课程名称：
课程名称：计量经济学
学生姓名：阳诗琪
学号：201174250203
班级： 1102班
专业：金融学
2013 年 5 月 5日
计量经济学实验报告
多元回归模型实验
【实验目标】：通过上机实验,使学生能够使用 Eviews 软件
【实验内容】：1.用Eviews完成多元线性回归模型的统计检验
2.对Eviews结果对应的相关统计检验进行解释
【实验步骤及分析】:
1、经济理论
理论上认为影响成品钢材的需求量的因素主要有经济发展水平、收入水平、产业发展、人民生活水平提高、能源转换技术等因素。
为此，收集了我国成品钢材的需求量 选择与其相关的八个因素 原油产量、生铁产量、原煤产量、发电量、铁路货运量、固定资产投资额、居民消费作为影响变量 1980——1998年的有关数据如下表。
年份成品钢
材（万
吨）y 原油(万
吨)x
1
生铁（万
吨）x
2
原煤（亿
吨）x
3
发电量
（亿千
瓦）x
4
铁路货
运量（万
吨）x
5
固定资
产投资
额(亿
元）x
6
居民消
费（亿
元）x
7
1980 2716.2105953802.4 6.23006.2111279 910.92317.1 1981 2670.1101223416.6 6.23092.107673 9612604.1 1982 2902102123551 6.663277113491230.4 2867.9
2、模型估计
多元线性回归模型的基本形式：设随机变量y 与一般变量x 1,x 2,...x p 的理论线性回归模型为:
y=εββββ+++++p p x x x (22110)
其中β1,β2，。
，βp 是p+1个未知参数，β0称为回归常数,β1,β2，。
，βp 称为回归系数。
y 称为被解释变量(因变量)，而x 1,x 2,...x p 是p 个可以精确测量并可控制的一般变量，称为解释变量（自变量）。
ε是随机误差。
3、画散点图
1983 3072 10607 3738 7.15 3514 118784 1430.1 3182.5 1984 3372 11461.3 4001 7.89 3770 124074 1832.9 3674.5 1985 3693 12489.5 4384 8.72 4107 130709 2543.2 4589 1986 4058 13068.8 5064 8.94 4495 135635 3120.6 5175 1987 4356 13414 5503 9.28 4973 140653 3791.7 5961.2 1988 4689 13704.6 5704 9.8 5452 144948 4753.8 7633.1 1989 4859 13764.1 5820 10.54 5848 151489 4410.4 8523.5 1990 5153 13830.6 6238 10.8 6212 150681 4517 9113.2 1991 5638 14009.2 6765 10.87 6775 152893 5594.5 10315.9 1992 6697 14209.7 7589 11.16 7539 157627 8080.1 12459.8 1993 7716 14523.7 8739 11.51 8395 162663 13072.3 15682.4 1994 8482 14608.2
9741
12.4
9281 163093 17042.1 20809.8 1995 8979.8 15004.94 10529.27 13.61 10070.3 165885 20019.3 26944.5 1996 9338.02 15733.39 10722.5
13.97
10813.1
168803
22974 32152.3 1997 9978.93
16074.14 11511.41 13.73 11355.53 169734
22913.5
34854.6
4、建立模型
将原始数据导入到Eviews6.0(破解版）的数据框中，然后用Eviews软件做线性回归分析如下：
在Eviews主窗口菜单单击Quick/Estimate Equation，弹出方程估计窗口，再在弹出的窗口清单内填入以下回归方程的书写形式。
整形式
y=c(1)+c(2)*x1+c(3)*x2+c(4)*x3+c(5)*x4+c(6)*x5+c(7)*x6+c(8)*x7
简化形式
y c x1 x2 x3 x4 x5 x6 x7
这里我们采用简化形式执行后得到输出结果为：
分析:从模型汇总表中可以看出,决定系数R2=0.998775,由决定系数看回归模型高度显著。
又由F=1164.425,P值=0.000000,回归模型通过了F检验,表明7个自变量整体对因变量y产生显著线性影响的判断所犯错误的概率仅为0.000000。
说明 x1,x2, x3 ,x4, x5,x6,x7,整体上对y有高度显著的线性影响。
表中第二列是我们的回归方程参数估计值,由此可以得到y对7个自变量的线性回归方程为：
7
6
5
4 3
2
1
0074963
.0
100421
.0
000331
.0
723643
.0
3385
.
102
235776
.0
041503
.0
41368
.
44
ˆ
x
x
x
x x
x
x
y
-
+
-
+ -
+
+
=
5、对估计结果的检验
①拟合优度的检验R2=0.998775，说明模型对样本拟合的很好
②显著性的F检验
分析：从表中结果可以看出Prob(F-statistic)即相伴概率P值，由F=1164.425，P 值=0.000000<0.05，可知此回归方程拒绝零假设，即做出7个自变量整体对因变量y产生显著线性影响的判断所犯错误的概率仅为0.000000，回归方程通过了F检验。
③变量的显著性检验（t检验）
分析：通过看上面的T检验表可以发现，在显著性水平α=0.05时，只有x
4，x
7
的Prob
（收尾概率）小于0.05，通过了显著性检验。
④变量t检验的分析
为了尽可能的保留合理变量,我们就针对逐个变量给以T检验分析,逐步剔除不合理的变量,使回归模型更完善。
因此我们首先剔除Prob最大的变量x
5
再做回归分析的T检验
分析:剔除x
5后,在显著性水平α=0.05时 有x
4，
x
7，
的Prob收尾概率小于0.05，通过了
显著性检验。
此时我们发现，剔除了x
5
后，通过T检验的变量增多， 这是一个很好的
结果。
因此我们再剔除Prob最大的变量x
1
，再做回归分析的T检验如下：
分析：剔除x
1，x
5
后，在显著性水平α=0.05 时，有x
4，
x
6,
x
7，
的Prob收尾概率小于0.05
通过了显著性检验。
此时我们发现，剔除了x
2，x
5
后，通过T检验的变量又增多了一个。
因此我们再剔除Prob最大的变量x
3,
再做回归分析的T检验如下:
分析：剔除x
1，x
3,
x
5
后，在显著性水平α=0.05 时，有x
4，
x
6,
x
7，
的Prob收尾概率小于0.05
通过了显著性检验。
因此我们再剔除Prob最大的变量x
2,
再做回归分析的T检验如下:
分析:剔除x
1,x
2.
x
3.
x
5
后,在显著性水平α=0.05 时 剩余变量x
4
,x
6
,x
7
的Prob收尾概率
都小于0.05,全部通过了显著性T检验。
以x
4,x
6
,x
7
做回归分析的输出表来看,决定系数
R2=0.998165,由决定系数看回归模型仍然具有高度的显著性。
又由F=2538.904,P=0.000000,回归模型通过了F检验,表明7个自变量整体对因变量y产生显
著线性影响的判断所犯错误的概率仅为0.000000。
说明x
4,x
6
,x
7
整体上对y有高度显著
的线性影响.
【实验结论】
从回归方程中可以看到，原油产量、发电量、固定资产投资额对成品钢材需求量起正影响，原煤产量、居民消费对成品钢材需求量起负影响。
此时回归方程虽然通过了F,T 检验，但是增加了不合理变量原煤产量、居民消费所占回归方程的比重，这也是不合社会实际的。