP指数X1978210.60100.019895146.90271.31979281.00107.619907034.20281.71980399.50116.019919107.00307.61981523.70122.1199211545.40351.41982675.40133.1199314762.39398.81983892.50147.6199421518.80449.319841214.70170.0199529662.25496.519851622.60192.9199638520.84544.119862237.60210.0199746279.80592.019873073.30234.0199853407.47638.219883801.50260.7资料来源：《中国统计年鉴1999》【实验步骤】一、回归模型的筛选⒈相关图分析：SCATXY存款余额为被解释变量Y，GDP指数为解释变量X，可得到二者的相关关系图如5-1所示。图5-1表明随着GDP指数的上升，居民储蓄存款也逐步增加，二者的曲线相关关系较为明显，线性关系则不太明显。因此，为了合理估计居民储蓄存款模型，可以将函数初步设定为线性、双对数、对数、指数、二次多项式等不同形式，进而加以比较分析。图5-1我国城乡居民储蓄存款与GDP指数相关图⒉估计模型，利用LS命令分别建立以下模型⑴线性模型：LSYCX由此得到估计结果及相关信息如图5-2所示。图5-2线性模型估计结果其检验报告如下：(-6.706)(13.862)＝0.9100⑵双对数模型：GENRLNY=LOG(Y)GENRLNX=LOG(X)LSLNYCLNX估计结果及相关信息如图5-3所示。图5-3双对数模型估计结果其检验报告如下：(-31.604)(64.189)＝0.9954F＝4120.223S.E＝0.122⑶对数模型：LSYCLNX估计结果及相关信息如图5-4所示。图5-4对数模型估计结果其检验报告如下：(-6.501)(7.200)＝0.7318F＝51.8455S.E＝⑷指数模型：LSLNYCX估计结果及相关信息如图5-5所示。图5-5指数模型估计结果其检验报告如下：(23.716)(14.939)＝0.9215F＝223.166S.E＝0.504⑸二次多项式模型：GENRX2=X^2LSYCXX2估计结果及相关信息如图5-6所示。图5-6二次多项式模型估计结果其检验报告如下：(3.747)(-8.235)(25.886)＝0.9976F＝3814.274S.E＝⒊选择模型比较以上模型，可见各模型回归系数的符号及数值较为合理。各解释变量及常数项都通过了检验，模型都较为显著。除了对数模型的拟合优度较低外，其余模型都具有高拟合优度，因此可以首先剔除对数模型。各模型的残差分布表如图5-7至图5-10所示。图5-7线性模型残差分布图5-8双对数模型残差分布图5-9指数模型残差分布图5-10二次多项式模型残差分布从以上残差分布表可见，线性模型的残差在较长时期内呈连续递减趋势而后又转为连续递增趋势，指数模型则大体相反，残差先呈连续递增趋势而后又转为连续递减趋势，因此，可以初步判断这两种函数形式设置是不当的。而且，这两个模型的拟合优度也较双对数模型和二次多项式模型低，所以又可舍弃线性模型和指数模型。双对数模型和二次多项式模型都具有很高的拟合优度，因而初步选定回归模型为这两个模型。二、自相关性检验⒈DW检验；⑴双对数模型因为n＝21，k＝1，取显著性水平＝0.05时，查表得＝1.22，＝1.42，而0<0.7062＝DW<，所以存在（正）自相关。⑵二次多项式模型＝1.22，＝1.42，而<1.2479＝DW<，所以通过DW检验并不能判断是否存在自相关。⒉偏相关系数检验在方程窗口中点击View/ResidualTest/Correlogram-Q-statistics，并输入滞后期为10，则会得到残差与的各期相关系数和偏相关系数，如图5-11、5-12所示。图5-11双对数模型的偏相关系数检验图5-12二次多项式模型的偏相关系数检验从5-11中可以看出，双对数模型的第1期、第2期偏相关系数的直方块超过了虚线部分，存在着一阶和二阶自相关。图5-12则表明二次多项式模型仅存在二阶自相关。⒊BG检验在方程窗口中点击View/ResidualTest/SeriesCorrelationLMTest，并选择滞后期为2，则会得到如图5-13所示的信息。图5-13双对数模型的BG检验图中，=11.31531，临界概率P=0.0034，因此辅助回归模型是显著的，即存在自相关性。又因为，的回归系数均显著地不为0，说明双对数模型存在一阶和二阶自相关性。二次多项式BG检验BG检验与偏相关系数检验结果不同三、自相关性的调整：加入AR项⒈对双对数模型进行调整；在LS命令中加上AR(1)和AR(2)，使用迭代估计法估计模型。键入命令：LSLNYCLNXAR(1)AR(2)则估计结果如图5-16所示。图5-16加入AR项的双对数模型估计结果图5-16表明，估计过程经过4次迭代后收敛；，的估计值分别为0.9459和-0.5914，并且检验显著，说明双对数模型确实存在一阶和二阶自相关性。