应用回归分析
课程设计报告
课程：应用回归分析
题目：人均可支配收入的分析年级：11金统
专业：金融统计
学号：
姓名：
指导教师：
基于多元线性回归模型对我国城镇居民家
庭人均可支配收入的分析
摘要：收入分配和消费结构都是国民经济的重要课题居民消费的主要来源
是居民收入而消费又是拉动经济增长的重要因素。本文将通过多远统计分析方法对我国各地区城镇居民收入的现状进行分析。通过分析找出我国城镇居民收入特点及其中存在的不足。城镇居民可支配收入是检验我国社会主义现代化进程的一个标准。本文根据我国城镇居民家庭人均可支配收入为研究对象，选取可能影响我国城镇居民家庭人均可支配收入的城乡居民储蓄存款年底余额、城乡居民储蓄存款年增加额、国民总收入、职工基本就业情况、城镇居民家庭恩格尔系数(%)5个因素，运用多元线性回归分析建立模型，先运用普通最小二乘估计求回归系数再对方程进行异方差、自相关、和多重共线性诊断，用迭代法消除了自变量之间的自相关。对于多重共线性问题，先是用逐步回归和剔除变量的方法，最终转变为用方差扩大因子法城乡居民储蓄存款年增加额剔除城镇居民家庭恩格尔系数(%)
解决多重共线性，建立最终回归方程
432108.0039.0012.0470.5305x x x y +++-=∧
标准化回归方程
**
3*24108.0863.0031.0x x x y ++=∧
以其探究最后进入回归方程的几个变量在影响城镇居民收入孰轻孰重，达到学习与生活结合的效果。分析出影响城镇居民收入的主要原因，并对模型联系实际进行分析，以供国家进行决策做参考。
关键词：多元线性回归 异方差 自相关 多重共线性 逐步回归 方差扩
大因子
（一）引言：
改革开放以来我国的国民经济增长迅速居民的收入水平也大幅提高但居
民收入分配差距也在不断扩大。2008年的金融危机为我国带来的后遗症还在继续影响着居民正常生活物价上涨和通货膨胀的压力仍然困扰着老百姓收入和消费支出体系的健康发展至关重要。消费是拉动国民经济增长的一架重要马车收入又是决定居民消费的最主要因素。我国人口基数大消费群体众多但由于居民收入分配差距大直接影响到居民消费需求的降低从而影响经济增长。而且随着中国特色的市场经济体制的建立各种收入分配问题也愈发明显。因此鉴于篇幅限制本文就只针对城镇居民的收入进行分析。中国网北京7月13日讯 国家统计局今日发布数据显示，我国城乡居民收入稳定增长，农村居民收入增长较快。上半年，城镇居民家庭人均总收入12076元。其中，城镇居民人均可支配收入11041元，同比增长13.2%，扣除价格因素，实际增长7.6%。在城镇居民家庭人均总收入中，工资性收入同比名义增长11.5%，转移性收入增长9.9%，经营净收入增长31.2%，财产性收入增长20.4%。农村居民人均现金收入3706元，同比增长20.4%，扣除价格因素，实际增长13.7%。其中，工资性收入同比名义增长20.1%，家庭经营收入增长21.0%，财产性收入增长7.5%，转移性收入增长23.2%。财政部副部眨楼继伟就调整城镇中低收入居民收 入政策符记者问中说：“由于城乡居民收入增长趋缓，居民对未来支出增加的预期增强， 消费意愿减弱，导致消费需求不旺。针对有效需求不足这一突出问题，党中央利国务院 决定， 积极调整收入分配政策，通过提高国有企业下岗职工等低收入者的生活保障水平 和增加机关事业单位职工工资等措施，逐步改变居民收入预期下降、支出预期Ｉ：列、高 收入者消费意愿不强、低收入者消费能力不足的状况，旨在刺激消费需求，健进国民经 济持续快速健康发展。”
下面通过统计数据对我国城镇居民家庭人均可支配收入的总体现状和发展态势进行分析了解我国居民收入分配情况。
（二）问题重述
以1991年-2011年的城镇居民家庭人均可支配收入y 为因变量，选取城乡居民储蓄存款年底余额x1、城乡居民储蓄存款年增加额x2、国民总收入x3、职工基本就业情况x4、城镇居民家庭恩格尔系数(%)x5为自变量。
（三）模型分析与建立
①多元线性回归模型
1.多元线性回归模型的一般形式
设随机变量y 与一般变量p x x x ,,,21 的线性回归模型为
εββββ+++++=p p x x x y 22110 （4.1）
其中，p βββ,,,10 是1+p 个未知参数，0β称为回归常数，p ββ,,1 称为回归系
数。y 称为被解释变量（因变量），p x x x ,,,21 是p 个可以精确测量并控制的一般变量，称为解释变量（自变量）。 ε是随机误差，与一元线性回归一样，对随机误差项我们常假定
???==2
)var(0)(σ
εεE （4.2）
称
εββββ+++++=p p x x x y E 22110)( （4.3） 为理论回归方程。
对一个实际问题，如果我们获得n 组观测数据
),,2,1(),,,(;21n i y x x x i ip i i =，则线性回归模型（4.1）式可表示为
??
????
?+++++=+++++=+++++=n
np p n n n p p p p x x x y x x x y x x x y εββββεββββεββββ 221102
2222211021
112211101 （4.4） 写成矩阵形式为
εβ+=X y （4.5）
其中
????
???
??=n y y y y
21 ????
???????
???=np n n p p x x x x x x x x x X 2
1
22221
112111
11 ???????
?????????=p βββββ 210 ??????
??????????=n εεεεε 210 （4.6）
X 是一个)1(+?p n 阶矩阵，称为回归设计矩阵或资料矩阵。 2.多元线性回归模型的基本假定
为了方便地进行模型的参数估计，对回归方程（4.4）式有如下一些基本假定：
（1）解释变量p x x x ,,,21 是确定性变量，不是随机变量，且要求
n p X r a n k <+=1)(。这里的n p X rank <+=1)(，表明设计矩阵X 中的自变量列
之间不相关，样本量的个数应大于解释变量的个数，X 是一满秩矩阵。
（2）随机误差项具有零均值和等方差，即
??
?
?
?=???≠====n j i j i j i n i E j i i ,,2,1,,,0,),cov(
,,2,1,0)(2 σεεε （4.7） 这个假定常称为高斯—马尔柯夫条件。0)(=i E ε，假设观测值没有系统错误，随机误差项i ε的平均值为0。随机误差项i ε的协方差为0，表明随机误差项在不同的样本点之间是不相关的（在正态假定下即为独立的），不存在序列相关，并且有相同的精度。
（3）正态分布的假定条件为
??
