计量经济学实验报告模板及样例

计量经济学实训报告一、实验设计：本次实验是基于计量经济学的理论知识和方法，通过对已有的数据进行回归分析，验证理论假设的可行性。

实验的目的是了解计量经济学在实际应用中的重要性，以及掌握回归分析等基本方法。

二、实验过程：1.数据收集：我们选择了一个包含多个变量的数据集，包括自变量和因变量，旨在通过回归模型来预测因变量的取值。

2.数据清洗：对收集到的数据进行清洗和预处理，包括处理缺失值、异常值等。

3.变量选择：根据计量经济学的原理和假设，选择适合的自变量和因变量，并对其进行初步的分析。

4.模型建立：根据选择的自变量和因变量，建立回归模型，并假设一些条件。

5.模型估计：利用统计软件对建立的回归模型进行估计和拟合，获得回归系数和拟合度等相关参数。

6.模型诊断与检验：对建立的回归模型进行诊断和检验，检查模型的拟合度和有效性。

7.结果分析：根据模型估计和检验结果，分析自变量对因变量的影响程度和显著性等，并解读模型。

三、实验结果：经过以上的实验过程和分析，我们得到了以下结论：1.自变量X对因变量Y的影响具有统计显著性；2.自变量X1对因变量Y的影响程度较大，而自变量X2的影响相对较小；3.拟合度较高，模型的解释能力较强。

四、实验感想：通过本次实验，我们深刻认识到计量经济学在实际问题中的重要性。

通过建立回归模型，我们可以对研究对象的变量关系进行实证分析，从而对问题进行解释和预测。

同时，我们也了解到了回归分析中的一些注意事项，如数据的选择和处理、模型的建立和检验等。

在今后的学习中，我们将进一步掌握和应用计量经济学的方法，提高对实际问题的分析和解决能力。

同时，我们也意识到计量经济学的方法和理论需要结合实际问题来进行应用，只有在实际问题中进行实践和应用，才能更好地理解和掌握计量经济学的知识。

第1篇一、实验目的本次实验旨在通过多元线性回归模型，分析多个自变量与因变量之间的关系，掌握多元线性回归模型的基本原理、建模方法、参数估计以及模型检验等技能，提高运用计量经济学方法解决实际问题的能力。

二、实验背景随着经济的发展和社会的进步，影响一个变量的因素越来越多。

在经济学、管理学等领域，多元线性回归模型被广泛应用于分析多个变量之间的关系。

本实验以某地区居民消费支出为例，探讨影响居民消费支出的因素。

三、实验数据本实验数据来源于某地区统计局，包括以下变量：1. 消费支出（Y）：表示居民年消费支出，单位为元；2. 家庭收入（X1）：表示居民家庭年收入，单位为元；3. 房产价值（X2）：表示居民家庭房产价值，单位为万元；4. 教育水平（X3）：表示居民受教育程度，分为小学、初中、高中、大专及以上四个等级；5. 通货膨胀率（X4）：表示居民消费价格指数，单位为百分比。

四、实验步骤1. 数据预处理：对数据进行清洗、缺失值处理和异常值处理，确保数据质量。

2. 模型设定：根据理论知识和实际情况，建立多元线性回归模型：Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + ε其中，Y为因变量，X1、X2、X3、X4为自变量，β0为截距项，β1、β2、β3、β4为回归系数，ε为误差项。

3. 模型估计：利用统计软件（如SPSS、R等）对模型进行参数估计，得到回归系数的估计值。

4. 模型检验：对估计得到的模型进行检验，包括以下内容：（1）拟合优度检验：通过计算R²、F统计量等指标，判断模型的整体拟合效果；（2）t检验：对回归系数进行显著性检验，判断各变量对因变量的影响是否显著；（3）方差膨胀因子（VIF）检验：检验模型是否存在多重共线性问题。

5. 结果分析：根据模型检验结果，分析各变量对因变量的影响程度和显著性，得出结论。

五、实验结果与分析1. 拟合优度检验：根据计算结果，R²为0.812，F统计量为30.456，P值为0.000，说明模型整体拟合效果较好。

目录(一) 研究背景 (2)(二) 理论来源 (2)(三) 模型设定 (2)(四) 数据处理 (2)1. 数据来源 (2)2. 解释变量的设置 (3)(五) 先验预期 (3)1.经验预期 (3)2.散点图分析 (3)(六) 参数估计 (4)(七) 显著性检验 (5)(八) 正态性检验 (5)(九) MWD检验 (5)(十) 相关系数 (7)(十一)虚拟变量 (7)(十二)异方差检验、修正 (8)1. 图形检验 (8)2.格莱泽检验 (9)3.帕克检验 (10)4.异方差的修正加权最小二乘法 (10)5.异方差修正后的检验 (11)(十三)自相关检验 (11)1. 图形法 (11)2.德宾-沃森d检验 (12)(十四)最终结果 (12)(一)研究背景中国是一个大国，幅员辽阔，历史上自然地形成了一个极端不平衡发展的格局。