调整后模型的DW＝1.6445，n＝19，k＝1，取显著性水平＝0.05时，查表得＝1.18，＝1.40，而<1.6445＝DW<4－，说明模型不存在一阶自相关性；再进行偏相关系数检验（图5-17）和BG检验（图5-18），也表明不存在高阶自相关性，因此，中国城乡居民储蓄存款的双对数模型为：(-25.263)(52.683)＝0.9982F＝2709.985S.E＝图5-17双对数模型调整后的偏相关系数检验结果图5-18双对数模型调整后的BG检验结果⒉对二次多项式模型进行调整；键入命令：LSYCXX2AR(2)则估计结果如图5-19所示。加上ar12调整后不存在自相关性，但仅有AR(2)项调整后用偏相关系数检验仍然存在2阶和6阶自相关，且BG检验结果与偏相关系数检验结果不同，且BG检验滞后期不同，结果不同。⒊从双对数模型和二次多项式模型中选择调整结果较好的模型。四、重新设定双对数模型中的解释变量：模型1：加入上期储蓄LNY(-1)；模型2：解释变量取成：上期储蓄LNY(-1)、本期X的增长DLOG(X)。⒈检验自相关性；⑴模型1键入命令：LSLNYCLNXLNY(-1)则模型1的估计结果如图5-21所示。图5-21模型1的估计结果图5-21表明了DW=1.358，n＝20，k＝2，查表得＝1.100，＝1.537，而<1.358＝DW<，属于无法判定区域。采用偏相关系数检验的结果如图5-22所示，图中偏相关系数方块均未超过虚线，模型1不存在自相关性。图5-22模型1的偏相关系数检验结果⑵模型2键入命令：GENRDLNX=D(LNX)LSLNYCLNY(-1)DLNX则模型2的估计结果如图5-23所示。图5-23模型2的估计结果图5-23表明了DW=1.388，n＝20，k＝2，查表得＝1.100，＝1.537，而<1.388＝DW<，属于无法判定区域。采用偏相关系数检验的结果如图5-24所示，图中偏相关系数方块均未超过虚线，模型2不存在自相关性。图5-24模型2的偏相关系数检验结果⒉解释模型的经济含义。⑴模型1模型1的表达式为：表示我国城乡居民储蓄存款余额的相对变动不仅与GDP指数相关，而且受上期居民存款余额的影响。当GDP指数相对增加1％时，城乡居民存款余额相对增加0.32％，当上期居民存款余额相对增加1％时，城乡居民存款余额相对增加0.8794％。⑵模型2模型2的表达式为：表示上期居民存款余额相对增加1％时，城乡居民存款余额相对增加0.9865％，当GDP指数的发展速度相对增加1％时，城乡居民存款余额相对增加0.1128％。实验六多重共线性【实验目的】掌握多重共线性的检验及处理方法【实验内容】建立并检验我国钢材产量预测模型【实验步骤】【例1】表1是1978－1997年我国钢材产量（万吨）、生铁产量（万吨）、发电量（亿千瓦时）、固定资产投资（亿元）、国内生产总值（亿元）、铁路运输量（万吨）的统计资料。表1我国钢材产量及其它相关经济变量统计资料年份钢材产量Y生铁产量X1发电量X2固定资产投资X3国内生产总值X4铁路运输量X51978220834792566668.7232641101191979249736732820699.3640381118931980271638023006746.945181112791981267034173093638.2148621076731982292035513277805.952951134951983307237383514885.26593511878419843372400137701052.43717112407419853693438441071523.51896413070919864058506444951795.321020213563519874386550349732101.691196314065319884689570454522554.861492814494819894859582058482340.5216909151489199051536238621225341854815068119915638676567753139.032161815289319926697758975394473.762663815762719937716895683956811.353463416266319948428974192819355.354675916309319958980105291007010702.975847816585519969338107231081312185.796788516880319979979115111135613838.9674463169734一、检验多重共线性⒈相关系数检验利用相关系数可以分析解释变量之间的两两相关情况。在Eviews软件中可以直接计算相关系数矩阵。本例中，在Eviews软件命令窗口中键入：CORX1X2X3X4X5或在包含所有解释变量的数组窗口中点击View\Correlations，其结果如图1所示。由相关系数矩阵可以看出，解释变量之间的相关系数均为0.93以上，即解释变量之间时高度相关的。图1解释变量相关系数矩阵⒉辅助回归方程检验当解释变量多余两个且变量之间呈现出较复杂的相关关系时，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：LSX1CLSX2CX1X3X4X5LSX3CX1X2X4X5LSX4CX1X2X3X5LSX5CX1X2X3X4对应的回归结果如图2－6所示。图2图3图4图5图6上述每个回归方程的F检验值都非常显著，方程回归系数的T检验值表明：X1与X5、X2与X3、X3与X5、X4与X、X5与X1、X3、X4的T检验值较小，这些变量之间可能不相关或相关程度较小。