下载文档原格式
基于EVIEWS软件下的多元线性回归分析基于EVIEWS软件下的多元线性回归分析1. 引言多元线性回归分析是统计学中常用的一种方法，用于探究多个自变量对于因变量的影响程度和相关关系。
EVIEWS是一款常用的计量经济学软件，提供了多元线性回归模型的分析工具，具有高度的可视化和分析能力。
本文将利用EVIEWS软件，进行多元线性回归分析，探究自变量与因变量之间的关系。
2. 方法2.1 数据收集本研究收集了一份包含多个自变量和一个因变量的数据集。
自变量可以是各种影响因素，如年龄、性别、教育程度等，而因变量可以是根据自变量变化而得出的某种结果，如收入、消费水平等。
通过EVIEWS软件导入并编辑数据，确保数据的准确性和完整性。
2.2 模型构建在EVIEWS软件中，选择合适的多元线性回归模型。
首先，根据研究目的和现实情况，选择一个因变量和多个自变量，并进行变量选择和变量处理。
然后，在EVIEWS软件中建立多元线性回归模型，将因变量作为依变量，自变量作为自变量。
2.3 模型分析进行多元线性回归分析后，EVIEWS软件将给出模型的各项统计指标，包括回归系数、截距项、方差分析表等，并进行显著性检验，以判断自变量的影响是否显著。
此外，EVIEWS软件还能够提供模型残差的分析结果，用于检验模型的合理性和适用性。
3. 结果与讨论将多元线性回归模型的结果进行解读。
回归系数表示了自变量单位变化对因变量的变化程度。
通过检验回归系数的显著性水平，可以判断自变量的影响是否具有统计学意义。
方差分析表则能够提供模型的拟合程度，判断模型是否能够解释因变量的变异情况。
在讨论中，可以分析模型结果是否符合研究假设，自变量与因变量之间的关系是否与预期一致。
如果模型结果不如预期，可以进一步分析可能的原因，并考虑是否需要增加或调整自变量，以提高模型的解释力。
4. 结论本文利用EVIEWS软件进行了多元线性回归分析，通过分析回归系数、方差分析表等结果，探究了自变量与因变量之间的关系。
经济学计量方法回归分析与时间序列计量经济学是运用数理统计学方法研究经济现象的一门学科。
在计量经济学中，回归分析和时间序列分析是两种常用的方法。
回归分析用于研究变量之间的关系，而时间序列分析则主要用于分析时间上的变动和趋势。
本文将介绍经济学计量方法中的回归分析与时间序列分析，并说明它们的应用和意义。
一、回归分析回归分析是研究因变量与自变量之间函数关系的一种方法。
在经济学中，回归分析常常用于分析经济变量之间的关系。
回归分析的基本模型可以表示为：Y = β0 + β1X1 + β2X2 + ... + βkXk + ε其中，Y表示因变量，X1、X2、...、Xk表示自变量，ε表示误差项。
β0、β1、β2、...、βk分别表示回归方程的截距和斜率系数。
回归分析中的关键问题是如何确定回归方程的系数。
常用的方法包括最小二乘估计法和最大似然估计法。
最小二乘估计法是指通过最小化残差平方和来确定回归方程的系数。
最大似然估计法则是通过找到最大化似然函数的方法来确定回归方程的系数。
回归分析的应用非常广泛。
它可以用于预测变量的取值，评估政策的效果，解释变量之间的关系等。
例如，在经济学中，回归分析常用于研究收入与教育程度之间的关系、通胀与利率之间的关系等。
二、时间序列分析时间序列分析是研究时间上的变动和趋势的一种方法。
在经济学中，时间序列分析常用于分析经济变量随时间变化的规律。
时间序列数据是按照时间顺序排列的一组数据，例如某个经济变量在不同时间点的取值。
时间序列分析的基本模型可以表示为：Yt = μ + αt + β1Yt-1 + β2Yt-2 + ... + βkYt-k + εt其中，Yt表示时间t的观测值，μ表示整体的平均水平，αt表示时间t的随机波动，Yt-1、Yt-2、...、Yt-k表示时间t之前的观测值，β1、β2、...、βk表示滞后系数，εt表示误差项。