而1978年开始的改革，政府采取了由东向西梯度推进的非均衡发展战略，使已经存在的地区间的差距进一步扩大，不利于整个社会的稳定和发展。

地区发展不平衡问题包括社会发展不平衡，尤其是教育发展的不平衡。

因此关注中国教育发展的地区不平衡性非常迫切。

不仅是因为教育的重要性，还因为当前我国需要进一步推进教育改革的进程，使其朝着更健康的方向发展。

(二)理论来源刘红梅.中国各地区教育发展水平差异的实证分析[J]数理统计与管理.2013.7(三)模型设定⏹Y i=B1+B2X2i+B3X3i+B4X4i+B5X2i 2+B6X4i2+ui⏹Y——地区教育水平，用平均受教育年限表示，（年）⏹X2——学生平均预算内教育经费，（万元/人）⏹X3——人均GDP，（万元/人）⏹X4——平均生师比(四)数据处理1.数据来源：国家统计局官网，选取2014年的数据：1)各省GDP2)各地区总人口3)各地区每十万人拥有的各种受教育程度人口比较数据4)地区在校总学生数5)各地区教育财政投入6)地区每十万总专任教师数2.解释变量的设置：⏹X2=地区预算内教育经费/地区在校总学生数=学生平均预算内教育经费（万元/人）⏹X3=地区总GDP/地区总人口=人均GDP（万元/人）⏹X4=地区每十万人口各级学校平均在校生数的和/地区每十万人口总专任教师数=平均生师比其中：P为各地区每十万人拥有的各种受教育程度人口比较数T为教育年限1，6，9,12,16(五)先验预期1.经验预期：平均受教育年限分别跟学生平均预算内教育经费、人均GDP呈正相关关系，跟平均生师比呈负相关关系。

篇一：计量经济学实验报告 (1)计量经济学实验基于eviews的中国能源消费影响因素分析学院：班级：学号：姓名：基于e views的中国能源消费影响因素分析一、背景资料能源消费是指生产和生活所消耗的能源。

能源消费按人平均的占有量是衡量一个国家经济发展和人民生活水平的重要标志。

能源是支持经济增长的重要物质基础和生产要素。

能源消费量的不断增长，是现代化建设的重要条件。

我国能源工业的迅速发展和改革开放政策的实施，促使能源产品特别是石油作为一种国际性的特殊商品进入世界能源市场。

随着国民经济的发展和人口的增长，我国能源的供需矛盾日益紧张。

同时，煤炭、石油等常规能源的大量使用和核能的发展，又会造成环境的污染和生态平衡的破坏。

可以看出，它不仅是一个重大的技术、经济问题，而且以成为一个严重的政治问题。

在20世纪的最后二十年里，中国国内生产总值（gdp）翻了两番，但是能源消费仅翻了一番，平均的能源消费弹性仅为0.5左右。

然而自2002年进入新一轮的高速增长周期后，中国能源强度却不断上升，经济发展开始频频受到能源瓶颈问题的困扰。

鉴于此，研究能源问题不仅具有必要性和紧迫性，更具有很大的现实意义。

由于我国目前面临的所谓“能源危机”，主要是由于需求过大引起的，而我国作为世界上最大的发展中国家，人口众多，所需能源不可能完全依赖进口，所以，研究能源的需求显得更加重要。

二、影响因素设定根据西方经济学消费需求理论可知，影响消费需求的因素有：商品的价格、消费者收入水平、相关商品的价格、商品供给、消费者偏好以及消费者对商品价格的预期等。

对于相关商品价格的替代效应，我们认为其只存在能源品种内部之间，而消费者偏好及消费者对商品价格的预期数据差别较大，不容易进行搜集整理在此暂不涉及。

另外，发展经济学认为，来自知识、人力资本的积累水平所体现的技术进步不仅可以带动劳动产出的增长，而且会通过外部效应可以提高劳动力、自然资源、物质资本与生产要素的生产效率，消除其中收益递减的内在联系，带来递增的规模收益。

计量经济学实验报告《计量经济学》实验报告一，数据某年中国部分省市城镇居民家庭人均年可支配收入（X）与消费性支出（Y）统计数据二，理论模型的设计解释变量：可支配收入X 被解释变量：消费性支出Y 软件操作：（1）X与Y散点图从散点图可以粗略的看出，随着可支配收入的增加，消费性支出也在增加，大致呈线性关系。

