与M A T L A B链接：Excel：
选项——加载项——COM加载项——转到——没有勾选项
2. MATLAB安装目录中寻找toolbox——exlink——点击,启用宏 E:\MATLAB\toolbox\exlink
然后，Excel中就出现MATLAB工具
（注意Excel中的数据：）
3.启动matlab
（1）点击start MATLAB
（2）s enddata to matlab ，并对变量矩阵变量进行命名（注意：选取变量为数值，不包括各变量）
(data表中数据进行命名)
（空间权重进行命名）
（3）导入MATLAB中的两个矩阵变量就可以看见
4.将elhorst和jplv7两个程序文件夹复制到MATLAB安装目录的
toolbox文件夹
5.设置路径：
6.输入程序，得出结果
T=30;
N=46;
W=normw(W1);
y=A(:,3);
x=A(:,[4,6]);
xconstant=ones(N*T,1);
[nobs K]=size(x);
results=ols(y,[xconstant x]);
vnames=strvcat('logcit','intercept','logp','logy');
prt_reg(results,vnames,1);
sige=*((nobs-K)/nobs);
loglikols=-nobs/2*log(2*pi*sige)-1/(2*sige)*'*
% The (robust)LM tests developed by Elhorst
LMsarsem_panel(results,W,y,[xconstant x]); % (Robust) LM tests 解释
每一行分别表示：
附录：
静态面板空间计量经济学
一、OLS静态面板编程
1、普通面板编程
T=30;
N=46;
W=normw(W1);
y=A(:,3);
x=A(:,[4,6]);
xconstant=ones(N*T,1);
[nobs K]=size(x);
results=ols(y,[xconstant x]);
vnames=strvcat('logcit','intercept','logp','logy');
prt_reg(results,vnames,1);
sige=*((nobs-K)/nobs);
loglikols=-nobs/2*log(2*pi*sige)-1/(2*sige)*'*
% The (robust)LM tests developed by Elhorst
LMsarsem_panel(results,W,y,[xconstant x]); % (Robust) LM tests 2、空间固定OLS （spatial-fixed effects）
T=30;
N=46;
W=normw(W1);
y=A(:,3);
x=A(:,[4,6]);
xconstant=ones(N*T,1);
[nobs K]=size(x);
model=1;
[ywith,xwith,meanny,meannx,meanty,meantx]=demean(y,x,N,T,model); results=ols(ywith,xwith);
vnames=strvcat('logcit','logp','logy'); % should be changed if x is changed
prt_reg(results,vnames);
sfe=meanny-meannx*; % including the constant term
yme = y - mean(y);
et=ones(T,1);
error=y-kron(et,sfe)-x*;
rsqr1 = error'*error;
rsqr2 = yme'*yme;
FE_rsqr2 = - rsqr1/rsqr2 % r-squared including fixed effects
sige=*((nobs-K)/nobs);
logliksfe=-nobs/2*log(2*pi*sige)-1/(2*sige)*'*
LMsarsem_panel(results,W,ywith,xwith); % (Robust) LM tests
3、时期固定OLS（time-period fixed effects）
T=30;
N=46;
W=normw(W1);
y=A(:,3);
x=A(:,[4,6]);
xconstant=ones(N*T,1);
[nobs K]=size(x);
model=2;
[ywith,xwith,meanny,meannx,meanty,meantx]=demean(y,x,N,T,model); results=ols(ywith,xwith);
vnames=strvcat('logcit','logp','logy'); % should be changed if x is changed
prt_reg(results,vnames);
tfe=meanty-meantx*; % including the constant term
yme = y - mean(y);
en=ones(N,1);
error=y-kron(tfe,en)-x*;
rsqr1 = error'*error;
rsqr2 = yme'*yme;
FE_rsqr2 = - rsqr1/rsqr2 % r-squared including fixed effects
sige=*((nobs-K)/nobs);
logliktfe=-nobs/2*log(2*pi*sige)-1/(2*sige)*'*
LMsarsem_panel(results,W,ywith,xwith); % (Robust) LM tests
4、空间与时间双固定模型
T=30;
N=46;
W=normw(W1);
y=A(:,3);
x=A(:,[4,6]);
xconstant=ones(N*T,1);
[nobs K]=size(x);
model=3;
[ywith,xwith,meanny,meannx,meanty,meantx]=demean(y,x,N,T,model); results=ols(ywith,xwith);
vnames=strvcat('logcit','logp','logy'); % should be changed if x is changed
prt_reg(results,vnames)
en=ones(N,1);
et=ones(T,1);
intercept=mean(y)-mean(x)*;
sfe=meanny-meannx*(en,intercept);
tfe=meanty-meantx*(et,intercept);
yme = y - mean(y);
ent=ones(N*T,1);
error=y-kron(tfe,en)-kron(et,sfe)-x*(ent,intercept);
rsqr1 = error'*error;
rsqr2 = yme'*yme;
FE_rsqr2 = - rsqr1/rsqr2 % r-squared including fixed effects sige=*((nobs-K)/nobs);
loglikstfe=-nobs/2*log(2*pi*sige)-1/(2*sige)*'*
LMsarsem_panel(results,W,ywith,xwith); % (Robust) LM tests
二、静态面板SAR模型
1、无固定效应（No fixed effects）
T=30;
N=46;
W=normw(W1);
y=A(:,[3]);
x=A(:,[4,6]);
for t=1:T
t1=(t-1)*N+1;t2=t*N;
wx(t1:t2,:)=W*x(t1:t2,:);
end
xconstant=ones(N*T,1);
[nobs K]=size(x);
=0;
=0;
=0;
results=sar_panel_FE(y,[xconstant x],W,T,info);
vnames=strvcat('logcit','intercept','logp','logy');
prt_spnew(results,vnames,1)
% Print out effects estimates
spat_model=0;
direct_indirect_effects_estimates(results,W,spat_model); panel_effects_sar(results,vnames,W);
2、空间固定效应（Spatial fixed effects）
T=30;
N=46;
W=normw(W1);
y=A(:,[3]);
x=A(:,[4,6]);
for t=1:T
t1=(t-1)*N+1;t2=t*N;
wx(t1:t2,:)=W*x(t1:t2,:);
end
xconstant=ones(N*T,1);
[nobs K]=size(x);
=0;
=1;
=0;
results=sar_panel_FE(y,x,W,T,info);
vnames=strvcat('logcit','logp','logy');
prt_spnew(results,vnames,1)
% Print out effects estimates
spat_model=0;
direct_indirect_effects_estimates(results,W,spat_model); panel_effects_sar(results,vnames,W);
