多元线性回归实验报告要点.docVIP

实验题目：多元线性回归、异方差、多重共线性 实验目的：掌握多元线性回归的最小二乘法，熟练运用Eviews软件的多元线性回归、异方差、多重共线性的操作，并能够对结果进行相应的分析。 实验内容：习题3.2，分析1994-2011年中国的出口货物总额（Y）、工业增加值（X2）、人民币汇率（X3），之间的相关性和差异性，并修正。 实验步骤： 1.建立出口货物总额计量经济模型： （3.1） 建立工作文件并录入数据，得到图1 图1 在“workfile中按住”ctrl键，点击“Y、X2、X3”，在双击菜单中点“open group”,出现数据表。点”view/graph/line/ok”,形成线性图2。 图2 对（3.1）采用OLS估计参数 在主界面命令框栏中输入 ls y c x2 x3，然后回车，即可得到参数的估计结果，如图3所示。 图 3 根据图3中的数据，得到模型（3.1）的估计结果为 （8638.216）（0.012799）（9.776181） t=(-2.110573) (10.58454) (1.928512) F=522.0976 从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。但当=0.05时，=2.131.有重要变量X3的t检验不显著，可能存在严重的多重共线性。 2．多重共线性模型的识别 2.1计算解释变量x2、 x3的简单相关系数矩阵。 点击Eviews主画面的顶部的Quick/Group Statistics/Correlatios弹出对话框在对话框中输入解释变量x2、 x3，点击OK，即可得出相关系数矩阵（同图4）。 相关系数矩阵 图4 由图4相关系数矩阵可以看出，各解释变量相互之间的相关系数较高，证实解释变量之间存在多重共线性。 2.2多重共线性模型的修正 将各变量进行对数变换，在对以下模型进行估计。 利用eviews软件，对、X2、X3分别取对数，分别生成lnY、lnX2、lnX3的数据，采用OLS方法估计模型参数，得到回归结果，如图： 图5 图6 模型估计结果为： ln=-20.52+1.5642lnX2+1.7607lnX3 (5.4325) (0.0890) (0.6821) t =-3.778 17.578 2.581 F=539.736 该模型可决系数很高，F检验值，明显显著。由综合判断法知，上述回归结果基本上消除了多重共线性。对系数估计值的解释如下：在其他变量保持不变的情况下，如果工业增加值增加1%，出口货物总额增加1.564%；人民币汇率提高1%，出口货物总额增加1.761%。 所有解释变量的符号都与先验预期相一致，即工业增加值和人民币汇率与出口货物总额正相关。 3.检验模型异方差 3.1White检验 由图6估计结果，按路径view/Residual tests/white heteroskedasticity（no cross terms or cross terms），进入White检验。 图7 因为模型为ln=-20.52+1.5642lnX2+1.7607lnX3 所以异方差与x2,x3的关系为： （3.2） 从图8可以看出，，由White检验知，在下，查分布表,得临界值，比较计算的统计量与临界值，因为〉 所以拒绝原假设，不拒绝备择假设，表明模型存在异方差。 3.2异方差性的修正 在运用WLS法估计过程中，我们分别选用了权数.权数的生成过程如下,在对话框中的Enter equation处，按如下格式分别键入：w11=1/lnX2,w12=1/lnX3;w21=1/(lnX2)^2,w22=1/(lnX3)^2;W31=1/sqr(lnX2),w32=1/sqr(lnX3) 经估计检验发现用权数w21的效果最好。 在工作文件窗口中点Quick\Estimate Equation,在弹出的对话框中输入 lny c lnx2 lnx3 图9 然后在图9中点Options选项，选中Weighted LS/TLS复选框，在Weight框中输入w21,即可得到加权最小二乘法的结果。 图10 估计结果如下 (15.6557) (0.1438) (2.1269) T= (-2.6356) (0.1438) (2