实验2 线性回归模型估计.ppt

5、X=20条件下模型的样本外预测方法 激活工作文件窗口，双击窗口中的Range，弹出对话框图2.14，将窗口中的data range由16改为17，见图2.15，点击Ok 图2.14 图2.15 弹出对话框图2.16，点击Yes，在弹出的数据框中，将x的第17个观测值赋值为20（见图2.17）。 图2.16 图2.17 在图2.6窗口，点击Forecast键，弹出一个关于预测的对话框。Yf在Forecast name选择区自动生成，yf是保存预测值的变量。S.E.选择区填入yfse，用来在工作文件中保存变量yf的标准差。在Forecast sample选择区把预测范围从1~17改为17~17，即只预测x=20时的y的值。Forecast对话框如图2.18. 图2.18 点击Ok键，yf和yfse自动生成于工作文件中。打开y、yf、yfse构成的数据组，第17组值如图2.19。可知x=20时，y的预测值为7.32，yf的分布标准差为2.1。 图2.19 实验二 线性回归模型估计 陈黎 【实验目的】 掌握一元线性的建模方法 【实验内容】 研究林业局的年木材采伐量和相应伐木剩余物之间的关系 【实验步骤】 表2.1 中给出黑龙江省伊春林区1999年16个林业局的年木材采伐量和相应伐木剩余物数据。 要求：利用Eviews软件： （1）建立数据文件； （2）画散点图； （3）进行OLS回归； （4）预测。 表2.1 林业局名 年木材采伐量X（万立方） 年伐木剩余物Y（万立方） 林业局名 年木材采伐量X（万立方 年伐木剩余物Y（万立方） 乌伊岭 61.4 26.13 乌马河 17 6.8 东风 48.3 23.49 美溪 27.3 9.69 新青 51.8 21.97 大丰 21.5 7.99 红星 35.9 11.53 南岔 35.5 12.15 五营 17.8 7.18 带岭 17 6.8 上甘岭 17 6.8 朗乡 50 17.2 友好 55 18.43 桃山 30 9.5 翠峦 32.7 11.69 双丰 13.8 5.52 实验步骤： 一、建立工作文件，如图2.1 二、画散点图 1、从Eviews主餐单中点击Quick键，选择Graph/Scatter功能，如图2.3，这时，弹出对话框，要求输入画图所用的变量名。 2、在命令窗口输入命令 Scat y x 得到x、y的散点图2.3 图2.1 建立工作文件 图2.2 图2.3 散点图 三、 进行OLS回归 1、做OLS回归 (1)、从工作文件主菜单中点击Quick键，选择Estimate Equation功能。如图2.4 图2.4 在弹出对话框中，在Equation Specification选择框中输入 y c x（如图2.5），也可以按选择框中的说明方式输入y=c(1)+c(2)*x。 图2.5 （2）在命令窗口输入命令：y c x，回车，得到输出结果（图2.6） 图2.6 OLS分析结果 输出结果分析： Std.Error（标准误差）：主要用来衡量回归系数的统计可靠性。 t-Statistic：用来检验系数是否等于某一特定值的统计量。T统计量检验的是某个系数是否为零，它等于系数与其标准差之比。 Prob：此列显示在服从t分布条件下，对应其左侧一列t统计量的概率。通过这一信息可以方便地分辨出是否拒绝系数为零的原假设。正常情况下，概率低于0.05即可认为对应系数显著不为零。 其中， 表示用样本计算的t统计量的值。 R-squared（可决系数）：用来衡量在样本范围内用回归来预测被解释变量的好坏程度。 说明回归拟合得很完美，若 则回归并不比被解释变量的简单平均值拟合的更好。 是被解释变量能够由解释变量所解释的部分。 Adjusted R-squared（调整可决系数） S.E. of regression（回归的标准误差） Sum squared resid（残差平方和） Log likelihood（对数似然估计值） Durbin-Watson stat（DW统计量）：对序列相关性进行检验的统计量。如果它比2小很多，则证明这个序列正相关。 Mean Dependent Var（被解释变量的均值）：被解释变量的样本均值。 S.D. Dependent Var（被解释变量的标准差）：被解释变量的样本标准差。 Akaike info criterion（赤池信息准侧）：即AIC准则，用来比较所含解释变量个数不同的多元回归模型的拟合优度。 Schwarz Criterion（施瓦茨准则）：用途与AIC类似。 F-Statistic：是对回归式中的所有