计量经济学上机实验例题精讲.docVIP

上机实验一 CEO文件 （1）每个序列的描述性统计量 Salary(x1)的描述统计量 （1）平均值=1281.120 （2）中值=1039.000 （3）最大值=14822.00 （4）最小值=223.0000 （5）标准差=1372.345 （6）偏度=6.854923 （7）峰度=60.54128 分布图： 折线图： Roe(x2)的描述性统计量 (1)平均值=17.18421 (2)中值=15.5 (3)最大值=56.3 (4)最小值=0.5 (5)标准差=8.518509 (6)偏度=1.560820 (7)峰度=6.678555 分布图： 折线图： （2）给出每个序列的JB统计量并给出是否服从正态分布的结论和依据。 结论： Salary的JB统计量为30470.10，概率值小于0.05，故拒绝原假设，即salary不服从正态分布。 Roe的JB统计量为202.6987，概率值小于0.05，故拒绝原假设，即Roe不服从正态分布。 依据： 样本正态分布的检验： 思路：推断样本偏度和样本峰度是否为0和3 原假设：样本序列来自正太总体 检验统计量：JB统计量 Jarque-Bera证明：JB统计量在原假设下服从自由度为2的卡方分布，当JB统计量的概率值小于0.05时为小概率事件，应拒绝原假设，即样本不是来自正太总体。 （3）给出上述两个检验的F统计量的值，概率值，自由度，以及结论 F统计量的值：1.158216 概率值：0.3161 自由度：206 结论：有以上的结果可以看出薪金均值相等检验的F统计量的（Anova-F test)的值为1.158216，根据自由度为（2,206）的F分布可以看出大于1.158216的概率为0.3161，大于0.05的显著性水平，所以结论是不拒绝原假设，即认为不同资产回报率的CEO的薪金均值是相等的。 二、wage文件 （1）每个序列的描述性统计量 Wage（X1)的描述统计量 平均值=5.896103 （2）中值=4.650000 （3）最大值=24.98000 （4）最小值=0.530000 （5）标准差=3.693086 （6）偏度=2.007325 （7）峰度=7.970083 分布图： 折线图： Edu(x2)的描述性统计量 (1）平均值=12.56274 （2）中值=12.00000 （3）最大值=18.00000 （4）最小值=0.000000 （5）标准差=2.769022 （6）偏度=-0.619574 （7）峰度=4.884245 分布图： 折线图： （2）给出每个序列的JB统计量并给出是否服从正态分布的结论和依据 结论： Wage的JB统计量为894.6195，概率值小于0.05，故拒绝原假设，即Wage不服从正态分布。 Edu的JB统计量为111.4653，概率值小于0.05，故拒绝原假设，即Edu不服从正态分布。 依据： 样本正态分布的检验： 思路：推断样本偏度和样本峰度是否为0和3 原假设：样本序列来自正太总体 检验统计量：JB统计量 Jarque-Bera证明：JB统计量在原假设下服从自由度为2的卡方分布，当JB统计量的概率值小于0.05时为小概率事件，应拒绝原假设，即样本不是来自正太总体。 （3）给出上述两个检验的F统计量的值，概率值，自由度，以及结论 F统计量的值：8.623040 概率值：0.0000 自由度：508 结论：有以上的结果可以看出薪金均值相等检验的F统计量的（Anova-F test)的值为8.623040，根据自由度为（17,508）的F分布可以看出大于8.623040的概率为0.0000，小于0.05的显著性水平，所以结论是拒绝原假设，即认为不同不同受教育年限的人的小时工资是不相等的。 上机实验二 （1）上述三个模型的估计结果 Ceo:用公司的平均净资产回报率（Roe)来度量公司的业绩，建立一元线性回归模型，研究公司业绩和Ceo薪水之间的关系。 Wage:利用小时工资和受教育年限的数据，建立一元线性回归模型，研究教育回报率。如果某人的受教育年限比样本内的平均受教育年限高处五年，预测此人的小时工资是多少。 Vote:尽管影响竞选结果的因素很多，但我们仍可建立一个简单的一元线性回归模型，分析一下，与竞争对手相比，是否花费更多的钱就能够得到更多的票数百分比。如果有一个候选人，其竞选支出占总支出的比重是62%，预测此人的得票百分比是多少。 （2）解释估计系数所代表的含义 ceo:公司的平均净资产回报率x2（roe)