?=相互独立
n i n
i N εεεσε,,,,,2,1),,0(~212 （4.8） 对于多元线性回归的矩阵模型（4.5）式， 这个条件便可表示为
),0(~2n I N σε （4.9）
由上述假定和多元正态分布的性质可知，随机变量y 服从n 维正态分布，回归模型（4.5）式的期望向量
βX y E =)( （4.10）
n I y 2)var(σ= （4.11）
因此 ),(~2n I X N y σβ （4.12） ②回归参数的普通最小二乘估计
线性回归方程确定后的任务是利用已经收集到的样本数据，根据一定的统计拟合准则，对方程中的各个参数进行估计。普通最小二乘就是一种最为常见的统计拟合准则，在该准则下得到的回归参数的估计称为回归参数的普通最小二乘估计。
对于（4.5）式表示的回归模型εβ+=X y ，所谓最小二乘法，就是寻找参
数p ββββ,,,,210 的估计值p ββββ?,,?,?,?210 ，使离差平方和2221101210)(),,,,(ip p i i n
i i p x x x y Q ββββββββ-----=∑= 达到极小，即寻找
p
ββββ?,,?,?,?210 满足 2221101210)(),,,,(ip p i i n
i i p x x x y Q ββββββββ-----=∑=
2
1
22110
,
,,)(min 210∑=-----=
n
i ip p i i i
x x x y p
βββββ
βββ
（4.13）
依照（4.13）式求出的p ββββ?,,?,?,?210 就称为回归参数p ββββ,,,,210 的最小二乘估计。
p
p x x x y ββββ?????22110++++= （4.14） 为经验回归方程。
（四）问题分析
①数据说明
以1991年-2011年的城镇居民家庭人均可支配收入y 为因变量，选取城乡居民储蓄存款年底余额x1、城乡居民储蓄存款年增加额x2、国民总收入x3、职工基本就业情况x 4、城镇居民家庭恩格尔系数(%)x 5为自变量。数据来源国家统计局网站统计年鉴。
②求解分析
直接进入法
模型汇总
模型 R R 方
调整 R 方 标准 估计的误差
1
.999a
.999
.999
212.39403
a. 预测变量: (常量), 家庭恩格尔系数, 年增加额, 就业情况, 国民总收入, 年底余额。
可以看出调整后的决定系数999.02 R ，说明回归方程的拟合优度比较好。
Anova b
模型 平方和
df
均方 F Sig. 1
回归 6.745E8 5 1.349E8 2990.552
.000a
残差 676668.353 15 45111.224
总计
6.752E8
20
a. 预测变量: (常量), 家庭恩格尔系数, 年增加额, 就业情况, 国民总收入, 年底余额。
b. 因变量: 可支配收入
方差分析表可以看出，F 检验的检验值F=2990.552非常大，再看F 检验的P 值
≈0.000，可知此回归方程高度显著，即做出5个自变量整体对因变量y 产生显
著线性影响的判断所犯错误的概率仅为0.000。
系数a
模型 非标准化系数
标准系数 t Sig. B 的 95.0% 置信区间 B 标准 误差 试用版
下限 上限 1
(常量)
-4471.278
3126.013
-1.430
.173 -11134.218
2191.662
储蓄存款年底余额 .004 .008 .060 .457 .654 -.013 .020 储蓄存款年增加额 .011 .010 .027 1.084 .296 -.010 .032 国民总收入 .036 .005 .806 7.156 .000 .025 .047 就业情况 .102 .021 .127 4.817 .000 .057 .147 家庭恩格尔系数
-7.248
33.502
-.008
-.216
.832
-78.656
64.161
a. 因变量: 可支配收入
此时得到的回归方程为：
43221248.7102.0036.0011.0004.0278.4471x x x x x y -++++-=∧
复决定系数为0.999，F-检验高度显著（F=2990.552，P=0.000），说明模型整体拟合效果不错。
首先看t 检验结果， j β的t 统计量)5,,2,1( =j t j 及其相应的p 值就是上表第五
列（Sig.）的结果。我们可以发现显著性水平05.0=α时只有国民总收入（3x ）和就业情况（4x ）通过了显著性检验。尽管回归方程的显著性检验高度显著，但也会出现有某些自变量j x （甚至每个j x ）对y 无显著影响的情况。
接着看看回归系数的置信区间除了有国民总收入（3x ）系数95%置信区间[0.025，0.047]和就业情况（4x ）系数95%置信区间[0.057，0.147]不包含0，这也反映了回归系数的不合理。
那么究竟是什么原因导致回归方程出现上述结果呢，我们猜想可能是下列原因导致的。
（1）异方差和自相关
在回归模型的基本假设中，假定随机误差性n εεε，，
， 21具有相同的方差，独立或不相关，即对于所有样本点，有
?
?
???
???=≠====n j i j i j i n i E j i i ,,2,1,,0,),cov(,,2,1,0)(2 σεεε 但在建立实际问题的回归模型时，经常存在于此假设相违背的情况，一种是计量经济建模中常说的异方差性，即)var()var(j i εε≠，当j i ≠时另一种是自相关性，即
0)(cov ≠j i εε，，当j i ≠时，异方差带来的问题：
当一个回归问题存在异方差时，如果仍用普通最小二乘发估计位置参数，将引起不良后果，特别是最小二乘估计量不再具有最小方差的优良性，即最小二乘估计的有效性被破坏了。
当存在异方差时，参数向量β
?的方差大于在同方差条件下的方差，如果用普通最小二乘发估计参数，将出现低估β
?的真是方差的情况，进一步将导致高估回归系数的t 检验值，可能造成本来不显著的某些回归系数变成显著。这将给回归方程的应用效果带来一定影响。
当存在异方差是，普通最小二乘估计存在以下问题：
1、参数估计值虽然是无偏的，但不是最小方差线性无偏估计。
2、参数的显著性检验失效。
3、回归方程的应用效果极不理想。
自相关带来的问题：
当一个线性回归模型的随机误差项存在序列相关时，就违背了线性回归方程的基本假设，如果仍然直接用普通最小二乘法估计未知参数，将会产生严重后果，一般情况下，序列自相关性会带来下列问题： 1、最小二乘估计量仍然是线性的和无偏的。
2、最小二乘估计量不是有效的，即OLS 估计量的方差不是最小的，估计量不是最优线性无偏估计量(BLUE)。
3、OLS 估计量的方差是有偏的。用来计算方差和OLS 估计量标准误的公式会严重的低估真实的方差和标准误，从而导致t 值变大，使得某个系数表面上显著不为零，但事实却相反。
4、t 检验和F 检验不是可信的。
5、计算得到的误差方差2σ=df SSE /（残差平方和/自由度）是真实2σ的有偏估计量，并且很可能低估了真实的2σ。
6、计算的2R 也不能真实的反映实际2R 。
7、计算的预测方差和标准误差通常是无效的。 （2）多重共线性
多元线性回归有一个基本假设，就是要求设计矩阵X 的秩1)(+=p X rank ，即要求X 中的列向量之间线性无关。如果存在不全为零的1+p 个数
p c c c c ,,,,210 ，使得
,022110=++++ip p i i x c x c x c c n i ,,2,1 = （5.1）
则自变量p x x x ,,,21 之间存在完全多重共线性。在实际问题中，完全的多重共线性并不多见，常见的是（5.1）式近似成立的情况，即存在不全为零的1+p 个数
p c c c c ,,,,210 ，使得
,022110≈++++ip p i i x c x c x c c n i ,,2,1 = （5.2）
当自变量p x x x x ,,,,210 存在（5.2）式的关系时，称自变量p x x x x ,,,,210 之间存在多重共线性（multi-collinearity ），也称为复共线性。 多重共线性到来的影响：
（1）完全共线性下参数估计量不存在
（2）近似共线性下OLS 估计量非有效，多重共线性使参数估计值的方差增大，