3、时点固定效应（Time period fixed effects）
T=30;
N=46;
W=normw(W1);
y=A(:,[3]);
x=A(:,[4,6]);
for t=1:T
t1=(t-1)*N+1;t2=t*N;
wx(t1:t2,:)=W*x(t1:t2,:);
end
xconstant=ones(N*T,1);
[nobs K]=size(x);
=0; % required for exact results
=2;
=0; % Do not print intercept and fixed effects; use =1 to turn on results=sar_panel_FE(y,x,W,T,info);
vnames=strvcat('logcit','logp','logy');
prt_spnew(results,vnames,1)
% Print out effects estimates
spat_model=0;
direct_indirect_effects_estimates(results,W,spat_model);
panel_effects_sar(results,vnames,W);
4、双固定效应（Spatial and time period fixed effects）
T=30;
N=46;
W=normw(W1);
y=A(:,[3]);
x=A(:,[4,6]);
for t=1:T
t1=(t-1)*N+1;t2=t*N;
wx(t1:t2,:)=W*x(t1:t2,:);
end
xconstant=ones(N*T,1);
[nobs K]=size(x);
=0; % required for exact results
=3;
=0; % Do not print intercept and fixed effects; use =1 to turn on results=sar_panel_FE(y,x,W,T,info);
vnames=strvcat('logcit','logp','logy');
prt_spnew(results,vnames,1)
% Print out effects estimates
spat_model=0;
direct_indirect_effects_estimates(results,W,spat_model);
panel_effects_sar(results,vnames,W);
三、静态面板SDM模型
1、无固定效应（No fixed effects）
T=30;
N=46;
W=normw(W1);
y=A(:,[3]);
x=A(:,[4,6]);
for t=1:T
t1=(t-1)*N+1;t2=t*N;
wx(t1:t2,:)=W*x(t1:t2,:);
end
xconstant=ones(N*T,1);
[nobs K]=size(x);
=0;
=0;
=0;
results=sar_panel_FE(y,[xconstant x wx],W,T,info);
vnames=strvcat('logcit','intercept','logp','logy','W*logp','W*logy'); prt_spnew(results,vnames,1)
% Print out effects estimates
spat_model=1;
direct_indirect_effects_estimates(results,W,spat_model);
panel_effects_sdm(results,vnames,W);
2、空间固定效应（Spatial fixed effects）
T=30;
N=46;
W=normw(W1);
y=A(:,[3]);
x=A(:,[4,6]);
for t=1:T
t1=(t-1)*N+1;t2=t*N;
wx(t1:t2,:)=W*x(t1:t2,:);
end
xconstant=ones(N*T,1);
[nobs K]=size(x);
=0; % required for exact results
=1;
=0; % Do not print intercept and fixed effects; use =1 to turn on results=sar_panel_FE(y,[x wx],W,T,info);
vnames=strvcat('logcit','logp','logy','W*logp','W*logy');
prt_spnew(results,vnames,1)
% Print out effects estimates
spat_model=1;
direct_indirect_effects_estimates(results,W,spat_model);
panel_effects_sdm(results,vnames,W);
3、时点固定效应（Time period fixed effects）
T=30;
N=46;
W=normw(W1);
y=A(:,[3]);
x=A(:,[4,6]);
for t=1:T
t1=(t-1)*N+1;t2=t*N;
wx(t1:t2,:)=W*x(t1:t2,:);
end
xconstant=ones(N*T,1);
[nobs K]=size(x);
=0; % required for exact results
=2;
=0; % Do not print intercept and fixed effects; use =1 to turn on % New routines to calculate effects estimates
results=sar_panel_FE(y,[x wx],W,T,info);
vnames=strvcat('logcit','logp','logy','W*logp','W*logy');
% Print out coefficient estimates
prt_spnew(results,vnames,1)
% Print out effects estimates
spat_model=1;
direct_indirect_effects_estimates(results,W,spat_model);
panel_effects_sdm(results,vnames,W)
4、双固定效应（Spatial and time period fixed effects）
T=30;
N=46;
W=normw(W1);
y=A(:,[3]);
x=A(:,[4,6]);
for t=1:T
t1=(t-1)*N+1;t2=t*N;
wx(t1:t2,:)=W*x(t1:t2,:);
end
xconstant=ones(N*T,1);
[nobs K]=size(x);
=0;
=0; % required for exact results
=3;
=0; % Do not print intercept and fixed effects; use =1 to turn on results=sar_panel_FE(y,[x wx],W,T,info);
vnames=strvcat('logcit','logp','logy','W*logp','W*logy');
prt_spnew(results,vnames,1)
% Print out effects estimates
spat_model=1;
direct_indirect_effects_estimates(results,W,spat_model);
panel_effects_sdm(results,vnames,W)
wald test spatial lag
% Wald test for spatial Durbin model against spatial lag model
btemp=;
varcov=;
Rafg=zeros(K,2*K+2);
for k=1:K
Rafg(k,K+k)=1; % R(1,3)=0 and R(2,4)=0;
end
Wald_spatial_lag=(Rafg*btemp)'*inv(Rafg*varcov*Rafg')*Rafg*btemp
prob_spatial_lag=1-chis_cdf (Wald_spatial_lag, K)
wald test spatial error
% Wald test spatial Durbin model against spatial error model
R=zeros(K,1);
for k=1:K
R(k)=btemp(2*K+1)*btemp(k)+btemp(K+k); % k changed in 1, 7/12/2010 % R(1)=btemp(5)*btemp(1)+btemp(3);
% R(2)=btemp(5)*btemp(2)+btemp(4);
end
Rafg=zeros(K,2*K+2);
for k=1:K
Rafg(k,k) =btemp(2*K+1); % k changed in 1, 7/12/2010
Rafg(k,K+k) =1;
Rafg(k,2*K+1)=btemp(k);
% Rafg(1,1)=btemp(5);Rafg(1,3)=1;Rafg(1,5)=btemp(1); % Rafg(2,2)=btemp(5);Rafg(2,4)=1;Rafg(2,5)=btemp(2); end
Wald_spatial_error=R'*inv(Rafg*varcov*Rafg')*R
