《计量经济学Eviews操作案例集(76页DOC).docx》由会员分享，可在线阅读，更多相关《计量经济学Eviews操作案例集(76页DOC).docx（77页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、最新资料推荐案例分析一 关于计量经济学方法论的讨论问题：利用计量经济学建模的步骤，根据相关的消费理论，刻画我国改革开放以来的边际消费倾向。第一步：相关经济理论。首先了解经济理论在这一问题上的阐述，宏观经济学中，关于消费函数的理论有以下几种：凯恩斯的绝对收入理论，认为家庭消费在收入中所占的比例取决于收入的绝对水平。相对收入理论，是由美国经济学家杜森贝提出的，认为人们的消费具有惯性，前期消费水平高，会影响下一期的消费水平，这告诉我们，除了当期收入外，前期消费也很可能是建立消费函数时应该考虑的因素。关于消费函数的理论还有持久收入理论、生命周期理论，有兴趣的同学可以参考相应的参考书。毋庸置疑，收入和消
2、费之间是正相关的。第二步：数据获得。在这个例子中，被解释变量选择消费，用cs表示；解释变量为实际可支配收入，用inc表示（用GDP减去税收来近似，单位：亿元）；变量均为剔除了价格因素的实际年度数据，样本区间为19782002年。第三步：理论数学模型的设定。为了讨论的方便，我们可以建立下面简单的线性模型：第四步：理论计量经济模型的设定。根据第三步数学模型的形式，可得式中：cs=CS/P，inc=(1- t)*GDP/P，其中GDP是当年价格的国内生产总值，CS代表当年价格的居民消费值，P代表1978年为1的价格指数，t=TAX/GDP代表宏观税率，TAX是税收总额。ut表示除收入以外其它影响消费
3、的因素。第五步：计量经济模型的参数估计根据最小二乘法，可得如下的估计结果：常数项为正说明，若inc为0，消费为414.88，也就是自发消费。总收入变量的系数 b 为边际消费倾向，可以解释为城镇居民总收入增加1亿元导致居民消费平均增加0.51亿元。另外，根据相对收入理论，我们可以得到下面的估计结果：上述结果表明加入消费的上期值以后，边际消费倾向的数据发生了明显的变化，究竟选择哪一个模型，可以在以后的案例讨论中进行说明。 第六步：假设检验。可以利用t检验和F检验来见模型参数的显著性。例如，在（1.2）式中，边际消费倾向估计量的标准差估计值是0.01，从而可以计算出t值为15，如果给定显著性水平为5
4、%，查表得到临界值t0.025(21)=2.08，因此可以拒绝总收入系数为0的原假设，认为边际消费倾向的估计量是统计显著的。第七步：预测。 如果要对此模型的预测功能进行评价，可以用19781999年的22年数据进行参数估计，用20002002年的数据作为检验性数据，考察实际值和预测值的差别。图1.1将因变量的实际值和预测值画在一起进行比较。第八步：利用模型进行控制或制定政策。案例分析二 我国城市居民家庭消费函数一元线性回归模型 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
5、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
6、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200
7、2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2.5 2002年
8、中国各地区城市居民人均年消费支出和可支配收入地 区城市居民家庭平均每人每年消费支出(元) Y城市居民人均年可支配收入(元) X北京天津河北山西内蒙古辽宁吉林黑龙江上海江苏浙江安徽福建江西山东河南湖北湖南广东广西海南重庆四川贵州云南西藏陕西甘肃青海宁夏新疆10284.607191.965069.284710.964859.885342.644973.884462.0810464.006042.608713.084736.526631.684549.325596.324504.685608.925574.728988.485413.445459.646360.245413.084598.28582
9、7.926952.445278.045064.245042.526104.925636.4012463.929337.566679.685234.356051.066524.526260.166100.5613249.808177.6411715.606032.409189.366334.647614.366245.406788.526958.5611137.207315.326822.727238.046610.805944.087240.568079.126330.846151.446170.526067.446899.64作城市居民家庭平均每人每年消费支出(Y)和城市居民人均年可支配收入