)1/(12r 为方差扩大因子(Variance Inflation Factor, VIF) （3）参数估计量经济含义不合理
（4）变量的显著性检验失去意义，可能将重要的解释变量排除在模型之外 （5）模型的预测功能失效。变大的方差容易使区间预测的“区间”变大，使预测失去意义。
方程的异方差、自相关以及多重共线性诊断 1.异方差诊断
这里使用等级相关系数法检验，计算残差绝对值||i e （见附录2）与自变量i x 的相关性时采用Spearman 等级相关系数，而不采用Pearson 简单相关系数，这是由于等级相关系数可以反映非线性相关的情况，而简单相关系数不能如实反映非线性相关情况。
相关性
Unstandardized Residual
储蓄存款年底余
额
Unstandardized Residual Pearson 相关性 1 .023 显著性（双侧）
.923
N
21 21 储蓄存款年底余额 Pearson 相关性 .023 1
显著性（双侧） .923
N
21
21
残差绝对值与自变量储蓄存款年底余额1x 的相关系数为s r =0.023
相关性
Unstandardized Residual
储蓄存款年增加
额
Unstandardized Residual Pearson 相关性 1 .121 显著性（双侧）
.601
N
21 21 储蓄存款年增加额
Pearson 相关性 .121 1
显著性（双侧） .601
N
21
21
残差绝对值与自变量储蓄存款年增加额2x 的相关系数为s r =0.121
相关性
Unstandardized Residual
国民总收入 Unstandardized Residual Pearson 相关性 1
.047 显著性（双侧）
.839
N
21 21 国民总收入 Pearson 相关性 .047 1
显著性（双侧） .839
N
21
21
残差绝对值与自变量国民总收入3x 的相关系数为s r =0.047
相关性
Unstandardized Residual
就业情况 Unstandardized Residual Pearson 相关性 1
-.281 显著性（双侧）
.218
N
21 21 就业情况 Pearson 相关性 -.281 1
显著性（双侧） .218
N
21
21
残差绝对值与自变量就业情况4x 的相关系数为s r =-0.281
相关性
Unstandardized Residual
家庭恩格尔系数 Unstandardized Residual Pearson 相关性 1
.183 显著性（双侧）
.427
N
21 21 家庭恩格尔系数 Pearson 相关性 .183 1
显著性（双侧） .427
N
21
21
残差绝对值与自变量家庭恩格尔系数5x 的相关系数为s r =-0.183
因为在显著性水平05.0=α下，每个p 值都大于05.0=α，认为残差绝对值||i e 与自变量i x 不显著相关，即认为不存在异方差。 2.自相关诊断
这里我们采用DW 检验。可以用SPSS 算出DW 的值，结果如下
模型汇总b
模型 R R 方
调整 R 方 标准 估计的误差
Durbin-Watson
1
.999a
.999
.999
212.39403
1.892
a. 预测变量: (常量), 家庭恩格尔系数, 储蓄存款年增加额, 就业情况, 国民总收入, 储蓄存款年底余额。
b. 因变量: 可支配收入
由表5我们可以得到DW=1.892，查DW 表，n=21，k=6，显著性水平05.0=α，得
96.1,83.0==U L d d 。由L d DW ≤≤0，可知残差是有自相关。 消除自相关
这里我们用迭代法消除自相关，需要求出t y '和t i x ,'，其中
???-='
-='--1,,1
t t i t
i t t t x x x y y y ρρ 5,,2,1 =i （5.3）
（5.3）式中自相关系数ρ是未知的，用DW 21
-1?≈ρ来估计ρ，计算出ρ后，
带入（5.3）式，计算变换因变量t y '和变换自变量t i x ,'（见附录1），然后用变换得到自变量和因变量作普通最小二乘回归，看看自相关是否消除。
模型汇总b
模型 R R 方
调整 R 方 标准 估计的误差
Durbin-Watson
1
1.000a
.999
.999
218.21364
1.782
a. 预测变量: (常量), x53, x23, x43, x33, x13。
b. 因变量: y3
由表6我们可以得到DW=1.782，查DW 表，n=20，k=6，显著性水平05.0=α，得
99.1,79.0==U L d d 。由U L d DW d ≤<，可知不能判定残差是否有自相关。
多重共线性诊断
这里采用方差扩大因子和条件数检验回归方程的多重共线性。方差扩大因子法中，当10≥j VIF 时，就说明自变量j x 与其与自变量之间有严重的多重共线性，且这种多重共线性可能会过度地影响最小二乘估计。条件数法中，当100<≤k 时，没有多重共线性；10010<≤k 时，存在较强的多重共线性；100≥k 时，存在严重的多重共线性
系数a
模型 非标准化系数
标准系数
t Sig.
B 的 95.0% 置信区
间
共线性统计量
B
标准 误
差
试用版
下限
上限
容差
VIF
1
(常量)
-4471.278 3126.013
-1.430 .173 -11134.218 2191.662
储蓄存款年底余额
.004
.008
.060
.457
.654
-.013
.020
.004 259.650
储蓄存款年增加额 .011 .010 .027 1.084 .296 -.010 .032 .110 9.083
国民总收入 .036 .005 .806 7.156 .000 .025 .047 .005 189.802 就业情况 .102 .021 .127 4.817 .000 .057 .147 .096 10.428 家庭恩格尔系数
-7.248
33.502
-.008
-.216
.832
-78.656
64.161
.046
21.690
a. 因变量: 可支配收入
可以看出储蓄存款年底余额(1x )国民总收入（3x )的方差扩大因子很大，分别为650.2591=VIF ,802.1893=VIF ，，远远超过10，说回归方程存在着严重的多重共线性。
消除多重共线性
变量之间的多重共线性比较严重，我们先用逐步回归的方法剔除一些变量。用普通最小二乘回归对迭代法得到的数据进行分析
系数a
模型 非标准化系数
标准系数
t Sig.
B 的 95.0% 置信区间
共线性统计量
B
标准 误
差
试用版
下限
上限
容差
VIF
1
(常量)
-4471.278 3126.013
-1.430 .173 -11134.218 2191.662
储蓄存款年底余额
.004
.008
.060
.457
.654
-.013
.020
.004 259.650
储蓄存款年增加额 .011
.010
.027
1.084
.296
-.010
.032
.110
9.083
国民总收入 .036 .005 .806 7.156 .000 .025 .047 .005 189.802 就业情况 .102 .021 .127 4.817 .000 .057 .147 .096 10.428 家庭恩格尔系数
-7.248
33.502
-.008
-.216
.832
-78.656
64.161
.046
21.690
a. 因变量: 可支配收入
可以看出储蓄存款年底余额(1x )的方差扩大因子650.2591=VIF 最大，应该剔除变
第二章 简单线性回归模型 一、单项选择题 1．影响预测误差的因素有（ ） A ．置信度 B ．样本容量 C ．新解释变量X 0偏离解释变量均值的程度 D ．如果给定值X 0等于X 的均值时，置信区间越长越好。 2．OLS E 的统计性质（ ） A ．线性无偏性 B ．独具最小方差性 C ．线性有偏 D ．β∧ 是β的一致估计 3．OLSE 的基本假定（ ） A ．解释变量非随机 B ．零均值 C ．同方差 D ．不自相关 4.F 检验与拟合优度指标之间的关系( ) A ． 21111n p p R --?? ?- ?-?? B ． 21111n p p R --?? ?- ?-?? C ． 2111n p p R -???- ?-?? D ． 2111n p p R -???- ?-?? 5．相关分析和回归分析的共同点( ) A ．都可表示程度和方向 B ．必须确定解释(自)变量和被解释(因)变量 C ．不用确定解释(自)变量和被解释(因)变量 D ．都研究变量间的统计关系 6．OLS E 的基本假设有（ ） A ．解释变量是随机的 B ．随机误差项的零均值假设
