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。
《空间计量模型的理论和应用研究》篇一一、引言空间计量模型是一种统计工具，用于处理和分析具有空间相关性的数据。
随着地理信息系统（GIS）和遥感技术的快速发展，空间数据的获取和分析变得越来越重要。
空间计量模型能够有效地捕捉和处理空间数据中的空间依赖性和异质性，为政策制定、城市规划、环境监测等领域提供了强大的分析工具。
本文将对空间计量模型的理论和应用进行深入研究。
二、空间计量模型的理论基础1. 空间自相关空间自相关是空间计量模型的核心概念之一。
它描述了地理空间中某一属性值与其相邻地区属性值之间的相关性。
空间自相关可以分为正相关和负相关，即相邻地区的属性值相似或相反。
2. 空间异质性空间异质性指的是空间数据在地理空间上表现出非均匀性和不规律性。
空间异质性对传统计量模型提出了挑战，因为传统计量模型通常假设数据具有同质性。
空间计量模型通过引入空间权重矩阵来考虑空间异质性。
3. 模型类型空间计量模型包括多种类型，如空间自回归模型、空间误差模型、地理加权回归模型等。
这些模型根据数据的不同特点，采用不同的方法处理空间自相关和异质性问题。
三、空间计量模型的应用研究1. 政策制定空间计量模型可以用于政策制定过程中，对政策效果进行评估和预测。
例如，在城市规划中，可以通过建立空间计量模型，分析不同政策对房价、人口分布等的影响，为政策制定提供科学依据。
2. 环境监测环境监测是空间计量模型的另一个重要应用领域。
通过建立空间计量模型，可以分析环境污染的空间分布和变化趋势，为环境保护和治理提供科学依据。
例如，可以利用空间计量模型分析空气质量指数的空间分布和影响因素，为空气质量管理和改善提供决策支持。
3. 公共卫生领域在公共卫生领域，空间计量模型也被广泛应用。
例如，可以通过建立空间计量模型，分析不同地区居民的健康状况及其影响因素，为卫生资源配置和健康政策制定提供依据。
此外，还可以利用空间计量模型进行流行病传播的预测和防控。
四、案例分析以某城市房价预测为例，介绍空间计量模型的应用。
matlab 自相关法Matlab自相关法是一种常用的信号处理方法，在信号处理、统计分析等领域具有广泛的应用。
本文将介绍Matlab自相关法的基本原理、算法实现及其在实际应用中的应用案例。
一、Matlab自相关法的基本原理自相关法是一种基于信号的统计分析方法，用于研究信号的相关性和周期性。
在Matlab中，自相关函数可以通过调用相关函数实现。
自相关函数定义如下：Rxx(tau) = E(x(t)x(t+tau))其中，x(t)为原始信号，tau为时间延迟。
二、Matlab自相关法的算法实现1. 读取信号数据需要将待分析的信号数据读入到Matlab中，可以通过load函数或者importdata函数实现。
2. 计算自相关函数利用Matlab的相关函数，可以方便地计算自相关函数。
具体的调用方法为：Rxx = xcorr(x)其中，x为原始信号数据。
3. 绘制自相关函数图像通过调用plot函数，可以将自相关函数的结果以图像的形式展示出来。
可以设置横轴为时间延迟tau，纵轴为自相关函数的值Rxx。
三、Matlab自相关法的应用案例1. 信号分析自相关法可以用于信号的分析，比如检测信号中的周期性成分。
通过计算自相关函数，可以得到信号的周期性特征。
2. 语音识别在语音识别领域，自相关法被广泛应用。
利用自相关函数可以提取语音信号中的共振峰信息，从而实现语音识别。
3. 图像处理在图像处理中，自相关法可以用于图像的模板匹配。
通过计算图像的自相关函数，可以实现图像的特征匹配和目标检测。
四、总结本文介绍了Matlab自相关法的基本原理、算法实现及其在实际应用中的应用案例。
通过使用Matlab自相关函数，可以方便地进行信号分析、语音识别和图像处理等任务。
希望本文对读者理解和应用Matlab自相关法有所帮助。
arcgis莫兰指数案例ArcGIS莫兰指数（Moran's I）是一种空间自相关分析方法，用于衡量空间数据的聚集程度。
它可以帮助我们了解地理现象的空间分布模式，从而为决策提供科学依据。
以下是十个关于ArcGIS莫兰指数的案例。
1. 城市人口密度分析：通过计算不同区域的人口密度，可以使用ArcGIS莫兰指数来评估城市人口分布的聚集程度。
这对于规划城市发展和资源分配具有重要意义。
2. 犯罪热点分析：利用犯罪数据和地理信息系统，可以使用ArcGIS 莫兰指数来识别犯罪热点区域。
这有助于警方制定有效的巡逻路线和加强犯罪预防措施。
3. 气候变化研究：通过分析温度、降水等气象数据，可以使用ArcGIS莫兰指数来评估气候变化的空间分布模式。
这对于理解气候变化的影响和制定相应的应对措施至关重要。
4. 土地利用变化分析：通过比较不同时间点的土地利用数据，可以使用ArcGIS莫兰指数来评估土地利用的空间变化趋势。
这有助于规划部门进行土地资源管理和可持续发展规划。
5. 经济发展研究：通过分析经济数据，如GDP、就业率等，可以使用ArcGIS莫兰指数来评估经济发展的空间分布模式。
这对于制定经济政策和促进区域经济均衡发展具有重要意义。
6. 自然资源分布分析：通过分析森林、水资源、矿产等自然资源的空间分布，可以使用ArcGIS莫兰指数来评估自然资源的聚集程度。
