计量经济学模拟实训讲义2014-2015-2学期(修订版)

《计量经济学模拟实训》课程讲义

时间：2014-2015-2，第1-8周的周五5-8节、第9周周五5-6节； 课时与学分：34课时、2学分；16课时、1学分； 任课教师：尹向飞博士、副教授 上课班级：经济1221班；

联系电话：13755023586 0731-88688022； E-Mail：448560773@qq.com 参考教材：

①张晓峒主编，计量经济学基础，第3版，南开大学出版社

②王少平、杨继生和欧阳志刚主编，计量经济学，2011年6月，高等教育出版社 ③沈根祥编著，计量经济学，2010年8月，格致出版社、上海人民出版社 ④张晓峒著，Eviews使用指南与案例，2007年，机械工业出版社 ⑤易丹辉著，数据分析与Eviews应用，2008年，中国人民大学出版社

⑥Jeffrey M. Wooldridge, Introductory Econometrics: A Modern Approach(Fourth Edition),Cengage Learning（圣智学习出版公司出版）2009年

⑦陈灯塔等著，应用经济计量学：EViews高级讲义（套装上、下册），北京大学出版社，2012.10

实验一：多元线性回归模型的线性与非线性估计、检验

实验说明：数据来源于教材p65页表4.1.1，工作文件夹是sy1.WF1，实验目的是让学生掌握生产函数的估计、检验以及多参数的线性约束检验等内容。注意：实际GDP是以1978年为100计算、资本存量是以1952年的不变价格计算。 实验内容：

1.估计双对数模型，以及说明各回归系数的经济含义； LnQ??0??1LnK??2LnL?? 2.对模型做t检验和F检验；

3.在5%的显著性水平下对随机干扰项的方差做如下检验：H0:?2?0.01和H0:?2?0.01H1:?2?0.01H1:?2?0.01

Beginning of Name 注意：利用Eviews命令来计算卡方分布的临界值。 Function Type Cumulative distribution (CDF) @c Density or probability Quantile (inverse CDF) @d @q 1

Random number generator @r 临界值命令：@qchisq(p,v)，p表示概率；v表示自由度。 P值命令：1-@cchisq(x,v)，X表示统计量的值。 4.利用F统计量来检验： H0:?1??2?1H1:?1??2?1

5.对模型进行非线性OLS估计：

a.设定初始值(双击序列C，在c(1)、c(2)和c(3)所对应的单元格中分别输入0，option中的收敛精度设为0.001，迭代次数100次)，保存模型；

b. 设定初始值(双击序列C，在c(1)、c(2)和c(3)所对应的单元格中分别输入0，option中的收敛精度设为0.00001，迭代次数1000次)，保存模型；

c.基于参数的显著性检验、参数的经济检验等来比较两模型 ①回归系数的符号及数值是否合理； ②模型的更改是否提高了拟合优度； ③模型中各个解释变量是否显著； ④残差分布情况

6.比较线性估计模型和非线性估计模型；

实验二：邹(Chow)突变点检验

Chow Test检验由邹至庄1960年提出的，当研究同一问题时，在不同时段得到两个子样本时，需要考察两个时段的回归系数是否相等，如果相等说明模型没有结构突变，如果不相等则说明模型存在结构突变。

实验数据与说明：Workfile sy2.wf1。中国全国居民消费水平时间序列(1952-1994)，用Chow Test方法检验1978年是否为一个突变点，即在1978年后，我国居民消费水平的增长速度是否要明显高于改革开放之前。 实验内容：

1.说明Chow Test检验统计量的构造：

RSST?(RSS1?RSS2)?/(T?K?1?(n1?k?1?n2?k?1))?F?(RSS1?RSS2)/(n1?k?1?n2?k?1)??RSST?(RSS1?RSS2)?/(k?1)(RSS1?RSS2)/(T?2K?2)

