发布时间 : 星期三 文章计量经济学答案 整理版(1)更新完毕开始阅读582a53e03186bceb18e8bb23
100008000CONS6000400020000020004000Y60008000
Dependent Variable: LNCONS Method: Least Squares Date: 06/14/02 Time: 10:04 Sample: 1978 2000 Included observations: 23 Variable C LnY R-squared
Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient ________ 1.050893 0.998510 0.034224 42.23303 0.842771 Std. Error 0.064931 0.008858 t-Statistic -3.193690 _______ Prob. 0.0044 0.0000 7.430699 1.021834 -6.336402 -6.237663 14074.12 0.00000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
1．在空白处填上相应的数字（共4处）（计算过程中保留4位小数） 2．根据输出结果，写出回归模型的表达式。
3．给定检验水平α=0.05，检验上述回归模型的临界值t0.025=_______，F0.05=_______； 并说明估计参数与回归模型是否显著? 4．解释回归系数的经济含义。 5．根据经典线性回归模型的假定条件，判断该模型是否明显违反了某个假定条件？如有违背，应该如何解决？（6分）
13
5. 已知某市羊毛衫的销售量1995年第一季度到2000年第四季度的数据。 假定回归模型为：
Yt =β0+β1 X1t +β2 X2 t+ ut
式中：Y=羊毛衫的销售量
X1=居民收入 X2=羊毛衫价格
如果该模型是用季度资料估计，试向模型中加入适当的变量反映季节因素的影响。（仅考虑截距变动。
可以往模型里加入反映季节因素的虚拟变量D。由于共有四个季节，所以可以将此虚拟变量分为三个类别。设基础类别是夏季，于是虚拟变量可以如下引入：
即
D1=D2=
D3=
此时建立的模型为Yt=β0+β1X1t+β2X2t+D1+ D2+ D3+ut
6. 以下是某个案例的Eviews分析结果（局部）。
Dependent Variable: Y Method: Least Squares
Sample(adjusted): 1 10
Included observations: 10 after adjusting endpoints Variable Coefficient Std. t-Statistic Prob.
Error
C 4.826789 9.217366 0.523663 0.6193 X1 0.178381 0.308178 0.5788 0.5838 X2 0.688030 0.2099 3.277910 0.0169 X3 —0.2226 0.156400 -1.423556 0.2044 R-squared 0.852805 Mean dependent var 41.90000 Adjusted R-squared 0.7792 S.D. dependent var 34.28783
14
S.E.of regression 16.11137 Sum squared resid 1557.457 Log likelihood -39.43051 Durbin-Watson stat 3.579994
②以标准记法写出回归方程； ③你对分析结果满意吗？为什么？
Akaike info criterion 8.686101
Schwarz criterion 8.807135 F-statistic 11.58741 Prob(F-statistic) 0.006579
①填上（1）、（2）、（3）、（4）位置所缺数据；
注意：coefficient= std.error * t-statistic
Adjusted r-squared= 1-(1-r-squared)(n-1)/(n-k-1)
7. 根据下列Eviews应用软件的运行结果比较分析选择哪个模型较好？并说明理由；以标准形式写出确定的回归方程。 模型一
Dependent Variable: Y Method: Least Squares Sample: 1 12 Included observations: 12 Variable Coefficient Std. Error t-Statistic Prob. C 46.13828 7.356990 6.271352 0.0001 1/X 1335.604 171.2199 7.800522 0.0000 Adjusted R-squared 0.844738 Akaike info criterion 8.283763 Sum squared resid 1993.125 Schwarz criterion 8.364580 Log likelihood -47.70258 F-statistic 60.84814 Durbin-Watson stat 2.154969 Prob(F-statistic) 0.000015
模型二
Dependent Variable: Y Method: Least Squares Sample: 1
12 Included observations: 12
Convergence achieved after 6 iterations Y=C(1)*C(2)^X Coefficient Std. Error t-Statistic Prob. C(1) 195.1784 11.46600 17.02237 0.0000 C(2) 0.979132 0.001888 518.5842 0.0000 Adjusted R-squared 0.922179 Akaike info 7.593063
criterion
15
Sum squared resid Log likelihood
999.0044 -43.55838
Schwarz criterion 7.673881 Durbin-Watson 2.818195 stat
8. 下图一是yt的差分变量Dyt的相关图和偏相关图；图二是以Dyt为变量建立的时间序列模型的输出结果。（20分）
图一
Dependent Variable: DY Method: Least Squares Date: 06/14/02 Time: 19:28 Sample(adjusted): 1951 1997
Included observations: 47 after adjusting endpoints Convergence achieved after 6 iterations
Variable AR(1) MA(2) R-squared
Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Coefficient 0.978038 -0.313231 Std. Error 0.033258 0.145855 t-Statistic 29.40780 -2.147554 Prob. 0.0000 0.0372 0.145596 0.056842 -3.187264 -3.108535 2.183396 0.297961 Mean dependent var 0.282360 S.D. dependent var 0.048153 Akaike info criterion 0.104340 Schwarz criterion 76.90071 Durbin-Watson stat 图二
其中Q统计量Q-statistic(k=15)=5.487
1．根据图一，试建立Dyt的ARMA模型。（限选择两种形式）（6分） 2．根据图二，试写出模型的估计式，并对估计结果进行诊断检验。（8分）
3. 与图二估计结果相对应的部分残差值见下表，试用（2）中你写出的模型估计式预测1998年的Dyt的值（计算过程中保留四位小数）。（6分）
16
1．由图1的偏相关图和自相关图的特点，即它们均具有一阶截尾特征，可得序列DLPI的ARMA模型可能是ARMA(1,1)；或ARMA(2,1)等过程。 2．由图2可得，变量DLPI的ARMA（1，2）模型估计式为：
并且，由t检验可见模型系数在1%的水平下具有显著性；由于Q检验值为11.735小于检验临界值c20。05（12-1-2）=16.919，所以，该估计模型较好。 3．利用估计模型
可得， 2000年DLPI的预测值：
17