下载文档原格式
计量经济学教学案例案例一 简单线性回归模型一、主题与背景用真实数据进行简单线性回归分析，应用Eviews6.0分析软件进行操作，与课本内容相对应，分析模型的截距、斜率以及可决系数，引导学生熟悉Eviews6.0的基本操作，能够解读分析报告，并尝试进行被解释变量的预测，体会变量测度单位的改变和函数形式变化给OLS 估计结果和统计特征的影响。
二、情景描述对于由CEO 构成的总体，令y 代表年薪(salary)，单位为千美元。
令x 表示某个CEO 所在公司在过去三年的平均股本回报率(roe ，股本回报率定义为净收入占普通股价的百分比)。
为研究该公司业绩指标和CEO 薪水之间的关系，可以定义以下模型：Salary=0β+1βroe + u . 斜率参数1β衡量当股本回报率增长一个单位（一个百分点）时CEO 年薪的变化量，由于更高的股本回报率预示更高的CEO 年薪，所以，1β＞0。
三、教学过程设计（一）数据说明数据集CEOSAL1.RAW 包含1990年209位CEO 的相关信息，该数据来自《商业周刊》(5/6/91)，该样本中CEO 年薪的平均值为$1,281,120，最低值和最高值分别为$223,000和$14,822,000，1988、1989和1990年的平均股本回报率是17.18%。
（二）操作建议1：在 eviews6.0命令输入窗口定义变量：data salary roe2、用 edit+/- 编辑数据3、描述统计分析过程：view---descriptive stats---common sample4、画散点图:Scat roe salary5、在eviews6.0命令输入窗口运行简单线性回归 Ls salary c roe6、用resids 观测残差7、产生新序列:S eries lsalary =log(salary)8、改变函数形式：Ls lsalary c lsales9、改变变量测度单位：Ls salary*1000 c roe四、教学研究（一）案例结论1、回归结果估计出的回归线为：salˆary = 963.191 + 18.501 roe(1)截距和斜率保留了3位小数，回归结果显示，如果股本回报率为0，年薪的预测值为截距963.191千美元,可以把年薪的预测变化看做股本回报率变化的函数：∆salˆary = 18.501 (∆roe)，这意味着当股本回报率增加1个百分点，即∆roe =1,则年薪的预测变化就是18.5千美元,在线性方程中，估计的变化与初始年薪无关。
计量经济学作业姓名：***班级：08级数学一班学号：***********简单线性回归模型一、建立模型为了研究四川省城镇具名消费支出以及可支配收入之间的关系，又经济理论分析可知，收入是影响居民消费支出的主要因素，居民消费支出Y与可支配收入X之间存在密切的关系，消费支出随着收入的增加而增加，但变动的幅度相比较低，即边际消费倾向MPC有0<MPC<1。
因此可设定居民消费支出Yi与Xi的关系为：Yi=ß1+ß2Xi+ui，其中ß1表示四川省城镇居民家庭平均每人年生活性消费支出（元）；Xi为城镇居民家丁平均没人年可支配收入（元）。
变量采用年度数据，样本期为1978-1998年。
这里的ß1为居民没有收入来源时的最低消费。
二、估计模型中的位置参数假设模型中的随机误差项ui满足古典假定，运用OLS方法估计模型的参数，利用计量经济学计算机软件EViews计算过程如下：简历文档，输入数据首先点击EViews图标，进入EViews主页。
点击File后，在File菜单的New选项中点击Workfile，这时屏幕上出现Workfile Range对话框，在Srart Date里键入1978，在End Date里键入1998，点击OK后屏幕出现Workfile工作框。
在Object菜单栏，点击New Object对话框里选Group并在Name for Object上定义文件名，点击OK，屏幕出现数据编辑框。
也可在光标出直接输入Data Y X，回车后即可出现数据编辑框。
此时可录入数据，首先按上行键，这时对应“obs”字样的空格会自动上跳，在对应第二个“obs”字样，有边框的空格里键入变量名，再按下行键，这时对应变量名下的这一列出现“NA”字样，便可依时间顺序键入相应的数据。
其他变量的数据类似输入。
可以几个变量同时录入数据。
在主页上选Quick菜单，点击Eatimate Equation项，屏幕上出现估计对话框（Equation Spacification），在Easmation Setting中选OLS估计，即Least Squares，键入Y C X或Y X C（C为EViews固定的截距系数）。
第二章 一元线性回归模型2.1 一元线性回归模型的基本假定2.1.1一元线性回归模型有一元线性回归模型（统计模型）如下， y t = β0 + β1 x t + u t上式表示变量y t 和x t 之间的真实关系。
其中y t 称被解释变量（因变量），x t 称解释变量（自变量），u t 称随机误差项，β0称常数项，β1称回归系数（通常未知）。
上模型可以分为两部分。
（1）回归函数部分，E(y t ) = β0 + β1 x t ,（2）随机部分，u t 。
图2.1 真实的回归直线这种模型可以赋予各种实际意义，居民收入与支出的关系；商品价格与供给量的关系；企业产量与库存的关系；身高与体重的关系等。
以收入与支出的关系为例。
假设固定对一个家庭进行观察，随着收入水平的不同，与支出呈线性函数关系。
但实际上数据来自各个家庭，来自同一收入水平的家庭，受其他条件的影响，如家庭子女的多少、消费习惯等等，其出也不尽相同。
所以由数据得到的散点图不在一条直线上（不呈函数关系），而是散在直线周围，服从统计关系。
“线性”一词在这里有两重含义。
它一方面指被解释变量Y 与解释变量X 之间为线性关系，即1tty x β∂=∂220tt y x β∂=∂另一方面也指被解释变量与参数0β、1β之间的线性关系，即。
1ty x β∂=∂，221ty β∂=∂0 ，1ty β∂=∂，2200ty β∂=∂2.1.2 随机误差项的性质随机误差项u t 中可能包括家庭人口数不同，消费习惯不同，不同地域的消费指数不同，不同家庭的外来收入不同等因素。
所以在经济问题上“控制其他因素不变”是不可能的。
随机误差项u t 正是计量模型与其它模型的区别所在，也是其优势所在，今后咱们的很多内容，都是围绕随机误差项u t 进行了。
回归模型的随机误差项中一般包括如下几项内容： （1）非重要解释变量的省略， （2）数学模型形式欠妥， （3）测量误差等，（4）随机误差（自然灾害、经济危机、人的偶然行为等）。