prob_spatial_error=1-chis_cdf (Wald_spatial_error,K) LR test spatial lag
resultssar=sar_panel_FE(y,x,W,T,info);
LR_spatial_lag=-2* (LR_spatial_lag,K)
LR test spatial error
resultssem=sem_panel_FE(y,x,W,T,info);
LR_spatial_error=-2* (LR_spatial_error,K)
5、空间随机效应与时点固定效应模型
T=30;
N=46;
W=normw(W1);
y=A(:,[3]);
x=A(:,[4,6]);
for t=1:T
t1=(t-1)*N+1;t2=t*N;
wx(t1:t2,:)=W*x(t1:t2,:);
end
xconstant=ones(N*T,1);
[nobs K]=size(x);
[ywith,xwith,meanny,meannx,meanty,meantx]=demean(y,[x wx],N,T,2); % 2=time dummies =1;
results=sar_panel_RE(ywith,xwith,W,T,info);
prt_spnew(results,vnames,1)
spat_model=1;
direct_indirect_effects_estimates(results,W,spat_model);
panel_effects_sdm(results,vnames,W)
wald test spatial lag
btemp=(1:2*K+2);
varcov=(1:2*K+2,1:2*K+2);
Rafg=zeros(K,2*K+2);
for k=1:K
Rafg(k,K+k)=1; % R(1,3)=0 and R(2,4)=0;
end
Wald_spatial_lag=(Rafg*btemp)'*inv(Rafg*varcov*Rafg')*Rafg*btemp
prob_spatial_lag= 1-chis_cdf (Wald_spatial_lag, K)
wald test spatial error
R=zeros(K,1);
for k=1:K
R(k)=btemp(2*K+1)*btemp(k)+btemp(K+k); % k changed in 1, 7/12/2010
% R(1)=btemp(5)*btemp(1)+btemp(3);
% R(2)=btemp(5)*btemp(2)+btemp(4);
end
Rafg=zeros(K,2*K+2);
for k=1:K
Rafg(k,k) =btemp(2*K+1); % k changed in 1, 7/12/2010 Rafg(k,K+k) =1;
Rafg(k,2*K+1)=btemp(k);
% Rafg(1,1)=btemp(5);Rafg(1,3)=1;Rafg(1,5)=btemp(1);
% Rafg(2,2)=btemp(5);Rafg(2,4)=1;Rafg(2,5)=btemp(2);
end
Wald_spatial_error=R'*inv(Rafg*varcov*Rafg')*R
prob_spatial_error= 1-chis_cdf (Wald_spatial_error,K)
LR test spatial lag
resultssar=sar_panel_RE(ywith,xwith(:,1:K),W,T,info);
LR_spatial_lag=-2* (LR_spatial_lag,K)
LR test spatial error
resultssem=sem_panel_RE(ywith,xwith(:,1:K),W,T,info);
LR_spatial_error=-2* (LR_spatial_error,K)
四、静态面板SEM模型
1、无固定效应（No fixed effects）
T=30;
N=46;
W=normw(W1);
y=A(:,[3]);
x=A(:,[4,6]);
for t=1:T
t1=(t-1)*N+1;t2=t*N;
wx(t1:t2,:)=W*x(t1:t2,:);
end
xconstant=ones(N*T,1);
[nobs K]=size(x);
=0;
=0;
=0;
results=sem_panel_FE(y,[xconstant x],W,T,info);
vnames=strvcat('logcit','intercept','logp','logy');
prt_spnew(results,vnames,1)
% Print out effects estimates
spat_model=0;
direct_indirect_effects_estimates(results,W,spat_model); panel_effects_sar(results,vnames,W);
2、空间固定效应（Spatial fixed effects）
T=30;
N=46;
W=normw(W1);
y=A(:,[3]);
x=A(:,[4,6]);
for t=1:T
t1=(t-1)*N+1;t2=t*N;
wx(t1:t2,:)=W*x(t1:t2,:);
Matlab 与统计分析 一、 回归分析 1、多元线性回归 1.1 命令 regress( )， 实现多元线性回归，调用格式为 [b,bint,r,rint,stats]=regress(y,x,alpha) 其中因变量数据向量Y 和自变量数据矩阵x 按以下排列方式输人 ????? ???????=????????????=n nk n n k k y y y y x x x x x x x x x x 21212222111211,111 对一元线性回归，取k=1即可。alpha 为显著性水平(缺省时设定为0.05)，输出向量b ，bint 为回归系数估计值和它们的置信区间，r ，rint 为残差及其置信区间，stats 是用于检验回归模型的统计量，有三个数值，第一个是2 R ， 其中R 是相关系数，第二个是F 统计量值，第三个是与统计量F 对应的概率P ，当α
白噪声的测试MATLAB程序 学术篇 2009-11-13 22:18:03 阅读232 评论0 字号：大中小订阅 clear; clc; %生成各种分布的随机数 x1=unifrnd(-1,1,1,1024);%生成长度为1024的均匀分布 x2=normrnd(0,1,1,1024);%生成长度为1024的正态分布 x3=exprnd(1,1,1024);%生成长度为1024的指数分布均值为零 x4=raylrnd(1,1,1024);%生成长度为1024的瑞利分布 x5=chi2rnd(1,1,1024);%生成长度为1024的kaifang分布%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %求各种分布的均值 m1=mean(x1),m2=mean(x2),m3=mean(x3),m4=mean(x4),m5=mean(x5) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %求各种分布的方差 v1=var(x1),v2=var(x2),v3=var(x3),v4=var(x4),v5=var(x5) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %求各种分布的自相关函数 figure(1);title('自相关函数图'); cor1=xcorr(x1);cor2=xcorr(x2);cor3=xcorr(x3);cor4=xcorr(x4);cor5=xcorr(x5); subplot(3,2,1),plot(1:2047,cor1);title('均匀分布自相关函数图'); subplot(3,2,2),plot(1:2047,cor2);title('正态分布'); subplot(3,2,3),plot(1:2047,cor3);title('指数分布'); subplot(3,2,4),plot(1:2047,cor4);title('瑞利分布'); subplot(3,2,5),plot(1:2047,cor5);title('K方分布'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %求各种分布的概率密度函数 y1=unifpdf(x1,-1,1); y2=normpdf(x2,0,1); y3=exppdf(x3,1); y4=raylpdf(x4,1); y5=chi2pdf(x5,1); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %各种分布的频数直方图 figure(2); subplot(3,2,1),hist(x1);title('均匀分布频数直方图'); subplot(3,2,2),hist(x2,[-4:0.1:4]);title('正态分布'); subplot(3,2,3),hist(x3,[0:.1:20]);title('指数分布'); subplot(3,2,4),hist(x4,[0:0.1:4]);title('瑞利分布'); subplot(3,2,5),hist(x5,[0:0.1:10]);title('K方分布'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %各种分布的概率密度估计 figure(3);