因此，建立一元线性回归模型：1iiiY X ββμ=++（2）对模型做OLS 估计OLS 估计结果为272.36350.7551Y X∧=+011.705732.3869t t ==20.9831.. 1.30171048.912R DW F ===三，模型检验从回归估计结果看，模型拟合较好，可决系数为0.98，表明家庭人均年可消费性支出变化的98.31%可由支配性收入的变化来解释。

t检验:在5%的显著性水平下1β不显著为0，表明可支配收入增加1个单位，消费性支出平均增加0.7551单位。

1，预测现已知2018年人均年可支配收入为20000元，预测消费支出预测值为0272.36350.75512000015374.3635Y=+⨯=E(X)=6222.209，Var(X)=1994.033则在95%的置信度下，E(Y)的预测区间为（874.28,16041.68）2，异方差性检验对于经济发达地区和经济落后地区，消费支出的决定因素不一定相同甚至差异很大。

如经济越落后储蓄率越高，可能出现异方差性问题。

G-Q检验对样本进行处理，X按从大到小排序，去掉中间4个，分为两组数据，128n n==分别回归1615472.0RSS =2126528.3RSS =于是的F 统计量：()()12811 4.86811RSS F RSS --==--在5%的想著想水平下，0.050.05(6,6) 4.28,(6,6)FF F =>，即拒绝无异方差性假设，说明模型存在异方差性。

关于实验报告提交的说明下面8个实验报告每位同学都要交电子稿，全部实验课上完之后两天之内，每位同学建立一个实验报告文件夹，以自己的班级学号姓名命名，压缩之后发我电子邮箱lixiaohui235@实验报告打印稿上交作如下要求：1班单号提交“计量经济学古典线性回归模型实验”、和“计量经济学多重共线性模型实验”两个实验报告；1班双号提交“计量经济学异方差模型实验”和“计量经济学自相关模型实验”两个实验报告；2班单号提交“计量经济学单方程模型综合性实验”实验报告；2班双号提交“计量经济学虚拟变量模型和滞后变量模型实验”实验报告。

实验课程名称：计量经济学实验课程名称：计量经济学实验课程名称：计量经济学实验课程名称：计量经济学实验课程名称：计量经济学实验课程名称：计量经济学南昌航空大学经济管理学院学生实验报告（样例）实验课程名称：计量经济学估计理论模型参数用普通最小二乘法估计，在组窗口：点击Procs→Make Equation，选择估计方法，设定样本区间，图2经济意义和统计检验从经济意义方面检验参数估计值，因为各参数估计值均大于0，与经济理论相符合。

由于此模型含有滞后的内生变量，使DW统计量失效。

运用回归检验法进行检验(也可用杜宾法进行参数估计，得到如下方程：t eˆ=0.927813+0.336571e t-1从以上结果可知，该方程的拟合优度、总体显著性极差，变量的显著性也极差。

说明原模型不存在一阶自相关，同理可检验也不存在二阶以上的自相关。

故原模型不存在自相关。

图6从以上结果可知，变量、方程在显著性水平0.01下均显著，故原模型存在异方差，异方差的形式为。

可采用同方差变换或加权最小二乘法进行修正。

利用判定系数法来检验解释变量之间的共线性，用I t对C t-1进行OLS回归，得到如下结果：可以看出变量显著性和方程的显著性极高，拟合优度也很好，说明变量之间存在共线性。

消除模型的共线性，将原模型变换为：△C t=α1△I t +α2△C t-1+△μt从以上估计结果可以看出，方程总体显著性很好，变量△I t 很显著，但变量△验此方程不存在自相关和异方差，去掉变量△C t-1，即在原理论模型中剔除变量I 为权数，采用加权最小二乘法消除异方差估计模型如下：由以上结果可知，变量、方程均高度显著，但方程存在序列自相关。

实验一一元线性回归模型一、实验目的：了解EViews软件的基本操作对象，掌握软件的基本操作二、实验内容：1、搜集2001-2011年，人均消费和人均gdp数据，构建消费模型，并估计，检验，按照教材例题数据处理过程处理。

表一 2001-2011年人均消费和人均gdp数据年份人均消费人均GDP2001 3611 75432002 3791 81842003 4089 91012004 4552 105612005 5439 140402006 6111 160842007 7081 189342008 8183 226982009 9098 255752010 9968 299922011 12272 351812、下表是中国1978-2000年的财政收入Y和国内生产总值（GDP）的统计资料要求，（1）作出散点图。

建立财政收入随国内生产总值变化的一元线性回归方程，并解释斜率的经济意义；（2）对所建立的回归方程进行检验；（3）若2001年中国国内生产总值为105709亿元，求财政收入的预测值及预测区间。

