【正文】 roc\Make Equation，如果不需要重新確定方程中的變量或調整樣本區(qū)間，可以直接點擊OK進行估計。因此，可初步將模型設定為指數函數模型、對數模型和二次函數模型并分別進行估計。因此，對這兩個模型再做進一步比較。所以，如果所建立的模型是用于經濟預測，則指數函數模型更加適合。其中，L、K分別為生產過程中投入的勞動與資金，時間變量反映技術進步的影響。回歸系數的符號和數值是較為合理的。因此，需要對以上三元線性回歸模型做適當的調整，按照統計檢驗程序，一般應先剔除統計量最小的變量（即時間變量）而重新建立模型。模型2的擬合優(yōu)度較模型1并無多大變化，F檢驗也是高度顯著的。方式1：轉化成線性模型進行估計；在模型兩端同時取對數，得：在EViews軟件的命令窗口中依次鍵入以下命令：GENR LNY=log（Y）GENR LNL=log（L）GENR LNK=log（K）LS LNY C LNL LNK則估計結果如圖33所示。圖34 生產函數估計結果此時，函數表達式為： （模型4）＝()(－)() 可以看出，模型4中勞動力彈性＝，資金的產出彈性＝，很顯然模型的經濟意義不合理，因此，該模型不能用來描述經濟變量間的關系。將模型5與通過方式1所估計的模型3比較，可見兩者是相當接近的。因此，估計模型時最好依據參數的經濟意義和有關先驗信息，設定好參數的初始值。而且，模型4的表達式也說明了模型的經濟意義不合理，不能用于描述我國國有工業(yè)企業(yè)的生產情況，應舍棄此模型。但從圖313看出，模型5的近期誤差較大，因此也可以舍棄該模型。2．外推預測①先利用樣本數據估計方程，LS Y C X ，并保存方程；②修改數據區(qū)間和樣本區(qū)間，將區(qū)間擴充到預測年份：鼠標放在工作文件窗口Range和sample位置，雙擊即可修改數據區(qū)間和樣本區(qū)間；【或者用命令】修改數據區(qū)間： RANGE 起始期 終止期擴充數據區(qū)間： EXPAND 起始期 終止期 （注：EXPAND這條命令只能增加數據區(qū)間，不能縮減）調整樣本區(qū)間： SMPL 起始期 終止期③輸入解釋變量預測年份的數值，點擊方程之前保存的方程窗口的FORECAST按鈕進行預測，注意，此時預測的樣本區(qū)間已經包含了擴充的年份；④觀察保存的預測變量，預測年份的被解釋變量也已填充了數據，此即點預測結果。⑵殘差分析首先將數據排序（命令格式為：SORT 解釋變量），然后建立回歸方程。SMPL 1 10LS Y C X圖3 樣本1回歸結果⑶利用樣本2建立回歸模型2（回歸結果如圖4）。圖6 White檢驗結果其中F值為輔助回歸模型的F統計量值。⒋Park檢驗⑴建立回歸模型（結果同圖5所示）。⑵生成新變量序列：GENR E=ABS(RESID)⑶分別建立新殘差序列（E）對各解釋變量（X/X^2/X^(1/2)/X^(－1)/ X^(－2)/ X^(－1/2)）的回歸模型：LS E C X，回歸結果如圖1113所示。本例中，圖10所示的回歸方程F值（）最大，可以據次來確定異方差的形式。圖20對應的White檢驗沒有顯示F值和的值，這表示異方差性已經得到很好的解決。 圖51表明隨著GDP指數的上升，居民儲蓄存款也逐步增加，二者的曲線相關關系較為明顯，線性關系則不太明顯。圖53 雙對數模型估計結果其檢驗報告如下： () ()＝ F＝ ＝⑶對數模型：LS Y C LNX估計結果及相關信息如圖54所示。各解釋變量及常數項都通過了檢驗，模型都較為顯著。而且，這兩個模型的擬合優(yōu)度也較雙對數模型和二次多項式模型低，所以又可舍棄線性模型和指數模型。⒉偏相關系數檢驗在方程窗口中點擊View/Residual Test/CorrelogramQstatistics，并輸入滯后期為10，則會得到殘差與的各期相關系數和偏相關系數，如圖51512所示。圖513 雙對數模型的BG檢驗圖中，=，臨界概率P=，因此輔助回歸模型是顯著的，即存在自相關性。圖516 加入AR項的雙對數模型估計結果 圖516表明，估計過程經過4次迭代后收斂；，并且檢驗顯著，說明雙對數模型確實存在一階和二階自相關性。四、重新設定雙對數模型中的解釋變量：模型1：加入上期儲蓄LNY(1)；模型2：解釋變量取成：上期儲蓄LNY(1)、本期X的增長DLOG(X)。圖522 模型1的偏相關系數檢驗結果⑵模型2鍵入命令：GENR DLNX=D(LNX)LS LNY C LNY(1) DLNX則模型2的估計結果如圖523所示。