C ．随机误差项同方差假设 D ．随机误差项线性相关假设 7．与 2 ()() 1 ()1i i i n x x y y i n x x i - --==∑∑ 等价的式子是（ ） A ．2 2 1()1i i i n x y nx y i n x n x i -=-=∑∑ B ．2()1()1i i i n x x y i n x x i --==∑∑ C ．2()1()1i i i n x x x i n x x i -=-=∑∑ D ．xy xx L L 8．下列等式正确的是（ ） A ．SSR=SST+SSE B ．SST=SSR+SSE C ．SSE=SSR+SST D ．SST=SST ×SSE 9．无偏估计量i β的方差是（ ） A ． 2 1 () n j j X X σ=-∑ B ． 2 2 1 ()n j j X X σ=-∑ C ． 2 () n j j X X σ=-∑
C ．(1-R)(k-1) 多元线性回归模型练习 一、单项选择题 1.在由n=30的一组样本估计的、包含3个解释变量的线性回归模型中，计算得可决系数为0.8500，则调整后的可决系数为（D） A.0.8603 B.0.8389 C.0.8655 D.0.8327 2.用一组有30个观测值的样本估计模型y t=b0+b1x1t+b2x2t+u t后，在0.05的 显著性水平上对b1的显著性作t检验，则b1显著地不等于零的条件是其统计量t大于等于（C） A.t0.05(30) B.t0.025(28) C.t0.025(27) D.F0.025(1,28) 3.线性回归模型y t=b0+b1x1t+b2x2t+......+b k x kt+u t中，检验 H0:b t=0(i=0,1,2,...k)时，所用的统计量服从(C) A.t(n-k+1) B.t(n-k-2) C.t(n-k-1) D.t(n-k+2) 4.调整的可决系数与多元样本判定系数之间有如下关系(D) A.R2=n-1 n-k-1 R2 B. R2=1-n-1 n-k-1 R2 C.R2=1-n-1 n-k-1 (1+R2) D. R2=1-n-1 n-k-1 (1-R2) 5.对模型Y i=β0+β1X1i+β2X2i+μi进行总体显著性F检验，检验的零假设是( A) A.β1=β2=0 B.β1=0 C.β2=0 D.β0=0或β1=0 6．设k为回归模型中的参数个数，n为样本容量。则对多元线性回归方程进行显著性检验时，所用的F统计量可表示为（B） A.RSS k-1)B． R2k (1-R2)(n-k-1) R2(n-k) 2 ESS/(k-1) D．TSS n-k) 7．多元线性回归分析中（回归模型中的参数个数为k），调整后的可决系数R2与可决系数R2之间的关系（A） R2=1-(1-R2)n-1 n-k-1 A. B.R2≥R2
1. 表1列出了某地区家庭人均鸡肉年消费量Y 与家庭月平均收入X ，鸡肉价格P 1，猪肉价格P 2与牛肉价格P 3的相关数据。 年份 Y/千 克 X/ 元 P 1/(元/千克) P 2/(元/千克) P 3/(元/千克) 年份 Y/千克 X/元 P 1/(元/ 千克) P 2/(元/ 千克) P 3/(元/千克) 1980 2.78 397 4.22 5.07 7.83 1992 4.18 911 3.97 7.91 11.40 1981 2.99 413 3.81 5.20 7.92 1993 4.04 931 5.21 9.54 12.41 1982 2.98 439 4.03 5.40 7.92 1994 4.07 1021 4.89 9.42 12.76 1983 3.08 459 3.95 5.53 7.92 1995 4.01 1165 5.83 12.35 14.29 1984 3.12 492 3.73 5.47 7.74 1996 4.27 1349 5.79 12.99 14.36 1985 3.33 528 3.81 6.37 8.02 1997 4.41 1449 5.67 11.76 13.92 1986 3.56 560 3.93 6.98 8.04 1998 4.67 1575 6.37 13.09 16.55 1987 3.64 624 3.78 6.59 8.39 1999 5.06 1759 6.16 12.98 20.33 1988 3.67 666 3.84 6.45 8.55 2000 5.01 1994 5.89 12.80 21.96 1989 3.84 717 4.01 7.00 9.37 2001 5.17 2258 6.64 14.10 22.16 1990 4.04 768 3.86 7.32 10.61 2002 5.29 2478 7.04 16.82 23.26 1991 4.03 843 3.98 6.78 10.48 （1） 求出该地区关于家庭鸡肉消费需求的如下模型： 01213243ln ln ln ln ln Y X P P P u βββββ=+++++ （2） 请分析，鸡肉的家庭消费需求是否受猪肉及牛肉价格的影响。 先做回归分析，过程如下： 输出结果如下：
野外实习资料的数理统计分析 一元线性回归分析 一元回归处理的是两个变量之间的关系，即两个变量X和Y之间如果存在一定的关系，则通过观测所得数据，找出两者之间的关系式。如果两个变量的关系大致是线性的，那就是一元线性回归问题。 对两个现象X和Y进行观察或实验，得到两组数值：X1，X2,…，Xn和Y1，Y2，…，Yn,假如要找出一个函数Y=f(X),使它在 X=X1,X2, …,Xn时的数值f(X1),f(X2), …,f(Xn)与观察值Y1，Y2，…，Yn趋于接近。 在一个平面直角坐标XOY中找出（X1，Y1），（X2，Y2），…，（Xn，Yn）各点，将其各点分布状况进行察看，即可以清楚地看出其各点分布状况接近一条直线。对于这种线性关系，可以用数学公式表示： Y = a + bX 这条直线所表示的关系，叫做变量Y对X的回归直线，也叫Y对X 的回归方程。其中a为常数，b为Y对于X的回归系数。 对于任何具有线性关系的两组变量Y与X，只要求解出a与b的值，即可以写出回归方程。计算a与b值的公式为：
式中：为变量X的均值，Xi为第i个自变量的样本值，为因变量的均值，Yi为第i个因变量Y的样本值。n为样本数。 当前一般计算机的Microsoft Excel中都有现成的回归程序，只要将所获得的数据录入就可自动得到回归方程。 得到的回归方程是否有意义，其相关的程度有多大，可以根据相关系数的大小来决定。通常用r来表示两个变量X和Y之间的直线相关程度，r为X和Y的相关系数。r值的绝对值越大，两个变量之间的相关程度就越高。当r为正值时，叫做正相关，r为负值时叫做负相关。r 的计算公式如下： 式中各符号的意义同上。 在求得了回归方程与两个变量之间的相关系数后，可以利用F检验法、t检验法或r检验法来检验两个变量是否显著相关。具体的检验方法在后面介绍。
多元线性回归模型案例分析 ——中国人口自然增长分析一·研究目的要求 中国从1971年开始全面开展了计划生育,使中国总和生育率很快从1970年的5.8降到1980年2.24,接近世代更替水平。此后，人口自然增长率（即人口的生育率）很大程度上与经济的发展等各方面的因素相联系，与经济生活息息相关，为了研究此后影响中国人口自然增长的主要原因，分析全国人口增长规律，与猜测中国未来的增长趋势，需要建立计量经济学模型。 影响中国人口自然增长率的因素有很多，但据分析主要因素可能有：（1）从宏观经济上看，经济整体增长是人口自然增长的基本源泉；（2）居民消费水平，它的高低可能会间接影响人口增长率。(3)文化程度，由于教育年限的高低，相应会转变人的传统观念，可能会间接影响人口自然增长率（4）人口分布，非农业与农业人口的比率也会对人口增长率有相应的影响。 二·模型设定 为了全面反映中国“人口自然增长率”的全貌，选择人口增长率作为被解释变量，以反映中国人口的增长；选择“国名收入”及“人均GDP”作为经济整体增长的代表；选择“居民消费价格指数增长率”作为居民消费水平的代表。暂不考虑文化程度及人口分布的影响。 从《中国统计年鉴》收集到以下数据（见表1）： 表1 中国人口增长率及相关数据