时间序列分析中的关键问题是如何确定滞后阶数和滞后系数。
计量经济学中的回归分析方法计量经济学是经济学中的一个重要分支，它主要是利用经济数据来进行定量分析。
而对于计量经济学来说，最重要的方法之一就是回归分析。
回归分析方法可以用来寻找变量之间的关系，进而预测未来的趋势和结果。
本文将介绍回归分析方法的基本原理及其在计量经济学中的应用。
回归分析的基本原理回归分析是一种利用数据来寻找变量之间关系的方法，其核心原理是利用多元线性回归模型。
多元线性回归模型可以描述多个自变量与一个因变量之间的关系，如下所示：Y = β0 + β1X1 + β2X2 + … + βkXk + ε其中，Y表示因变量，即需要预测的变量；X1、X2、 (X)表示自变量，即可以通过对它们的变化来预测Y的变化；β0、β1、β2、…、βk表示模型中的系数，它们可以反映每个自变量对因变量的影响；ε表示误差项，即预测结果与真实值之间的差异。
利用回归分析方法，我们可以通过最小化误差项来得到最佳的系数估计值，从而建立一个能够准确预测未来趋势和结果的模型。
回归分析的应用在计量经济学中，回归分析被广泛应用于各个领域。
下面我们以宏观经济学和微观经济学为例，来介绍回归分析在计量经济学中的具体应用。
1. 宏观经济学：用回归分析预测国内生产总值（GDP）国内生产总值是一个国家经济发展的重要指标，因此预测GDP 的变化是宏观经济学研究的重点之一。
在这个领域，回归分析可以用来寻找各种经济因素与GDP之间的关系，进而通过对这些因素的预测来预测GDP的变化。
例如，我们可以通过回归分析来确定投资、消费、进出口等因素与GDP之间的关系，进而利用这些关系来预测未来的GDP变化。
2. 微观经济学：用回归分析估算价格弹性在微观经济学中，回归分析可以用来估算价格弹性。
价格弹性可以衡量消费者对价格变化的敏感度，其计算公式为：价格弹性= %Δ数量÷ %Δ价格例如，如果价格变化1%，相应数量变化1.5%，那么价格弹性就是1.5 ÷ 1 = 1.5。
回归分析方法
回归分析是统计学中一种重要的数据分析方法，它用于研究自
变量和因变量之间的关系。
回归分析方法可以帮助我们预测和解释
变量之间的关系，从而更好地理解数据的特征和趋势。
在本文中，
我们将介绍回归分析的基本概念、常见的回归模型以及如何进行回
归分析。
首先，回归分析的基本概念包括自变量和因变量。
自变量是研
究者可以控制或观察到的变量，而因变量是研究者希望预测或解释
的变量。
回归分析旨在通过自变量的变化来预测或解释因变量的变化，从而揭示它们之间的关系。
常见的回归模型包括线性回归、多元线性回归、逻辑回归等。
线性回归是最简单的回归模型之一，它假设自变量和因变量之间的
关系是线性的。
多元线性回归则允许多个自变量对因变量产生影响，逻辑回归则用于因变量是二元变量的情况，例如成功与失败、生存
与死亡等。
进行回归分析时，我们需要收集数据、建立模型、进行拟合和
检验模型的拟合优度。
在收集数据时，我们需要确保数据的质量和
完整性，避免因为数据缺失或异常值而影响分析结果。
建立模型时，我们需要选择合适的自变量和因变量，并根据实际情况选择合适的
回归模型。
进行拟合和检验模型的拟合优度时，我们需要根据实际
情况选择合适的统计指标和方法，例如残差分析、R方值等。
总之，回归分析方法是一种重要的数据分析方法，它可以帮助
我们预测和解释变量之间的关系。
通过本文的介绍，相信读者对回
归分析有了更深入的了解，希望能够在实际工作中灵活运用回归分
析方法，为决策提供更可靠的依据。
EVIEWS回归结果的理解在经济学和统计学中，回归分析是一种常用的方法，用于研究变量之间的关系。
EVIEWS是一款常用的计量经济学软件，通过进行回归分析，可以得到一系列统计结果。
本文将介绍EVIEWS回归结果的理解，并解释这些结果对研究的意义和解释。
