计量经济学第一次作业第二章P858.用SPSS软件对10名同学的成绩数据进行录入，分析得r=0.875,这说明学生的课堂练习和期终考试有密切的关系，一般平时练习成绩较高者，期终成绩也高。
9.(1)一元线性回归模型如下：Y i=ß0+ß1X i+u i其中，Y i表示财政收入，X i表示国民生产总值，u i为随机扰动项，ß0 ß1为待估参数。
由Eviews软件得散点图如下图：（2）Ýi =-1354.856+0.179672XiSÊ:(655.7254) (0.007082)t:(-2.066194) (25.37152)R2=0.958316 F=643.7141 df=28斜率ß1=0.179672表示国民生产总值每增加1亿元，财政收入增加0.179672亿元。
（3）可决系数R2=0.958316表示在财政收入Y的总变差中由模型作出的解释部分占95.8316%，即有95.8316%由国民生产总值来解释，同时说明样本回归模型对样本数据的拟合程度较高。
R2=ESS/(ESS+RSS)ESS=RSS*R2/(1-R2)=(1.91E+08)*0.958316/(1-0.958316)=44.02E+08F=(n-2)ESS/RSS,ESS=F*RSS/(n-2)=4.39*E09(4)SÊ(ß0)=655.7245 SÊ(ß1)=0.007082ß1的95%的置信区间是：[ß1-t 0.025(28)SÊ(ß1),ß1+t 0.025(28)SÊ(ß1)] 代入数值得：[0.179672-2.048*0.007082,0.179672+2.048*0.007082] 即：[0.165,0.194]同理可得，ß0的95%置信区间为[-2697.78,-11.93] （5）①原假设H 0:ß0=0 备择假设：H 1:ß0≠0则ß0的t 值为：t 0=-2.066194当ɑ=0.05时t ɑ/2(28)=2.048|t 0|=2.066194＞t ɑ/2(28)=2.048 故拒绝原假设H 0，表明模型应保留截距项。
②原假设H 0:ß1=0 备择假设：H 1:ß1≠0当ɑ=0.05时t ɑ/2(28)=2.048因为|t 1|=25.37152＞t ɑ/2(28)=2.048 故拒绝原假设H 0 表明国民生产总值的变动对国家财政收入有显著影响.计量经济学第二次作业第二章9.(10) 、建立X 与t 的趋势模型，其回归分析结果如下：Dependent Variable: X Method: Least Squares Date: 04/19/10 Time: 22:03 Sample: 1978 2008 Dependent Variable: Y Method: Least Squares Date: 04/10/10 Time: 17:31 Sample: 1978 2007 C -1354.856 655.7254 -2.066194 0.0482 R-squared0.958316 Mean dependent var 10049.04 Adjusted R-squared 0.956827 S.D. dependent var 12585.51 S.E. of regression 2615.036 Akaike info criterion 18.64028 Sum squared resid 1.91E+08 Schwarz criterion 18.73370 Log likelihood -277.6043 F-statistic 643.7141T 7085.937 571.7773 12.39283 0.0000R-squared 0.841167 Mean dependent var 67013.75Adjusted R-squared 0.835690 S.D. dependent var 70245.95S.E. of regression 28474.28 Akaike info criterion 23.41373Sum squared resid 2.35E+10 Schwarz criterion 23.50625Log likelihood -360.9128 F-statistic 153.5822令t=2008，其预测结果X=173302.807747再根据X对Y进行预测，其预测结果为Y=29782.7237932X2008=173302.683609 Y2008=29782.7707474(SÊ(e0))2—(SÊ(Y0))2=ó2所以SÊ(e0)=3809.16381在95%的置信度下,Y2008的预测区间为:[Y0-tα/2SÊ(e0),Y0+tα/2SÊ(e0)]=[29782.7707474-2.048*3809.1638129782.7707474+2.048*3809.16381]=[21981.5562，37583.8912]第三章P124,6.