设定的线性回归模型为： 1222334t t t t t Y X X X u ββββ=++++ 三、估计参数 利用EViews 估计模型的参数，方法是： 1、建立工作文件：启动EViews ，点击File\New\Workfile ，在对 话框“Workfile Range ”。在“Workfile frequency ”中选择“Annual ” (年度)，并在“Start date ”中输入开始时间“1988”，在“end date ”中输入最后时间“2005”，点击“ok ”，出现“Workfile UNTITLED ”工作框。其中已有变量：“c ”—截距项 “resid ”—剩余项。在“Objects ”菜单中点击“New Objects”，在“New Objects”对话框中选“Group”，并在“Name for Objects”上定义文件名，点击“OK ”出现数据编辑窗口。 年份 人口自然增长率 （%。） 国民总收入（亿元） 居民消费价格指数增长 率（CPI ）% 人均GDP （元） 1988 15.73 15037 18.8 1366 1989 15.04 17001 18 1519 1990 14.39 18718 3.1 1644 1991 12.98 21826 3.4 1893 1992 11.6 26937 6.4 2311 1993 11.45 35260 14.7 2998 1994 11.21 48108 24.1 4044 1995 10.55 59811 17.1 5046 1996 10.42 70142 8.3 5846 1997 10.06 78061 2.8 6420 1998 9.14 83024 -0.8 6796 1999 8.18 88479 -1.4 7159 2000 7.58 98000 0.4 7858 2001 6.95 108068 0.7 8622 2002 6.45 119096 -0.8 9398 2003 6.01 135174 1.2 10542 2004 5.87 159587 3.9 12336 2005 5.89 184089 1.8 14040 2006 5.38 213132 1.5 16024
计量分析软件课程论文 论文题目：基于多元线性回归模型的影响居民消费 水平相关因素分析 姓名：学号： 学院：专业： 联系电话： 年月日 基于多元线性回归模型的影响居民消费 水平相关因素分析 一、研究背景 中国GDP总量超越日本，成为仅次于美国的第二大经济体，但我国人均GDP 依然很低，全球排名87位，这很大程度上制约了居民消费水平的提高。到2020年实现全面建成小康社会的目标，十八大明确提出提高居民人均收入和人均消费水平，共享改革开放成果。我国居民消费水平在改革开放后有了很大提高，但消费水平依然很低，消费量占GDP比重依然很小。为此，本文旨在根据全国经济宏观政策、国内生产总值、职工平均工资指数、城镇居民消费价格指数、普通中学及高等学校在校生数、卫生机构数和基本设施铁路公路货运量等因素的变化情况，来分析如何提高居民消费水平，以判断是否能使居民消费水平有很大的提高。本文通过对1978-2010年影响居民消费水平因素数据的分析，找到影响居民消费水平的主要原因，通过计量经济分析方法来建立合理的模型，探讨影响居民消费增长的长期趋势规律，并给政府提出合理的建议，以提高居民消费水平。 二、影响居民消费水平的因素 宏观经济模型) + GDP- + + =,经济发展应该紧紧抓住消费这一 I (M C X G 驾马车，而居民消费水平的高低受制于多种因素。凯恩斯消费理论认为居民消费主要受收入影响，我国居民消费一直很低，消费意愿不强，本文通过计量分析找
到影响我国居民消费水平的主要因素，从根本上改善消费不足,促进我国经济的持续稳定健康发展。 消费分为居民消费和，居民消费包括农村居民消费和城镇居民消费。本文结合居民消费水平的影响因素，列出了国内生产总值、职工平均工资指数、城镇居民消费价格指数、普通中学及高等学校在校生数、卫生机构数和基本设施铁路公路货运量等相关因素，进行计量分析,得到回归模型。 三、居民消费水平模型的总体分析框架 （1）多元线性回归法OLS 概述[1] 回归分析是计量经济分析中使用最多的方法，在现实问题研究中，因变量往往受制于多个经济变量的影响，通过统计资料，根据多个解释变量的最优组合来建立回归方程预测被解释变量的回归分析称为多元线性回归法。其模型基本形式为： 其中0β、1β、2β、3β…k β是1+k 个未知参数，称为多元回归系数。Y 称为被解释变量，t X 1、t X 2、t X 3…kt X 是k 个可以精确测量和可控的一般解释变量， t μ是随机误差项。当2≥k 时，上式为多元线性回归模型。 （2）多元回归模型的建立 定义被解释变量和解释变量，被解释变量为居民消费水平(Y 元)，解释变量为国内生产总值(1X 亿元)、职工平均工资指数(2X )、城镇居民消费价格指数(3X )、普通中学及高等学校在校生数(4X 万人)、卫生机构数(5X 个)和基本设施铁路公路货运量(6X 万吨)。 （3）统计数据选取 本文所有数据均来自中国统计局和中国统计局外网中国统计年鉴。[2] 1978 184 21261 169732 195301 1979 208 175142 382929 1980 238 180553 493327 1981 264 190126 471336 1982 288 193438 492737 1983 316 196017 520197
一元线性回归模型案例分析 一、研究的目的要求 居民消费在社会经济的持续发展中有着重要的作用。居民合理的消费模式和居民适度的消费规模有利于经济持续健康的增长，而且这也是人民生活水平的具体体现。改革开放以来随着中国经济的快速发展，人民生活水平不断提高，居民的消费水平也不断增长。但是在看到这个整体趋势的同时，还应看到全国各地区经济发展速度不同，居民消费水平也有明显差异。例如，2002年全国城市居民家庭平均每人每年消费支出为6029.88元, 最低的黑龙江省仅为人均4462.08元，最高的上海市达人均10464元，上海是黑龙江的2.35倍。为了研究全国居民消费水平及其变动的原因，需要作具体的分析。影响各地区居民消费支出有明显差异的因素可能很多，例如，居民的收入水平、就业状况、零售物价指数、利率、居民财产、购物环境等等都可能对居民消费有影响。为了分析什么是影响各地区居民消费支出有明显差异的最主要因素，并分析影响因素与消费水平的数量关系，可以建立相应的计量经济模型去研究。 二、模型设定 我们研究的对象是各地区居民消费的差异。居民消费可分为城市居民消费和农村居民消费，由于各地区的城市与农村人口比例及经济结构有较大差异，最具有直接对比可比性的是城市居民消费。而且，由于各地区人口和经济总量不同，只能用“城市居民每人每年的平均消费支出”来比较，而这正是可从统计年鉴中获得数据的变量。所以模型的被解释变量Y 选定为“城市居民每人每年的平均消费支出”。 因为研究的目的是各地区城市居民消费的差异，并不是城市居民消费在不同时间的变动，所以应选择同一时期各地区城市居民的消费支出来建立模型。因此建立的是2002年截面数据模型。 影响各地区城市居民人均消费支出有明显差异的因素有多种，但从理论和经验分析，最主要的影响因素应是居民收入，其他因素虽然对居民消费也有影响，但有的不易取得数据，如“居民财产”和“购物环境”；有的与居民收入可能高度相关，如“就业状况”、“居民财产”；还有的因素在运用截面数据时在地区间的差异并不大，如“零售物价指数”、“利率”。因此这些其他因素可以不列入模型，即便它们对居民消费有某些影响也可归入随即扰动项中。为了与“城市居民人均消费支出”相对应，选择在统计年鉴中可以获得的“城市居民每人每年可支配收入”作为解释变量X。 从2002年《中国统计年鉴》中得到表2.5的数据: 表2.52002年中国各地区城市居民人均年消费支出和可支配收入
