時間序列數(shù)據(jù)的基本回歸分析(1)(參考版)
2025-05-19 09:32本頁面
【正文】 ? 文件： ? 命令： reg lchnimp lchempi lgas lrtwex befile6 affile6 afdec6 feb mar apr may jun jul aug sep oct nov dec 聯(lián)合顯著性檢驗： test feb mar apr may jun jul aug sep oct nov dec Prob F = 0 . 5 8 5 2 F( 11, 113) = 0 . 8 6P值 =，故季節(jié)虛擬變量不是聯(lián)合顯著的。 ? 季節(jié)性 ? 很多公布的宏觀經(jīng)濟時間序列都已經(jīng)進行了季節(jié)調(diào)整，因此，需要我們自己去進行季節(jié)調(diào)整的范圍是很有限的。然后， 將 對 xt1， xt2， t回歸 ? 這一回歸中的 R2能夠更好地反應出 xt1， xt2能在多大程度上解釋 yt，因為它過濾掉了時間趨勢的影響。 ? 因變量有趨勢時 R2的計算 ? 當因變量含有趨勢時，時間序列回歸中的普通或調(diào)整R2可能會認為地變大。 txxy ttt 322110 ????? ???? ???? 1?? 2??ty? 1tx?2tx?tyy tt 10 ?? ?? ?????1tx? 2tx?ty? 1tx?2tx?1?? 2??1?? 2??? 例 波多黎各的就業(yè) （基于例 ） ? 加入一個線性趨勢，估計結果為： ? log(usgnp)的系數(shù)發(fā)生了顯著變化：從不顯著的 。 ? 這個回歸得出的 和 與前式中相同。例如， ? 對于 和 的解釋與此類似。 ? 例 生育方程（基于例 ） （ 1）在生育方程中添加一個 線性時間趨勢 ： ? 命令： reg gfr pe ww2 pill t （ 2）采用二次趨勢（觀察總生育率在 19131984年間表現(xiàn)出先上升后下降的趨勢。 ? 在有些情形中，若 自變量和因變量有不同類型 的趨勢（比如一個向上而另一個向下），增加一個時間趨勢可使關鍵解釋變量 更顯著 ，但自變量圍繞其趨勢線的變動會導致因變量偏離其趨勢線的變動。 ? 命令 2： reg linvpc t reg lprice t ? 結果 2： ? 命令 3： reg linvpc lprice t ? 結果 3： _cons . 8 4 1 2 9 1 8 . 0 4 4 7 4 4 1 8 . 8 0 0 . 0 0 0 . 9 3 1 7 2 2 8 . 7 5 0 8 6 0 8 t . 0 0 8 1 4 5 9 . 0 0 1 8 1 2 9 4 . 4 9 0 . 0 0 0 . 0 0 4 4 8 1 9 . 0 1 1 8 0 9 8 linvpc Coef. Std. Err. t P|t| [ 95% Conf. Interval] 趨勢系數(shù)和標準誤（雖然不一定可靠）揭示了上升趨勢 _cons . 1 8 8 3 8 6 . 0 1 0 5 1 2 1 1 7 . 9 2 0 . 0 0 0 . 2 0 9 6 3 1 8 . 1 6 7 1 4 0 1 t . 0 0 4 4 1 7 3 . 0 0 0 4 2 5 9 1 0 . 3 7 0 . 0 0 0 . 0 0 3 5 5 6 5 . 0 0 5 2 7 8 1 lprice Coef. Std. Err. t P|t| [ 95% Conf. Interval] 現(xiàn)在結論大不相同：估計出的價格彈性是負的，而且在統(tǒng)計上也非顯著異于 0。 ? 文件： ? 變量含義： invpc：真實人均住房投資（以千美元計）； price：住房價格指數(shù)（ 1982=1）。 ? 以下例說明時間趨勢如何導致謬誤回歸。滿足以上特征的模型為： ? 它可以理解成 xt3=t是的多元線性回歸。 ? 線性時間趨勢 （ linear time trend）：各期變化值相同 ?,2,1,10 ???? tety tt ??? 指數(shù)趨勢 （ exponential trend）： 各期具有相同的平均增長率 ?,2,1,)l o g ( 10 ???? tety tt ??? 在回歸分析中使用趨勢變量 ? 僅因為每個變量都隨著時間的推移而增長，便得到兩個
環(huán)評公示相關推薦
鄂ICP備17016276號-1