F(K?1,T?2K?2)其中T是总的样本容量，n1表示第一个子样本容量，n2表示第二个子样本容量，K表示回归模型中的解释变量个数。

2.画出消费水平的对数值的趋势图，初步考察是否存在结构突变；

2

3.根据上面的检验统计量和1978年为结构突变点，对模型进行Chow检验。即把样本分成两个子样本，1952-1977为第一个子样本，1978-1994为第二个子样本； 4.分三种样本情况拟合如下的回归模型：

LnYt??0??1t??t，t表示时间

5.建立Chow检验统计量，并计算统计量的P-值；(提取残差命令：方程名.@ssr；提取自由度命令：方程名.@df )

6.利用Eviews内置的菜单来实现模型的Chow检验，突变点是1978年； 7.对实验一中的中国宏观生产函数做Chow检验，突变点是1992年。

实验三：模型的设定误差检验(Specification Error Test)，(参考教材的106页)

理论简述：对于回归模型的设定误差主要包括两个来源：解释变量的不适当设定和模型的函数形式设定不当(后果：随机干扰项会存在非纯自相关，那么不能运用广义差分估计法去估计未知参数)，其中解释变量的不适当设定包含两种情况：模型包括过多的解释变量(后果：OLS估计量仍然是线性无偏的，但是参数的OLS估计量的标准误增大，除非多余的解释变量与其他的解释变量不相关，而这种情况在实际的经济生活中几乎是不可能的)和过少的解释变量(也称遗漏变量问题，后果：模型的OLS估计量是有偏且非一致的，其原因是被遗漏的解释变量与现有的解释变量之间总是存在一定的相关性)。对于过多解释变量的模型可以通过常规的t检验统计量来判别；而解释变量不足和函数形式不当导致的模型设定误差一般来说就应用拉姆齐(Ramsey)的RESET检验。

拉姆齐的RESET检验是一个一般性的设定误差检验，它即可以用于模型函数形式的检验，也可以用于模型中解释变量不足的检验。

实验数据与说明：Workfile sy3.wf1。RESET检验的基本思想是如果模型中存在遗漏变量或函数形式不当，则残差项一般为解释变量的非线性函数关系，而拟合值又是解释变量的线性组合，因此以拟合值的高次幂代表解释变量的非线性函数。公式说明：

如果真实的回归模型是：Yt??0??1X1t??2X2t??t 估计的回归模型：Yt??0??1X1t?vt

那么：vt??2X2t??t，随机干扰项V又包含了X2，因此V与之间存在某种函数关系，但不能说明残差与解释变量之间存在非线性关系(Wooldriege,1995)。

另外，如果真正的回归模型是非线性的，而估计模型设定为线性的，则根据泰勒定理，以线性模型近似代替非线性模型，意味着线性模型的随机干扰项包含了解释变量的高次幂(被解释变量的高次幂)，所以，模型设定不当也会导致随机干扰项与Y存在某种非线性函数关系。

3

研究我国1980-2008年城镇居民人均消费性支出与人均可支配收入的函数关系，以1980年的价格为基期，对所有数据去除价格指数，根据凯恩斯的绝对收入假说，如果假定边际消费倾向不变，则模型设定为：

Ct??0??1Yt??t

下面来检验以上模型是否存在设定误差。RESET检验的步骤：

?； ?t和拟合值C①对上式进行OLS估计，得到残差?t?为横坐标，残差??为纵坐标，观察C?和??是否存在系统的函数关系，如果存②以拟合值Ctttt在，则近似判断它们之间的函数关系；

?的高次幂加入到回归模型中构成如下的辅助回归模型，本例③根据近似的函数关系，将Ct可以表述为：

?2??C?3?t??0??1C ?t2t??t (模型1)