一、回归方程在进行回归分析后，EVIEWS将给出一个回归方程。
回归方程表示了自变量与因变量之间的关系。
通常，回归方程的形式为：Y = β0 + β1X1 + β2X2 + ... + βkXk + ε其中，Y代表因变量，X1、X2、...、Xk代表自变量，β0、β1、β2、...、βk代表回归系数，ε代表误差项。
回归系数可以理解为自变量对因变量的影响程度，而误差项表示了模型无法解释的部分。
二、回归系数的解释EVIEWS给出的回归结果中，包含了回归方程中自变量的回归系数。
这些回归系数可以帮助我们理解自变量对因变量的影响。
回归系数的正负值表示变量间的正相关或负相关关系，绝对值大小表示相关关系的强弱程度。
需要注意的是，回归系数的统计显著性非常重要。
EVIEWS会给出回归系数的t值和p值，用于判断回归系数是否显著。
如果p值小于设定的显著性水平（通常为0.05），则认为回归系数是显著的，即表明自变量对因变量的影响是存在的。
三、决定系数（R-squared）在EVIEWS回归结果中，还会给出一个被称为决定系数的统计量，用于衡量回归模型对因变量的解释程度。
决定系数的取值范围在0到1之间，越接近1表示回归模型对因变量的解释能力越强。
需要注意的是，决定系数并不代表回归模型的好坏。
一个决定系数较高的回归模型并不一定是更好的模型，因为决定系数受到样本大小、变量选择等多个因素的影响。
因此，在解读决定系数时，需要结合实际问题和模型的适用性进行综合评估。
四、残差分析在EVIEWS回归结果中，还会给出一系列统计指标，用于评估回归模型的拟合优度和模型的合理性。
其中，残差是一项重要指标。
经济计量学中的回归分析在经济学领域中，回归分析是一种常用的统计分析方法，它通过对相关变量之间的关系进行建模和预测，为经济计量学的研究提供了重要的工具。
回归分析主要用于探索和解释变量之间的因果关系，并在实践应用中被广泛运用于经济预测、政策评估和决策支持等领域。
一、回归分析的基本原理回归分析的基本原理是建立一个数学模型，以解释或预测因变量与一个或多个自变量之间的关系。
在回归分析中，因变量是我们希望解释或预测的变量，而自变量则是我们认为可能对因变量产生影响的变量。
通过收集足够的样本数据，可以利用统计方法来估计模型中的参数，并对其进行推断和预测。
在回归分析中，最常见的模型是线性回归模型。
线性回归模型假设因变量与自变量之间存在线性关系，即因变量的期望值能够通过自变量的线性组合来解释。
线性回归模型可以表示为：Y = β0 + β1*X1 + β2*X2 + ... + βn*Xn + ε其中，Y表示因变量，Xi表示自变量，βi表示模型的参数，ε表示误差项。
模型的目标是通过最小化误差项来寻找最佳的参数估计，以使得模型对样本数据的拟合最优。
二、回归分析的应用领域回归分析作为经济计量学中的核心方法之一，被广泛应用于多个领域。
以下是一些常见的回归分析应用：1. 经济预测：回归分析可以通过分析历史数据和相关变量之间的关系，进行经济趋势的预测。
例如，通过建立GDP与消费支出、投资、出口等指标的回归模型，可以对未来经济增长进行预测和预测。
2. 政策评估：回归分析可以用于评估政策的效果和影响。
例如，政府实施一项新的税收政策，可以通过回归分析来评估该政策对经济增长、就业率等指标的影响。
3. 市场分析：回归分析可以用于分析市场需求和供给之间的关系，为企业的定价和营销策略提供决策支持。
例如，通过回归分析可以估计价格对产品需求的弹性，以确定最佳的价格策略。
4. 金融风险管理：回归分析在金融领域具有重要的应用价值。
例如，通过回归分析可以预测证券价格的变动、评估投资组合的风险、分析利率对股票市场的影响等。
掌握常用计量软件实证分析方法介绍常用计量软件：1. Stata：Stata是社会科学研究中最常用的统计分析软件之一、它提供了丰富的统计和图表功能，并支持多种数据分析方法，包括回归分析、面板数据分析、生存分析、聚类分析等。
