1、一、可线性化模型 二、不可线性化模型 三、回归模型的比较练习题及参考资料返回,第四章 回归模型的函数形式,安徽财贸学院信管系,EViews软件介绍,1.1 Eviews软件简介 1.2 数据的分类 1.3 数据的获取 1.4 数据的处理 1.5 数据的统计特征,安徽财贸学院信管系,1.1 Eviews软件简介,（2）软件文件类型工作文件 （Workfile） 程序文件 （Program） 数据库文件 （Database） 文本文件 （Text）,Eviews软件（1）软件的启动,安徽财贸学院信管系,序列 （Series） 方程式 （Equation） 图形 （Graph） 序列组或群（Grou
2、p） 向量 （VAR） 其它对象,组成一个工作文件,（3）核心对象,安徽财贸学院信管系,1.2 数据分类,选择数据类型 选择数据频率 选择样本范围,Eviews软件主要针对数值数据。数据类型各种各样，频率又高有低（时间间隔）。数据类型划分为时间序列数据、截面数据和Panal数据。,分类方法,安徽财贸学院信管系,1.3数据的获取,方法,调查与试验 统计年鉴和快报 数据库,数据的录入 键盘直接录入 从其他文档中复制粘贴 文件导入,安徽财贸学院信管系,1.4数据的处理,用公式生成新数据使用数学公式对Eviews工作文件中已经有的变量或序列进行变换 例 如果需要变量Y的自然对数，则采用函数于是生成了一
3、个新的变量或序列LNY。,安徽财贸学院信管系,表1-1 运算符号及其功能,Eviews软件中的公式运算符和函数功能,安徽财贸学院信管系,Eviews软件中，除了通常意义下的变量外，也可以使用逻辑变量，这些变量有真和假两种结果，用1表示真，用0表示假。同样，可以通过使用逻辑运算符AND与OR表述较为复杂的逻辑运算 Eviews中常用函数及其功能,安徽财贸学院信管系,安徽财贸学院信管系,安徽财贸学院信管系,1.5数据的统计特征,1、单变量的描述性统计量 （1）描述性统计量 （2）分组描述性统计量2、多变量的描述性统计量,【例1】 我国税收预测模型。表2-3列出了我国19851998年期间税收收入Y
4、和国内生产总值X的统计资料（时间序列数据），试利用EViews软件建立一元线性回归模型。,EViews软件介绍,表2-3 我国税收与GDP统计资料 单位：亿元,（1）建立工作文件：,启动EViews, 点击FileNewWorkfile，弹出工作文件对话框（图2-3），选择数据的时间频率、起始期和终止期。,时间频率,年度,半年,季度,月度,周,日,非时序数据,起始期,终止期,命令方式：在EViews命令窗口中键入CREATE 时间频率类型 起始期 终止期 例如：CREATE A 85 98,（2）输入统计资料：在命令窗口键入数据输入/编辑命令DATA Y X将显示数组窗口（图2-4），此时可以
5、按全屏幕编辑方式输入每个变量的统计资料。,图2-4 数组窗口,（3）估计回归模型：,数组窗口中点击ProcsMakeequation，定义方程，点击OK，则弹出有关估计结果（右图）。,我国税收模型的估计式为：,常数和解释变量,参数标准差,T统计量值,双侧概率,判定系数,调整的判定系数,回归方程的标准差,残差平方和,似然函数的对数,德宾-瓦森统计量,被解释变量均值,被解释变量标准差,赤池信息准则,施瓦兹信息准则,F统计量,F统计量的概率,参数估计值,命令方式，键入：LS 被解释变量 C 解释变量 例如：LS Y C X,【例2】中国城镇居民消费函数。表2-5列出了我国城镇居民家庭1998年平均每
6、人全年消费性支出Y和可支配收入X的统计资料（横截面数据，单位：元/年），试利用EViews软件，通过在命令窗口中直接键入命令的方式建立城镇居民消费函数。,常数,表2-5 我国城镇居民家庭1998年收支情况,依次键入： 建立工作文件：CREATE U 8 输入统计资料：DATA Y X 估计回归模型：LS Y C X,操作演示,右图是输出结果， 我国城镇居民的 消费函数为：,一、可线性化模型 1倒数变换模型（双曲函数模型）,设：,即可变换为线性。,模型,应用：平均固定成本曲线、商品成长曲线菲利普斯曲线等,第四章 回归模型的函数形式,2双对数模型（幂函数模型）,则转换成线性回归模型：,设:,模型,
7、其中 ：,弹性,3半对数模型 模型 y=a+blnx+ (对数函数模型)lny=a+bx+ (指数函数模型),对数函数模型中，,指数函数模型中，,4多项式模型,对于模型,设:,则:,模型转化成多元线性回归模型。,【例5】为了分析某行业的生产成本情况，从该行业中选取了10家企业，表2-10中列出了这些企业总产量Y（吨）和总成本X（万元）的有关资料，试建立该行业的总成本函数和边际成本函数。 表2-10 某行业产量与总成本统计资料,根据边际成本的U型曲线理论，总成本函数可以用产量的三次多项式近似表示，即：,设:,EViews的命令操作： GENR X1=X GENR X2=X2 GENR X3=X3