⑴模型1模型1的表達式為：表示我國城鄉(xiāng)居民儲蓄存款余額的相對變動不僅與GDP指數相關，而且受上期居民存款余額的影響。表1 我國鋼材產量及其它相關經濟變量統計資料年份鋼材產量Y生鐵產量X1發(fā)電量X2固定資產投資X3國內生產總值X4鐵路運輸量X519782208347925663264110119197924973673282040381118931980271638023006451811127919812670341730934862107673198229203551327752951134951983307237383514593511878419843372400137707171124074198536934384410789641307091986405850644495102021356351987438655034973119631406531988468957045452149281449481989485958205848169091514891990515362386212253418548150681199156386765677521618152893199266977589753926638157627199377168956839534634162663199484289741928146759163093199589801052910070584781658551996933810723108136788516880319979979115111135674463169734一、檢驗多重共線性⒈相關系數檢驗利用相關系數可以分析解釋變量之間的兩兩相關情況。圖1 解釋變量相關系數矩陣⒉輔助回歸方程檢驗當解釋變量多余兩個且變量之間呈現出較復雜的相關關系時，可以通過建立輔助回歸模型來檢驗多重共線性。所以，設建立的一元回歸方程為：⒉逐步引入其它變量，確定最適合的多元回歸方程（回歸結果如表2所示）表2 鋼材產量預測模型逐步回歸結果模型X1X2X3X4X5Y=f(X1) ()　　　　 Y=f(X1,X2) () ()　　　 Y=f(X1,X3) ()　 ()　　 Y=f(X1,X4) ()　　 ()　 Y=f(X1,X5) ()　　　 () Y=f(X1,X2,X3) () () ()　　Y=f(X1,X2,X4) () ()　 ()　Y=f(X1,X2,X5) () ()　　 ()所以，建立的多元回歸模型為：Y = + *X1 + *X2實驗七 虛擬變量【實驗目的】掌握虛擬變量的設置方法。DATA D1GENR XD=X*D1⒊估計虛擬變量模型：LS Y C X D1 XD再由檢驗值判斷虛擬變量的引入方式，并寫出各類家庭的需求函數。事實上，現階段我國城鎮(zhèn)居民中國收入家庭的彩電普及率已達到百分之百，所以對彩電的消費需求處于更新換代階段。圖73 引入虛擬變量后的我國稅收預測模型我國稅收預測函數的估計結果為： () () () ()＝ ＝ F＝ ＝ 可見，虛擬變量的回歸系數的檢驗都是顯著的，且模型的擬合優(yōu)度很高，說明1996年的稅收政策對稅收收入在截距和斜率上都產生了明顯影響。具體估計過程如下：CREATE U 16 建立工作文件DATA Y X(輸入1998，1999年消費支出和收入的數據，1－8期為1998年資料，9－16期為1999年資料)SMPL 1 8 樣本期調成1998年GENR D1=0 輸入虛擬變量的值SMPL 9 16 樣本期調成1999年GENR D1=1 輸入虛擬變量的值SMPL 1 16 樣本期調成1998～1999年GENR XD=X*D1 生成XD的值LS Y C X D1 X D 利用混合樣本估計模型則估計結果如圖74：圖74 引入虛擬變量后的我國城鎮(zhèn)居民消費模型 () () () ()＝ ＝ F＝ ＝ 根據檢驗，D和XD的回歸系數均不顯著，即可以認為＝0，＝0；這表明1998年、1999年我國城鎮(zhèn)居民消費函數并沒有顯著差異。表73 利用不同樣本估計的消費模型樣本1998～1999年1998年1999年實驗八 滯后變量【實驗目的】掌握分布滯后模型的估計方法【實驗內容】建立庫存函數【實驗步驟】【例1】 表1列出了某地區(qū)制造行業(yè)歷年庫存Y與銷售額X的統計資料?？梢钥闯?，庫存額與當年及前三年的銷售額相關。表2 Almon估計法滯后期確定參數類型AICSCPDL(X,3,2)PDL(X,4,2)PDL(X,5,2)從表2中可以看出，當滯后期由3增加至4時，調整的判定系數增大而AIC和SC