这对于科学合理利用自然资源具有重要意义。
7. 健康服务设施布局：通过分析医院、诊所等健康服务设施的空间分布，可以使用ArcGIS莫兰指数来评估健康服务设施的合理布局情况。
这有助于优化健康资源配置和提高医疗服务水平。
8. 教育资源分配：利用学校、图书馆等教育资源的空间分布数据，可以使用ArcGIS莫兰指数来评估教育资源的均衡分配情况。
这对于提高教育公平和质量具有重要意义。
9. 交通网络分析：通过分析道路、公交站点等交通设施的空间分布，可以使用ArcGIS莫兰指数来评估交通网络的连通性和效率。
Matlab中的自相关与互相关分析方法介绍引言：自相关与互相关是信号处理领域中常用的分析方法。
在Matlab中，我们可以利用相关函数进行这些分析。
本文将介绍自相关与互相关的概念，以及在Matlab 中如何利用相关函数进行分析。
一、自相关分析自相关是一种用于分析信号的统计方法，它可以衡量信号在不同时间点间的相关性。
在Matlab中，我们可以使用xcorr函数进行自相关分析。
该函数的基本语法为：[R, lags] = xcorr(x)其中，x是输入信号，R是自相关结果，lags是延迟时间。
自相关分析结果的解释可以通过图形来进行。
可以使用stem函数绘制自相关信号的图像。
例如，下面的代码将绘制自相关结果的图像：stem(lags, R)title('自相关结果')xlabel('延迟时间')ylabel('相关系数')通过图像可以直观地观察到信号在不同时间点间的相关性。
自相关结果的峰值表示信号具有一定的周期性，在延迟时间上可以找到对应的周期。
二、互相关分析互相关用于分析两个信号之间的相关性。
在Matlab中，我们可以使用xcorr函数进行互相关分析。
该函数的基本语法为：[R, lags] = xcorr(x, y)其中，x和y是输入信号，R是互相关结果，lags是延迟时间。
互相关分析的结果也可以通过图形来进行解释。
可以同时绘制两个信号和它们的互相关结果。
例如，下面的代码将绘制两个信号和它们的互相关结果的图像：subplot(2, 1, 1)plot(x)title('信号x')xlabel('时间')ylabel('幅值')subplot(2, 1, 2)plot(y)title('信号y')xlabel('时间')ylabel('幅值')figure()stem(lags, R)title('互相关结果')xlabel('延迟时间')ylabel('相关系数')通过图像可以观察到两个信号之间的相关性。
第六章 案例分析
一、研究目的
2003年中国农村人口占59.47％，而消费总量却只占41.4%，农村居民的收入和消费是一个值得研究的问题。
消费模型是研究居民消费行为的常用工具。
通过中国农村居民消费模型的分析可判断农村居民的边际消费倾向，这是宏观经济分析的重要参数。
同时，农村居民消费模型也能用于农村居民消费水平的预测。
二、模型设定
正如第二章所讲述的，影响居民消费的因素很多，但由于受各种条件的限制，通常只引入居民收入一个变量做解释变量，即消费模型设定为
t t t u X Y ++=21ββ
（6.43）
式中，Y t 为农村居民人均消费支出，X t 为农村人均居民纯收入，u t 为随机误差项。
表6.3是从《中国统计年鉴》收集的中国农村居民1985-2003年的收入与消费数据。
表6.3 1985-2003年农村居民人均收入和消费 单位： 元
为了消除价格变动因素对农村居民收入和消费支出的影响，不宜直接采用现价人均纯收入和现价人均消费支出的数据，而需要用经消费价格指数进行调整后的1985年可比价格计的人均纯收入和人均消费支出的数据作回归分析。
根据表6.3中调整后的1985年可比价格计的人均纯收入和人均消费支出的数据，使用普通最小二乘法估计消费模型得
t t X Y 0.59987528.106ˆ+=
（6.44）
Se = (12.2238) (0.0214)
t = (8.7332)
(28.3067)
R 2 = 0.9788，F = 786.0548，d f = 17，DW = 0.7706
该回归方程可决系数较高，回归系数均显著。
对样本量为19、一个解释变量的模型、5%显著水平，查DW 统计表可知，d L =1.18，d U = 1.40，模型中DW<d L ，显然消费模型中有自相关。
这一点残差图中也可从看出，点击EViews 方程输出窗口的按钮Resids 可得到残差图，如图6.6所示。
图6.6
残差图
图6.6残差图中，残差的变动有系统模式，连续为正和连续为负，表明残差项存在一阶正自相关，模型中t 统计量和F 统计量的结论不可信，需采取补救措施。
三、自相关问题的处理
为解决自相关问题，选用科克伦—奥克特迭代法。
由模型（6.44）可得残差序列e t ，在EViews 中，每次回归的残差存放在resid 序列中，为了对残差进行回归分析，需生成命名为e 的残差序列。
在主菜单选择Quick/Generate Series 或点击工作文件窗口工具栏中的Procs/ Generate Series ，在弹出的对话框中输入e = resid ，点击OK 得到残差序列e t 。
使用e t 进行滞后一期的自回归，在EViews 命今栏中输入ls e e (-1)可得回归方程