注意在学术界有两种构造辅助回归模型的方法：

第一种是：利用模型1来构造辅助回归函数，当然可以加入拟合值的高次方，然后来检验高次方系数是否联合显著，如果显著则认为存在设定误差，反之不存在设定误差；

第二种方法是：在原始模型中加入拟合值的高次方(2-4阶即可)，再检验高次方系数是否联合显著，如果联合显著则认为存在设定误差，反之没有设定误差；

即构造如下的辅助回归模型：

?2??C?3?? (模型2) Ct??0??1Yt??2Ct3ttEviews中实际上是第二种辅助回归的RESET检验，我们教材书上也是这种形式的辅助回归。

实际上这两种辅助回归没有本质区别，检验结论相同。

④对辅助回归模型中高次方变量进行联合显著性检验(如果高次方变量只有一个的话就运用常规的t检验，如果是加入了多个高次方解释变量则应用实验一的F检验)，如果不能拒绝原假设则意味着模型不存在设定误差，反之就认为模型存在设定误差。

?的高次幂作为注意：如果从图形不能判断函数形式，则可以直接在辅助回归模型中加入Ct解释变量，一般而言，加入2-4阶即可，然后运用t或F检验系数是否显著！

实验四：非嵌套模型的检验

实验说明：非嵌套模型检验又称为戴维森和麦金农的J检验，注：两模型之间不能存在包含

4

关系，否则称为嵌套检验。检验的基本思想是分为两步，第一是假设模型A为真，模型B为备选模型，将B模型的拟合值加入到模型A中进行回归，如果拟合值系数是显著的，则认为B模型为真；第二步是假设模型B为真，模型A为备选模型，将A模型的拟合值加入到B模型中进行回归，如果拟合值系数是显著的，则认为A模型为真。 注：只有当两步骤的结论一致时才能确定选哪个模型，否则不能确定。 实验内容：

1.利用实验三的数据对模型进行选择： Model Model2.判定规则

H0：模型A为真 拒绝 接受 :A:Bt?C?0??1?C?0??1t t?Y?22tY??1tt?Y?2?t1C?? 2tH0：模型B为真

拒绝 不能确定 选模型A 接受 选模型B 不能确定 实验五：多元线性回归模型的向量表述和Wald检验

实验数据与说明：文件夹sy5.WF1，考察我国自1980-2001年的国债发行额度与相关因素之间的数量关系。Y表示国债发行额(单位：亿元)，X1表示国内生产总值(单位：百亿元)，X2表示每年的财政赤字额(单位：亿元)，X3表示年还本付息额(单位：亿元)，t表示第t年的观测数据。模型：

实验内容：

1.如何利用命令，建立X和Y矩阵；

2.如何运用多元线性回归的估计公式进行回归的OLS估计；

Yt??0??1X1t??2X2t??3X3t?ut

?的方差-协方差矩阵和相应的t统计量，并?，并计算?3.利用命令计算随机干扰项的方差?2在5%的显著性水平下做参数的显著性检验； 4.对如下的假设做Wald检验：

实验六：主成分分析

实验数据与说明：Workfile sy6.wf1。1996年美国50个州分13个行业的州生产总值(GDP，单位是：百万美元)，13个行业分别是：Y1：农、林、渔业；Y2：采矿业；Y3：建筑业；Y4：耐用品生产业；Y5：非耐用品生产业；Y6：交通业；Y7：通信业；Y8：气、电、卫

5

H0:?2??3?0

生业；Y9：批发贸易业；Y10：零售贸易业；Y11：信托、保险、不动产业；Y12：服务业；Y13：政府支出。 实验内容：

1.主成分分析法的基本思想；

基本思想是：由于解释变量之间存在高度的相关性，导致模型存在多重共线性问题。为了解决这一多重共线性问题，主成分分析法将全部X变量的某一线性组合作为一个主成分，并根据某些规则确定主成分的个数；然后再将被解释变量Y对已选定的主成分进行多元线性回归估计；最后将多元线性回归分析结果转化为被解释变量Y对所有解释变量X的回归模型。

注意：①全部解释变量X的某一线性组合的系数确定：利用所有X变量的相关系数矩阵R，计算R矩阵的特征值(按由大到小进行排列)和对应的特征向量，最大的特征值(也就是第一特征值)所对应的特征向量是第一个主成分的X变量的线性组合系数；第二特征值所对应的特征向量系数作为第二主成分的X的线性组合系数；以此类推，这样可以构造与X变量个数相同的主成分个数；

