计量经济学Eviews操作95分线性回归保费收入模型上机作业版Word格式.docx
《计量经济学Eviews操作95分线性回归保费收入模型上机作业版Word格式.docx》由会员分享,可在线阅读,更多相关《计量经济学Eviews操作95分线性回归保费收入模型上机作业版Word格式.docx(28页珍藏版)》请在冰点文库上搜索。
680
124.1
1995
160.9
60793.73
4283
50.09
6.2
877.1
117.1
1996
214.81
71176.59
4838.9
48.76
6.41
1082.4
108.3
1.98
1997
390.48
78973.03
5160.3
46.6
6.54
1339.2
102,8
1.71
1998
750.22
84402.28
5425.1
44.66
6.7
1636.9
99.2
1.44
1999
878.95
89677.05
5854.02
42.07
6.9
2108.1
98.6
0.99
2000
990
99214.55
6280
39.44
6.96
2385.6
100.4
2001
1423.52
109655.17
6859.6
38.2
7.1
2748
100.7
2002
2274.8
120332.69
7702.8
37.68
7.3
3471.5
0.72
2003
3011
135822.76
8472.2
37.1
7.5
4016.4
101.2
2004
3194
159878.34
9421.6
37.7
7.6
4627.4
103.9
2005
3649
184937.37
10493
36.7
7.7
5401
101.8
2006
4061
216314.43
11759.5
35.8
7.9
6583
101.5
2007
4949.7
265810.31
13785.8
36.29
8.1
7887.8
104.8
2008
7338
314045.43
15780.76
37.89
8.3
9925.1
105.9
0.36
2009
8144.4
340902.81
17174.65
36.52
8.5
12302.6
99.3
2010
10501.1
401202.03
19109.44
35.7
8.87
9014.243
101.3
2011
9560
472881.6
21809.8
36.3
9.13
9547.935
105.4
0.4
1、提出并分析相关问题
2、利用数据,构造计量经济学模型
3、估计并完成模型,对结果给出评价
4、对你的研究给出结论及展望。
1.提出并分析相关问题
提出问题:
寿险保费收入与其他变量怎样拟合能较好的解释其变化?
分析问题:
寿险保费收入作为被解释变量,可以在其他6个解释变量下,通过一定的设计,做出有经济学意义的回归模型。
一、首先要选择合适的与寿险保费收入的经济学理论和行为相关的变量。
变量x1为GDP,在GDP越高的情况下,生产总值的提升说明社会发展水平提升,对寿险的重视程度很可能也随之提高,因此人们的保费收入也会成正相关变化。
变量x2为城镇居民家庭人均可支配收入,与GDP类似,该变量与保费收入成正相关变化。
但其没有包括农村居民收入,因此有些局限性。
还要通过进一步分析确定。
变量x3城镇恩格尔系数越低,说明居民花在食品上的费用占总费用比重越小,其生活水平越高,按该情况居民应更有基础注重保险业务。
但从数据上来看,该变量若作为解释变量,其系数应为负。
也就是说明,该变量或许与Y的关系并不单纯直接,应该还会有其他的因素影响。
变量x4是65岁以上人口占总人口百分数,当该比例越大时,表明需要人寿保险的群体比重增加,保费收入也应该增加。
变量x5社会保障基金支出的增长,有助于促进保费收入的增加。
变量x6通胀率(居民消费价格指数)通货膨胀率受很多方面的影响,同时大体上来看,它与保费收入的关系并不密切。
变量x7利率(央行历年存款利率%),利率一般是由央行根据整个经济情况决定的,是个比较宏观的(相对来说)变动较小经济变量,同样与保费收入关系不密切,应予以剔除。
二、结合散点图,根据经济行为理论,确定变量之间的数学关系。
通过散点图,可初步推断y与x1~x5有线性关系。
y与x1~x5散点图
同时,根据经济学意义以及对各变量的分析(见上一标题),也可得出y与各变量成线性相关的关系。
三.根据经济学意义确定剩下的变量的模型参数估计。
同时注意他们之间的独立性。
可以通过数据,发现y与x1~x5有正相关关系,故它们前面的系数应该都为正数。
另外,通过相关系数矩阵,发现他们之间存在严重的多重共线性。
有的相关系数甚至达到了0.99以上,对其的相关处理我将在后面进行。
X1
X2
X3
X4
X5
X6
1
0.995591
-0.75397
0.954979
0.947109
-0.26679
-0.80634
0.977026
0.959676
-0.2963
-0.91088
-0.7945
0.514843
0.941551
-0.39444
-0.3265
2.利用数据,构造计量经济学模型
首先,对y做一个对所有变量的多元回归模型。
DependentVariable:
Y
Method:
LeastSquares
Date:
06/05/13Time:
20:
21
Sample:
19902011
Includedobservations:
22
Variable
Coefficient
Std.Error
t-Statistic
Prob.