美国各航空公司业绩的统计数据公布在《华尔街日报1998年鉴》（The Wall Street Journal Almanac 1998）上，有关航班正点到达的比率和每10万名乘客投诉的次数的数据如下： 航空公司名称航班正点率（%）投诉率（次/10万名乘客）西南（Southwest）航空公司81.8 0.21 大陆(Continental) 航空公司76.6 0.58 西北（Northwest）航空公司76.6 0.85 美国（US Airways）航空公司75.7 0.68 联合（United）航空公司73.8 0.74 美洲（American）航空公司72.2 0.93 德尔塔（Delta）航空公司71.2 0.72 70.8 1.22 美国西部（America West）航空公 司 环球（TWA）航空公司68.5 1.25 a. 画出这些数据的散点图 b. 根据再（a）中作出的散点图，表明二变量之间存在什么关系？ c. 求出描述投诉率是如何依赖航班按时到达正点率的估计的回归方程 d. 对估计的回归方程的斜率作出解释 e. 如何航班按时到达的正点率是80％，估计每10万名乘客投诉的次数是多少？
1）作散点图： 2）根据散点图可知，航班正点率和投诉率成负直线相关关系。 3）作简单直线回归分析： SUMMARY OUTPUT 回归统计 Multiple R0.882607 R Square0.778996 Adjusted R Square0.747424 标准误差0.160818 观测值9 方差分析 df SS MS F Significance F 回归分析10.6381190.63811924.673610.001624残差70.1810370.025862 总计80.819156 Coefficient s标准误差t Stat P-value Lower 95%Upper 95%下限95.0%上限95.0% Intercept 6.017832 1.05226 5.7189610.000721 3.5296358.506029 3.5296358.506029 X Variable 1-0.070410.014176-4.967250.001624-0.10393-0.03689-0.10393-0.03689 4）y = -0.0704x + 6.0178
空间计量经济学分析 空间依赖、空间异质性 ?传统的统计理论是一种建立在独立观测值假定基础上的理论。然而，在现实世界中，特别是遇到空间数 据问题时，独立观测值在现实生活中并不是普遍存在的（Getis, 1997）。 ?对于具有地理空间属性的数据，一般认为离的近的变量之间比在空间上离的远的变量之间具有更加密切 的关系（Anselin & Getis，1992）。正如著名的Tobler地理学第一定律所说：“任何事物之间均相关，而离的较近事物总比离的较远的事物相关性要高。”（Tobler，1979） ?地区之间的经济地理行为之间一般都存在一定程度的Spatial Interaction，Spatial Effects）：Spatial Dependence and Spatial Autocorrelation）。 ?一般而言，分析中涉及的空间单元越小，离的近的单元越有可能在空间上密切关联（Anselin & Getis, 1992）。 ?然而，在现实的经济地理研究中，许多涉及地理空间的数据，由于普遍忽视空间依赖性，其统计与计量 分析的结果值得进一步深入探究（Anselin & Griffin, 1988）。 ?可喜的是，对于这种地理与经济现象中常常表现出的空间效应（特征）问题的识别估计，空间计量经济 学提供了一系列有效的理论和实证分析方法。 ?一般而言，在经济研究中出现不恰当的模型识别和设定所忽略的空间效应主要有两个来源（Anselin， 1988）：空间依赖性（Spatial Dependence）和空间异质性（Spatial Heterogeneity）。 空间依赖性 ?空间依赖性（也叫空间自相关性）是空间效应识别的第一个来源，它产生于空间组织观测单元之间缺乏 依赖性的考察（Cliff & Ord, 1973）。 ?Anselin & Rey（1991）区别了真实（Substantial）空间依赖性和干扰（Nuisance）空间依赖性的不同。 ?真实空间依赖性反映现实中存在的空间交互作用（Spatial Interaction Effects）， ?比如区域经济要素的流动、创新的扩散、技术溢出等， ?它们是区域间经济或创新差异演变过程中的真实成分，是确确实实存在的空间交互影响， ?如劳动力、资本流动等耦合形成的经济行为在空间上相互影响、相互作用，研发的投入产出行为及政策 在地理空间上的示范作用和激励效应。 ?干扰空间依赖性可能来源于测量问题，比如区域经济发展过程研究中的空间模式与观测单元之间边界的 不匹配，造成了相邻地理空间单元出现了测量误差所导致。 ?测量误差是由于在调查过程中，数据的采集与空间中的单位有关，如数据一般是按照省市县等行政区划 统计的，这种假设的空间单位与研究问题的实际边界可能不一致，这样就很容易产生测量误差。 ?空间依赖不仅意味着空间上的观测值缺乏独立性，而且意味着潜在于这种空间相关中的数据结构，也就 是说空间相关的强度及模式由绝对位置（格局）和相对位置（距离）共同决定。 ?空间相关性表现出的空间效应可以用以下两种模型来表征和刻画：当模型的误差项在空间上相关时，即 为空间误差模型；当变量间的空间依赖性对模型显得非常关键而导致了空间相关时，即为空间滞后模型（Anselin，1988）。 空间异质性 ?空间异质性（空间差异性），是空间计量学模型识别的第二个来源。 ?空间异质性或空间差异性，指地理空间上的区域缺乏均质性，存在发达地区和落后地区、中心（核心） 和外围（边缘）地区等经济地理结构，从而导致经济社会发展和创新行为存在较大的空间上的差异性。 ?空间异质性反映了经济实践中的空间观测单元之间经济行为（如增长或创新）关系的一种普遍存在的不 稳定性。 ?区域创新的企业、大学、研究机构等主体在研发行为上存在不可忽视的个体差异，譬如研发投入的差异 导致产出的技术知识的差异， ?这种创新主体的异质性与技术知识异质性的耦合将导致创新行为在地理空间上具有显著的异质性差异， 进而可能存在创新在地理空间上的相互依赖现象或者创新的局域俱乐部集团。 ?对于空间异质性，只要将空间单元的特性考虑进去，大多可以用经典的计量经济学方法进行估计。 ?但是当空间异质性与空间相关性同时存在时，经典的计量经济学估计方法不再有效，而且在这种情况下，
1.excel与MATLAB链接： Excel： 选项——加载项——COM加载项——转到——没有勾选项 2. MATLAB安装目录中寻找toolbox——exlink——点击,启用宏 E:\MATLAB\toolbox\exlink 然后，Excel中就出现MATLAB工具 （注意Excel中的数据：）
3.启动matlab （1）点击start MATLAB （2）senddata to matlab ，并对变量矩阵变量进行命名（注意：选取变量为数值，不包括各变量） (data表中数据进行命名) （空间权重进行命名） （3）导入MATLAB中的两个矩阵变量就可以看见
4.将elhorst和jplv7两个程序文件夹复制到MATLAB安装目录的toolbox文件夹 5.设置路径：
6.输入程序，得出结果 T=30; N=46; W=normw(W1); y=A(:,3); x=A(:,[4,6]); xconstant=ones(N*T,1); [nobs K]=size(x);
results=ols(y,[xconstant x]); vnames=strvcat('logcit','intercept','logp','logy'); prt_reg(results,vnames,1); sige=results.sige*((nobs-K)/nobs); loglikols=-nobs/2*log(2*pi*sige)-1/(2*sige)*results.resid'*results.resid % The (robust)LM tests developed by Elhorst LMsarsem_panel(results,W,y,[xconstant x]); % (Robust) LM tests 解释 附录： 静态面板空间计量经济学 一、OLS静态面板编程 1、普通面板编程 T=30; N=46; W=normw(W1); y=A(:,3); x=A(:,[4,6]);
SPSS 统计分析 多元线性回归分析方法操作与分析 实验目的： 引入1998~2008年上海市城市人口密度、城市居民人均可支配收入、五年以上平均年贷款利率和房屋空置率作为变量，来研究上海房价的变动因素。 实验变量： 以年份、商品房平均售价（元/平方米）、上海市城市人口密度(人/平方公里)、城市居民人均可支配收入(元)、五年以上平均年贷款利率(%)和房屋空置率(%)作为变量。 实验方法：多元线性回归分析法 软件： 操作过程： 第一步：导入Excel数据文件 1.open data document——open data——open；
2. Opening excel data source——OK. 第二步： 1.在最上面菜单里面选中Analyze——Regression——Linear ，Dependent（因变量）选择商品房平均售价，Independents（自变量）选择城市人口密度、城市居民人均可支配收入、五年以上平均年贷款利率、房屋空置率；Method 选择Stepwise.