表二中国1978-2000年的财政收入Y和国内生产总值（GDP）年份Y GDP 年份Y GDP 1978 1132.26 3624.1 1990 2937.1 18547.91979 1146.38 4038.2 1991 3149.48 21617.81980 1159.93 4517.8 1992 3483.37 26638.11981 1175.79 4862.4 1993 4348.95 34634.41982 1212.33 5294.7 1994 5218.1 46759.41983 1366.95 5934.5 1995 6242.2 58478.11984 1642.86 7171 1996 7407.99 67884.61985 2004.82 8964.4 1997 8651.14 74462.61986 2122.01 10202.2 1998 9875.95 78345.21987 2199.35 11962.5 1999 11444.08 82067.51988 2357.24 14928.3 2000 13395.23 89403.61989 2664.9 16909.2三、实验步骤及结果1.1建立工作文件，输入数据在Eviews软件的命令窗口中键入数据输入命令：DATA XF GDP此时将显示一个数组窗口（如所示），即可以输入每个变量的数值图1-1 2001-2011年人均消费和人均gdp数据1.2图形分析借助图形分析可以直观地观察经济变量的变动规律和相关关系，合理地确定模型的数学形式。

计量经济学课程实验报告实验序号2实验名称Eviews的异方差检验与校正实验组别12模拟角色实验地点2教602指导老师刘冬萍实验日期11月29日实验时间16:05——17:45一、实验目的及要求学会使用计量学分析^p 软件Eviews的异方差检验与校正功能。