e t = 0.4960 e t-1
（6.45）
由式（6.45）可知ρ
ˆ=0.4960，对原模型进行广义差分，得到广义差分方程 t t t t t u X X Y Y +-+-=---)4960.0()4960.01(4960.01211ββ
（6.46）
对式（6.46）的广义差分方程进行回归，在EViews 命令栏中输入ls Y -0.4960*Y (-1) c
X -0.4960*X (-1)，回车后可得方程输出结果如表6.4。
表6.4 广义差分方程输出结果 Dependent Variable: Y-0.496014*Y(-1) Method: Least Squares Date: 03/26/05 Time: 12:32 Sample(adjusted): 1986 2003
Included observations: 18 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob. C
60.44431 8.964957 6.742287 0.0000 X-0.496014*X(-1) 0.583287
0.029410
19.83325
0.0000
R-squared
0.960914 Mean dependent var 231.9218 Adjusted R-squared 0.958472 S.D. dependent var 49.34525 S.E. of regression 10.05584 Akaike info criterion 7.558623 Sum squared resid 1617.919 Schwarz criterion 7.657554 Log likelihood -66.02761 F-statistic 393.3577 Durbin-Watson stat
1.397928 Prob(F-statistic)
0.000000
**5833.04443.60ˆt t X Y +=
（6.47）
)9650.8(=Se （0.0294）
t = （6.7423）
（19.8333）
R 2 = 0.9609 F = 393.3577 d f = 16 DW = 1.3979
式中，1*4960.0ˆ--=t t t
Y Y Y ，1*4960.0--=t t t X X X 。
由于使用了广义差分数据，样本容量减少了1个，为18个。
查5%显著水平的DW 统
计表可知d L = 1.16，d U = 1.39，模型中DW = 1.3979> d U ，说明广义差分模型中已无自相关，不必再进行迭代。
同时可见，可决系数R 2
、t 、F 统计量也均达到理想水平。
对比模型（6.44）和（6.47），很明显普通最小二乘法低估了回归系数2ˆ
β的标准误差。
[原模型中Se （2ˆβ）= 0.0214，广义差分模型中为Se （2ˆ
β）= 0.0294。
经广义差分后样本容量会减少1个，为了保证样本数不减少，可以使用普莱斯—温斯
腾变换补充第一个观测值，方法是21*11ρ-=X X 和2
1*11ρ-=Y Y 。
在本例中即为
210.49601-X 和210.49601-Y 。
由于要补充因差分而损失的第一个观测值，所以在
EViews 中就不能采用前述方法直接在命令栏输入Y 和X 的广义差分函数表达式，而是要生成X 和Y 的差分序列X *和Y *。
在主菜单选择Quick/Generate Series 或点击工作文件窗口工具栏中的Procs/Generate Series ，在弹出的对话框中输入Y *= Y -0.4960*Y (-1)，点击OK 得到广义差分序列Y *，同样的方法得到广义差分序列X *。
此时的X *和Y *都缺少第一个观测值，需计算后补充进去，计算得*
1X =345.236，*
1Y =275.598，双击工作文件窗口的X * 打开序列
显示窗口，点击Edit +/-按钮，将*1X =345.236补充到1985年对应的栏目中，得到X *的19
个观测值的序列。
同样的方法可得到Y *的19个观测值序列。
在命令栏中输入Ls Y * c X*得到普莱斯—温斯腾变换的广义差分模型为
**5833.04443.60t t X Y +=
（6.48）
)1298.9(=Se （0.0297）
t = （6.5178）
（19.8079）
R 2 = 0.9585 F = 392.3519 d f = 19 DW = 1.3459
对比模型（6.47）和（6.48）可发现，两者的参数估计值和各检验统计量的差别很微小，说明在本例中使用普莱斯—温斯腾变换与直接使用科克伦—奥克特两步法的估计结果无显著差异，这是因为本例中的样本还不算太小。
如果实际应用中样本较小，则两者的差异会较大。
通常对于小样本，应采用普莱斯—温斯腾变换补充第一个观测值。
由差分方程（6.46）有
9292
.1194960.014443
.60ˆ1
=-=β
（6.49）
由此，我们得到最终的中国农村居民消费模型为 Y t = 119.9292+0.5833 X t
（6.50）
由（6.50）的中国农村居民消费模型可知，中国农村居民的边际消费倾向为0.5833，即中国
农民每增加收入1元，将增加消费支出0.5833元。