0.062356
0.027134
2.298104
0.0354
-1.716488
0.952013
-1.803008
0.0903
190.6488
150.8816
1.263566
0.2245
4815.267
3016.598
1.596258
0.1300
0.382722
0.151151
2.532061
0.0222
C
-36195.42
23730.64
-1.525261
0.1467
R-squared
0.976812
Meandependentvar
2814.867
AdjustedR-squared
0.969565
S.D.dependentvar
3315.807
S.E.ofregression
578.4598
Akaikeinfocriterion
15.78562
Sumsquaredresid
5353852.
Schwarzcriterion
16.08317
Loglikelihood
-167.6418
Hannan-Quinncriter.
15.85571
F-statistic
134.8008
Durbin-Watsonstat
1.910836
Prob(F-statistic)
0.000000
发现t值较为显著的仅有x1和x5.¥%……&
*()—可继续说明—
3.估计并完成模型,对结果给出评价
一、估计并完成模型:
思路一:
下面运用Eviews软件系统自动逐步回归法做出的多元线性模型为:
Prob.*
0.024973
0.001013
24.64162
0.0000
-9.516028
1.918036
-4.961339
0.0001
0.967105
0.965460
616.2375
15.77165
7594973.
15.87084
-171.4881
15.79502
1.406837
分析:
可见其
思路二:
利用向前选择法
第一步,用每个解释变量分别对被解释变量做简单回归,得到
1Y与x1:
ŷ=-1013.927+0.025092x1
(24.08990)
R²
=0.966685F=580.3233
2对x2
ŷ=-1835.837+0.551502x2
(271.1357)(20.75179)
=0.9555618F=430.6369
3对x3
ŷ=17955.12-354.7465x3
(5.577219)(-4.759700)
=0.531119F=22.65474DW=0.172052
4对X4
2946.593
250.7429
11.75145
-18188.99
1805.815
-10.07245
0.873495
0.867170
1208.475
17.11861
29208222
17.21780
-186.3047
17.14198
138.0967
0.316946
ŷ=-18188.99+2946.593x4
(-10.07245)(11.75145)
=0.873495F=138.0967DW=0.316946
5对x5
ŷ=0.77532x5
(17.6609)
=0.8893=294DW=1.109666
根据R²
统计量的大小排序,可见解释变量的重要程度依次为x1,x2,x5,x4,x3,
第二步,以ŷ=-1013.927+0.025092x1为基础,依次引入x2,x5,x4,x3,与逐步回归法不同的是,不再引入已经删除掉的变量。
首先把x2引入模型回归得
0.028871
0.011359
2.541631
0.0199
-0.083903
0.251106
-0.334135
0.7419
-882.9879
445.3053
-1.982882
0.0620
0.966879
0.963393
634.4133
15.86940
7647125.
16.01818
-171.5634
15.90445
277.3292
1.447167
AdjustedR-squared0.963393
因为x2的引入是R改善幅度较小,且x2的系数没有通过t显著性检验所以在模型中剔除x2,引入x5
0.020792
0.003163
6.573520
0.158927
0.110717
1.435428
0.1674
-984.6087
202.5046
-4.862156
0.969944
0.966780
604.3485
15.77230
6939506.
15.92108
-170.4953
15.80735
306.5770
1.630647
上一步的原因相同,剔除x5,引入x4
0.026290
0.003591
7.321895
-154.9759
443.5722
-0.349381
0.7306
-92.03537
2647.097
-0.034768
0.9726
0.966897
0.963413
634.2404
15.86886
7642957.
16.01764
-171.5574
15.90390
277.4856
1.458254
剔除x4引入x3
0.025651
0.001618
15.85417
14.12441
30.85878
0.457711
0.6524
-1701.940
1517.891
-1.121254
0.2762
0.967048
0.963579
632.7954
15.86430
7608170.
16.01307
-171.5072
15.89934
278.7978
1.456218
剔除x3引入x7
0.024556
0.001533
16.01957
X7
-104.7564
215.6323
-0.485810
0.6327
-793.3857
500.5261
-1.585104
0.1294
0.967093
0.963630
632.3592
15.86292
7597684.
16.01169
-171.4921
15.89796
279.1957
1.403370
剔除x7引入x6
0.024946
0.001102
22.64330
-11.14368
22.36418
-0.498283
0.6240
175.0119
2395.363
0.073063
0.9425
0.967114
0.963653
632.1575
15.86228
7592839.
16.01106
-171.4851
15.89733
279.3799
1.402881
结果排除了x2~x5所有变量,最后仅剩下x1的一元回归。
思考:
虽然这样拟合效果很好,但这种情况丧失