中国税收增长的分析 一、研究的目的要求 改革开放以来，随着经济体制的改革深化和经济的快速增长，中国的财政收支状况发生了很大的变化，中央和地方的税收收入1978年为519.28亿元到2002年已增长到17636.45亿元25年间增长了33倍。为了研究中国税收收入增长的主要原因，分析中央和地方税收收入的增长规律，预测中国税收未来的增长趋势，需要建立计量经济学模型。 影响中国税收收入增长的因素很多，但据分析主要的因素可能有：（1）从宏观经济看，经济整体增长是税收增长的基本源泉。（2）公共财政的需求，税收收入是财政的主体，社会经济的发展和社会保障的完善等都对公共财政提出要求，因此对预算指出所表现的公共财政的需求对当年的税收收入可能有一定的影响。（3）物价水平。我国的税制结构以流转税为主，以现行价格计算的DGP等指标和和经营者收入水平都与物价水平有关。（4）税收政策因素。我国自1978年以来经历了两次大的税制改革，一次是1984—1985年的国有企业利改税，另一次是1994年的全国范围内的新税制改革。税制改革对税收会产生影响，特别是1985年税收陡增215.42%。但是第二次税制改革对税收的增长速度的影响不是非常大。因此可以从以上几个方面，分析各种因素对中国税收增长的具体影响。 二、模型设定 为了反映中国税收增长的全貌，选择包括中央和地方税收的‘国家财政收入’中的“各项税收”（简称“税收收入”）作为被解释变量，以放映国家税收的增长；选择“国内生产总值（GDP）”作为经济整体增长水平的代表；选择中央和地方“财政支出”作为公共财政需求的代表；选择“商品零售物价指数”作为物价水平的代表。由于税制改革难以量化，而且1985年以后财税体制改革对税收增长影响不是很大，可暂不考虑。所以解释变量设定为可观测“国内生产总值（GDP）”、“财政支出”、“商品零售物价指数” 从《中国统计年鉴》收集到以下数据 财政收入（亿元） Y 国内生产总值(亿 元） X2 财政支出（亿 元） X3 商品零售价格指 数（%) X4 1978519.283624.11122.09100.7 1979537.824038.21281.79102 1980571.74517.81228.83106
第10章 简单线性回归分析 思考与练习参考答案 一、最佳选择题 1．如果两样本的相关系数21r r =，样本量21n n =，那么（ D ）。 A. 回归系数21b b = B ．回归系数12b b < C. 回归系数21b b > D ．t 统计量11r b t t = E. 以上均错 2．如果相关系数r =1，则一定有（ C ）。 A ．总SS =残差SS B ．残差SS =回归 SS C ．总SS =回归SS D ．总SS ＞回归SS E. 回归MS =残差MS 3．记ρ为总体相关系数，r 为样本相关系数，b 为样本回归系数，下列（ D ）正确。 A ．ρ=0时，r =0 B ．|r |＞0时，b ＞0 C ．r ＞0时，b ＜0 D ．r ＜0时，b ＜0 E. |r |=1时，b =1 4．如果相关系数r =0，则一定有（ D ）。 A ．简单线性回归的截距等于0 B ．简单线性回归的截距等于Y 或X C ．简单线性回归的残差SS 等于0 D ．简单线性回归的残差SS 等于SS 总 E ．简单线性回归的总SS 等于0 5．用最小二乘法确定直线回归方程的含义是（ B ）。 A ．各观测点距直线的纵向距离相等 B ．各观测点距直线的纵向距离平方和最小 C ．各观测点距直线的垂直距离相等 D ．各观测点距直线的垂直距离平方和最小 E ．各观测点距直线的纵向距离等于零 二、思考题 1．简述简单线性回归分析的基本步骤。 答：① 绘制散点图，考察是否有线性趋势及可疑的异常点；② 估计回归系数；③ 对总体回归系数或回归方程进行假设检验；④ 列出回归方程，绘制回归直线；⑤ 统计应用。 2．简述线性回归分析与线性相关的区别与联系。
多元线性回归模型 一、单项选择题 1.在由30n =的一组样本估计的、包含3个解释变量的线性回归模型中，计算得多重决定系数为0.8500，则调整后的多重决定系数为（ D ） A. 0.8603 B. 0.8389 C. 0.8655 D.0.8327 2.下列样本模型中，哪一个模型通常是无效的（B ） A. i C （消费）=500+0.8 i I （收入） B. d i Q （商品需求）=10+0.8i I （收入）+0.9i P （价格） C. s i Q （商品供给）=20+0.75i P （价格） D. i Y （产出量）=0.650.6i L （劳动）0.4 i K （资本） 3.用一组有30个观测值的样本估计模型01122t t t t y b b x b x u =+++后，在0.05的显著性水 平上对1 b 的显著性作t 检验，则1 b 显著地不等于零的条件是其统计量t 大于等于（ C ） A. )30(05.0t B. ) 28(025.0t C. ) 27(025.0t D. ) 28,1(025.0F 4.模型 t t t u x b b y ++=ln ln ln 10中，1b 的实际含义是（ B ） A.x 关于y 的弹性 B. y 关于x 的弹性 C. x 关于y 的边际倾向 D. y 关于x 的边际倾向 5、在多元线性回归模型中，若某个解释变量对其余解释变量的判定系数接近于１，则表明模型中存在（ C ） A.异方差性 B.序列相关 C.多重共线性 D.高拟合优度 6.线性回归模型01122......t t t k kt t y b b x b x b x u =+++++ 中，检验0:0(0,1,2,...) t H b i k ==时，所用的统计量 服从( C ) A.t(n-k+1) B.t(n-k-2) C.t(n-k-1) D.t(n-k+2)
研究在线性关系相关性条件下，两个或者两个以上自变量对一个因变量，为多元线性回归分析，表现这一数量关系的数学公式，称为多元线性回归模型。多元线性回归模型是一元线性回归模型的扩展，其基本原理与一元线性回归模型类似，只是在计算上为复杂需借助计算机来完成。 计算公式如下： 设随机y与一般变量X1,X2,L X k的线性回归模型为： 其中°, 1,L k是k 1个未知参数，°称为回归常数，「L k称为回归系数；y称为被解释变量；x1, X2,L x k是k个可以精确可控制的一般变量，称为解释变量。 当P 1时，上式即为一元线性回归模型，k 2时，上式就叫做多元形多元回归模型。是随机误差，与一元线性回归一样，通常假设 同样，多元线性总体回归方程为y °1x1 2x2 L k x k 系数1表示在其他自变量不变的情况下，自变量乂［变动到一个单位时引起的因变量y 的平均单位。其他回归系数的含义相似，从集合意义上来说，多元回归是多维空间上的一个平面。 多元线性样本回归方程为：? ?° ?1x1 ?2x2 L ?k x k 多元线性回归方程中回归系数的估计同样可以采用最小二乘法。由残差平方和：SSE (y ?) 0 根据微积分中求极小值得原理，可知残差平方和SSE存在极小值。欲使SSE达到 最小，SSE对 °, 1丄k的偏导数必须为零。 将SSE对 ° ,1丄k求偏导数，并令其等于零，加以整理后可得到k 1各方程 SSE 式：—— 2 (y ?) ° i 通过求解这一方程组便可分别得到°, 1,L k的估计值，彳，?…?k回归 系数的估计值，当自变量个数较多时，计算十分复杂，必须依靠计算机独立完成。现在，利用SPSS，只要将数据输入，并指定因变量和相应的自变量，立刻就能得到结果。 对多元线性回归，也需要测定方程的拟合程度、检验回归方程和回归系数的显着性。
云南大学数学与统计学实验教学中心 实验报告 一、实验目的 1.熟悉MATLAB的运行环境. 2.学会初步建立数学模型的方法 3.运用回归分析方法来解决问题 二、实验内容 实验一：某公司出口换回成本分析 对经营同一类产品出口业务的公司进行抽样调查,被调查的13家公司,其出口换汇成本与商品流转费用率资料如下表。试分析两个变量之间的关系,并估计某家公司商品流转费用率是6.5%的出口换汇成本. 实验二：某建筑材料公司的销售量因素分析 下表数据是某建筑材料公司去年20个地区的销售量（Y，千方），推销开支、实际帐目数、同类商品