8、 LS Y C X1 X2 X3,变换即可,操作演示,对总成本函数求导数，得到边际成本函数的估计式为：,得到总成本函数估计式：,二、不可线性化模型,采用：高斯牛顿迭代法 1迭代估计法模型,估计过程如下： （1）根据经济理论和所掌握的资料，先确定一组数a0,b0,c0作为参数a,b,c的初始估计值； （2）将模型在点（a0,b0,c0）处展开成泰勒级数，并取一阶近似值；,（3）作变量变换，转化成线性回归模型,以利用OLS法估计模型，得到参数的第一组估计值,（4）将 代入线性回归模型取代参数的上一组估计值，计算出一组新观察值，进而得到a、b、c的第二组估计值。 （5）重复第（4）步，逐次估计，直到
9、第t+1次估计值的估计误差小于事先取定的误差精度时为止。并以第t+1次的计算结果作为参数a、b、c的估计值。,2迭代估计法的EViews软件实现,(1) 设定待估参数的初始值 方式1：PARAM命令，格式为： PARAM 1 初始值1 2 初始值2 方式2：在工作文件窗口中双击序列C，并在序列窗口中直接输入参数的初始值 (2)估计非线性模型 【命令方式】 键入命令：NLS 被解释变量=非线性函数表达式,如，对于非线性回归模型y=a(x-b)/(x-c)+，则 NLS Y= C(1)*(X-C(2)/(X-C(3),【菜单方式】 （1）在数组窗口中点击ProcsMake Equation； （2
10、）在弹出的方程描述对话框中输入模型具体形式：Y= C(1)*(X-C(2)/(X-C(3)； （3）选择估计方法为最小二乘法后点击OK。,注：可设置最大迭代次数和误差精度，初始值和精度得设定会影响估计结果。,【例6】 我国国有工业企业生产函数（例4续）。例4中曾估计出我国国有独立核算工业企业的线性生产函数，现建立C-D（Cobb-Dauglas）生产函数：,（1）转化成线性模型进行估计lny=lnA+lnL+lnK+ 键入以下命令： GENR LNY = log(Y) GENR LNL = log(L) GENR LNK = log(K) LS LNY C LNL LNK,得到C-D生产函数的
11、估计式为： 操作演示,即:,（2）利用迭代法直接估计非线性模型： 输入命令： Param 1 1 2 1 3 1在主窗口中点击ObjectsNew Object，并选择Equation；,输入非线性模型的方程表达式： Y=C(1)*LC(2)*KC(3),如果要修改迭代次数或收敛的误差精度,可点击Options按钮进行设置。,点击OK后，系统将自动进行迭代运算并输出估计结果： 操作演示,报告迭代了13次后收敛,对应A，,三、回归模型的比较,1图形观察分析 （1）观察趋势图变量的发展趋势是否一致？解释变量能否反映被解释变量的波动变化情况？变量发展过程中是否有异常点等问题。 （2）观察相关图直观地
12、判断两者的相关程度和相关类型。,2模型估计结果观察分析,（1）回归系数的符号、值的大小。 （2）改变模型形式之后是否使判定系数的值明显提高。 （3）各个解释变量t检验的显著性。 （4）系数的估计误差较小。 （5）自相关检验,在方程窗口点击View Actual,Fitted,Residual Tabe（或Graph），观察：,（1）各期残差是否大都落在 的虚线框内； （2）残差分布是否具有某种规律性，即是否存在着系统误差； （3）近期残差的分布情况。注意：当模型侧重于预测，则应关注F,R2,当模型侧重于因素分析，则应关注t。,3残差分布观察分析,【例7】我国税收预测模型的比较分析（例1续）。,
13、（1）相关图分析： 操作演示 键入 SCAT X Y (3.1版)，结果如图,（2）估计模型：GENR LNY = Log(Y)GENR LNX = Log(X)GENR X2 = X2,LS LNY C X （指数函数模型）,LS Y C X X2 （二次函数模型）,LS LNY C LNX （双对数模型）,指数模型的估计结果如下：,R2值,调整的R2值,F统计量的值,二次函数模型的估计结果如下：,R2值,调整的R2值,F统计量的值,双对数模型的估计结果如下：,R2值,调整的R2值,F统计量的值,（3）残差分布分析,指数函数,二次函数,（4）拟合预测分析,对于二次函数模型，在方程窗口中直接点击Forcast按纽，就可以得到其在样本期的拟合预测值，设命名为Y2。而对于指数函数模型，需要先在方程窗口中由Forcast按纽得到lnY的预测值，设命名为LNYF，然后再计算Y的预测值Y1，即：GENR Y1=EXP（LNYF） 然后打入命令：PLOT Y Y1PLOT Y Y2 即可得到模型1、2的拟合预测图（见下图）：,指数函数拟合预测图,二次函数拟合预测图,
