EViews软件操作方法教案.ppt

2、线性回归模型的建立 线性回归分析——普通最小二乘法LS 系数是线性的方程称为线性方程： Y=b0 + b1X1+ b2X2 +?+ bkXk+ e Y=b0 + b1X + b2X2 +?+ bkXk + e 变量是非线性的，但它仍然是线性方程。因为，令X1=X1,X2=X2, ? ,Xk=Xk，就化成线性方程。 二次函数和双曲函数仍然是线性方程 二次方程：Y=a+bX+cX2 双曲函数：Y=a+b/X 演示课件 2、线性回归模型的建立 双对数方程： lnY=lna+blnX 可以表述为幂函数 双对数模型的弹性=b 弹性是指一个变量对另一个变量微小的百分比变动所作出的反应。 演示课件 2、线性回归模型的建立 线性回归分析——普通最小二乘法OLS 交互方式建立方程： √常用在Group窗口中单击Procs/Make Equation 或 WFL菜单Object/New/Equation 或 主菜单Quick \Estimate Equations 弹出定义方程对话框。 命令格式： LS 因变量名 C 自变量序列1……自变量序列n 如 LS Y C X 即 Y = ? + ?x + u 也可写成：LS Y=C(1)+C(2)*X 演示课件 最小样本容量： 样本最小容量必须不少于模型中解释变量的数目（包括常数项）。即 n ? k+1 满足基本要求的样本容量： 经验表明，当 n - k ?8 时t分布较为稳定，检验才较为有效。 一般经验认为，当n ?30 或者至少n ?3(k+1) 时，才能满足模型估计的基本要求。 样本容量问题 演示课件 一元线性回归--估计消费函数 依据凯恩斯理论：设定理论模型： consume = ? + ? *urban_inc 2006年国内31个省市城镇居民数据 相关系数：Group中的View/Correlations 0.985606 通常情况下，相关系数： |r|0.95 存在显著性相关； |r|?0.8 高度相关； 0.5? |r|0.8 中度相关； 0.3? |r|0.5 低度相关； |r|0.3 关系极弱，认为不相关 演示课件 一元线性回归--估计消费函数 观察消费性支出与可支配收入的 散点图： 交互：Group中的View/Graph/Scatter 命令：Scat urban_inc consume 回车 演示课件 带有拟合线的散点图 交互：Group中的View/Graph/Scatter 包括四种散点图： 1、Simple Scatter（简单散点图） 其第一个序列在水平轴上，其余的在纵轴上。 2、Scatter with Regression（回归散点图） 在组中对第一个序列及第二个序列进行总体变换进行二元回归。 选择 Robustness lterations（稳健迭代） 最小二乘法对一些无关观测值的存在非常敏感，稳健叠代操作产生一种对残差平方的加权形式，使无关的观测值在估计参数时被加最小的权数。 演示课件 带有拟合线的散点图 3、Scatter with Nearest Neighber Fit （最邻近拟合散点图） 一种带宽基于最邻近点的局部回归。对样本中的每一个数据点，拟合出一条局部的经过加权的回归线。 4、Scatter with Kernel Fit（核拟合分布） 核拟合固定带宽且局部的观测值通过核函数加权。 局部核拟合通过选取参数β使总体二乘残差最小。 Method分为精确和线性单元两种方式。 演示课件 定义方程对话框 序列名，用空格隔开，第一个变量 为被解释变量，后面跟解释变量列表。 也可写成：consume = incC(1)+C(2)*urban 估计的 样本区间。 使用的估 计方法。 因为2006年国内31个省市城镇居民消费模型是截面数据，无须因果关系检验 在Group窗口中单击Procs/Make Equation 演示课件 查看方程 在Equation窗口中单击View/Representations： Estimation Command: ===================== LS(W=1/E1^0.5) CONSUME C URBAN_INC Estimation Equation: ===================== CONSUME = C(1) + C(2)*URBAN_INC Substituted Coefficients: ===================== CONSUME = 292.0023476 + 0.714518775*URBAN_INC 演示课件 模型参数估计量的表示： Equation窗口中的V