②主成分个数的确定：根据累计解释能力来确定，一般而言达85% 的累计解释能力即可。解释能力的计算：第一主成分的解释能力(假设包含n个X变量)是

?1??i?1n；第二主成分

i的解释能力是：

?2??i?1n；第i个主成分的解释能力是：

i?i??i?1n (i=1,2,3,…,n)

i2.在Eviews上求出Y1-Y13的相关系数矩阵

3.求出相关系数矩阵的特征值，并算出各特征值的解释能力 4.求出对应特征值的特征向量

5.求出主成分的个数，并指出其解释能力和各主成分的经济含义

(@cor（求相关系数矩阵命令，自变量是矩阵或组，返回值是对称矩阵）、定义sym矩阵，再求特征值和特征向量，@eigenvalues(返回值是向量) 和

@eigenvectors(返回值是矩阵))

实验七：异方差的诊断与解决

实验数据与说明：文件夹sy7.wf1(教材163页)。目的：掌握异方差的概念、检验的基本思想、图示法和统计检验方法、FWLS估计、White稳健标准误、自然对数等解决方法。研究我国2008年31个地区的城市居民人均年消费支出和可支配收入之间的数量关系，是横截面数据。

6

实验内容：

1.异方差的图示检验： ①X和Y散点图检验； ②横坐标是X、纵坐标是残差； ③残差平方和X序列散点图检验；

2.异方差的LM检验法，包括Breusch-Pagan-Godfrey(BPG)检验；

3.White检验，包括两种辅助回归模型的构造方法，第一是残差的平方对原始变量X、X的平方项以及X的交叉项进行回归；第二是残差的平方对拟合值、拟合值的平方或立方等高次方进行回归；

4.两步法即FWLS法来解决异方差。第一步利用利用Harvey(哈维)的异方差假设形式求得原始模型的异方差；第二步对模型进行WLS估计。 5.White的稳健标准误估计法在Eviews上的实现；

6.取自然对数可以减少异方差的影响，对原始数据进行双对数拟合，并检验是否还存在异方差现象。

实验八：自相关的诊断与解决

实验数据与说明：我国货币需求函数估计，文件夹sy8.wf1(教材200页)。影响一国实际货币需求的主要因素为居民的实际收入和持有货币的收益及成本。其中，实际收入对货币需求有正向影响，而利率将抑制货币需求。这里以GDP表示居民的收入，以一年期存款基准利率(R)表示持有货币的成本，以准货币(M1)表示货币余额。 实验内容：

1.利用CPI(1978=100)将GDP和M1换算成实际数据，然后对所有数据取自然对数； 2.建立如下的回归模型并进行OLS估计： LnM1??0??1LnGD?P?2 L?n?R3.对模型进行图示法和统计法的自相关检验。图示法包括：残差图和横坐标是残差的一阶滞后、纵坐标是当期残差；统计法包括D.W检验法(一阶自相关检验)和高阶自相关检验(Breusch-Godfrey检验，简称BG法)、Q检验；

4.自相关的解决法包括广义差分估计和科克伦-奥克特(Cochrane-Orcutt)迭代法、修正标准误的HAC法；

实验九：波动率建模：ARCH和GARCH模型

参考资料中的ARCH和GARCH模型概述。

实验数据与说明：Workfile sy9.wf1。以1995年1月至2000年8月的日元兑美元的汇率日数据，共计1427个数据。

7

实验内容：

1.计算汇率波动的汇报率，Rt?log(Pt)?log(Pt?1)

2.画出回报率的趋势图，观察是否存在ARCH效应。如果存在，以Rt对常数项进行回归，即：

Rt??0??t

并利用LM统计量检验随机干扰项的方差是否呈现ARCH效应？ 3.对回报率序列进行ARCH模型建模与估计，经反复计算，滞后阶选2； 4.由于ARCH模型本身的局限性，我们对模型进行GARCH(1,1)拟合；