二、实验环境2教602,经管学院电脑实验室三、实验内容与步骤 ?DATA Y _SORT _1.生成相关图SCAT _ Y根据相关图随着_的增大Y的取值范围不断增大,所以方程存在异方差.2.方程的异方差检验（1）WHITE 检验建立回归模型 LS Y C _ Dependent Variable: Y Method: Least SquaresDate: 11/22/12 Time: 17:06 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C0.8594690.7090571.2121300.2411_0.0363400.0096333.7723930.0014R-squared0.441531Mean dependent var3.100000Adjusted R-squared0.410504S.D.dependent var2.255986S.E.of regression1.732115Akaike info criterion4.031203Sum squared resid54.09Schwarz criterion4.130776Log likelihood-38.31203F-statistic14.23095Durbin-Watson stat2.111232Prob(F-statistic)0.001395进行WHITE 检验White Heteroskedasticity Test: F-statistic6.172459Probability0.009656Obs_R-squared8.413667Probability0.014893Test Equation:Dependent Variable: RESID^2 Method: Least SquaresDate: 11/22/12 Time: 17:07 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C-0.8401623.268547-0.2570450.8002_0.0346910.0966160.3590620.7240_^20.0002590.4703750.6441R-squared0.420683Mean dependent var 2.70020__Adjusted R-squared 0.352528S.D.dependent var5.061699S.E.of regression4.072927Akaike info criterion 5.784082Sum squared resid 282.0085Schwarz criterion5.933442Log likelihood-54.84082F-statistic6.172459Durbin-Watson stat 2.196613Prob(F-statistic)Nr^2=8.413677 因为检验的P=0.014893小于0.05,所以存在异方差.(2) PARK检验LS Y C _Dependent Variable: YMethod: Least SquaresDate: 11/22/12 Time: 17:13Sle: 1 20Included observations: 20VariableCoefficientStd.Errort-StatisticProb.C0.8594690.7090571.2121300.2411_0.0363400.0096333.7723930.0014R-squared0.441531Mean dependent varAdjusted R-squared0.410504S.D.dependent var2.255986S.E.of regression1.732115Akaike info criterion 4.031203Sum squared resid54.09Schwarz criterion4.130776Log likelihood-38.31203F-statistic14.23095Durbin-Watson stat2.111232Prob(F-statistic)0.001395GENR E2=LOG(RESID2) GENR LN_=LOG(_)LS LNE2 C LN_ Dependent Variable: LNE2 Method: Least SquaresDate: 11/22/12 Time: 17:16 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C-7.6927982.272023-3.3858810.0033LN_1.8393580.5713163.2195140.0048R-squared0.365421Mean dependent var-0.465580Adjusted R-squared0.330167S.D.dependent var1.915506S.E.of regression1.567714Akaike info criterion3.831754Sum squared resid44.23911Schwarz criterion3.931327Log likelihood-36.31754F-statistic10.36527Durbin-Watson stat1.937606Prob(F-statistic)0.004754由上图可看出P分别为0.0033 ,0.0048,0.004754都是小概率事件,所以方程是显著的,表明随机误差项的方差随着解释变量的取值不同而不断变化,即存在异方差性.（3）GLEISER检验LS Y C _GENR E=ABS(RESID)eq \o\ac(○,1)GENR _1=_^0.5LS E C _1Dependent Variable: E1Method: Least SquaresDate: 11/28/12 Time: 13:14Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C-1.2504440.637839-1.9604370.0656_10.3265340.0812324.0197750.0008R-squared0.473046Mean dependent var1.192860Adjusted R-squared0.443771S.D.dependent var1.159531S.E.of regression0.864787Akaike info criterion2.641972Sum squared resid13.46141Schwarz criterion2.741545Log likelihood-24.41972F-statistic16.15859Durbin-Watson stat2.047999Prob(F-statistic)0.000804|e1|=-1.250444+0.326534_1^0.5 R^2=0.473046 F=16.15859 P= eq \o\ac(○,2)GENR _2=_^-2LS E C _2Dependent Variable: E Method: Least SquaresDate: 11/28/12 Time: 13:27 Sle: 1 20Included observations: 20 VariableCoefficientStd.t-StatisticProb.C1.6651230.3427744.8577860.0001_2-657.9505338.0359-1.9463920.0674R-squared0.173874Mean dependent var 1.192860Adjusted R-squared 0.127978S.D.dependent var1.159531S.E.of regression1.082794Akaike info criterion 3.091607Sum squared residSchwarz criterion3.191180Log likelihood-28.91607F-statistic3.788442Durbin-Watson stat1.454864Prob(F-statistic)0.067388|e2|=1.665123-657.9505_^-2R^2=0.173874 F=3.788442 P= eq \o\ac(○,3)GENR _3=_^2LS E C _3Dependent Variable: E Method: Least SquaresDate: 11/28/12 Time: 13:32 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C0.5805350.2376322.4430010.0251_30.0001132.67E-054.2339310.0005R-squared0.498972Mean dependent var 1.192860Adjusted R-squared 0.471138S.D.dependent var1.159531S.E.of regression0.843245Akaike info criterion 2.591520Sum squared resid 12.79911Schwarz criterion2.691093Log likelihood-23.91520F-statistic17.92617Durbin-Watson stat2.064289Prob(F-statistic)0.000499|e3|=0.580535+0.000113_4^2R^2=0.498972 F=17.92617 P=0.000499 eq \o\ac(○,4)GENR _4=_^-0,5LS E C _4Dependent Variable: EMethod: Least SquaresDate: 11/28/12 Time: 13:36Sle: 1 20Included observations: 20VariableCoefficientStd.Errort-StatisticProb.C3.4730600.7618054.5589870.0002_4-15.53960-3.1195030.0059R-squared0.350914Mean dependent var 1.192860Adjusted R-squared 0.314854S.D.dependent var1.159531S.E.of regression0.959785Akaike info criterion 2.850424Sum squared resid 16.58137Schwarz criterion2.949998Log likelihood-26.50424F-statistic9.731299Durbin-Watson stat 1.759756Prob(F-statistic)|e4|=3.473060-15.53960 _^-0.5 R^2=0.350914 F=9.731299 P= eq \o\ac(○,5)GENR _5=_^-1LS E C _5Dependent Variable: E Method: Least SquaresDate: 11/28/12 Time: 13:45 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C2.2657780.4628754.8950140.0001_5-45.8762517.27699-2.6553390.0161R-squared0.281461Mean dependent var1.192860Adjusted R-squared0.241542S.D.dependent var1.159531S.E.of regression1.009829Akaike info criterion2.952079Sum squared