二、利用逐步回归方法处理多重共线性⒈建立基本的一元回归方程根据相关系数和理论分析，钢材产量与生铁产量关联程度最大。所以，设建立的一元回归方程为：⒉逐步引入其它变量，确定最适合的多元回归方程（回归结果如表2所示）表2钢材产量预测模型逐步回归结果模型X1X2X3X4X5Y=f(X1)0.9214(56.807)0.99490.9941Y=f(X1,X2)0.4159(3.5394)0.4872(4.3234)0.99740.9970Y=f(X1,X3)0.959(14.185)0.0249(-0.5738)0.99500.9940Y=f(X1,X4)0.9414(13.025)-0.0025(-0.2846)0.99450.9938Y=f(X1,X5)0.8578(20.229)0.0084(-0.2846)0.99190.9910Y=f(X1,X2,X3)0.405(2.835)0.491(4.1225)0.0046(0.1424)0.99690.9974Y=f(X1,X2,X4)0.4433(3.4857)0.4911(4.2748)-0.0039(-0.6347)0.99690.9974Y=f(X1,X2,X5)0.4073(3.1797)0.5025(3.6357)-0.001(-0.2041)0.99690.9974所以，建立的多元回归模型为：Y=-287.68669+0.4159*X1+0.4872*X2实验七虚拟变量【实验目的】掌握虚拟变量的设置方法。【实验内容】一、试根据表7-1的1998年我国城镇居民人均收入与彩电每百户拥有量的统计资料建立我国城镇居民彩电需求函数；表7-1我国城镇居民家庭抽样调查资料收入等级彩电拥有量Y（台/百户）人均收入X(元/年)DiXDi困难户83.642198.8800最低收入户87.012476.7500低收入户96.753303.1700中等偏下户100.94107.2614107.26中等收入户105.895118.9915118.99中等偏上户109.646370.5916370.59高收入户115.137877.6917877.69最高收入户122.5410962.16110962.16资料来源：据《中国统计年鉴1999》整理计算得到二、试建立我国税收预测模型（数据见实验一）；三、试根据表7-2的资料用混合样本数据建立我国城镇居民消费函数。表7-2我国城镇居民人均消费支出和可支配收入统计资料收入等级19981999消费支出Y收入XD消费支出Y收入XD困难户2214.472198.8802327.542325.71最低收入户2397.62476.7502523.12617.81低收入户2979.273303.1703137.343492.271中等偏下户3503.244107.2603694.464363.781中等收入户4179.645118.9904432.485512.121中等偏上户4980.886370.5905347.096904.961高收入户6003.217877.6906443.338631.941最高收入户7593.9510962.1608262.4212083.791资料来源：据《中国统计年鉴》1999－2000整理计算得到【实验步骤】一、我国城镇居民彩电需求函数⒈相关图分析；键入命令：SCATXY，则人均收入与彩电拥有量的相关图如7-1所示。从相关图可以看出，前3个样本点（即低收入家庭）与后5个样本点（中、高收入）的拥有量存在较大差异，因此，为了反映“收入层次”这一定性因素的影响，设置虚拟变量如下：图7-1我国城镇居民人均收入与彩电拥有量相关图⒉构造虚拟变量；方式1：使用DATA命令直接输入；方式2：使用SMPL和GENR命令直接定义。DATAD1GENRXD=X*D1⒊估计虚拟变量模型：LSYCXD1XD再由检验值判断虚拟变量的引入方式，并写出各类家庭的需求函数。按照以上步骤，虚拟变量模型的估计结果如图7-2所示。图7-2我国城镇居民彩电需求的估计我国城镇居民彩电需求函数的估计结果为：(16.249)(9.028)(8.320)(-6.593)＝0.9964＝0.9937F＝366.374S.E＝1.066虚拟变量的回归系数的检验都是显著的，且模型的拟合优度很高，说明我国城镇居民低收入家庭与中高收入家庭对彩电的消费需求，在截距和斜率上都存在着明显差异，所以以加法和乘法方式引入虚拟变量是合理的。低收入家庭与中高收入家庭各自的需求函数为：低收入家庭：中高收入家庭：由此可见我国城镇居民家庭现阶段彩电消费需求的特点：对于人均年收入在3300元以下的低收入家庭，需求量随着收入水平的提高而快速上升，人均年收入每增加1000元，百户拥有量将平均增加12台；对于人均年收入在4100元以上的中高收入家庭，虽然需求量随着收入水平的提高也在增加，但增速趋缓，人均年收入每增加1000元，百户拥有量只增加3台。事实上，现阶段我国城镇居民中国收入家庭的彩电普及率已达到百分之百，所以对彩电的消费需求处于更新换代阶段。二、我国税收预测模型要求：设置虚拟变量反映1996年税收政策的影响。方法：取虚拟变量D1＝1（1996年以后），D1＝0（1996年以前）。键入命令：GENRXD=X*D1LSYCXD1XD则模型估计的相关信息如图7-3所示。