44,000 Y
48,000
60,000 50,000 40,000 30,000 20,000 10,000
52,000
116,000
114,000
4,500
X1 4,000 X2 3,500
3,000
2,500 2,000
1,500 36,000
40,000
112,000 110,000 108,000
1996
18.2
1432.93
1997 1998
19.3
1538.97
17.1
1663.63
练习数据 3.2： 10 个家庭收入与消费支出的界面数据。
家庭收入 X
家庭消费支出 Y
1
800.00
770.00
2
1200.00
1100.00
3
2000.00
1300.00
4
3000.00
2200.00
5
4000.00
R-squared
0.907296 Mean dependent var
3913.444
Adjusted R-squared
0.901502 S.D. dependent var
2580.715
S.E. of regression
809.9396 Akaike info criterion
16.33624
二、通过建立方程对象的方式来估计一个方程，并保存我们建立的方程对象。
Workfile 窗口下建立新的对象 ---equation 对象并命名，在 equation estimation
窗口下的 specification
选项卡下的 equation specification
对话框中设置因变量、自变量及常数项，在
0.982798 0.975630 688.2984 5685056. -139.5077 137.1164 0.000000
开组对象，发现所添加序列已经存在；查看其相关系数矩阵；结果如下；
Y
X1
X2
X3
X4
ห้องสมุดไป่ตู้
X5
Y
1.000000
0.944426
0.273995
0.399454
0.867587
0.553560
X1
0.944426
1.000000
0.011823
0.640175
0.960278
0.545450
X2
0.273995
四、在回归估计结果中显示方程的三种形式（即估计命令，回归方程的一般表达式，带有系数估 计值的表达式）
Estimation Command:
LS GDPP STEELP C Estimation Equation:
GDPP = C(1)*STEELP + C(2)
Substituted Coefficients:
23237.06 Schwarz criterion
10.02854
Log likelihood
-112.1927 F-statistic
2859.544
Durbin-Watson stat
0.550636 Prob(F-statistic)
0.000000
注意：建模途径： command: quick\estimation equation
2100.00
6
5000.00
2700.00
7
7000.00
3800.00
8
9000.00
3900.00
9
10000.00
5500.00
10
12000.00
6600.00
3.2 多元线性回归模型
一、做以因变量为横轴，多个自变量为纵轴的散点图，简单观察该因变量与多个自变量之间的关系。 案例数据： 中国粮食生产函数。 根据理论和经验分析， 影响粮食生产 （ Y）的主要因素有农业化肥施用量 （ X1）、 粮食播种面积（ X2）、成灾面积（ X3）、农业机械总动力（ X4）和农业劳动力（ X5），其中成灾面积的符号为负，其 余均应为正。下表给出了 1983—— 2000 中国粮食生产的相关数据，拟建立中国粮食生产函数。 Wokfile 窗口下建立 graph 对象，注意在序列对话框中首先输入 y，再依次输入 x1 到 x5, 首先生成系统默认的 折线图，通过 option 改成散点图，观察得到的图形结果，分析可知需要分轴显示或标准化处理，处理前后图形结 果如下；
44,000 Y
48,000
52,000
55,000
50,000
45,000
40,000
X3 35,000 X4 X5 30,000
25,000
20,000
15,000
10,000 36,000
40,000
44,000 Y
48,000
52,000
3
2
1
1.5
0
1.0
-1
X1
X2
0.5
-2
0.0
-3
-1.445299
0.1740
X5
-0.028425
0.202357
-0.140471
0.8906
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
Prob.
C
-12815.75
14078.90
-0.910280
0.3806
X1
6.212562
0.740881
8.385373
0.0000
X2
0.421380
0.126925
3.319919
0.0061
X3
-0.166260
0.059229
-2.807065
0.0158
X4
-0.097770
0.067647
在 sample 或 range 中改变样本区间或文件区间（需补充观察值）后进行样本外预测。
对案例数据 1970 年 -1980 年美国的咖啡平均真实零售价格（每磅美元）与消费量（每人每日杯数）散点图观察
后，显示负相关的直线关系，操作过程同上。
实验作业——一元线性回归建模。
附录：练习数据 3.1
为了研究某市城镇每年鲜蛋的需求量，首先考察消费者年人均可支配收入对年人均鲜蛋需求量的影响。由经济理论知，当人均可支配
案例数据 2、 3、 4、 5： 10 个家庭人均收入与消费支出的横截面数据； 1978-2000 年中国人均消费模型； 1978
年 -2008 年市城镇居民年家庭收入和年消费性支出数据（
case1_1 的数据）； 1970 年 -1980 年美国的咖啡平均真实
零售价格（每磅美元）与消费量（每人每日杯数） （其中，零售价格是已经经过物价调整的）
0.011823
1.000000
-0.454908
-0.038479
0.182359
X3
0.399454
0.640175
-0.454908
1.000000
0.689565
0.355735
X4
0.867587
0.960278
-0.038479
0.689565
1.000000
0.454169
X5
0.553560
GDPP = 93.6876362857*STEELP - 3394.97191614
五、如何查看因变量的实际值、拟合值和回归方程的残差（包括表的形式和图的形式） 通过方程窗口下的 view 去实现实际值、拟合值和回归方程的残差；单独显示残差及标准化后的 残差；
2,000 1,000
0
12,000 10,000 8,000 6,000 4,000 2,000 0
-1,000
-2,000
86
88 90
92
94
96
98
00 02
Residual
Actual
Fitted
六、如何用我们建立的方程进行预测，可以进行样本预测，也可以进行样本外预测。
对于案例数据 1978 年 -2008 年市城镇居民年家庭收入和年消费性支出数据，进行样本与外的预测。
通过 equation 窗口中的 forecast 直接进行样本预测：查看图及 workfile 中的 yf 序列；
第三课 一元及多元线性回归模型
3.1 一元线性回归模型
一、做两个变量的散点图，从而看两个变量是否具有线性关系。
案例数据： 1985-2002 年我国人均钢产量与人均 GDP的时间序列数据（数据 3_1_1）。
操作方法：通过序列组的形式右键单击打开后，在
group 窗口下 view —— graph---scatter
收入提高时，鲜蛋需求量也相应增加。但是，鲜蛋需求量除受消费者可支配收入影响外，还要受到其自身价格、人们的消费习惯及其
他一些随机因素的影响。为了表示鲜蛋需求量与消费者可支配收入之间非确定的依赖关系，我们将影响鲜蛋需求量的其他因素归并到
随机变量 u 中，建立这两个变量之间的数学模型。表中给出
Y 为某市城镇居民人均鲜蛋需求量（公斤） ， X 为年人均可支配收入（元，
0.000000
1978-2000 年中国人均消费模型结果：
Variable C
Coefficient 201.1189
Std. Error 14.88402
t-Statistic 13.51241