【正文】 公司提出該項革新直至革新被采納間隔的月數，x1是公司的總資產額（單位：百萬美元），x2是一個定性變量，表示公司類型：其中1表示股份公司， 0表示非股份公司。模型如下： 其中 ＝保健年度支出 ＝年度收入 iY1 2 2 3 3i i i i iY a a D a D X u?? ? ? ? ?iX210D????如果是高中教育其他 310D????如果是大學教育其他2021/6/15 31 對一個定量變量和兩個定性變量的回歸 回顧前面學院教授薪金回歸模型，現在假定除了教齡和性別之外，膚色也是一個重要的薪金決定因素。教育水平是定性變量，分為三類：低于中學、中學和大學。 (4)虛擬變量的系數稱為級差截距系數，它表示取值 1的類別的截距值和基基礎類型的截距值相比有多大差別。 (3)被賦予零值的那個類別通常稱為基礎類型。更通用的規(guī)則是： 如果一個定性變量有 m個類別，則引入 m1個虛擬變量。這個模型的 系數估計用 OLS即可完成。 2? ( ) ( ) 7iiYDtR????2021/6/15 28 一個定量變量和一個兩分定性變量的回歸 仍然用上面的例子，只是引入教齡作 為解釋變量。（為什么把這種模型稱為方差分析模型？） 一個教授年薪的模型： 其中 表示教授的年薪 i i iY a D u?? ? ?Y10iD?? ??若 是 男 教 授若 是 女 教 授2021/6/15 27 根據所給數據可以估計出如下結果： 估計方法與前面所講的方法沒有區(qū)別。 在回歸模型中，對定量變量和虛擬變量的估計方法是一樣的。 虛擬變量回歸模型 ? 一、 虛擬變量的概念 虛擬變量，是一種離散結構的量，用來描述所研究變量的發(fā)展或變異而建立的一類特殊變量，常用來表示職業(yè)、性別、季節(jié)、災害、經濟結構變化、受教育程度等的影響。由回歸結果可見，Y滯后一期的回歸系數并不顯著，說明兩個模型的設定都不合理。全省工業(yè)總產值每預期增加 1（億元），當期新增固定資產量為 （億元）。為此，先估計如下形式的一階自回歸模型： * * * *0 1 1t t t tY X Y u? ? ? ?? ? ? ?2021/6/15 22 （ 1）根據局部調整模型的參數關系，有 將上述估計結果代入得到： ? 故局部調整模型為： ? 意義：為了達到全省工業(yè)總產值的計劃值，尋求一個未來預期新增固定資產的最佳量，全省工業(yè)總產值每計劃增加 1（億元），則未來預期最佳新增固定資產量為 （億元）。 ? （ 2） 設定模型 作自適應假定，估計參數，并作解釋。 X Y2?[v ar( )]?2021/6/15 20 三、例題分析及 EViews操作 根據某地區(qū) 19621995年基本建設新增固定資產 Y（億元）和全省工業(yè)總產值 X（億元）按當年價格計算的歷史資料 (參見教材 P212，表 )。 如果 超過 1，檢驗便不適用。 （ c）如果 h落在 ，則不拒絕無一階自相關的虛擬假設。 因此決策規(guī)則是： （ a）如果 h,則拒絕無正的一階自相關的虛擬假設。（ ）又可寫為： （ ） h漸進地遵循零均值和單位方差的正態(tài)分布。然而對于考伊克和適應性期望模型，即使 序列無關， 仍可能是序列相關。 1 0 1 1 1 2 1 1? ? ?t t t t t t tY X X X X Y X? ? ?? ? ? ? ?? ? ?? ? ? ??2021/6/15 17 二、在自回歸模型中偵察自相關：德賓 h檢驗 誤差項 中可能的序列相關會使自回歸模型的估計變得復雜。利維亞坦建議用 作為 的工具變量，并且還建議方程（ ）的參數可由以下正規(guī)方程解得： 1tY?t?t?1tY?1tX? 1tY?0 1 2 1? ? ?ttY n X Y? ? ? ?? ? ?? ? ?20 1 2 1? ? ?t t t t t tY X X X Y X? ? ? ?? ? ?? ? ? ?2021/6/15 16 （ ) 從（ ）中估計出來的諸 是一致性的。 ttu???tutu?2021/6/15 15 一、工具變量法 最小二乘法之所以不能適用于考伊克或適應性期望模型，是因為解釋變量 和誤差項 相關。 0 1 2 1t t t tY X Y? ? ? ??? ? ? ?1tY?t?tut?2021/6/15 14 考伊克和適應性期望模型則不能滿足這些假定，然而部分調整模型中 ，因此， 如果滿足經典線性回歸模型的假設，則 也能滿足，從而用最小二乘估計將得到一致估計。 如前所述，運用最小二乘法，必須表明隨機解釋變量 的分布與干擾項 無關。 2021/6/15 12 待估計的方程 ： INV = c(1) + c(2)*INV(1) + c(6)*GDP + c(7)*GDP(1) + c(8)*GDP(2) + c(9)*GDP(3) 估計的方程： INV = + *INV(1) + *GDP *GDP(1) *GDP(2) + *GDP(3) 2021/6/15 13 167。 2021/6/15 11 方程（ ）中的系數 ?j 在表格底部顯示。 這是回歸自變量中多重共線的典型現象 ， 建議擬合一個多項式分布滯后模型 。 2021/6/15 9 三 、 例子 投資 INV關于 GDP的 分布滯后模型的結果如下 2021/6/1