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。
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）。
计量经济学模型案例计量经济学是经济学的一个重要分支，它通过建立数学模型来研究经济现象，并利用实证数据对模型进行检验和估计。
在实际应用中，计量经济学模型可以帮助我们理解经济现象的规律，预测未来的经济走势，制定经济政策等。
下面，我们将通过几个实际案例来介绍计量经济学模型在经济分析中的应用。
首先，我们来看一个简单的线性回归模型的案例。
假设我们想研究劳动力市场的供求关系，我们可以建立一个简单的线性回归模型来分析劳动力市场的工资水平与就业率之间的关系。
我们收集了一些城市的数据，包括每个城市的平均工资水平、就业率、教育水平等变量，然后利用线性回归模型来估计工资水平与就业率之间的关系。
通过对模型的检验和估计，我们可以得出一些结论，比如工资水平的提高是否会影响就业率，教育水平对工资水平的影响等。
其次，我们来看一个时间序列模型的案例。
假设我们想预测未来几个季度的经济增长率，我们可以利用时间序列模型来进行预测。
我们收集了过去几年的经济增长率数据，然后利用时间序列模型来对未来的经济增长率进行预测。
通过对模型的估计和预测，我们可以得出一些结论，比如未来几个季度的经济增长率可能会呈现什么样的趋势，有助于政府制定经济政策和企业进行经营决策。
最后，我们来看一个面板数据模型的案例。
假设我们想研究不同地区的经济增长对环境污染的影响，我们可以利用面板数据模型来进行分析。
我们收集了不同地区的经济增长率和环境污染指标的数据，然后利用面板数据模型来估计经济增长与环境污染之间的关系。
通过对模型的检验和估计，我们可以得出一些结论，比如经济增长对环境污染的影响程度，不同地区之间的差异等。
综上所述，计量经济学模型在经济分析中具有重要的应用价值。
通过建立合适的模型并利用实证数据进行分析，我们可以更好地理解经济现象的规律，预测未来的经济走势，为政府制定经济政策和企业经营决策提供科学依据。
希望以上案例可以帮助大家更好地理解计量经济学模型在实际应用中的重要性和价值。
计量经济学第二章一元线性回归模型第二章一元线性回归模型第一节一元线性回归模型及其古典假定第二节参数估计第三节最小二乘估计量的统计特性第四节统计显著性检验第五节预测与控制第一节回归模型的一般描述（1）确定性关系或函数关系：变量之间有唯一确定性的函数关系。
其一般表现形式为：一、回归模型的一般形式变量间的关系经济变量之间的关系，大体可分为两类：（2.1)（2）统计关系或相关关系：变量之间为非确定性依赖关系。
其一般表现形式为：(2.2)例如：函数关系：圆面积S =统计依赖关系/统计相关关系：若x和y之间确有因果关系，则称(2.2)为总体回归模型，x(一个或几个）为自变量（或解释变量或外生变量），y为因变量（或被解释变量或内生变量），u为随机项，是没有包含在模型中的自变量和其他一些随机因素对y的总影响。
一般说来，随机项来自以下几个方面：1、变量的省略。
由于人们认识的局限不能穷尽所有的影响因素或由于受时间、费用、数据质量等制约而没有引入模型之中的对被解释变量有一定影响的自变量。
2、统计误差。
数据搜集中由于计量、计算、记录等导致的登记误差；或由样本信息推断总体信息时产生的代表性误差。
3、模型的设定误差。
如在模型构造时，非线性关系用线性模型描述了；复杂关系用简单模型描述了；此非线性关系用彼非线性模型描述了等等。
4、随机误差。
被解释变量还受一些不可控制的众多的、细小的偶然因素的影响。
若相互依赖的变量间没有因果关系，则称其有相关关系。
对变量间统计关系的分析主要是通过相关分析、方差分析或回归分析(regression analysis)来完成的。
他们各有特点、职责和分析范围。
相关分析和方差分析本身虽然可以独立的进行某些方面的数量分析，但在大多数情况下，则是和回归分析结合在一起，进行综合分析，作为回归分析方法的补充。
回归分析(regression analysis)是研究一个变量关于另一个（些）变量的具体依赖关系的计算方法和理论。