Stata通过命令行和菜单两种方式进行操作，用户可以根据自己的需求选择适合的方式进行分析。
2.R：R是一种开源的统计软件，广泛应用于各个领域的数据分析和建模。
它提供了丰富的函数和包，用户可以使用这些函数和包进行各种统计分析和可视化操作。
R的优势在于其灵活性和开放性，用户可以根据自己的需求自定义函数和包，满足特定分析要求。
3. Python：Python是一种通用编程语言，也可以用于数据分析和建模。
Python通过各种包提供了丰富的数据处理、统计分析和可视化功能。
其中，NumPy和Pandas是用于数据处理的重要包，SciPy可以用于数值计算和统计分析，Matplotlib和Seaborn可以用于数据可视化。
实证分析方法介绍：1.回归分析：回归分析是一种常用的实证分析方法，用于研究自变量与因变量之间的关系。
它通过建立数学模型，通过拟合模型中自变量的值来预测因变量的值。
回归分析可以分为一元回归和多元回归，在多元回归中，可以考虑多个自变量对因变量的影响。
2.面板数据分析：面板数据是指在一段时间内对同一组体进行多次观测得到的数据。
面板数据分析可以用于研究时间序列和横截面数据的关系，以及时间序列和横截面的混合数据。
常用的面板数据分析方法包括固定效应模型和随机效应模型。
3.差异法：差异法是一种常用的实证研究方法，用于比较不同组之间的差异。
差异法可以用来研究不同地区、不同时间段、不同处理组和对照组之间的差异，并评估因果关系。
常用的差异法包括配对差异法、断点回归设计和差分法。
4. 生存分析：生存分析是一种用于研究时间尺度下事件发生的概率和时间的分析方法。
它广泛应用于医学、社会科学和经济学等领域。
计量经济学回归分析模型计量经济学是经济学中的一个分支，通过运用数理统计和经济理论的工具，研究经济现象。
其中回归分析模型是计量经济学中最为常见的分析方法之一、回归分析模型主要用于确定自变量与因变量之间的关系，并通过统计推断来解释这种关系。
回归分析模型中的关系可以是线性的，也可以是非线性的。
线性回归模型是回归分析中最为常见和基础的模型。
它可以表示为:Y=β0+β1X1+β2X2+...+βkXk+ε其中，Y代表因变量，X1,X2,...,Xk代表自变量，β0,β1,β2,...,βk代表回归系数，ε代表随机误差项。
回归模型的核心是确定回归系数。
通过最小二乘法估计回归系数，使得预测值与实际观测值之间的差异最小化。
最小二乘法通过使得误差的平方和最小化来估计回归系数。
通过对数据进行拟合，我们可以得到回归系数的估计值。
回归分析模型的应用范围非常广泛。
它可以用于解释和预测经济现象，比如价格与需求的关系、生产力与劳动力的关系等。
此外，回归分析模型还可以用于政策评估和决策制定。
通过分析回归系数的显著性，可以判断自变量对因变量的影响程度，并进行政策建议和决策制定。
在实施回归分析模型时，有几个重要的假设需要满足。
首先，线性回归模型要求因变量和自变量之间存在线性关系。
其次，回归模型要求自变量之间不存在多重共线性，即自变量之间没有高度相关性。
此外，回归模型要求误差项具有同方差性和独立性。
在解释回归分析模型的结果时，可以通过回归系数的显著性来判断自变量对因变量的影响程度。
显著性水平一般为0.05或0.01，如果回归系数的p值小于显著性水平，则说明该自变量对因变量具有显著影响。
此外，还可以通过确定系数R^2来评估模型的拟合程度。
R^2可以解释因变量变异的百分比，值越接近1，说明模型的拟合程度越好。
总之，回归分析模型是计量经济学中非常重要的工具之一、它通过分析自变量和因变量之间的关系，能够解释经济现象和预测未来走势。
在应用回归分析模型时，需要满足一定的假设条件，并通过回归系数和拟合优度来解释结果。