5.检验GARCH拟合后模型的残差项是否是正态分布的(用q-q图，分位数对分位数图)，如果是，说明GARCH拟合是合理，否则继续运用其他GARCH类模型来拟合；

6.从q-q图来看，残差的尾部概率显然要比标准正态要大得多，因此要尝试用其他GARCH类模型对数据进行拟合；

7.拟合GARCH-M(1,1)模型，观察输出结果。发现?t项没有显著性，因此没有必要用GARCH-M(1,1)模型；

8.下面对序列进行TARCH拟合。在Threshold选项中设定滞后阶数为1，结果发现GARCH模型不存在新息冲击的非对称性，即不存在杠杆效应；

9.拟合EGARCH模型。因为TARCH模型的设定是假设?t2对?t的影响是二次的，过于的简单且单一，应用EGARCH模型说明?t2对?t的影响是指数的，而不是二次的。C(3)是显著的，说明存在非对称的杠杆效应；

10.进一步用成分ARCH(Component ARCH)模型拟合，再观察残差是否还存在ARCH效应。

(Power ARCH，简记为PARCH模型，幂ARCH模型)

实验十：虚拟变量的应用

实验数据与说明：sy10.wf1。研究我国酒销售量的季度数据如何随季节的变化而变化。 实验内容：

1.画散点图，了解数据中的季节周期变化和随时间的变化；

2.在Eviews中定义季节虚拟变量，要注意虚拟变量的设置原则：含截距的回归模型中，虚拟变量的个数是类型减去1；@trend @seas(1) @seas(2) @seas(3) @seas(4) 3.观测系数的显著性，去除不显著的季节因素，获得最终的回归模型；

实验十一：虚拟变量测量截距的变动

2 8

模型说明：Yi??0??1Xi??2D??i，如果参数?2是显著的则说明模型存在变截距效应。 实验数据与说明：sy11.wf1。随机调查美国旧金山地区20个家庭(其中6个家庭有房，14个家庭没有住房)的储蓄情况，建立年储蓄额Yi(千美元)对年收入Xi(千美元)的回归模型。 实验内容：

1.做散点图，观察模型是否存在变截距？注意观察第6、8、9、14、17、18个样本数据(在Eviews7.2中可以直接看出来)； 2.设定如下的虚拟变量：D???1?0有房户租房户

3.根据散点图对数据中虚拟变量赋值；

4.对包含虚拟变量的回归模型进行OLS估计，并分析是否存在变截距效应。

实验十二：虚拟变量测量截距和斜率变动

模型说明：Yi??0??1Xi??2D??3DXi??i，如果?2显著而?3不显著，则只存在截距效应；如果?2不显著而?3显著，则只存在变斜率效应；如果两者都不显著，则没有截距和斜率的变动效应；如果两者都显著则两者效应都存在。

实验数据与说明：sy12.wf1。中国进出口贸易总额数据(1950-1984)，考察改革开放后该时间序列是否存在截距和斜率变动效应。 实验内容：

1.做出趋势图，横坐标是时间，纵坐标是贸易总额，从趋势图能发现什么问题？ 2.设定虚拟变量：D???0?1(19501978)；

(19781984)3.对如下模型进行OLS回归：trade??0??1t??2D??3Dt??t，并设定时间变量t； 4.分析回归结果，考察是否存在变截距和变斜率效应，并贸易总额的不同的增加额； 5.比较Chow检验和使用虚拟变量检验两种方法的异同。

(1)邹至庄(Chow)检验只能告诉我们回归模型是否发生了显著的结构变化，但不能明确告诉我们回归模型的结构变化到底是出现在截距上，还是斜率上，或者两者兼而有之。使用虚拟变量的方法不仅可以检验回归模型的结构变化，而且能够这种结构变化是来源于截距、斜率还是两者兼有。

(2)不同于邹至庄(Chow)检验需要将样本分开，做分段样本回归。使用虚拟变量的方法是将所有的数据混合在一起，仅作一次回归。这样，就增加了自由度，从而可能提高估计的回归系数的精度。