进入如下界面： 2.点击右侧Statistics，勾选Regression Coefficients（回归系数）选项组中的Estimates；勾选Residuals（残差）选项组中的Durbin-Watson、Casewise diagnostics默认；接着选择Model fit、Collinearity diagnotics；点击Continue.
3.点击右侧Plots，选择*ZPRED（标准化预测值）作为纵轴变量，选择DEPENDNT（因变量）作为横轴变量；勾选选项组中的Standardized Residual Plots（标准化残差图）中的Histogram、Normal probability plot；点击Continue.
我学习了半年的计量经济学，我的起点是零，现在也是略有小成吧。我想如果你想学好计量经济学，根据我的心得，我想应该做到以下几点吧： 第一、我觉得应该好好看看概率论与数理统计部分，因为计量的好多知识，与这部分有关，如果你有那部分还不太熟悉，应该尽量补牢。第二，就是选一本教材，比较主流的就是古扎拉蒂的和伍德里奇的书。我看的是前者的。感觉前者的书写的还是挺通俗易懂的，一些例子还是挺典型的。很适合初学者自学或者跟着老师学习 第三、就是计量和实践是紧密不分的，所以在学习过程中最好做一下题，尤其是课后题。 第四、就是学会一到两种统计学软件，比如SPSS等 如果打好基础的话，想象高级方向学习，可以学习时间序列的知识。总之，计量经济学是一门实用的学科，有时候不必深究为什么这样。就像你只要知道1+1=2就行了，不必追问1+1为什么等于2 看下高铁梅、张晓峒、李子奈的书。他们编的还是不错的。 个人认为只有wooldridge那本书是值得反复读的（是那个初级本，国内译本也很好），古扎拉弟就算了，很多理论上的原因大家学到后来就明白了。古的书我读了两遍，现在早就扔了。但现在依然常常翻阅
WOO.对于开始的人，woo书上的海量例子太宝贵了，而且绝大多数取材于著名论文，值得仔细品味。 学习方法：用随便那个软件（我用SAS）把书中的例子几乎全部做一遍，知道你用的软件所报告的结果中那些重要的东西是怎么来的（不用知道的太精确），该怎么解释。―――书上后来那几章不懂也没关系。数学要求：基础数理统计学（就是一般初级书上附录那些内容），不用懂大样本理论，知道有一致性这个概念就行了，并且记住它是计量经济学中几乎唯一重要的评价统计量的标准。什么无偏啊有效啊都几乎是空中楼阁，达不到的标准。 本人数学稀烂，理解力和记忆力又不好，所以对于学习计量经济学很是吃力，经过半年把书狂啃，终于有点进步，感觉有点进步，回过头来看自己的学习之路，感到有好多地方走弯路了。现把自己学习的经验传上来，以供初学者分享。 第一，不要开始去就看国外的计量经济学，看国内的。国外的教材基本上都是难以短时间看完的大部头书籍，看完要很长时间，无论拿着还是看在眼里都是压力。而且对于翻译过来的东西，不一定翻译
第一章 1.Econometrics（计量经济学）： the social science in which the tools of economic theory, mathematics, and statistical inference are applied to the analysis of economic phenomena. the result of a certain outlook on the role of economics, consists of the application of mathematical statistics to economic data to lend empirical support to the models constructed by mathematical economics and to obtain numerical results. 2.Econometric analysis proceeds along the following lines计量经济学 分析步骤 1)Creating a statement of theory or hypothesis.建立一个理论假说 2)Collecting data.收集数据 3)Specifying the mathematical model of theory.设定数学模型 4)Specifying the statistical, or econometric, model of theory.设立统计或经济计量模型 5)Estimating the parameters of the chosen econometric model.估计经济计量模型参数 6)Checking for model adequacy : Model specification testing.核查模型的适用性：模型设定检验 7)Testing the hypothesis derived from the model.检验自模型的假设 8)Using the model for prediction or forecasting.利用模型进行预测 Step2：收集数据 Three types of data三类可用于分析的数据 1)Time series(时间序列数据):Collected over a period of time, are collected at regular intervals.按时间跨度收集得到
matlab建立多元线性回归模型并进行显着性检验及预测问题 例子; x=[143 145 146 147 149 150 153 154 155 156 157 158 159 160 162 164]'; X=[ones(16,1) x]; 增加一个常数项Y=[88 85 88 91 92 93 93 95 96 98 97 96 98 99 100 102]'; [b,bint,r,rint,stats]=regress(Y,X) 得结果：b = bint = stats = 即对应于b的置信区间分别为[，]、[,]; r2=, F=, p= p<, 可知回归模型y=+ 成立. 这个是一元的，如果是多元就增加X的行数！ function [beta_hat,Y_hat,stats]=regress(X,Y,alpha) % 多元线性回归(Y=Xβ+ε)MATLAB代码 %？ % 参数说明 % X：自变量矩阵，列为自变量，行为观测值 % Y：应变量矩阵，同X % alpha：置信度，[0 1]之间的任意数据 % beta_hat：回归系数 % Y_beata：回归目标值，使用Y-Y_hat来观测回归效果 % stats：结构体，具有如下字段 % =[fV,fH]，F检验相关参数，检验线性回归方程是否显着 % fV：F分布值，越大越好，线性回归方程越显着 % fH：0或1，0不显着；1显着(好) % =[tH,tV,tW]，T检验相关参数和区间估计，检验回归系数β是否与Y有显着线性关系 % tV：T分布值，beta_hat(i)绝对值越大,表示Xi对Y显着的线性作用% tH：0或1，0不显着；1显着 % tW：区间估计拒绝域，如果beta(i)在对应拒绝区间内，那么否认Xi对Y显着的线性作用 % =[T,U,Q,R]，回归中使用的重要参数 % T：总离差平方和，且满足T=Q+U % U：回归离差平方和 % Q：残差平方和 % R∈[0 1]：复相关系数，表征回归离差占总离差的百分比，越大越好% 举例说明 % 比如要拟合y=a+b*log(x1)+c*exp(x2)+d*x1*x2，注意一定要将原来方程线化% x1=rand(10,1)*10; % x2=rand(10,1)*10; % Y=5+8*log(x1)+*exp(x2)+*x1.*x2+rand(10,1); % 以上随即生成一组测试数据 % X=[ones(10,1) log(x1) exp(x2) x1.*x2]; % 将原来的方表达式化成Y=Xβ，注意最前面的1不要丢了