该家庭在衣着用品方面的开支（Y）对总开支（X1）以及衣着用品价格（X2）的最小二乘估计结果如下：Dependent Variable: YMethod: Least SquaresDate: 04/20/10 Time: 09:24Sample: 1991 2000Included observations: 10Variable Coefficient Std. Error t-Statistic Prob.C -3.755455 2.679575 -1.401511 0.2038X1 0.183866 0.028973 6.346071 0.0004R-squared 0.960616 Mean dependent var 8.080000Adjusted R-squared 0.949364 S.D. dependent var 3.724931S.E. of regression 0.838204 Akaike info criterion 2.728214Sum squared resid 4.918099 Schwarz criterion 2.818990Log likelihood -10.64107 F-statistic 85.36888 Durbin-Watson stat2.725104 Prob(F-statistic)0.00001212- 3.755455 + 0.183866 + 0.301746 i i i Y X X = :SE (2.679575) (0.028973) (0.167644) :t (-1.401511) (6.346071) (1.799923) :P (0.2038) (0.0004) (0.1149) 20.960616R = 2 0.949364R = :F (85.36888) ():(0.000012)P F :(2.725104)DW 7df =在=5%α的显著性水平下，对解释变量的估计参数1ˆβ、2ˆβ进行检验： 0111:0,:0H H ββ=≠，1{ 6.346071}0.0004<=0.05P t t α>==，1t 落入拒绝域，接受备择假设1H ，1ˆβ不显著为0，即就单独而言，总开支（X 1）对衣着用品方面的开支（Y ）影响显著。
从经济意义上分析，衣着用品作为日常基本消费品，其开支必然会与总开支保持一定比例的同步增长。
0212:0,:0H H ββ=≠，2{ 1.799923}0.1149 > =0.05P t t α>==，2t 落入接受域，无法否定原假设0H ，2ˆβ在统计上不显著，即就单独而言，衣着用品价格（X 2）对衣着用品方面的开支（Y ）影响不显著。
从经济意义上分析，衣着用品的需求量具有一定弹性，消费者在衣着用品方面的开支主要由收入决定，当商品价格发生变化时消费者会调节需求量使衣着用品方面的开支在总开支中保持一定比例，因此当总开支不变时，衣着用品价格（X 2）变动对衣着用品方面的开支（Y ）影响不显著。
在=5%α的显著性水平下，对解释变量的估计参数1ˆβ、2ˆβ进行整体性检验： 0121:0,:H H ββ==1ˆβ、2ˆβ中至少有一个不为0， 1{(2,7)(2,7)85.36888}0.000012 < 0.05P F F α>===，F 统计值落入拒绝域，接受备择假设1H ，即模型的整体拟合优度较好，总开支（X 1）和衣着用品价格（X 2）对衣着用品方面的开支（Y ）的共同影响显著。
计量经济学第三次作业 P124页7.(1)倒数回归模型Dependent Variable: Y Method: Least Squares Date: 05/26/10 Time: 17:22 Sample: 1958 1969 Included observations: 12C -0.259437 1.008640 -0.257214 0.8022R-squared 0.659360 Mean dependent var 4.066667Adjusted R-squared 0.625296 S.D. dependent var 1.271601S.E. of regression 0.778386 Akaike info criterion 2.487823Sum squared resid 6.058842 Schwarz criterion 2.568640Log likelihood -12.92694 F-statistic 19.35654SÊ:( 1.008640) (4.679482)t: (-0.257214) (4.399607)R2=0.625296 SE(Y)= 1.271601DW=0.639368 F=19.35654(2)线性回归模型Dependent Variable: YMethod: Least SquaresDate: 05/11/10 Time: 21:29Sample: 1958 1969Included observations: 12C 8.014701 1.240188 6.462492 0.0001X -0.788293 0.241772 -3.260479 0.0086R-squared 0.515286 Mean dependent var 4.066667Adjusted R-squared 0.466815 S.D. dependent var 1.271601S.E. of regression 0.928517 Akaike info criterion 2.840556Sum squared resid 8.621445 Schwarz criterion 2.921374Log likelihood -15.04334 F-statistic 10.63073Durbin-Watson stat 0.657106 Prob(F-statistic) 0.008567SÊ:(1.240188) (0.241772)t : (6.462492) (-3.260479)R2=0.466815 SE(Y)=1.271601DW=0.657106 F=10.63073(1)与(2)对比，（1）的调整可决系数大于（2），且（1）的F值大于（2），因此倒数回归模型能较好地拟合样本数据。