9

实验十三：线性概率模型

简述：线性概率模型是被解释变量是虚拟变量的模型。

实验数据与说明：文件夹sy13.wf1。研究已婚妇女在1975年劳动力参与状况问题，其中inlf表示已婚妇女在1975年为了工资而在家庭以外工作情况，inlf=1表示参加过工作，inlf=0表示没有参加过工作，同时已婚妇女是否参加工作取决于丈夫的收入(nwifeinc，以千美元计)、受教育年限(educ)、过去在劳动力市场的年数(exper)、年龄(age)、年龄低于6岁的子女数(kidslt6)、年龄介于6-18岁的子女数(kidsge6)。 实验内容：

1.估计如下的线性概率模型：

inlf??0??1nwifeinc??2educ??3exper??4expersq??5age??6kidslt6??7kidsge6??2.解释各系数的经济含义； 3.指出线性概率模型存在的不足；

4.简述线性概率模型的WLS估计思想，并用两步法来对模型进行WLS估计。

实验十四：Logit模型和Probit模型

实验数据与说明：Logit模型的估计分为群组数据估计和个体数据估计，群组数据估计的文件夹sy14-1.wf1(参考教材223页的表10.3.2)、个体数据估计的文件夹sy14-2.wf1(参考教材226页表10.3.3)。Probit模型与Logit模型相似，Logit模型是将逻辑斯蒂分布函数作为概率函数，而Probit模型是将概率函数设定为标准正态分布函数。 Logit模型的一般形式是： Li?Ln(实验内容：

1.群组数据的数据表：

表10.3.2 高中毕业生的家庭收入X与选择上大学的假想群组数据 pi)??0??1Xi??i 1?piX 6 9 10 14 19 Ni 50 30 30 40 60 ni 24 16 20 26 42 ?i p0.48 0.60 0.67 0.65 0.7 X 24 31 40 60 70 Ni 50 40 25 20 10 ni 36 32 21 18 9 ?i p0.72 0.80 0.84 0.9 0.9 表中的数据是根据家庭收入水平以及每个收入水平下选择上大学的学生人数。对应于

10

每个收入水平Xi，有Ni个高中毕业生，其中有ni个选择上大学(ni≤Ni)。根据表中数据，可以使用每组家庭收入所对应的选择上大学的相对频率作为在这一收入水平下高中生选择上大学概率的估计：

?i?pni Ni?i是逼近于真实的pi，这就是如果每一个Xi处的观察个数Ni足够大，这样计算得到p?i，就可以使用普通最小二乘法估计Logit模型。统计学中的频率收敛于概率的原理。利用p

2.利用FWLS来估计Logit模型，随机干扰项的方差估计式是：

?? ?21 其中Ni表示群组总体个数。

??Nipi(1?pi)3.解释回归系数的经济含义，并计算当家庭收入为40时的选择上大学的概率。 4.个体数据的Logit估计的数据，并利用Eviews来估计以下的Logit模型；

表10.3.3 妇女参与劳动力市场数据 观测数 Y A S 观测数 Y A S 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 1 1 1 0 1 0 1 1 0 1 1 1 0 1 0 31 34 41 67 25 58 45 55 43 55 25 41 62 51 39 16 14 16 9 12 12 14 10 12 8 11 14 12 13 9 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 1 1 0 0 1 1 1 0 0 0 1 1 0 0 1 35 40 43 37 27 28 48 66 44 21 40 41 23 31 44 10 14 10 12 13 14 12 7 11 12 10 15 10 11 12 Y表示妇女有工作或正在找工作、A表示妇女的年龄、S表示妇女受教育年限。