10、(X)的散点图，如图2.12：图2.12 从散点图可以看出居民家庭平均每人每年消费支出(Y)和城市居民人均年可支配收入(X)大体呈现为线性关系，所以建立的计量经济模型为如下线性模型： 三、估计参数 假定所建模型及随机扰动项满足古典假定，可以用OLS法估计其参数。运用计算机软件EViews作计量经济分析十分方便。 利用EViews作简单线性回归分析的步骤如下： 1、建立工作文件首先，双击EViews图标，进入EViews主页。在菜单一次点击FileNewWorkfile，出现对话框“Workfile Range”。在“Workfile frequency”中选择数据频率： Annual (年度)
11、 Weekly ( 周数据 ) Quartrly (季度) Daily (5 day week ) ( 每周5天日数据 ) Semi Annual (半年) Daily (7 day week ) ( 每周7天日数据 ) Monthly (月度) Undated or irreqular (未注明日期或不规则的)在本例中是截面数据，选择“Undated or irreqular”。并在“Start date”中输入开始时间或顺序号，如“1”在“end date”中输入最后时间或顺序号，如“31”点击“ok”出现“Workfile UNTITLED”工作框。其中已有变量：“c”截距项 “resi
12、d”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。若要将工作文件存盘，点击窗口上方“Save”，在“SaveAs”对话框中给定路径和文件名，再点击“ok”，文件即被保存。2、输入数据在数据编辑窗口中，首先按上行键“”，这时对应的“obs”字样的空格会自动上跳，在对应列的第二个“obs”有边框的空格键入变量名，如“Y”，再按下行键“”，对因变量名下的列出现“NA”字样，即可依顺序输入响应的数据。其他变量的数据也可用类似方法输入。也可以在EV
13、iews命令框直接键入“data X Y ”(一元时) 或 “data Y ”(多元时)，回车出现“Group”窗口数据编辑框，在对应的Y、X下输入数据。若要对数据存盘，点击 “fire/Save As”，出现“Save As”对话框，在“Drives”点所要存的盘，在“Directories”点存入的路径（文件名），在“Fire Name”对所存文件命名，或点已存的文件名，再点“ok”。若要读取已存盘数据，点击“fire/Open”，在对话框的“Drives”点所存的磁盘名，在“Directories”点文件路径，在“Fire Name”点文件名，点击“ok”即可。 3、估计参数 方法一：在
14、EViews主页界面点击“Quick”菜单，点击“Estimate Equation”，出现“Equation specification”对话框，选OLS估计，即选击“Least Squares”，键入“Y C X”，点“ok”或按回车，即出现如表2.6那样的回归结果。 表2.6 在本例中，参数估计的结果为： （287.2649） (0.036928) t=(0.982520) (20.54026) F=421.9023 df=29方法二：在EViews命令框中直接键入“LS Y C X”，按回车，即出现回归结果。若要显示回归结果的图形，在“Equation”框中，点击“Resids”，即出
15、现剩余项（Residual）、实际值（Actual）、拟合值（Fitted）的图形，如图2.13所示。 图2.13 四、模型检验1、经济意义检验所估计的参数，说明城市居民人均年可支配收入每相差1元，可导致居民消费支出相差0.758511元。这与经济学中边际消费倾向的意义相符。2、拟合优度和统计检验用EViews得出回归模型参数估计结果的同时，已经给出了用于模型检验的相关数据。拟合优度的度量：由表2.6中可以看出，本例中可决系数为0.935685，说明所建模型整体上对样本数据拟合较好，即解释变量“城市居民人均年可支配收入”对被解释变量“城市居民人均年消费支出”的绝大部分差异作出了解释。对回归系数
