1、1,双变量模型应用 Eviews3.1,2,例题一,Data1.xls存有80组住房价格与住房面积的样本数据，试根据所给数据揭示住房价格与住房面积的统计依赖关系。,3,一、定性分析,住房价格与住房面积正相关。,4,二、散点图,5,三、回归模型设定,6,四、回归系数的估计 （OLS估计量）,7,OLS估计量的手工计算,8,9,Eviews常用命令和函数,新建序列：series x 新建标量：scalar t 序列求和：sum(X) 序列平方和：sumsq(X) 序列均值：mean(X) 序列内积：inner(X,Y) 生成增长率序列：series Y=pch(X),10,OLS估计量的Eview
2、s计算结果,11,五、估计量的精度（标准差）,Eviews报告了系数估计量的样本标准差。标准差衡量了系数估计的精度。 标准差越大，估计精度越小。 系数估计量的样本标准误直接显示在Eviews的回归结果报告表中，也可以通过估计系数的协方差矩阵获得。,12,回归系数的置信区间,可见，在一定的置信度下，系数估计量的标准误越大，总体回归系数的置信区间就越大，估计精度就越低。,13,14,15,标 准 误,16,系数估计量标准误的手工计算,17,六、残差正态性检验,经典正态线性回归模型假定随机干扰项服从正态分布。残差正态性检验本质上是检验总体的扰动项是否服从正态分布。 方法有： 一、残差直方图 二、正态
3、概率图 三、雅克-贝拉检验（JB test）,18,常用的正态性检验方法。属于渐近（大样本）检验方法。 原假设：样本数据来自正态总体。 构建检验统计量：,雅克-贝拉检验（JB test）,JB统计值的P值越小，越能拒绝原假设。 如果P值大于给定的显著性水平，则可认为该样本 数据来自正态总体。,19,七、回归系数显著性检验,回归系数显著性检验可以直接查看获得相应的t统计值的P值。这个t值是根据原假设（回归系数为零）计算得来的。P值越小，拒绝原假设犯错误的概率就越小，我们就越有理由拒绝原假设。比如给定显著水平为0.01，如果P 值小于0.01，就可以拒绝总体回归系数为零的原假设。特别注意：回归系数
4、显著性检验是以随机干扰项服从正态分布或渐近正态分布的假定为前提的。,20,SQRFT（房屋面积）所对应的P值小于0.0001，因此，只要给定的显著性水平大于0.0001，我们都可以拒绝回归系数为零的原假设。,21,八、回归模型拟合优度检验,判定系数R-squared度量了因变量的变异在多大程度上可以由回归模型来解释。如果判定系数小，说明模型中的解释变量只能解释少部分因变量的变异。判定系数越高，说明回归模型拟合样本数据的程度越高。,22,样本回归模型的判定系数为0.619735，说明房屋面积可以解释大约62%的房屋价格的变异。或者说，房屋价格的变异有62%可以由房屋面积来解释。 可见，房屋价格的变异还有大约38%部分需要纳入其他解释变量来解释。比如位置、环境、物管等。,23,九、利用回归模型作预测,例题二 Data4.xls数据集存放了中国1978年到2005年的GDP与居民消费的年度数据，用1978年2003年的数据作居民消费对GDP的回归分析，然后利用回归结果来预测2004年、2005年的居民消费水平。,