竞争数和地区销售潜力分别是影响建筑材料销售量的因素。1）试建立回归模型，且分析哪些是主要的影响因素。2）建立最优回归模型。 提示：建立一个多元线性回归模型。
三、实验环境 Windows 操作系统; MATLAB 7.0. 四、实验过程 实验一：运用回归分析在MATLAB 里实现 输入：x=[4.20 5.30 7.10 3.70 6.20 3.50 4.80 5.50 4.10 5.00 4.00 3.40 6.90]'; X=[ones(13,1) x]; Y=[1.40 1.20 1.00 1.90 1.30 2.40 1.40 1.60 2.00 1.00 1.60 1.80 1.40]'; plot(x,Y,'*'); [b,bint,r,rint,stats]=regress(Y,X,0.05); 输出： b = 2.6597 -0.2288 bint = 1.8873 3.4322 -0.3820 -0.0757 stats = 0.4958 10.8168 0.0072 0.0903 即==1,0?6597.2?ββ，-0.2288,0?β的置信区间为[1.8873 3.4322],1,?β的置信区间为[-0.3820 -0.0757]； 2r =0.4958, F=10.8168, p=0.0072 因P<0.05, 可知回归模型 y=2.6597-0.2288x 成立. 1 1.5 2 2.5 散点图 估计某家公司商品流转费用率是6.5%的出口换汇成本。将x=6.5代入回归模型中，得到 >> x=6.5; >> y=2.6597-0.2288*x y = 1.1725
基于多元线性回归的期权价格预测模型 王某某 （北京航空航天大学计算机学院北京100191）1 摘要：期权是国际市场成熟、普遍的金融衍生品，是金融市场极为重要的金融工具。2015年2月9日，上海证券交易所正式推出了我国首支场内交易期权——上证50ETF期权，翻开了境内场内期权市场的新篇章。50ETF期权上市以来，市场规模逐步扩大，其发展情况境外期权产品相同时期。本文以此为研究背景，以“50ETF购12月1.95”这支期权为研究对象，以今日开盘价、收盘价、最高价、最低价、结算价、成交量、成交额、持仓量、涨停价和跌停价为解释变量，通过多元线性回归模型，预测该期权的明日收盘价。本次研究以多元线性回归的全模型（模型1）为出发点，通过异方差检验、残差的独立性检验、误差的正太分布检验以及多重共线性检验，说明该模型不违反回归的基本假设条件。进而通过主成分回归（模型4）和逐步回归（模型5）进行降维，结果表明因变量与解释变量之间存在强烈的线性相关关系，且主成分回归和逐步回归相比全模型有更好的预测能力。 关键词：期权价格多元线性回归50ETF 多重共线性因子分析 一、引言 期权（option）是依据合约形态划分的一种衍生品，指赋予其购买方在规定期限内按买卖双方约定的价格（即协议价格或行权价格）购买或者出售一定数量某种金融资产（即标的资产）的权利的合约。期权购买方为了获得这个权利，必须支付给期权出售方一定的费用，称为权利金或期权价格[1]。 2015年2月9日，上海证券交易所正式推出了我国首支场内交易期权——上证50ETF，翻开了境内场内期权市场的新篇章。期权是与期货并列的基础衍生产品，是金融市场极为重要的金融工具之一。 自50ETF上市以来，市场规模逐步扩大。2015年2月日均合约成交面值为5.45亿元，12月就达到了47.69亿元，增长了7.75倍；2月日均合约成交量为2.33万张，12月就达到了19.81万张，增长了7.5倍；2月权利金总成交额为2.48亿元，12月就达到了35.98亿元，增长了13.51倍[1]。 我国股票市场有上亿的个人投资者，是一个较为典型的散户市场[1]。相较于专业投资机构讲，散户缺乏时间，精力以及专业分析，投资具有很大的投机行为。对于这些投资者来说，期权价格的变动则是他们最为关注的问题，其变化直接影响到自身的收益。在实际情况中，影响股票价格的因素很多，涉及到金融政策、利率政策以及国际市场等因素，其作用机制也相当复杂[2]。因此，对于期权价格预测的研究，则可以降低投资者的投资风险，及时调整投资结构，从而保障自身的收益。 1作者简介：王某某，北京航空航天大学研究生邮箱：bnuwjx@https://www.doczj.com/doc/3012799377.html,。
案例分析报告 （2014——2015学年第一学期） 课程名称：预测与决策 专业班级：电子商务1202 学号： 2204120202 学生姓名：陈维维 2014 年 11月 案例分析（一元线性回归模型） 我国城镇居民家庭人均消费支出预测 一、研究目的与要求 居民消费在社会经济的持续发展中有着重要的作用，居民合理的消费模式和居民适度的消费规模有利于经济持续健康的增长，而且这也是人民生活水平的具体体现。从理论角度讲，消费需求的具体内容主要体现在消费结构上，要增加居民消费，就要从研究居民消费结构入手，只有了解居民消费结构变化的趋势和规律，掌握消费需求的热点和发展方向，才能为消费者提供良好的政策环境，引导消费者合理扩大消费，才能促进产业结构调整与消费结构优化升级相协调，才能推动国民经济平稳、健康发展。例如，2008年全国城镇居民家庭平均每人每年消费支出为11242.85元，?最低的青海省仅为人均8192.56元，最高的上海市达人均19397.89元，上海是黑龙江的2.37倍。为了研究全国居民消费水平及其变动的原因，需要作具体的分析。影响各地区居民消费支出有明显差异的因素可能很多，例如，零售物价指数、利率、居民财产、购物环境等等都可能对居民消费有影响。为了分析什么是影响各地区居民消费支出有明显差异的最主要因素，并分析影响因素与消费水平的数量关系，可以建立相应的计量经济模型去研究。 二、模型设定?
我研究的对象是各地区居民消费的差异。居民消费可分为城镇居民消费和农村居民消费，由于各地区的城镇与农村人口比例及经济结构有较大差异，最具有直接对比可比性的是城市居民消费。而且，由于各地区人口和经济总量不同，只能用“城镇居民每人每年的平均消费支出”来比较，而这正是可从统计年鉴中获得数据的变量。 所以模型的被解释变量Y选定为“城镇居民每人每年的平均消费支出”。 因为研究的目的是各地区城镇居民消费的差异，并不是城镇居民消费在不同时间的变动，所以应选择同一时期各地区城镇居民的消费支出来建立模型。因此建立的是2008年截面数据模型。影响各地区城镇居民人均消费支出有明显差异的因素有多种，但从理论和经验分析，最主要的影响因素应是居民收入，其他因素虽然对居民消费也有影响，但有的不易取得数据，如“居民财产”和“购物环境”；有的与居民收入可能高度相关，如“就业状况”、“居民财产”；还有的因素在运用截面数据时在地区间的差异并不大，如“零售物价指数”、“利率”。因此这些其他因素可以不列入模型，即便它们对居民消费有某些影响也可归入随即扰动项中。 为了与“城镇居民人均消费支出”相对应，选择在统计年鉴中可以获得的“城市居民每人每年可支配收入”作为解释变量X。 以下是2008年各地区城镇居民人均年消费支出和可支配收入表
我国农民收入影响因素的回归分析 本文力图应用适当的多元线性回归模型,对有关农民收入的历史数据和现状进行分析,探讨影响农民收入的主要因素,并在此基础上对如何增加农民收入提出相应的政策建议。?农民收入水平的度量常采用人均纯收入指标。影响农民收入增长的因素是多方面的，既有结构性矛盾因素，又有体制性障碍因素。但可以归纳为以下几个方面：一是农产品收购价格水平。二是农业剩余劳动力转移水平。三是城市化、工业化水平。四是农业产业结构状况。五是农业投入水平。考虑到复杂性和可行性，所以对农业投入与农民收入，本文暂不作讨论。因此，以全国为例，把农民收入与各影响因素关系进行线性回归分析，并建立数学模型。 一、计量经济模型分析 (一)、数据搜集 根据以上分析，我们在影响农民收入因素中引入7个解释变量。即：2x -财政用于农业的支出的比重，3x -第二、三产业从业人数占全社会从业人数的比重，4x -非农村人口比重，5x -乡村从业人员占农村人口的比重，6x -农业总产值占农林牧总产值的比重，7x -农作物播种面积，8x —农村用电量。