MATLAB---回归预测模型 Matlab统计工具箱用命令regress实现多元线性回归，用的方法是最小二乘法，用法是：b=regress(Y,X) [b,bint,r,rint,stats]=regress(Y,X,alpha) Y,X为提供的X和Y数组，alpha为显着性水平（缺省时设定为0.05），b,bint为回归系数估计值和它们的置信区间，r,rint为残差（向量）及其置信区间，stats是用于检验回归模型的统计量，有四个数值，第一个是R2，第二个是F，第三个是与F对应的概率 p ，p <α拒绝 H0，回归模型成立，第四个是残差的方差 s2 。 残差及其置信区间可以用 rcoplot(r,rint)画图。 例1合金的强度y与其中的碳含量x有比较密切的关系，今从生产中收集了一批数据如下表 1。 先画出散点图如下： x=0.1:0.01:0.18; y=[42,41.5,45.0,45.5,45.0,47.5,49.0,55.0,50.0]; plot(x,y,'+') 可知 y 与 x 大致上为线性关系。 设回归模型为y =β 0+β 1 x
用regress 和rcoplot 编程如下： clc,clear x1=[0.1:0.01:0.18]'; y=[42,41.5,45.0,45.5,45.0,47.5,49.0,55.0,50.0]'; x=[ones(9,1),x1]; [b,bint,r,rint,stats]=regress(y,x); b,bint,stats,rcoplot(r,rint) 得到 b =27.4722 137.5000 bint =18.6851 36.2594 75.7755 199.2245 stats =0.7985 27.7469 0.0012 4.0883 即β 0=27.4722 β 1 =137.5000 β 的置信区间是[18.6851,36.2594]， β 1 的置信区间是[75.7755,199.2245]； R2= 0.7985 ， F = 27.7469 ， p = 0.0012 ， s2 =4.0883 。可知模型（41）成立。
某农场负责人认为早稻收获量(y:单位为kg/公顷)与春季降雨(x i:单位为mm)和春季温度(X2:单位为C )有一定的联系，通过7组试验获得了相关的数据。利用Excel得到下面的回归结果(a =0.1): 方差分析表 (1)将方差分析表中的所缺数值补齐。 (2 )写出早稻收获量与春季降雨量、春季温度的多元线性回归方程，并解释各回归系数的意义。 (3 )检验回归方程的线性关系是否显著？ (4)检验各回归系数是否显著？ 2 (5)计算判定系数R，并解释它的实际意义。 (6)计算估计标准误差Se,并解释它的实际意义。 (每个空格为0.5分) 2、设总体回归模型为Y= 口+ P 1X^^ 2X2+ & ?x^ ?x2，由EXCEL输出结果可知，?= -0.39 14.92x1估计回归方程为? = ? 218.45x2，回归系数 ?的意义指在温度不变的条件下，当降雨量每增加1mm早稻收获量平均增加 14.92 kg/公顷；回归系数:?的意义指在降雨量不变的条件下， 2 当温度增加1C,早稻收获量平均增加218.45 kg/公顷。---5 分 3、由于p值=0.000075 < a =0.05，则拒绝原假设，即表明回归方程的线性关系是显著的。
4、由于各回归系数的P值均小于a ( 0.05 ),所以各回归系数是显著的。 ---2 分5、2二§臾二1387849567二0.99，表示早稻收获量的总变异中有99%的部分可以由降 R SST 14000000 雨量、温度的联合变动来解释。---4 分 6、S =」SS E =V MST = J30376.08 =174.29(k为自变量个数)，是总体回归模型 e n - k -1 中随机扰动项&的标准差的无偏估计量，用来衡量回归方程拟合程度的分析指标，S e越大，拟合程度越低；S e越小，拟合程度越高? —4 分
云南大学数学与统计学实验教学中心 实验报告 一、实验目的 1.熟悉MATLAB的运行环境. 2.学会初步建立数学模型的方法 3.运用回归分析方法来解决问题 二、实验内容 实验一：某公司出口换回成本分析 对经营同一类产品出口业务的公司进行抽样调查,被调查的13家公司,其出口换汇成本与商品流转费用率资料如下表。试分析两个变量之间的关系,并估计某家公司商品流转费用率是6.5%的出口换汇成本. 实验二：某建筑材料公司的销售量因素分析 下表数据是某建筑材料公司去年20个地区的销售量（Y，千方），推销开支、实际帐目数、同类商品
竞争数和地区销售潜力分别是影响建筑材料销售量的因素。1）试建立回归模型，且分析哪些是主要的影响因素。2）建立最优回归模型。 提示：建立一个多元线性回归模型。
三、实验环境 Windows 操作系统; MATLAB 7.0. 四、实验过程 实验一：运用回归分析在MATLAB 里实现 输入：x=[4.20 5.30 7.10 3.70 6.20 3.50 4.80 5.50 4.10 5.00 4.00 3.40 6.90]'; X=[ones(13,1) x]; Y=[1.40 1.20 1.00 1.90 1.30 2.40 1.40 1.60 2.00 1.00 1.60 1.80 1.40]'; plot(x,Y,'*'); [b,bint,r,rint,stats]=regress(Y,X,0.05); 输出： b = 2.6597 -0.2288 bint = 1.8873 3.4322 -0.3820 -0.0757 stats = 0.4958 10.8168 0.0072 0.0903 即==1,0?6597.2?ββ，-0.2288,0?β的置信区间为[1.8873 3.4322],1,?β的置信区间为[-0.3820 -0.0757]； 2r =0.4958, F=10.8168, p=0.0072 因P<0.05, 可知回归模型 y=2.6597-0.2288x 成立. 1 1.5 2 2.5 散点图 估计某家公司商品流转费用率是6.5%的出口换汇成本。将x=6.5代入回归模型中，得到 >> x=6.5; >> y=2.6597-0.2288*x y = 1.1725