常见计量经济软件的回归分析方法研究Eviews是当今世界上最流行的计量经济学软件之一，下面是为大家搜集的一篇探究计量经济软件回归分析方法研究的论文范文，欢迎阅读借鉴。
内容摘要：回归分析方法是数量统计中常用的一种方法。
本文首先简要介绍了Eviews、Excel、spss这三种计量经济软件，然后通过实例，分别用这三种软件进行回归并进行分析比较。
关键词：计量经济软件;回归分析1 Eviews、Excel、spss的简介1.1 Eviews简介Eviews是美国QMS公司于1981年发行的第1版的MicroTSP的Windows版本，通常称为计量经济学软件包，是当今世界上最流行的计量经济学软件之一。
它的本意是对 * 关系与经济活动的数量规律，采用计量经济学方法与技术进行“观察”。
计量经济学研究的核心是设计模型、收集资料、估计模型、检验模型、运用模型进行预测、求解模型和运用模型。
Eviews是完成上述任务得力的必不可少的工具。
Eviews 拥有数据处理、作图、统计分析、建模分析、预测和模拟六大类功能，可应用于科学计算中的数据分析与评估、财务分析、宏观经济分析与预测、模拟、销售预测和成本分析等。
正是由于Eviews 等计量经济学软件包的出现，使计量经济学取得了长足的进步，发展成为实用与严谨的经济学科。
Eviews 除了可以应用于经济领域，还可以应用于金融、保险、管理、商务等领域。
Eviews中的数据处理、作图、统计分析功能以及伯克斯3杰廷斯的时间序列建模方法等则可以适用于自然科学、社会科学、人文科学中的各个领域。
所以，Eviews 软件适用范围广泛。
1.2 Spss简介Spss———社会科学统计软件包是世界最着名的统计分析软件之一。
该软件包理论严谨，各种统计分析功能齐全，其内容覆盖了从描述统计、探索性数据分析到多元分析的几乎所有统计分析功能，目前已经在国内逐渐流行起来。
Spss的基本功能包括数据管理、统计分析、图表分析、输出管理等等。
Spss统计分析过程包括描述性统计、均值比较、一般线性模型、相关分析、回归分析、对数线性模型、聚类分析、数据简化、生存分析、时间序列分析、多重响应等几大类，每类中又分好几个统计过程，比如回归分析中又分线性回归分析、曲线估计、Logistic回归、probit 回归、加权估计、两阶段最小二乘法、非线性回归等多个统计过程，而且每个过程中又允许用户选择不同的方法及参数。
Spss也有专门的绘图系统，可以根据数据绘制各种图形。
Spss for Windows的分析结果清晰、直观、易学易用，而且可以直接读取EXCEL及DBF数据文件，它使用Windows的窗口方式展示各种管理和分析数据方法的功能，使用对话框展示出各种功能选择项，只要掌握一定的Windows操作技能，粗通统计分析原理，就可以使用该软件为特定的科研工作服务。
由于其操作简单，已经在我国的社会科学、自然科学的各个领域发挥了巨大作用。
该软件还可以应用于经济学、生物学、心理学、医疗卫生、体育、农业、林业、商业、金融等各个领域。
1.3 EXCEL简介EXCEL是微软公司OFFICE软件产品的一个很重要的组成部分，是一个性能优越的电子制表软件，并且支持较强的数据分析、图表绘制、宏命令、VBA 编程及决策支持分析功能。
EXCEL能够绘制出多种样式的平面图形和立体图形，曲线平滑质量较高，并能实现图、文、表混排，排出图文并茂，艳丽多彩的数据分析报表。
同时，EXCEL, 提供了一组数据分析工具，称为“分析工具库”，在建立复杂统计或工程分析时可以节省步骤。
只需为每一个分析工具提供必要的数据和参数,该工具就会使用适宜的统计或工程函数，在输出表格中显示相应的结果。
其中有些工具在生成输出表格时还能同时生成图表。
要使用这些工具，用户必须熟悉需要进行分析的统计学或工程学的特定领域。
“回归分析”分析工具是“分析工具库”的一部分。