11

模型： Li?Ln(pi)??0??1Ai??2Si??i 1?pi5.解释回归系数的经济含义；

6.利用表10.3.3中妇女参与劳动力市场的数据做Probit模型估计，并解释各个系数的经济含义，同时要说明两种模型的异同。

实验十五：平稳时间序列ARMA模型的估计

实验数据与说明：文件夹sy15.wf1。平稳时间序列模型包括自回归模型(AR)、移动平均模型(MA)、自回归移动平均模型(ARMA)三种。判断规则是AR(P)是偏自相关函数截尾而自相关函数拖尾；MA(q)是自相关函数截尾而偏自相关函数拖尾；ARMA(p,q)是自相关函数和偏自相关函数都拖尾。 研究我国自1950-2008年的商品零售价格指数(RPI，1950=100)的时间序列建模。 实验内容：

1.差分计算价格序列，消除非平稳性； 2.对差分序列计算自相关和偏自相关函数； 3.对差分序列建立ARMA(1,1)模型。

实验十六：VAR模型估计与冲击反应函数估计

实验数据与说明：文件夹sy16.wf1。研究我国2001.7-2003.3月的家庭设备用品及服务价格指数和医疗保健及个人用品价格指数之间的动态关系(以上年度=100)，并基于VAR模型进行Granger因果关系检验。 实验内容：

1.了解VAR建模思想，以及与传统考尔斯委员会的建模区别；了解VAR模型的滞后阶选择、估计以及冲击反应函数和方差分解等概念。 2.VAR模型的估计在Eviews上的实现

3.如何对VAR模型的冲击反应函数进行Eviews估计、并画出冲击反应图

实验十七：格兰杰(Granger)因果关系检验

Granger因果关系检验基于以下的回归模型：

Yt?c???iYt?i???jXt?j??t t=1, 2,?, T

i?1j?1pq其中?tt表示第t次观测。原假设为X不是Y的Granger原因，iidN(0,?2)的随机误差项，

即H0:?1??2?...??q?0，也就是说，X的滞后值没有显著提高Y的预期精度。对上式

12

进行OLS估计，构造统计量：F?(RSSr?RSSu)/q，RSSr、RSSu分别是模型的有

RSSu/(T?p?q?1)约束和无约束残差平方和，该统计量在原假设成立的条件下服从F(q, T-p-q-1)。如果给定显著性水平，当统计量的值大于临界值时意味着拒绝原假设，即X是Y的Granger原因，反之，接受原假设意味着X不是Y的Granger原因。

实验数据与说明：文件夹sy17.wf1。以280天(2009年12月28日至2011年2月25日)的上证综指(SH)和深证成指(SZ)的数据为例，研究沪市和深市是否存在Granger因果关系。 实验内容：

1.在同一坐标系中画出两个序列的趋势图，观察其是否是具有协同的趋势； 2.基于以下模型检验沪市是否是深市的Granger原因：

SZZ2??t??0??1SZt?1??2St?3St?H1??4St?H?2 ?t即要检验?3??4?0是否成立，如果成立则说明沪市不是深市的Granger原因，反之沪市是深市的Granger原因；

3. 基于以下模型检验沪市是否是深市的Granger原因：

SHt??0??1SHt?1??2SHt?2??3St?Z1??4t?SZ?2 ?t即要检验?3??4?0是否成立，如果成立则说明深市不是沪市的Granger原因，反之深市是沪市的Granger原因；

4.基于Group对象的Granger因果关系检验，同时由于granger因果关系检验对滞后值的选取很敏感，因此滞后值分别设定为2、5、10、15、20、25，如果所有的滞后值都支持同一结论，则我们就有理由相信结论是正确的。

