【Eviews实战】——多元线性回归模型的建立(一)

简介: 【Eviews实战】——多元线性回归模型的建立(一)

熟悉eviews基本操作,利用eviews建立消费和支出法GDP、粮食产量和劳动力及化肥之间的简单线性回归模型,并根据回归结果进行数据解读。文章涉及普通最小二乘法、F检验、t检验、拟合优度检验等知识。

1 数据背景

  我国1978-1998年消费支出及支出法GDP数据,数据来源于实验课数据文件,具体数据如表1所示。

2 理论模型

  根据消费与GDP关系,以消费作为因变量,GDP作为自变量构建理论模型:yt=α+β1xt+μt

  其中y t y_tyt表示第t个时段消费,x t x_txt表示第t个时段支出法GDP。

3 数据可视化

  利用Eviews10.0绘制线性图和散点图。

  由图1可以看出,随着年份的增加,消费和支出法GDP呈递增的趋势;同时,根据消费和GDP支出法的散点图可以看出,消费和支出法GDP大致呈线性关系。

4 回归模型

  通过Eviews10.0进行回归普通线性最小二乘回归得到结果:

  根据结果显示,得到初步回归函数:

  回归方程Prob(F-statistic)=0.000000<0.05,通过显著性水平为0.05的显著性检验。

5 模型检验

5.1 经济意义检验

  从经济意义上看,β1=0.574787>0,符号为正,说明我们支出法GDP的增加会导致居民人均消费支出的增加,二者同向变动,且斜率值满足0<0.574789<1,符合经济学意义,表明我国支出法GDP每增加一元,居民人均消费支出增加0.574789元。

5.2 统计检验

5.2.1 估计标准误差检验

  S.E. of regression=336.1071,表明我国居民人均消费支出的平均误差为336.1071。

5.2.2拟合优度检验

  由回归结果:R2=0.999486,表明我国人均消费支出变化的99.95%可由支出法GDP的变化来解释,模型的拟合优度较高。

5.2.3 参数显著性检验

  对于β 1 , t = 192.2519 > t 0.025 ( 19 ) = 2.093,且P=0.000<0.05,拒绝原假设,表明我国支出法GDP对居民人均消费支出存在显著性影响。

6 拟合效果及预测效果

6.1 拟合效果

6.2 预测效果

  由图4、图5可以看出,模型整体拟合效果是较好,且残差在0附近波动,模型建立成功。


相关文章
|
12月前
|
存储 安全 API
电商API合规性:确保数据隐私与法规遵守
在数字化电商时代,API作为连接平台、商家与用户的关键枢纽,承载大量敏感数据。面对日益严格的数据隐私法规,如GDPR、CCPA和中国《个人信息保护法》,合规成为企业发展的核心挑战。本文探讨如何通过系统化方法保障电商API的数据安全与法规遵循,涵盖法规要点、技术实现与最佳实践,助力企业在合规基础上稳健发展。
|
7月前
|
Linux 虚拟化 iOS开发
macOS Tahoe 26.2 (25C56) Boot ISO 原版可引导映像下载
macOS Tahoe 26.2 (25C56) Boot ISO 原版可引导映像下载
1054 1
|
IDE API 开发工具
鸿蒙开发:DevEcoStudio中那些实用的小功能
本篇文章就暂时给大家盘点四个,在后续的文章中,关于DevEco Studio中能够提升我们开发效率的功能,也会不间断的进行总结。
328 12
鸿蒙开发:DevEcoStudio中那些实用的小功能
|
数据可视化 数据挖掘 数据安全/隐私保护
Python实现时间序列动量策略:波动率标准化让量化交易收益更平稳
时间序列动量策略(TSMOM)是一种基于资产价格趋势的量化交易方法,通过建立多头或空头头寸捕捉市场惯性。然而,传统TSMOM策略因风险敞口不稳定而面临收益波动问题。波动率调整技术通过动态调节头寸规模,维持恒定风险水平,优化了策略表现。本文系统分析了波动率调整TSMOM的原理、实施步骤及优势,强调其在现代量化投资中的重要地位,并探讨关键参数设定与实际应用考量,为投资者提供更平稳的风险管理体验。
765 4
Python实现时间序列动量策略:波动率标准化让量化交易收益更平稳
|
数据可视化
【Eviews实战】——多元线性回归模型的建立(二)
【Eviews实战】——多元线性回归模型的建立(二)
|
SQL 缓存 分布式数据库
【赵渝强老师】达梦数据库的线程结构
达梦数据库采用单进程、多线程结构,利用对称服务器架构实现高效资源利用与可扩展性。其核心线程类型包括监听线程(管理客户端连接)、I/O线程(处理数据页读写)、工作线程(执行数据操作)、调度线程(定时任务管理)和日志刷新线程(确保REDO日志刷盘)。通过合理分工与同步机制,达梦数据库实现了高性能与稳定性。视频讲解进一步详细介绍了各线程的功能与协作方式。
434 1
【赵渝强老师】达梦数据库的线程结构
|
数据可视化 vr&ar
【Eviews实战】——ARIMA模型建模
【Eviews实战】——ARIMA模型建模
|
机器学习/深度学习 数据采集 人工智能
《大模型训练成本高,如何在不牺牲性能的前提下破局》
在人工智能领域,大模型训练成本高昂,主要源于硬件设备、数据处理和算法优化的需求。降低训练成本的关键在于合理配置硬件资源、改进数据处理方法、优化算法和模型结构,以及采用分布式训练技术。通过这些措施,企业可以在不影响模型性能的前提下,显著减少计算资源、人力和时间的投入,实现更高效的模型训练。实践证明,综合运用这些方法能够有效降低成本,推动人工智能技术的可持续发展。
1089 18
|
SQL 存储 Oracle
12.Mysql 多表数据横向合并和纵向合并
12.Mysql 多表数据横向合并和纵向合并
1246 3
|
数据可视化 数据挖掘 Python
数学建模——线性回归模型
数学建模——线性回归模型
624 1