《统计学》案例——相关回归分析 案例一质量控制中的简单线性回归分析 1、问题的提出 某石油炼厂的催化装置通过高温及催化剂对原料的作用进行反应，生成各种产品，其中液化气用途广泛、易于储存运输，所以，提高液化气收率，降低不凝气体产量，成为提高经济效益的关键问题。 通过因果分析图和排列图的观察，发现回流温度是影响液化气收率的主要原因，因此，只有确定二者之间的相关关系，寻找适当的回流温度，才能达到提高液化气收率的目的。经认真分析仔细研究，确定了在保持原有轻油收率的前提下，液化气收率比去年同期增长1个百分点的目标，即达到12.24%的液化气收率。 2、数据的收集
目标值确定之后，我们收集了某年某季度的回流温度与液化气收率的30组数据（如上表），进行简单直线回归分析。 3.方法的确立 设线性回归模型为εββ++=x y 10，估计回归方程为x b b y 10?+= 将数据输入计算机，输出散点图可见，液化气收率y 具有随着回流温度x 的提高而降低的趋势。因此，建立描述y 与x 之间关系的模型时，首选直线型是
合理的。 从线性回归的计算结果，可以知道回归系数的最小二乘估计值 b 0=21.263和b 1=-0.229，于是最小二乘直线为 x y 229.0263.21?-= 这就表明，回流温度每增加1℃，估计液化气收率将减少0.229%。 （3）残差分析 为了判别简单线性模型的假定是否有效，作出残差图，进行残差分析。
从图中可以看到，残差基本在-0.5—+0.5左右，说明建立回归模型所依赖的假定是恰当的。误差项的估计值s=0.388。 （4）回归模型检验 a.显著性检验 在90%的显著水平下，进行t 检验,拒绝域为︱t ︱=︱b 1/ s b1︱>t α/2=1.7011。 由输出数据可以找到b 1和s b1，t=b 1/ s b1=-0.229/0.022=-10.313，于是拒绝原假设，说明液化气收率与回流温度之间存在线性关系。 b.拟合度检验 判定系数r 2=0.792。这意味着液化气收率的样本变差大约有80%可以由它与回流温度的线性关系来解释。 2r r ==-0.89 这样，r 值为y 与x 之间存在中高度的负线性关系提供了进一步的证据。 由于n ≥30，我们近似确定y 的90%置信区间为： s z y )(?2 α±=21.263-0.229x ±1.282×0.388 = 21.263-0.229x ± 0.497
第一节相关分析 1.1协方差 命令：C = cov(X) 当X为行或列向量时，它等于var(X) 样本标准差。 X=1:15;cov(X) ans = 20 >> var(X) ans = 20 当X为矩阵时，此时X的每行为一次观察值，每列为一个变量。cov（X）为协方差矩阵,它是对称矩阵。 例：x=rand(100,3);c=cov(x) c= 0.089672 -0.012641 -0.0055434 -0.012641 0.07928 0.012326 -0.0055434 0.012326 0.082203 c的对角线为：diag(c) ans = 0.0897 0.0793 0.0822 它等于：var(x) ans = 0.0897 0.0793 0.0822 sqrt(diag(cov(x))) ans = 0.2995 0.2816 0.2867 它等于：std(x) ans = 0.2995 0.2816 0.2867 命令：c = cov(x,y) 其中x和y是等长度的列向量（不是行向量），它等于cov([x y])或cov([x,y]) 例：x=[1;4;9];y=[5;8;6]; >> c=cov(x,y) c = 16.3333 1.1667 1.1667 2.3333 >> cov([x,y]) ans = 16.3333 1.1667 1.1667 2.3333
COV(X)、 COV(X,0)[两者相等] 或COV(X,Y)、COV(X,Y,0) [两者相等]，它们都是除以n-1，而COV(X,1) or COV(X,Y,1)是除以n x=[1;4;9];y=[5;8;6]; >> cov(x,y,1) ans = 10.8889 0.7778 0.7778 1.5556 它的对角线与var([x y],1) 相等 ans = 10.8889 1.5556 协差阵的代数计算： [n,p] = size(X); X = X - ones(n,1) * mean(X); Y = X'*X/(n-1); Y 为X 的协差阵 1.2 相关系数（一） 命令：r=corrcoef(x) x 为矩阵，此时x 的每行为一次观察值，每列为一个变量。 r 为相关系数矩阵。它称为Pearson 相关系数 例：x=rand(18,3);r=corrcoef(x) r = 1.0000 0.1509 -0.2008 0.1509 1.0000 0.1142 -0.2008 0.1142 1.0000 r 为对称矩阵，主对角阵为1 命令：r=corrcoef(x,y) 其中x 和y 是等长度的列向量（不是行向量），它等于cov([x y])或cov([x,y])，或x 和y 是等长度的行向量，r=corrcoef(x,y)它则等于r=corrcoef(x ’,y ’), r=corrcoef([x ’,y ’]) 例：x=[1;4;9];y=[5;8;6]; corrcoef(x,y) ans = 1.0000 0.1890 0.1890 1.0000 corrcoef([x,y]) ans = 1.0000 0.1890 0.1890 1.0000 C = COV(X) R ij =C(i,j)/SQRT(C(i,i)*C(j,j)) 如：X=[1 2 7 4 ;5 12 7 8;9 17 11 17]; ( )() ( ) ( ) y y x x y y x x 22∑∑∑-?---=r
一Matlab作方差分析 方差分析是分析试验（或观测）数据的一种统计方法。在工农业生产和科学研究中，经常要分析各种因素及因素之间的交互作用对研究对象某些指标值的影响。在方差分析中，把试验数据的总波动（总变差或总方差）分解为由所考虑因素引起的波动（各因素的变差）和随机因素引起的波动（误差的变差），然后通过分析比较这些变差来推断哪些因素对所考察指标的影响是显著的，哪些是不显著的。 【例1】（单因素方差分析）一位教师想要检查3种不同的教学方法的效果，为此随机地选取水平相当的15位学生。把他们分为3组，每组5人，每一组用一种方法教学，一段时间以后，这位教师给15位学生进行统考，成绩见下表1。问这3种教学方法的效果有没有显著差异。 表1 学生统考成绩表 方法成绩 甲75 62 71 58 73 乙71 85 68 92 90 丙73 79 60 75 81 Matlab中可用函数anova1(…)函数进行单因子方差分析。 调用格式：p=anova1(X) 含义：比较样本m×n的矩阵X中两列或多列数据的均值。其中，每一列表示一个具有m 个相互独立测量的独立样本。 返回：它返回X中所有样本取自同一总体（或者取自均值相等的不同总体）的零假设成立的概率p。