resid18.35560Schwarz criterion3.051653Log likelihood-27.52079F-statistic7.050824Durbin-Watson stat1.627325Prob(F-statistic)0.016106|e5|=2.265778-45.87625_^-1R^2=0.281461 F=7.050824 P=0.016106由以上的五个方程表明，利润函数存在异方差性（只要取显著水平a大于0.067388）3.WLS方法估计利润函数(1)利用最小二乘法估计模型LS Y C _Dependent Variable: Y Method: Least SquaresDate: 11/28/12 Time: 12:40 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C0.8594690.7090571.2121300.2411_0.0363400.0096333.7723930.0014R-squared0.441531Mean dependent var3.100000Adjusted R-squared0.410504S.D.dependent var2.255986S.E.of regression1.732115Akaike info criterion4.031203Sum squared resid54.09Schwarz criterion4.130776Log likelihood-38.31203F-statistic14.23095Durbin-Watson stat2.111232Prob(F-statistic)0.001395得到:y^=0.859469+0.036340_ R^2=0.441531 (0.0014)T=(1.212130) (3.772393 )(2)生成权数变量：根据帕克检验得到：Ls y c _Genr lne2=log(resid^2)Genr ln_=log(_)Ls lne2 c ln_Dependent Variable: LNE2 Method: Least SquaresDate: 11/28/12 Time: 12:56 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C-7.6927982.272023-3.3858810.0033LN_1.8393580.5713163.2195140.0048R-squared0.365421Mean dependent var-0.465580Adjusted R-squared0.330167S.D.dependent var1.915506S.E.of regression1.567714Akaike info criterion3.831754Sum squared resid44.23911Schwarz criterion3.931327Log likelihood-36.31754F-statistic10.36527Durbin-Watson stat1.937606Prob(F-statistic)0.004754LNEi^2=--7.692798+1.839358LN_ R^2=0.365421 进行戈里瑟检验LS Y C _GENR E=ABS(RESID)eq \o\ac(○,1)GENR _1=_^0.5LS E C _1Dependent Variable: E1 Method: Least SquaresDate: 11/28/12 Time: 13:14 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C-1.2504440.637839-1.9604370.0656_10.3265340.0812324.0197750.0008R-squared0.473046Mean dependent var1.192860Adjusted R-squared0.443771S.D.dependent var1.159531S.E.of regression0.864787Akaike info criterion2.641972Sum squared resid13.46141Schwarz criterion2.741545Log likelihood-24.41972F-statistic16.15859Durbin-Watson stat2.047999Prob(F-statistic)0.000804|e1|=-1.250444+0.326534_1^0.5 R^2=0.473046 F=16.15859 P= eq \o\ac(○,2)GENR _2=_^-2LS E C _2Dependent Variable: E Method: Least SquaresDate: 11/28/12 Time: 13:27 Sle: 1 20Included observations: 20Variable CoefficientStd.Errort-StatisticProb.C1.6651230.3427744.8577860.0001_2-657.9505338.0359-1.9463920.0674R-squared0.173874Mean dependent var 1.192860Adjusted R-squared 0.127978S.D.dependent var1.159531S.E.of regression1.082794Akaike info criterion3.091607Sum squared resid21.18Schwarz criterion3.191180Log likelihood-28.91607F-statistic3.788442Durbin-Watson stat1.454864Prob(F-statistic)0.067388|e2|=1.665123-657.9505_^-2R^2=0.173874 F=3.788442 P= eq \o\ac(○,3)GENR _3=_^2LS E C _3Dependent Variable: E Method: Least SquaresDate: 11/28/12 Time: 13:32 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C0.5805350.2376322.4430010.0251_30.0001132.67E-054.2339310.0005R-squared0.498972Mean dependent var 1.192860Adjusted R-squared 0.471138S.D.dependent var1.159531S.E.of regression0.843245Akaike info criterion 2.591520Sum squared resid 12.79911Schwarz criterionLog likelihood-23.91520F-statistic17.92617Durbin-Watson stat2.064289Prob(F-statistic)0.000499|e3|=0.580535+0.000113_4^2R^2=0.498972 F=17.92617 P=0.000499 eq \o\ac(○,4)GENR _4=_^-0,5LS E C _4Dependent Variable: EMethod: Least SquaresDate: 11/28/12 Time: 13:36Sle: 1 20Included observations: 20VariableCoefficientStd.Errort-StatisticProb.C3.4730600.7618054.558987_4-15.539604.981434-3.1195030.0059R-squared0.350914Mean dependent var 1.192860Adjusted R-squared 0.314854S.D.dependent var1.159531S.E.of regression0.959785Akaike info criterion 2.850424Sum squared resid 16.58137Schwarz criterion2.949998Log likelihood-26.50424F-statistic9.731299Durbin-Watson stat1.759756Prob(F-statistic)0.005921|e4|=3.473060-15.53960 _^-0.5 R^2=0.350914 F=9.731299 P= eq \o\ac(○,5)GENR _5=_^-1LS E C _5Dependent Variable: E Method: Least SquaresDate: 11/28/12 Time: 13:45 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C2.2657780.4628754.8950140.0001_5-45.8762517.27699-2.6553390.0161R-squared0.281461Mean dependent var1.192860Adjusted R-squared0.241542S.D.dependent var1.159531S.E.of regression1.009829Akaike info criterion2.952079Sum squared resid18.35560Schwarz criterion3.051653Log likelihood-27.52079F-statistic7.050824Durbin-Watson stat1.627325Prob(F-statistic)0.016106|e5|=2.265778-45.87625_^-1R^2=0.281461 F=7.050824 P=由上可得在戈里瑟检验里最显著的是：|e3|=0.580535+0.000113_4^2 R^2=0.498972 F=17.92617 P=所以取权数变量为 : GENR W1=1/_^1.839358GENR W2=_^2另外取：GENR W3=1/ABS(RESID)GENR W4=1/RESID^2（3）利用最小二乘法估计模型：模型一LS(W=W1) Y C _Dependent Variable: YMethod: Least SquaresDate: 11/28/12 Time: 14:00Sle: 1 20Included observations: 20Weighting series: W1VariableCoefficientStd.Errort-StatisticProb.C-0.6259810.318225-1.9671030.0648_0.0116496.1001610.0000Weighted Statistics R-squared0.573253Mean dependent var 1.734420Adjusted R-squared 0.549545S.D.dependent var0.940124S.E.of regression0.630973Akaike info criterion 2.011533Sum squared resid7.166292Schwarz criterion2.06Log likelihood-18.11533F-statistic24.17958Durbin-Watson statProb(F-statistic)0.000111Unweighted StatisticsR-squared-0.050320Mean dependent var3.100000Adjusted R-squared-0.108671S.D.dependent