此工具通过对一组观察值使用“最小二乘法”直线拟合，进行线性回归分析。
此工具可用来分析单个因变量是如何受一个或几个自变量影响的。
Spss, SAS ,EVIEWS这些软件都是针对专业统计从业人员或是经济学研究工作者编写的，要能够比较熟练的掌握使用这些软件，需要专门的训练和较长时间的摸索。
对非统计专业的人员来说，这是比较困难的。
而EXCEL具有简便易学的优点，又有统计中数据分析的功能，所以，人们在使用EXCEL进行计量经济学分析时，能够较快的掌握，举一反三，达到学以致用的效果。
EXCEL 作为一个基本的管理软件，已在财务管理、投资学、会计学、审计学、市场学、运作管理、微观经济学、宏观经济学等领域中应用，同时也在管理界得到了广泛的使用。
2 案例分析下面分别用这三种软件对以下案例进行回归分析。
例子：我国1988年——1998年的城镇居民人均全年耐用消费品支出、人均全年可支配收入以及耐用消费品价格指数的统计资料如表1 所示。
试建立城镇居民人均全年耐用消费品支出Y关于人均全年可支配收入X1和耐用消费品价格指数X2的回归模型，并进行回归分析【表1】2.1 用EXCEL 对案例进行线性回归分析2.1.1 操作步骤 (1)选择“工具”菜单的“数据分析”子菜单，双击“回归”选项，弹出回归分析对话框。
其中主要选项的含义如下：Y值输入区域，在此输入对因变量数据区域，该区域必须由单列数据组成;X值输入区域，在此输入对自变量数据区域，Excel将对此区域中的自变量从左到右按升序排列，自变量的个数最多为16;置信度，如果需要在汇总输出表中包含附加的置信度信息，则选中此复选框，然后在右侧的框中，输入所要使用的置信度，95%为默认值;常数为零，如果要强制回归线通过原点，则选中此复选框;输出区域，在此输入对输出表左上角单元格的引用。
汇总输出表至少需要有七列的宽度，包含的内容有anova表、系数、Y、估计值的标准误差、r2 值、观察值个数，以及系数的标准误差;新工作表，单击此选项，可在当前工作簿中插入新工作表，并由新工作表的A1单元格开始粘贴计算结果，如果需要给新工作表命名，则在右侧的框中键入名称;新工作簿，单击此选项，可创建一新工作簿，并在新工作簿中的新工作表中粘贴计算结果;残差，如果需要以残差输出表的形式查看残差，则选中此复选框;标准残差，如果需要在残差输出表中包含标准残差，则选中此复选框;残差图，如果需要生成一张图表，绘制每个自变量及其残差，则选中此复选框;线形拟合图，如果需要为预测值和观察值生成一个图表，则选中此复选框;正态概率图，如果需要绘制正态概率图，则选中此复选框。
(2)按如下方式填写对话框：X值输入区域为$B$1:$C$12，Y值输入区域为$A$1：$A$12，并选择“标志”复选择，输出区域为$A$13：$C$28，然后单击“确定“按钮即可。
2.1.2 结果分析按照如上的操作步骤即可得到以下的回归结果。
结果可以分为四个部分：第一部分是回归统计的结果包括多元相关系数、可决系数R^、调整之后的相关系数、回归标准差以及样本个数，见表2. 第二部分是方差分析的结果包括可解释的离差、残差、总离差和它们的自由度以及由此计算出的F统计量和相应的显着水平，见表3。
第三部分是回归方程的截距和斜率的估计值以及它们的估计标准误差、t 统计量大小双边拖尾概率值、以及估计值的上下界，根据这几部分的结果可知回归方程Y=158.5398355+0.049403797X1-0.911684216X2,校正的R^为0.934985967，标明模型中的变量共同解释了Y中93.4985967%的变动，这是一个比较好的结果，F=72.906>F0.05(2,8)=19.37,表示总体回归方程是显着的。
