第二讲 eviews 一元线性回归模型.pptVIP

图2.5.6 数组窗口 由组的观察（View）查看组内序列的数据特征: 按下数组窗口(也可以成为数组或数据编辑窗口)工具条上Views按钮，可以得到组内数据的特征，见图2.5.6。 2.5.4 用OLS估计模型中的未知参数 1．菜单方式：在主页上选Quick菜单，点击Estimate Equation项，屏幕出现估计对话框(Equation Speicfication，在Estimation Settings中选OLS估计，即Least Squares，键入：y c x (c为EViews固定的截距项系数)。然后OK，得如下输出结果(见表2.5.3)。 2．命令方式： LS y c x 表2.5.3 回归结果 * * 对于一元线性总体回归模型： 一元线性回归模型 图2.2.1 观测值散点图 普通最小二乘法（OLS） 最小二乘估计量的性质 一个用于考察总体的估计量，可从如下几个方面考察其优劣性： （1）线性。即它是否是另一个随机变量的线性函数； （2）无偏性。即它的均值或期望是否等于总体的真实值； （3）有效性。即它是否在所有的线性无偏估计量中具有最小方差； （4）渐近无偏性。即样本容量趋于无穷大时，它的均值序列趋于总体的真值； （5）一致性。即样本容量趋于无穷大时，它是否依概率收敛于总体的真值； （6）渐近有效性。即样本容量趋于无穷大时，它在所有的一致估计量中具有最小的渐近方差。 这里，前三个准则也称作估计量的小样本性质，因为一旦某估计量具有该类性质，它是不以样本的大小而改变的。拥有这类性质的估计量称为最佳线性无偏估计量(BLUE：best linear unbiased estimators)。后三个准则称为估计量的大样本或渐近性质。如果小样本情况下不能满足估计的准则，则应该扩大样本容量，考察参数估计量的大样本性质。 用最小二乘法得到的参数估计，具有线性、无偏性和有效性（或最小方差性）三种最重要的统计性质。 一元线性回归模型的假设检验 1. 模型估计式的理论检验 线性回归模型估计式的理论检验，是对模型估计式在理论上能否成立进行判别。理论检验又称为符号检验，依据模型参数最小二乘估计值的符号(正号或负号)及取值的大小，评判其是否符合经济理论的规定或社会经济实践的常规。 2. 回归参数的显著性检验 假设检验的基本任务是根据样本所提供的信息，对未知总体分布的某些方面的假设作出合理的判断。 其基本思想是：在某种原假设成立的条件下，利用适当的统计量和给定的显著性水平，构造—个小概率事件，可以认为小概率事件在一次观察中基本不会发生，如果该事件竟然发生了，就认为原假设不真，从而拒绝原假设，接受备择假设。 对于一元线性回归模型而言，通常最关心的问题是解释变量对被解释变量是否有显著影响。 拟合优度的测度与相关系数检验 样本回归直线与样本观测数据之间的拟合程度，称为样本回归线的拟合优度。 4. 回归结果的报告形式与分析 1.回归结果提供的格式 具体见案例。 2．回归结果的分析 结果的分析主要包括以下内容： （1）系数的说明。 （2）拟合情况。 （3）系数的显著性，回归方程的显著性。 点预测 5. 回归预测 假定总体回归模型和总体回归方程： 2.5 案例分析——我国消费支出模型 年份 最终消费（y） 国内生产总值(x) 年份 最终消费（y） 国内生产总值(x) 1978 2239.1 3624.1 1990 11365.2 18547.9 1979 2619.4 4038.2 1991 13145.9 21617.8 1980 2976.1 4517.8 1992 15952.1 26638.1 1981 3309.1 4862.4 1993 20182.1 34634.4 1982 3637.9 5294.7 1994 26796.0 46759.4 1983 4020.5 5934.5 1995 33635.0 58478.1 1984 4694.5 7171.0 1996 40003.9 67884.6 1985 5773.0 8964.4 1997 43579.4 74462.6 1986 6542.0 10202.2 1998 46405.9 78345.2 1987 7451.2 11962.5 1999 49722.7 82067.5 1988 9360.1 14928.