当前位置：文档之家 › 计量经济模型案例

计量经济模型案例

  • 格式：docx
  • 大小：24.14 KB
  • 文档页数：1

计量经济模型案例

在计量经济学中，经济模型是对经济现象和经济问题进行分析和解释的工具。通过建立经济模型，我们可以对经济现象进行量化分析，从而更好地理解经济运行规律和进行政策分析。本文将通过一个具体的计量经济模型案例，来展示经济模型在实际问题中的应用。

假设我们对某个国家的经济增长进行研究，我们想要了解不同因素对经济增长的影响。为了建立经济增长模型，我们首先需要确定经济增长的影响因素，比如资本投资、劳动力投入、技术进步等。然后我们需要收集相关数据，比如国家的GDP增长率、资本存量、劳动力人口数量等。接下来，我们可以利用计量经济学的方法，比如回归分析，来估计不同因素对经济增长的影响程度。

在这个案例中，我们可以建立一个经济增长模型，假设经济增长率（Y）受资本存量（K）、劳动力投入（L）、技术进步（A）等因素的影响。我们可以利用计量经济学的方法，比如OLS（普通最小二乘法），来估计模型中的参数，从而得到不同因素对经济增长的影响程度。通过对估计结果的分析，我们可以得出结论，比如资本投资对经济增长的贡献率是多少，技术进步对经济增长的影响程度如何等等。

通过这个案例，我们可以看到计量经济模型在经济分析中的重要作用。通过建立经济模型，我们可以对经济现象进行量化分析，从而更好地理解经济运行规律和进行政策分析。当然，建立经济模型并不是一件简单的事情，我们需要仔细思考模型的设定，收集相关数据，选择合适的计量方法等。但是，通过建立经济模型，我们可以更深入地理解经济现象，为经济政策的制定提供更有力的依据。

总之，计量经济模型在经济分析中起着至关重要的作用。通过建立经济模型，我们可以对经济现象进行量化分析，从而更好地理解经济运行规律和进行政策分析。希望通过这个案例的介绍，读者们能对计量经济模型有一个更加深入的理解，并能够在实际问题中灵活运用计量经济学的方法。

合集下载

计量经济学计量经济学教学案例

计量经济学计量经济学教学案例

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=0+1roe + u. 斜率参数1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，1＞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 roe

2、用 edit+/- 编辑数据 3、描述统计分析过程： view---descriptive stats---common sample

4、画散点图: Scat roe salary 5、在eviews6.0命令输入窗口运行简单线性回归

Ls salary c roe

6、用resids 观测残差

7、产生新序列:Series lsalary =log(salary)

8、改变函数形式： Ls lsalary c lsales

计量经济学-第五章案例分析

计量经济学-第五章案例分析

计量经济学期中教学案例分析作业

第五章 案例分析

班级：电子商务 15-2 班

姓名：郑瑞璇

学号： 2015213720

一、问题的提出与模型的建立

根据本章引子提出的问题，为了给制定医疗机构的规划提供依据，分析比较医疗机构 与人口数量的关系， 建立卫生医疗机构数与人口数的回归模型。 假定医疗机构数与人口数之

间满足线性约束，则理论模型设定为

Yi= 31+ 化Xi+ui

Yi表示医疗机构数；Xi表示人口数。由2001年《四川统计年鉴》得到如表 1所示数

据。

表1 四川省2000年各地医疗机构数与人口数

地区 人口数（万

人）X 医疗机构

数（个）Y 地区 人口数（万

人）X 医疗机构数（个）Y

成都 1013.3 6304 眉山 339.9 827

自贡 315 911 宜宾 508.5 1530

攀枝花 103 934 广安 438.6 1589

泸州 463.7 1297 达州 620.1 2403

德阳 379.3 1085 雅安 149.8 866

绵阳 518.4 1616 巴中 346.7 1223

广元 302.6 1021 资阳 488.4 1361

遂宁 371 1375 阿坝 82.9 536

内江 419.9 1212 甘孜 88.9 594

乐山 345.9 1132 凉山 402.4 1471

南充 709.2 4064

二、参数估计

进入EViews软件包，确定样本范围，编辑输入数据，选择估计方程菜单，得到图一的 估计结果。[=]Equatron: UNTITLED Workfile: UNTITLED::Untitled\ ■巴翁