图7-3引入虚拟变量后的我国税收预测模型我国税收预测函数的估计结果为：(24.748)(47.949)(-10.329)(11.208)＝0.9990＝0.9987F＝3332.429S.E＝87.317可见，虚拟变量的回归系数的检验都是显著的，且模型的拟合优度很高，说明1996年的税收政策对税收收入在截距和斜率上都产生了明显影响。1996年前的税收函数为：1996年后的税收函数为：由此可见，在实施1996年的税收政策前，国内生产总值每增加10000元，税收收入增加828.6元；而1996年后，国内生产总值每增加10000元，税收收入则增加2042.5元，因此，1996年的税收政策大大提高了税收收入水平。三、我国城镇居民消费函数要求：⒈利用虚拟变量分析两年的消费函数是否有显著差异；⒉利用混合样本建立我国城镇居民消费函数。设1998年、1999年我国城镇居民消费函数分别为：1998年：1999年：为比较两年的数据，估计以下模型：其中，，。具体估计过程如下：CREATEU16建立工作文件DATAYX(输入1998，1999年消费支出和收入的数据，1－8期为1998年资料，9－16期为1999年资料)SMPL18样本期调成1998年GENRD1=0输入虚拟变量的值SMPL916样本期调成1999年GENRD1=1输入虚拟变量的值SMPL116样本期调成1998～1999年GENRXD=X*D1生成XD的值LSYCXD1XD利用混合样本估计模型则估计结果如图7-4：图7-4引入虚拟变量后的我国城镇居民消费模型(10.776)(43.591)(0.510)(-0.417)＝0.9972＝0.9965F＝1411.331S.E＝113.459根据检验，D和XD的回归系数均不显著，即可以认为＝0，＝0；这表明1998年、1999年我国城镇居民消费函数并没有显著差异。因此，可以将两年的样本数据合并成一个样本，估计城镇居民的消费函数。独立样本回归与混合样本回归结果如图7-5～图7-7所示。图7-51998年样本回归的我国城镇居民消费模型图7-61999年样本回归的我国城镇居民消费模型图7-7混合样本回归的我国城镇居民消费模型将不同样本估计的消费函数结果列在表7－3中，可以看出，使用混合回归明显地降低了系数的估计误差。表7-3利用不同样本估计的消费模型样本1998～1999年955.670.619555.910.00890.99711998年924.710.623786.430.01440.99681999年985.90.615783.210.01270.9974实验八滞后变量【实验目的】掌握分布滞后模型的估计方法【实验内容】建立库存函数【实验步骤】表1列出了某地区制造行业历年库存Y与销售额X的统计资料。请利用分布滞后模型建立库存函数。表1某地区制造行业统计资料单位：亿元年份库存Y销售额X年份库存Y销售额X198150070272801990846554644919825270730219199190875502821983538143079619929707453555198454939308961993101645528591985582133311319941024455591719866004335032199510771962017198763383373351996120870713981988682214100319971471358207819897796544869Almon估计⒈分析滞后期长度在Eviews命令窗口中键入：CROSSYX，输出结果见图1。图1互相关分析图图中第一栏是Y与X各滞后期相关系数的直方图。可以看出，库存额与当年及前三年的销售额相关。因此可以设：假定可以由一个二次多项式逼近。⒉利用Almon方法估计模型在Eviews命令窗口中键入：LSYCPDL(X,3,2)输出结果见图2，Eviews分别给出了Almon方法估计的模型和还原后的估计模型及相应参数。图2Almon估计输出结果经过Almon变化之后的估计结果为：（即图2中的PDL项）：（0.7938）（－3.1145）还原后的分布滞后模型为：（3.4431）（6.6477）（4.922）（－2.7124）二、滞后期长度的调整将PDL项的参数依次设定为：PDL(X,3,2)、PDL(X,4,2)、PDL(X,5,2)，其调整的判定系数、SC、AIC值如表2所示。表2Almon估计法滞后期确定参数类型AICSCPDL(X,3,2)0.99617.950418.133PDL(X,4,2)0.99717.59717.772PDL(X,5,2)0.995717.916218.0778从表2中可以看出，当滞后期由3增加至4时，调整的判定系数增大而AIC和SC值均减小。当滞后期由4增大到5时，调整的判定系数减小，AIC值、SC值增大。所以，将滞后期确定为4时合理的。Almon估计的模拟⒈Almon变换genrz0=x+x(-1)+x(-2)+x(-3)genrz1=x(-1)+2*x(-2)+3*x(-3)genrz2=x(-1)+4*x(-2)+9*x(-3)⒉估计变化后的模型LSYCZ0Z1Z2图3回归结果见图3，即：（3.4431）（2.4112）（－3.1145）⒊计算原模型中的系数估计值根据Almon变换原理有：所以有：0.58250.5825＋1.2231－0.5446=1.2610.5825+2*1.2231-4*0.5446=0.8503=-0.6496所以还原成原分布滞后模型为：