解释：若p值接近0（接近程度有解释这自己设定），则认为零假设可疑并认为至少有一个样本均值与其它样本均值存在显著差异。 Matlab程序： Score=[75 62 71 58 73;81 85 68 92 90;73 79 60 75 81]’; P=anova1(Score) 输出结果：方差分析表和箱形图 ANOVA Table Source SS df MS F Prob>F Columns 604.9333 2 302.4667 4.2561 0.040088 Error 852.8 12 71.0667 Total 1457.7333 14 由于p值小于0.05，拒绝零假设，认为3种教学方法存在显著差异。 例2（双因素方差分析）为了考察4种不同燃料与3种不同型号的推进器对火箭射程（单位：海里）的影响，做了12次试验，得数据如表2所示。 表2 燃料-推进器-射程数据表 推进器1 推进器2 推进器3 燃料1 58.2 56.2 65.3 燃料2 49.1 54.1 51.6 燃料3 60.1 70.9 39.2 燃料4 75.8 58.2 48.7 在Matlab中利用函数anova2函数进行双因素方差分析。 调用格式：p=anova2(X,reps)
某农场负责人认为早稻收获量（y ：单位为kg/公顷）与春季降雨（x 1：单位为mm ）和春季温度(x 2：单位为℃)有一定的联系，通过7组试验获得了相关的数据。利用Excel 得到下面的回归结果（α=0.1）： 方差分析表 （2）写出早稻收获量与春季降雨量、春季温度的多元线性回归方程，并解释各回归系数的意义。 （3）检验回归方程的线性关系是否显著？ （4）检验各回归系数是否显著？ （5）计算判定系数2 R ，并解释它的实际意义。 （6）计算估计标准误差Se ，并解释它的实际意义。 （每个空格为0.5分） -----3分 2、设总体回归模型为Y ＝1 2 1 2 x x αεββ+ ++ 估计回归方程为y ?＝1 2 1 2 ???x x αββ++，由EXCEL 输出结果可知，y ?＝120.3914.92218.45-++x x ，回归系数1 ?β 的意义指在温度不变的条件下，当降雨量每增加1mm ，早稻收获量平均增加14.92kg/公顷；回归系数 2 ?β 的意义指在降雨量不变的条件下， 当温度增加1℃，早稻收获量平均增加218.45kg/公顷。 ---5分
3、由于p 值=0.000075＜α=0.05，则拒绝原假设，即表明回归方程的线性关系是显著的。 ---2分 4、由于各回归系数的P 值均小于α（0.05），所以各回归系数是显著的。 ---2分 5、 2 13878495.67 0.9914000000 = ==SSR SST R ，表示早稻收获量的总变异中有99%的部分可以由降雨量、温度的联合变动来解释。 ---4分 6、 174.29= ===e S （k 为自变量个数） ，是总体回归模型中随机扰动项ε的标准差的无偏估计量，用来衡量回归方程拟合程度的分析指标，e S 越大， 拟合程度越低；e S 越小，拟合程度越高. ---4分
1.excel与MATLAB： Excel： 选项——加载项——COM加载项——转到——没有勾选项 2. MATLAB安装目录中寻找toolbox——exlink——点击,启用宏 E:\MATLAB\toolbox\exlink 然后，Excel中就出现MATLAB工具
（注意Excel中的数据：） 3.启动matlab （1）点击start MATLAB （2）senddata to matlab ，并对变量矩阵变量进行命名（注意：选取变量为数值，不包括各变量）
(data表中数据进行命名) （空间权重进行命名） （3）导入MATLAB中的两个矩阵变量就可以看见
4.将elhorst和jplv7两个程序文件夹复制到MATLAB安装目录的toolbox文件夹 5.设置路径：
6.输入程序，得出结果 T=30; N=46; W=normw(W1); y=A(:,3);
x=A(:,[4,6]); xconstant=ones(N*T,1); [nobs K]=size(x); results=ols(y,[xconstant x]); vnames=strvcat('logcit','intercept','logp','logy'); prt_reg(results,vnames,1); sige=results.sige*((nobs-K)/nobs); loglikols=-nobs/2*log(2*pi*sige)-1/(2*sige)*results.resid'* results.resid % The (robust)LM tests developed by Elhorst LMsarsem_panel(results,W,y,[xconstant x]); % (Robust) LM tests 解释 每一行分别表示：
回归分析MATLAB 工具箱 一、多元线性回归 多元线性回归：p p x x y βββ+++=...110 1、确定回归系数的点估计值： 命令为：b=regress(Y , X ) ①b 表示???? ?? ????????=p b βββ?...??10 ②Y 表示????????????=n Y Y Y Y (2) 1 ③X 表示??? ??? ????? ???=np n n p p x x x x x x x x x X ...1......... .........1 (12) 1 22221 11211 2、求回归系数的点估计和区间估计、并检验回归模型： 命令为：[b, bint,r,rint,stats]=regress(Y ,X,alpha) ①bint 表示回归系数的区间估计. ②r 表示残差. ③rint 表示置信区间. ④stats 表示用于检验回归模型的统计量,有三个数值：相关系数r 2、F 值、与F 对应的概率p. 说明：相关系数2 r 越接近1,说明回归方程越显著；)1,(1-->-k n k F F α时拒绝0H ,F 越大,说明回归方程越显著；与F 对应的概率p α<时拒绝H 0,回归模型成立. ⑤alpha 表示显著性水平(缺省时为0.05) 3、画出残差及其置信区间. 命令为：rcoplot(r,rint) 例1.如下程序. 解：(1)输入数据. x=[143 145 146 147 149 150 153 154 155 156 157 158 159 160 162 164]'; X=[ones(16,1) x]; Y=[88 85 88 91 92 93 93 95 96 98 97 96 98 99 100 102]'; (2)回归分析及检验. [b,bint,r,rint,stats]=regress(Y ,X) b,bint,stats 得结果：b = bint =