资料来源《中国统计年鉴2006》。 (二)、计量经济学模型建立 我们设定模型为下面所示的形式： 利用Eviews 软件进行最小二乘估计，估计结果如下表所示： DependentVariable:Y Method:LeastSquares Sample: Includedobservations:19 Variable Coefficient t-Statistic Prob. C X1 X3 X4 X5 X6 X7 X8 R-squared Meandependentvar AdjustedR-squared 表1最小二乘估计结果 回归分析报告为： () ()()()()()()()()()()()()()()() 2345678 2? -1102.373-6.6354X +18.2294X +2.4300X -16.2374X -2.1552X +0.0100X +0.0634X 375.83 3.7813 2.066618.37034 5.8941 2.77080.002330.02128 -2.933 1.7558.820900.20316 2.7550.778 4.27881 2.97930.99582i Y SE t R ===---=230.99316519 1.99327374.66 R Df DW F ====二、计量经济学检验 (一)、多重共线性的检验及修正 ①、检验多重共线性 (a)、直观法 从“表1最小二乘估计结果”中可以看出，虽然模型的整体拟合的很好，但是x4x6
第二章 简单线性回归模型练习题 一、术语解释 1 解释变量 2 被解释变量 3 线性回归模型 4 最小二乘法 5 方差分析 6 参数估计 7 控制 8 预测 二、填空 1 在经济计量模型中引入反映（ ）因素影响的随机扰动项t ξ，目的在于使模型更符合（ ）活动。 2 在经济计量模型中引入随机扰动项的理由可以归纳为如下几条：（1）因为人的行为的（ ）、社会环境与自然环境的（ ）决定了经济变量本身的（ ）；（２）建立模型时其他被省略的经济因素的影响都归入了（ ）中；（３）在模型估计时，（ ）与归并误差也归入随机扰动项中；（4）由于我们认识的不足，错误的设定了（ ）与（ ）之间的数学形式，例如将非线性的函数形式设定为线性的函数形式，由此产生的误差也包含在随机扰动项中了。 3 （ ）是因变量离差平方和，它度量因变量的总变动。就因变量总变动的变异来源看，它由两部分因素所组成。一个是自变量，另一个是除自变量以外的其他因素。（ ）是拟合值的离散程度的度量。它是由自变量的变化引起的因变量的变化，或称自变量对因变量变化的贡献。（ ）是度量实际值与拟合值之间的差异，它是由自变量以外的其他因素所致，它又叫残差或剩余。 4 回归方程中的回归系数是自变量对因变量的（ ）。某自变量回归系数β的意义，指的是该自变量变化一个单位引起因变量平均变化（ ）个单位。 5 模型线性的含义，就变量而言，指的是回归模型中变量的（ ）；就参数而言，指的是回归模型中的参数的（ ）；通常线性回归模型的线性含义是就（ ）而言的。 6 样本观察值与回归方程理论值之间的偏差，称为（ ），我们用残差估计线性模型中的（ ）。 三、简答题 1 在线性回归方程中，“线性”二字如何理解 2 用最小二乘法求线性回归方程系数的意义是什么 3 一元线性回归方程的基本假设条件是什么 4 方差分析方法把数据总的平方和分解成为两部分的意义是什么 5 试叙述t 检验法与相关系数检验法之间的联系。 6 应用线性回归方程控制和预测的思想。 7 线性回归方程无效的原因是什么 8 回归分析中的随机误差项i ε有什么作用它与残差项t e 有何区别
多元线性回归模型 SPSS分 析 学院：数信学院 姓名：唐姣
学号：20124668 班级：统计3班 1.数据生成 根据给定回归模型Y=β0+β1*x1+β2*x2+err 生成100个生成数组（见附表格），其中=105、=0.5,、 =-0.3、err~N(50,6). 建立散点图
由图得知y与x1的线性关系为
由图得知y与x2的线性关系为 综合以上各个变量与y的关系可以综合得知各个x与y的关系为：Y=β0+β1*x1+β2*x2+err 其中：y~被解释变量（因变量）、x1, x2、x3~解释变量(回 归变量, 自变量)b、~回归系数e~随机误差（均值为零的正态分布随机变量） 2.模型拟合概述 列出模型的R、R2、调整的R2和估计标准差，R2
越大反应了两变量的共变量比率越高，模型与数据的拟合程度越好。 Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate 1 1.000a 1.000 1.000 .000000179752611 a. Predictors: (Constant), err, x1, x2 本例所用数据拟合结果显示：所考察的自变量和因变量之间的相关系数为1.000，拟合线性回归的确定性系数为 1.000，经调整后的确定性系数为 1.000，估计标准差0.000000179752611。 3.方差分析表 列出了变异源、自由度、均方、F值及对F的显著性检验
ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regressio n 4705.011 3 1568.337 . .000a Residual .000 97 .000 Total 4705.011 100 a. Predictors: (Constant), err, x1, x2 b. Dependent Variable: y 本例中回归方程显著性检验结果表明：回归平方和为4705.011，残差平方和0.000，总平方和为4705.011，对应的F统计量的值为0.000，显著性水平小于0.05，可以认为所建立的回归方程有效。 4.回归系数表 Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. 95% Confidence Interval for B B Std. Error Beta Lower Bound Upper Bound 1 (Constant) 105.000 .000 1.559E8 .000 105.000 105.000 x1 .500 .000 .303 1.118E8 .000 .500 .500 x 2 -.300 .000 -.13 3 -4.885E7 .000 -.300 -.300
SPSS--回归-多元线性回归模型案例解析！(一） 多元线性回归，主要是研究一个因变量与多个自变量之间的相关关系，跟一元回归原理差不多，区别在于影响因素（自变量）更多些而已，例如：一元线性回归方程为： 毫无疑问，多元线性回归方程应该为： 上图中的x1, x2, xp分别代表“自变量”Xp截止，代表有P个自变量，如果有“N组样本，那么这个多元线性回归，将会组成一个矩阵，如下图所示： 那么，多元线性回归方程矩阵形式为： 其中：代表随机误差，其中随机误差分为：可解释的误差和不可解释的误差，随机误差必须满足以下四个条件，多元线性方程才有意义（一元线性方程也一样） 1：服成正太分布，即指：随机误差必须是服成正太分别的随机变量。 2：无偏性假设，即指：期望值为0 3：同共方差性假设，即指，所有的随机误差变量方差都相等 4：独立性假设，即指：所有的随机误差变量都相互独立，可以用协方差解释。 今天跟大家一起讨论一下，SPSS---多元线性回归的具体操作过程，下面以教程教程数据为例，分析汽车特征与汽车销售量之间的关系。通过分析汽车特征跟汽车销售量的关系，建立拟合多元线性回归模型。数据如下图所示：
点击“分析”——回归——线性——进入如下图所示的界面：
将“销售量”作为“因变量”拖入因变量框内，将“车长，车宽，耗油率，车净重等10个自变量拖入自变量框内，如上图所示，在“方法”旁边，选择“逐步”，当然，你也可以选择其它的方式，如果你选择“进入”默认的方式，在分析结果中，将会得到如下图所示的结果：（所有的自变量，都会强行进入） 如果你选择“逐步”这个方法，将会得到如下图所示的结果：（将会根据预先设定的“F统计量的概率值进行筛选，最先进入回归方程的“自变量”应该是跟“因变量”关系最为密切，贡献最大的，如下图可以看出，车的价格和车轴跟因变量关系最为密切，符合判断条件的概率值必须小于0.05，当概率值大于等于0.1时将会被剔除）