会计科目和账户

第一节会计科目

一、会计科目的概念

会计科目是指对会计要素的具体内容进行分类核算的项目。【例】会计科目是对（

）的具体内容进行分类核算的项目。

A经济业务B会计主体C会计对象

D会计要素

二、会计科目的分类

1、按其所提供信息的详细程度及其统驭关系不同，分为：总分类科目和明细分类科目。（1）总分类科目——总账科目或一级科目总分类科目是对会计要素具体内容进行总括分类、提供总括信息的会计科目；（2）明细分类科目——明细账科目或子目、细目或二级、三级。。。。如：银行存款（一级）——中行存款（二级）——人民币存款（三级）明细分类科目是对总分类科目作进一步分类、提供更详细更具体会计信息的科目。对于明细科目较多的总账科目，可在总分类科目与明细科目之间设置二级或多级科目。2、按其所归属的会计要素不同，分为：旧准则：五类资产类、负债类、所有者权益类、成本类、损益类五类。新准则：六类资产类、负债类、共同类、所有者权益类、成本类、损益类六类。科目参照表一、资产类

1001库存现金

1002银行存款

1012其他货币资金

1101交易性金融资产

1121应收票据

1122应收账款

1123预付账款

1131应收股利

1132应收利息

1221其他应收款

1231坏账准备

1321代理业务资产

1401材料采购

1402在途物资

1403原材料

1404材料成本差异

1405库存商品

1406发出商品

1407商品进销差价

1408委托加工物资

1411周转材料

包装物

低值易耗品

1461融资租赁资产

1471存货跌价准备

1501持有至到期投资

1502持有至到期投资减值准备

1503可供出售金融资产

1511长期股权投资

1512长期股权投资减值准备

1521投资性房地产

1531长期应收款

1532未实现融资收益

1601固定资产

1602累计折旧

1603固定资产减值准备

1604在建工程

1605工程物资

在建工程减值准备

1606固定资产清理

1701无形资产

1702累计摊销

1703