1 实验二 一元回归模型
【实验目的】
掌握一元线性、非线性回归模型的建模方法
【实验内容】
建立我国税收预测模型
【实验步骤】
【例1】建立我国税收预测模型。表1列出了我国1985－1998年间税收收入Y和国内生产总值（GDP）x的时间序列数据，请利用统计软件Eviews建立一元线性回归模型。
表1 我国税收与GDP统计资料
年份 税收 GDP 年份 税收
GDP
1985 2041 8964 1992 3297 26638
1986 2091 10202 1993 4255 34634
1987 2140 11963 1994 5127 46759
1988 2391 14928 1995 6038 58478
1989 2727 16909 1996 6910 67885
1990 2822 18548 1997 8234 74463
1991 2990 21618 1998 9263 79396
一、建立工作文件
⒈菜单方式
在录入和分析数据之前，应先创建一个工作文件（Workfile）。启动Eviews软件之后，在主菜单上依次点击File\New\Workfile（菜单选择方式如图1所示），将弹出一个对话框（如图2所示）。用户可以选择数据的时间频率（Frequency）、起始期和终止期。
图1 Eviews菜单方式创建工作文件示意图
2
图2 工作文件定义对话框
本例中选择时间频率为Annual（年度数据），在起始栏和终止栏分别输入相应的日期85和98。然后点击OK，在Eviews软件的主显示窗口将显示相应的工作文件窗口（如图3所示）。
图3 Eviews工作文件窗口
一个新建的工作文件窗口内只有2个对象(Object）,分别为c（系数向量）和resid（残差）。它们当前的取值分别是0和NA（空值）。可以通过鼠标左键双击对象名打开该对象查看其数据，也可以用相同的方法查看工作文件窗口中其它对象的数值。
第二章 一元线性回归模型
1.随机误差项形成的原因：① 在解释变量中被忽略的因素 ② 变量观测值的观测误差 ③ 模型的关系误差或设定误差
④ 其他随机因素的影响。
2.总体回归方程和样本回归方程的区别和联系：总体回归方程是对总体变量间关系的定量表述,条件均值E(Y|X=x)是x的一个函数 ,记作:E(Y|X=x)=f(x),其中,f(x)为x的某个函数 ,它表明在X=x下,Y的条件均值与x之间的关系。但实际中往往不可能得到总体的全部资料 ,只能先从总体中抽取一个样本,获得样本回归方程 ,并用它对总体回归方程做出统计推断。通过样本回归方程按照一定的准则近似地估计总体回归方程 ,但由于样本回归方程随着样本的不同而有所不同,所以这种高估或低估是不可避免的。
3.随机误差项的假定条件：（1）零均值：随机误差项具有零均值，即E( )=0，i=1，2，… （2）随机误差项具有同方差： 即每个 对应的随机误差项 具有相同的常数方差。Var( )=Var( )= ，i=1,2，… （3）无序列相关：即任意两个 和 所对应的随机误差项 、 是不相关的。Cov( , )=E( )=0,i j,i,j=1,2,… （4）解释变量X是确定性变量，与随机误差项不相关。Cov( , )=E( )=0，此假定保证解释变量X是非随机变量。 （5） 服从正态分布， ～N(0, )
4.为什么用决定系数 评价拟合优度，而不用残差平方和作为评价标准？
判定系数 =
= 1-
，含义为由解释变量引起的被解释变量的变化占被解释变量总变化的比重,用来判定回归直线拟合的优劣。该值越大说明拟合得越好。而残差平方和值的大小受变量值大小的影响,不适合具有不同量纲的模型的比较。
5.可决系数 说明了什么？在简单线性回归中它与斜率系数的t检验的关系是什么？
计量经济学复习要点
第1章 绪论
数据类型：截面、时间序列、面板
用数据度量因果效应,其他条件不变的概念
习题：C1、C2
第2章 简单线性回归
回归分析的基本概念,常用术语
现代意义的回归是一个被解释变量对若干个解释变量依存关系的研究,回归的实质是由固定的解释变量去估计被解释变量的平均值;
简单线性回归模型是只有一个解释变量的线性回归模型;
回归中的四个重要概念
1. 总体回归模型Population Regression Model,PRM
tttuxy10--代表了总体变量间的真实关系;
2. 总体回归函数Population Regression Function,PRF
ttxyE10)(--代表了总体变量间的依存规律;
3. 样本回归函数Sample Regression Function,SRF
tttexy10ˆˆ--代表了样本显示的变量关系;
4. 样本回归模型Sample Regression Model,SRM
ttxy10ˆˆˆ---代表了样本显示的变量依存规律;
总体回归模型与样本回归模型的主要区别是：①描述的对象不同;总体回归模型描述总体中变量y与x的相互关系,而样本回归模型描述所关的样本中变量y与x的相互关系;②建立模型的依据不同;总体回归模型是依据总体全部观测资料建立的,样本回归模型是依据样本观测资料建立的;③模型性质不同;总体回归模型不是随机模型,而样本回归模型是一个随机模型,它随样本的改变而改变;
总体回归模型与样本回归模型的联系是：样本回归模型是总体回归模型的一个估计式,之所以建立样本回归模型,目的是用来估计总体回归模型;
线性回归的含义
线性：被解释变量是关于参数的线性函数可以不是解释变量的线性函数
线性回归模型的基本假设
简单线性回归的基本假定：对模型和变量的假定、对随机扰动项u的假定零均值假定、同方差假定、无自相关假定、随机扰动与解释变量不相关假定、正态性假定
文档来源为:从网络收集整理.word版本可编辑.欢迎下载支持.
1 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
有一元线性回归模型（统计模型）如下，
yt = 0 + 1 xt + ut
上式表示变量yt 和xt之间的真实关系。其中yt 称被解释变量（因变量），xt称解释变量（自变量），ut称随机误差项，0称常数项，1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(yt) = 0 + 1 xt,（2）随机部分，ut 。
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
另一方面也指被解释变量与参数0、1之间的线性关系，即。
1tyx， 221ty0 ，
01ty， 2200ty
2.1.2 随机误差项的性质
随机误差项ut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ut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ut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， 文档来源为:从网络收集整理.word版本可编辑.欢迎下载支持.