var2.255986S.E.of regression2.375406Sum squared resid.5659Durbin-Watson stat1.104724怀特检验的结果是White Heteroskedasticity Test: F-statistic0.986667Probability0.393Obs_R-squared2.080114Probability0.353435Test Equation:Dependent Variable: STD_RESID^2 Method: Least SquaresDate: 11/28/12 Time: 14:36 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C0.8994860.4380022.0536110.0557_-0.0146130.012947-1.1286980.2747_^26.64E-057.37E-050.9011740.3801R-squared0.104006Mean dependent var0.358315Adjusted R-squared-0.001405S.D.dependent var0.545410S.E.of regression0.545793Akaike info criterion1.764328Sum squared resid5.064137Schwarz criterion1.913688Log likelihood-14.64328F-statistic0.986667Durbin-Watson stat2.743143Prob(F-statistic)0.393得到估计结果Y^=-0.625981+0.071060_(0.318225) (6.100161)R^2=0.573253 NR^2=2.080114 P=0.393 模型二LS(W=W2) Y C _Dependent Variable: YMethod: Least SquaresDate: 11/28/12 Time: 14:12Sle: 1 20Included observations: 20Weighting series: W2VariableCoefficientStd.Errort-StatisticProb.C4.3789433.2559741.3448950.1954_0.0060140.0227010.2649070.7941Weighted StatisticsR-squared0.702288Mean dependent var 4.737844Adjusted R-squared 0.685748S.D.dependent var8.767922S.E.of regression4.915135Akaike info criterion 6.117155Sum squared resid 434.8540Schwarz criterion6.216728Log likelihood-59.17155F-statistic42.46109Durbin-Watson stat 2.705915Prob(F-statistic)0.000004Unweighted Statistics R-squared-0.428848Mean dependent var3.100000Adjusted R-squared-0.508229S.D.dependent var2.255986S.E.of regression2.770576Sum squared resid138.1696Durbin-Watson stat0.87进行怀特检验的结果是White Heteroskedasticity Test: F-statistic46.95441Probability0.000000Obs_R-squared16.93442Probability0.000210Test Equation:Dependent Variable: STD_RESID^2 Method: Least SquaresDate: 11/28/12 Time: 14:39 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C36.1706519.848121.8223720.0860_-1.6942460.586696-2.8877740.0102_^20.0166170.0033394.9760240.0001R-squared0.846721Mean dependent var21.74270Adjusted R-squared0.828688S.D.dependent var59.75546S.E.of regression24.73269Akaike info criterion9.391610Sum squared resid19.00Schwarz criterion9.540970Log likelihood-90.91610F-statistic46.95441Durbin-Watson stat2.837461Prob(F-statistic)0.000000得到结果是：Y^=4.378943+0.006014_(3.255974) (0.022701)R^2=0.702288 NR^2=16.93442 P=0.00000 模型三LS(W=W3) Y C _Dependent Variable: YMethod: Least SquaresDate: 11/28/12 Time: 14:19Sle: 1 20Included observations: 20 Weighting series: W3 VariableCoefficientStd.Errort-StatisticProb.C0.7076590.2082663.3978670.0032_0.0387920.0053887.20__1690.0000Weighted StatisticsR-squared0.945796Mean dependent var2.344549Adjusted R-squared0.942785S.D.dependent var2.209824S.E.of regression0.528582Akaike info criterion 1.657402Sum squared resid5.029181Schwarz criterion1.756975Log likelihood-14.57402F-statistic314.0812Durbin-Watson stat 1.849162Prob(F-statistic)0.000000Unweighted Statistics R-squared0.439521Mean dependent var 3.100000Adjusted R-squared 0.408383S.D.dependent var2.255986S.E.of regression1.735229Sum squared resid54.19836Durbin-Watson stat2.097049进行怀特检验得White Heteroskedasticity Test: F-statistic0.494755Probability0.618232Obs_R-squared1.100097Probability0.576922Test Equation:Dependent Variable: STD_RESID^2 Method: Least SquaresDate: 11/28/12 Time: 14:40 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C0.1819650.0821532.2149610.0407_0.0050.0024280.7558340.4601_^2-8.06E-061.38E-05-0.5831500.5674R-squared0.055005Mean dependent var 0.251459Adjusted R-squared-0.056171S.D.dependent var0.099611S.E.of regression0.102370Akaike info criterion-1.582959Sum squared resid0.178155Schwarz criterion-1.433599Log likelihood18.82959F-statistic0.494755Durbin-Watson stat2.096222Prob(F-statistic)0.618232Y^=0.707659+0.038792_(0.208266) (0.005388)R^2=0.945796 NR^2=1.100097 P=0.618232 模型四 LS(W=W4) Y C _Dependent Variable: YMethod: Least SquaresDate: 11/28/12 Time: 14:24Sle: 1 20Included observations: 20Weighting series: W4VariableCoefficientStd.Errort-StatisticProb.C0.5918930.1283534.6114400.0002_0.0429390.00409310.490560.0000Weighted Statistics R-squared0.994979Mean dependent var 2.087552Adjusted R-squared 0.994700S.D.dependent var4.277070S.E.of regression0.311364Akaike info criterion 0.598931Sum squared resid1.745056Schwarz criterion0.698505Log likelihood-3.989313F-statistic3567.168Durbin-Watson stat 2.173306Prob(F-statistic)0.000000Unweighted Statistics R-squared0.422958Mean dependent var 3.100000Adjusted R-squared 0.390900S.D.dependent var2.255986S.E.of regression1.760681Sum squared resid 55.79997Durbin-Watson stat 2.027424进行怀特检验的结果是White Heteroskedasticity Test: F-statistic0.851707Probability0.444108Obs_R-squared1.821500Probability0.402222Test Equation:Dependent Variable: STD_RESID^2 Method: Least SquaresDate: 11/28/12 Time: 14:42 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C0.2750730.1762821.5604170.1371_-0.0048390.005211-0.9285840.3661_^22.04E-052.97E-050.6876810.5009R-squared0.091075Mean dependent var 0.087253Adjusted R-squared-0.015857S.D.dependent var0.217943S.E.of regression0.219664Akaike info criterion -0.055951Sum squared resid0.820291Schwarz criterion0.093409Log likelihood3.559512。

