多元线性回归实验报告

实验题目：多元线性回归、异方差、多重共线性

实验目的：掌握多元线性回归的最小二乘法，熟练运用Eviews软件的多元线性回归、

异方差、多重共线性的操作，并能够对结果进行相应的分析。

实验内容：习题3.2，分析1994-2011年中国的出口货物总额（Y）、工业增加值（X2）、

人民币汇率（X3），之间的相关性和差异性，并修正。

实验步骤：

1.建立出口货物总额计量经济模型：

错误！未找到引用源。（3.1）

1.1 建立工作文件并录入数据，得到图1

图1

在“workfile\中按住”ctrl\键，点击“Y、X2、X3”，在双击菜单中点“open group”,出现数据

表。点”view/graph/line/ok”,形成线性图2。

图2

1.2 对（3.1）采用OLS估计参数

在主界面命令框栏中输入 ls y c x2 x3，然后回车，即可得到参数的估计结果，如图3所示。

图 3

根据图3中的数据，得到模型（3.1）的估计结果为

（8638.216）（0.012799）（9.776181） t=(-2.110573) (10.58454) (1.928512)

错误！未找到引用源。 错误！未找到引用源。 F=522.0976

从上回归结果可以看出，拟合优度很高，整体效果的F检验通过。但当错误！未找到引用源。=0.05时，错误！未找到引用源。=错误！未找到引用源。2.131.有重要变量X3的t检验不显著，可能存在严重的多重共线性。 2．多重共线性模型的识别

2.1计算解释变量x2、 x3的简单相关系数矩阵。

点击Eviews主画面的顶部的Quick/Group Statistics/Correlatios弹出对话框在对话框中输入解释变量x2、 x3，点击OK，即可得出相关系数矩阵（同图4）。

相关系数矩阵

图4

由图4相关系数矩阵可以看出，各解释变量相互之间的相关系数较高，证实解释变量之间存在多重共线性。

2.2多重共线性模型的修正

将各变量进行对数变换，在对以下模型进行估计。

利用eviews软件，对错误！未找到引用源。、X2、X3分别取对数，分别生成lnY、lnX2、lnX3的数据，采用OLS方法估计模型参数，得到回归结果，如图：

图5

图6

模型估计结果为：

ln错误！未找到引用源。=-20.52+1.5642lnX2+1.7607lnX3

(5.4325) (0.0890) (0.6821) t =-3.778 17.578 2.581

错误！未找到引用源。 F=539.736

该模型可决系数很高，F检验值，明显显著。由综合判断法知，上述回归结果基本上消除了多重共线性。对系数估计值的解释如下：在其他变量保持不变的情况下，如果工业增加值增加1%，出口货物总额增加1.564%；人民币汇率提高1%，出口货物总额增加1.761%。 所有解释变量的符号都与先验预期相一致，即工业增加值和人民币汇率与出口货物总额正相关。 3.检验模型异方差 3.1White检验

由图6估计结果，按路径view/Residual tests/white heteroskedasticity（no cross terms

or cross terms），进入White检验。

图7

因为模型为ln错误！未找到引用源。=-20.52+1.5642lnX2+1.7607lnX3 所以异方差与x2,x3的关系为： 错误！未找到引用源。（3.2） 经估计出现White检验结果，见图8。

从图8可以看出，错误！未找到引用源。，由White检验知，在??0.05下，查?2分布表,得临界值错误！未找到引用源。，比较计算的?2统计量与临界值，因为错误！未找到引用源。〉错误！未找到引用源。 所以拒绝原假设，不拒绝备择假设，表明模型存在异方差。

3.2异方差性的修正

在运用WLS法估计过程中，我们分别选用了权数错误！未找到引用源。.权数的生成过程如下,

在对话框中的Enter equation处，按如下格式分别键入：

w11=1/lnX2,w12=1/lnX3;w21=1/(lnX2)^2,w22=1/(lnX3)^2;W31=1/sqr(lnX2),w32=1/sqr(lnX3)

经估计检验发现用权数w21的效果最好。

在工作文件窗口中点Quick\\Estimate Equation,在弹出的对话框中输入 lny c lnx2 lnx3

图9

然后在图9中点Options选项，选中Weighted LS/TLS复选框，在Weight框中输入w21,即可得到加权最小二乘法的结果。

图10

估计结果如下

(15.6557) (0.1438) (2.1269) T= (-2.6356) (0.1438) (2.1269)

可以看出运用加权小二乘法消除了异方差性后，参数的t检验均显著，可决系数大幅提高，F检验也显著. 4.自相关

可以看出运用加权小二乘法消除了异方差性后，参数的t检验均显著，可决系数大幅提高，F检验也显著.对样本量为18、一个解释变量的模型、5%显著水平，查DW统计表可知，dL=1.16，DW=1.112，模型中DW

图11 残差图

图11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。

3、自相关问题的修正

为解决自相关问题，选用科克伦—奥克特迭代法。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。点击工作文件窗口工具栏中的Genr，在弹出的对话框中输入

，点击OK得到残差序列et。

图12

使用et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 et= 0.5293et-1 由式 2.3.6可知

（2.3.6）

=0.5293，对原模型进行广义差分，得到广义差分方程

对式 2.3.7的广义差分方程进行回归，在EViews命令栏中输入

ls lnY-0.5293*lnY (-1) c lnX2-0.5293*lnX2(-1) lnx3-0.5293*lnx3(-1)，

回车后可得方程输出结果图2.3.18。

图13

图14

由图14可得回归方程为

(2.5983) (0.1093) (0.6656) T=(-5.0028) (16.1222) (3.7294)

式中，

,

由于使用了广义差分数据，样本容量减少了1个，为17个。查5%显著水平的DW统计表可知

dL = 1.16，dU = 2.6173，模型中DW = 2.6173> dU，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、t、F统计量也均达到理想水平。

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

和

。在本例中即为

和

2。由于要补充因差分而损失的第一个观测值，所以在EViews中,点击工作文件窗口

工具栏中的Genr，在弹出的对话框中输入yn=lny-0.5293*lny(-1)，点击OK得到广义差分序列yn，同样的方法得到广义差分序列x2n,x3n。此时的x2n,x3n和yn都缺少第一个观测值，需计算后补充进去，计算得x2n=8.8772,x3n=6.7591,yn=7.0984，，双击工作文件窗口的x2n打开序列显示窗口，点击Edit+/-按钮，将x2n=8.8772补充到1994年对应的栏目中，得到x2n的18个观测值的序列。同样的方法可得到yn的18个观测值序列。

在命令栏中输入ls yn c xn得到普莱斯—温斯腾变换的广义差分模型为

图14

科克伦—奥克特两步法的估计较适合。 由此，我们得到最终模型为

,

实验结果：

实验体会与拓展设想：

得分

本文来源：https://www.bwwdw.com/article/w0vr.html