t1=10.5478563>t0.025,8=2.306,认为X1对Y有显着 * ;∣t2∣=∣-0.9213157∣=0.92131572.2 用EVIEWS对案例进行线性回归分析【图1】2.2.1 操作步骤 (1)首先建立一个工作文件，点击File\new\workfile，在弹出的对话框workfile Range中的workfile Frequency中选择Annual，在start date与end date中分别键入1988与1998，点“ok”按钮，则出现workfile 窗口。
(2)建立一个Group子窗口。
具体步骤为：点击主菜单中quick\empty group(edit series)，则建立了一个group子窗口，然后在这个窗口中进行数据的录入，与EXCEL 中数据的录入方式相似。
(3)建立equation specification子窗口。
具体步骤为：点击主菜单中 quick\estimate equation specification窗口得以建立。
在其中的equation specification中空白处键入回归方程：Y=C(1)+C(2)*X1+C(3)*X2，在estimation settings的method 中选择LS(最小二乘法)，点击“ok”确定。
则出现图1 所示的回归结果。
2.2.2 结果分析根据如上的操作步骤可得到图1所示的回归结果。
其中coefficient一列是系数序列，得到回归方程为Y=158.5398+0.049404X1-0.911684X2;t-statistic一列是t 统计量，t1=10.54786,t2=-0.921316,，结论与excel分析时一样。
Adjusted r-squared是校正的R^为0.934986，表明模型中的变量共同解释了Y 中93.4986%的变动，这是一个比较好的结果。
F-statistic为F统计量=72.90647>F0.05(2,8)=19.37,表示总体回归方程是显着的。
S.E.of regression是回归标准误差。
Sum squared resid是残差平方和。
Log likelihood是对数似然函数值。
Durbin-watson stat是德宾X沃森统计量，用于判定扰动项是否存在一阶自相关。
在此案例中，Durbin-watson stat=1.035840∈(0,2),表示u1有某种程度的正自相关。
Mean dependent var是因变量的均值。
S.D.dependent var 是因变量的标准差。
Akaike info criterion和Schwarz criterion均用于模型选择，此案例中分别为9.077982 和9.186499。
标准统计值较低的模型是我们想要的模型。
2.3 用SPSS对案例进行线性回归分析3.3.1 操作步骤 (1)新建一个数据文件：File\new\data，打开一个新的Data editor; (2)单击窗口左下角的variable 标签，切换到全屏变量定义界面，从第一行的name 列开始，按行(同数据的输入)依次输入或打开对话框定义变量的各个特征值，直到所有变量Y、X1、X2定义完毕; (3)单击窗口左下角的data view 标签，切换到数据界面开始输入数据，直到所有的1988-1998年的数据全部输入完毕;(4)进行线性回归分析，选择analyze\regression\linear，打开linear对话框，将Y键入dependent 框中，将Y键入Independent 框中，在method框中选择enter(全部引入法，即所选择的自变量全部引入方程);单击statistics按钮，在statistics(线性回归统计量子对话框)中，选择estimate、model fit，单击continue，回到linear主窗口，选择include constant in equation，单击continue，回到linear regression主窗口，然后点击“ok”按钮，得到线性回归结果。