View Proc Object Print Name Freeze] Estimate Forecast Stats Resids

Dependent Variable: Y

Method: Least Squares

Date: 12/19/16 Time: 21:39

计量经济学实际案例

计量经济学实际案例

一、初步的统计分析

性别 身高 体重 性别 身高 体重

女 有效的N 41 41

男 有效的N 32 32

均值 163.5610 52.4634 均值 175.2813 65.7969

中值 164.0000 53.0000 中值 174.5000 65.0000

标准差 5.21560 4.96033 标准差 5.69796 7.56356

方差 27.202 24.605 方差 32.467 57.207

偏度 .664 -.184 偏度 .404 .153

峰度 1.478 .720 峰度 -.334 .170

以下两幅图反映了全体学生的身高体重的频率分布，我们可以发现本班上的全体学生的身高体重大致服从正态分布。

150.00160.00170.00180.00190.00身高02468101214频率

二、均值分析

1、分性别对身高进行的比较

组统计量32175.285.6981.00741163.565.216.815性别男女身高N均值标准差均值的标准误

独立样本检验.659.4209.14871.00011.7201.2819.16614.2759.04863.692.00011.7201.2959.13214.308假设方差相等假设方差不相等身高FSig.方差方程的 Levene 检验tdfSig.(双侧)均值差值标准误差值下限上限差分的 95% 置信区间均值方程的 t 检验

假设男女身高相等，否定假设可认为男生身高明显高于女生。

2、分南北地区进行比较

（1）身高 40.0050.0060.0070.0080.0090.00体重05101520频率组统计量29167.007.8471.45744169.827.9251.195南北方1.002.00身高N均值标准差均值的标准误

独立样本检验.121.729-1.49371.140-2.8181.888-6.583.947-1.49660.498.140-2.8181.884-6.587.950假设方差相等假设方差不相等身高FSig.方差方程的 Levene 检验tdfSig.(双侧)均值差值标准误差值下限上限差分的 95% 置信区间均值方程的 t 检验

计量经济学_三元线性回归模型案例分析

计量经济学_三元线性回归模型案例分析

选择“国内生产总值（GDP）”作为经济整体增长水平的代表；选择中央和地方“财政支出”作为公共财政需求的代表；选择“商品零售物价指数”作为物价水平的代表。由于税制改革难以量化，而且1985年以后财税体制改革对税收增长影响不是很大，可暂不考虑。所以解释变量设定为可观测“国内生产总值（GDP）”、“财政支出”、“商品零售物价指数”

一， 数理经济学方程

Y = C(1) + C(2)*X

Yi=β0+β2X2+β3X3+β4X4

二， 计量经济学方程

设定线性回归模型为：

Yi=β0+β2X2+β3X3+β4X4+μ

三， 数据收集

从《国家统计局》获取以下数据：

年份 财政收入（亿元）

Y 国内生产总值(亿元）

X2 财政支出（亿元）

X3 商品零售价格指数（%)

X4

1978 519.28 3624.1 1122.09 100.7

1979 537.82 4038.2 1281.79 102

1980 571.7 4517.8 1228.83 106

1981 629.89 4862.4 1138.41 102.4

1982 700.02 5294.7 1229.98 101.9

1983 775.59 5934.5 1409.52 101.5

1984 947.35 7171 1701.02 102.8

1985 2040.79 8964.4 2004.25 108.8

1986 2090.73 10202.2 2204.91 106

1987 2140.36 11962.5 2262.18 107.3

1988 2390.47 14928.3 2491.21 118.5

1989 2727.4 16909.2 2823.78 117.8 1990 2821.86 18547.9 3083.59 102.1