实验十八：单位根检验

实验数据与说明：文件夹sy18.wf1。分析上例中深圳成指(SZ)和上海综指(SH)日序列(280天)，看是否存在单位根过程。 实验内容：

1.画趋势图，观测趋势图对单位根检验式设定有何作用 2.认识单位根检验窗口的4个设定选择区，了解各选择的含义

3.选含截距的单位根检验式，进行单位根检验，观察检验结果，并去掉不显著的截距项重新检验

4.确定单位根的阶数，即对数据过程一阶差分进行进一步的单位根检验，以此来确定单位根的阶数

5.单位根过程在回归中要注意的事项

13

实验十九：研究我国进(EXPO)、出口贸易(IMPO)、价格指数(PRICE,1990=1)数据(1951-1991)是否是单位根过程。

实验数据与说明：文件夹sy19.wf1。宏观经济数据一般而言都是非平稳过程，即是单位根过程，本实验将进一步熟悉单位根检验的操作步骤。 实验内容：

1.首先对数化数据，画数据的趋势图，看是否是非平稳的？

2.用ADF检验方法检验对数化数据是否是单位根的？首先用含趋势的检验式，然后观察趋势项是否显著，如果不显著则去掉趋势项重新检验，这样的处理方法也适用于截距项；

实验二十：研究我国进(EXPO)、出口贸易(IMPO)、价格指数(PRICE,1990=1)数据(1951-1991)之间是否存在协整关系。

实验数据与说明：文件夹sy20.wf1。如果数据过程都包含相同阶数的单位根，如果要对它们进行回归的话，首先必须进行协整检验，只有存在协整关系时，非平稳过程之间的回归才不会出现伪回归现象。在协整基础上，熟悉ECM的构造与估计。 实验内容：

1.用图观察两个单位根过程之间是否存在长期的均衡关系；

Eviews7.2中有专门的协整方程估计，因为协整方程估计有很多种方法：OLS、DOLS、FMOLS、CCR方法，所以在Eviews7.2中列出所有估计协整的选项。同时也列出了基于残差的协整检验方法(E-G两步法和其他的检验方法)。

2.用E-G两步法检验两变量之间是否存在协整关系(对残差序列进行单位根检验时，临界值发生了变化，要用Phillips和Ouliaris(1990，表Ⅱb、表Ⅱc)或者Fuller(1996，表10.A.2))，如果存在就写出协整方程式；

3.利用Johansen协整检验方法来检验两个序列之间是否存在协整关系，如果存在，则要写出协整方程式；

????X???t，4.如何建立误差修正模型(ECM)。说明如果X和Y之间存在协整，即存在Y??01则ECM模型为： ?Yt????Yii?1pt?i???j?Xt?j??ecm??t

j?1q?t?1，ECM模型既有描述变量长期关系的参数，又有描述变量短期关系的其中：ecm就是?参数，因此ECM既可研究经济问题的静态(长期协整关系)关系，又可研究其短期动态特征。

实验二十一：面板数据分析

14

参考资料文件夹中的面板数据分析

实验数据与说明：文件夹sy21.wf1。利用1996-2002年我国东北、华北、华东15个省级地区的居民家庭人均消费(cp，不变价格)和人均收入(ip，不变价格)来研究各省的人均收入如何影响人均消费。 实验内容：

1.建立面板数据的工作文件(Workfile)； 2.定义序列名并输入数据； 3.个体固定效应模型估计； 4.个体随机效应模型估计； 5.Hausman检验； 6.面板单位根检验(*)

实验二十二：Eviews编程初步

本部分内容是满足用户的特殊计算而设计的。大家知道，在经济分析当中具有较大部分的计算模型和方法在Eviews中没有相应的菜单操作。譬如，根据某一条件，要计算不同样本容量下回归模型，此时利用Eviews菜单进行OLS估计可能会浪费大量的时间与精力，因此为了实现这些特殊功能，必须借助Eviews计算平台，编写适当的Eviews程序就可以满足用户的需求。

以下两点要注意：

①实际上，程序设计并不难，关键是要对计算步骤和思路非常清晰，然后借助Eviews的内置函数就可以达到目的；

②“千里之行始于足下”，只有第一步迈出之后才能领会Eviews计算平台的魅力。 主要内容：程序的创建、存储、打开、运行、终止；控制变量、字符串变量、字符串操作、替代变量、程序参数；条件语句、FOR循环语句、WHILE循环语句；简单程序的例子。

参考资料夹中的文件说明！

15

本文来源：https://www.bwwdw.com/article/v946.html