一元线性回归模型实验

简要介绍资料的主要内容,以获得更多的关注

实验一 一元线性回归模型实验

【实验目的】

通过导入1950年到1987年美国机动车气油消费量（cons）与人口数（pup）的相关数据，以消费量为被解释量，人口数为解释变量，建立一元线性回归模型，并对其结果进行相关分析

【实验原理】

运用eviews，将excel中消费量与人口数的数据粘贴到eviews中，并求出相关变量，画出拟合回归直线。

【实验软件】

Eview6

【实验要求】

熟练运用并且掌握一元线性回归，运用Eviews6建立模型分析从而总结得到解释变量与被解释变量之间存在的关系。

【实验过程】

1、启动Eviews6软件，建立新的workfile.

在主菜单中选择【File】--【New】--【Workfile】,弹出 Workfile Create对话框，在Workfile structure type中选择Dated-regular frequency，然后在Frequency中选择annual，Start date中输入1950，End date中输入1987，然后在WF中输入Work1，点击OK按钮。如图：

2、数据导入.

在主菜单的空白处输入series cons按下enter 再输入series pup ，按下enter，如图：

简要介绍资料的主要内容,以获得更多的关注

3、将要分析的数据复制黏贴。如图：

4、建立回归方程。

定义消费量cons为被解释变量，以pup为解释变量进行回归。在主菜单中输入命令项：Ls consum c pup，按enter键，得到回归方程的估计结论如图所示：

简要介绍资料的主要内容,以获得更多的关注

5、画拟合回归直线 将消费量与人口数的关系用一条拟合回归直线表示

简要介绍资料的主要内容,以获得更多的关注

【实验分析】

在本实验中，根据回归结果中的相关数据R- squared =0.925613，说明总离合差平方和的92.5613%被样本回归直线解释，仅有未被解释7.4387%，因此可知样本回归直线对样本点的拟合优度是较高的。

Prob即相伴概率，也就是拒绝原假设Ho的概率。相伴概率越大，则要接受原假设Ho,此时 B1=0,则表示参数不显著；相反，相伴概率越小，则要拒绝原

假设Ho,接受H1,此时B1不等于0，则表示参数显著。在本实验中相伴概率为0.00，

表示参数显著。

给出显著水平a=0.05，查自由度v=38-2=36的t分布表，得临界值t0.025

（36）=2.028,t0=5.901157>t0.025(36),t1=17.14813> t0.025(36),所以回归系数均显

著不为0，而且人口数对消费量有显著影响。

【小结】

通过这次实验操作，知道了怎样运用eviews软件进行数据导入，建立一元线性回归模型，并通过相关数据对模型进行分析，对被解释变量与解释变量之间的关系进行深度分析。 在操作过程中，我们小组选取了cons为被解释变量，分别将人口数、汽车保有量、汽油价格、国民生产总值作为解释变量，结果发现人口数对cons的影响最大。并且最后选取了cons和pup进行回归分析。希望以后的《计量经济学》这门课程中能学到更多知识。