计量经济学实验报告
标题：基于地区人民收入与犯罪率的实证分析
摘要：
本实验报告旨在使用计量经济学方法对地区的人民收入与犯罪率之间的关系进行实证分析。

通过收集该地区多年的相关数据，并建立合适的计量模型，我们得出了以下结论：在控制其他因素的情况下，人民收入对犯罪率具有显著的负向影响。

这一研究结果对相关当局在制定犯罪预防政策时具有重要的指导意义。

1.引言
犯罪问题一直是社会关注的焦点。

了解犯罪率的影响因素对改善社会治安具有重要的意义。

本实验以地区为例，通过实证分析人民收入对犯罪率的影响，希望为相关当局提供制定犯罪预防政策的参考。

实验报告课程名称：计量经济学实验项目：我国国内资金利用研究学生姓名：曾健超学号：200973250131班级：0901班专业：国际经济与贸易指导教师：刘潭秋2011 年 06 月计量经济学实验报告实验时间：2011年6月24日实验地点：一教10楼实验目的：使用Eviews软件，将多元线性回归模型的理论和方法应用于我国的资金来源的研究分析。

实验原理：改革开放以来，我们国家经济持续显著的增长，经济发展一片大好。

经济的持续快速增长需要资本的不断注入，所以我对我们国家的近15年的资金利用做了一个研究。

随着资金的源源不断的涌入，我们国家的资金构成大致分成五个部分，国家预算内资金，国内贷款，利用外资，自筹资金和其他资金。

这五个部分基本上构成了我国资金来源的全部，我选取了改革开放30年来中的15个年份，具有一定的代表性。

资金是经济发展的血液，对我国的资金来源的构成做一个研究十分必要。

在这个实验中，选取国家预算内资金为被解释变量Y，解释变量为国内贷款X1利用外资X2，自筹资金X3，其他资金X4，对我国的资金利用的各部分之间的关系做一个细致的研究。

一、计量经济学模型：根据变量之间的关系，我们假定回归模型为：Y=β0+β1X1+β2X2+β3X3+β4X4+Ｕ其中Y表示我国的国家内预算资金，X1、X2、X3、X4分别代表国内贷款，利用外资，自筹资金，其他资金， 0表示在不变的情况下，资金利用的固定部分，β1β2、β3、β4、分别代表我国资金利用的各部分的权数，U 代表随机误差项。

由式子可知，我国资金利用的后面四个部分每增长1个百分点，国家预算内资金会如何变化。

二、验证方法选择：多元线性计量经济学模型的初步估计与分析、异方差检验、序列相关检验、多重共线性检验三、实验步骤：1、基本假设：设国家预算内资金为被解释变量Y，解释变量为国内贷款X1，国外资金X2，自筹资金X3，其他资金X4，Ｕ是随机干扰项，代表所有的影响因素。