16、的t检验：针对和，由表2.6中还可以看出，估计的回归系数的标准误差和t值分别为：，；的标准误差和t值分别为：，。取，查t分布表得自由度为的临界值。因为，所以不能拒绝；因为，所以应拒绝。这表明，城市人均年可支配收入对人均年消费支出有显著影响。 五、回归预测 由表2.5中可看出，2002年中国西部地区城市居民人均年可支配收入除了西藏外均在8000以下，人均消费支出也都在7000元以下。在西部大开发的推动下，如果西部地区的城市居民人均年可支配收入第一步争取达到1000美元(按现有汇率即人民币8270元)，第二步再争取达到1500美元(即人民币12405元)，利用所估计的模型可预测这时城市居民可能达到
17、的人均年消费支出水平。可以注意到，这里的预测是利用截面数据模型对被解释变量在不同空间状况的空间预测。 用EViews作回归预测，首先在“Workfile”窗口点击“Range”，出现“Change Workfile Range”窗口，将“End data”由“31”改为“33”，点“OK”，将“Workfile”中的“Range”扩展为133。在“Workfile”窗口点击“sampl”，将“sampl”窗口中的“1 31”改为“1 33”，点“OK”，将样本区也改为133。 为了输入，在EViews命令框键入data x /回车, 在X数据表中的“32”位置输入“8270”，在“33”的位置
18、输入“12405”，将数据表最小化。 然后在“E”框中，点击“Forecast”，得对话框。在对话框中的“Forecast name”(预测值序列名)键入“”， 回车即得到模型估计值及标准误差的图形。双击“Workfile”窗口中出现的“”，在“”数据表中的“32”位置出现预测值，在“33”位置出现。这是当和时人均消费支出的点预测值。 为了作区间预测，在X和Y的数据表中，点击“View”选“Descriptive StatsCmmon Sample”，则得到X和Y的描述统计结果，见表2.7: 表2.7 根据表2.7的数据可计算: 取,平均值置信度95%的预测区间为： 时 时 即是说，当元时，平
19、均值置信度95%的预测区间为（6393.03，6717.23）元。当元时，平均值置信度95%的预测区间为（9292.33，10090.83）元。个别值置信度95%的预测区间为：时 时 即是说，当第一步时，个别值置信度95%的预测区间为（5694.81，7415.45）元。当第二步时，个别值置信度95%的预测区间为（8757.09，10626.07）元。在“E”框中，点击“Forecast”可得预测值及标准误差的图形如图2.14：图2.14最新精品资料整理推荐，更新于二二年十二月二十七日2020年12月27日星期日11:10:02案例分析三 建筑行业工资差异制度因素的分析一元线性回归模型一、引言
20、我国目前正处在由计划经济向市场经济过渡的体制转型时期。在这一时期，各行业之间的职工工资差异在日趋扩大的同时，呈现出与计划经济时期完全不同的特征。本文试图通过考察体制转型时期行业（以建筑业为例）工资，以及行业垄断程度，提出基于体制转型这一特定时期的行业工资决定假说：行业相对工资差异的扩大是由于行业垄断程度的扩大引致的，并用回归方法分析对这一假说进行验证。二、数据定义与经济理论假说（一）数据定义1建筑业工资水平建筑业相对工资水平定义为建筑业平均工资与全社会平均工资之比。本文之所以采用的是相对工资水平的概念，而没有采用绝对水平，因为我们更关注改革开放20多年来，建筑行业的工资相对于整个行业的变化，而
21、不关心建筑业自身工资的发展趋势。部分年份建筑业相对工资水平的时序数据见表1。表1 部分年份建筑业相对工资水平时序数据年份建筑业平均工资(元)全社会平均工资(元)建筑业相对工资(%)1978714615116.11980855762112.2198513621148118.6198921661935111.9199023842140111.4199126492340113.2199230662711113.1199337793371112.1199448944538107.8199557855500105.2199662496210100.6199766556470102.91998745674
22、7999.719997982834695.620008735937193.2200194841087087.22002102791242282.7资料来源：中国统计年鉴（2004）第158页。2垄断程度在西方国家，人们通常用一个行业中最大的几家厂商的销售收入的份额表示一个行业的垄断程度。然而这种方法在我国目前的情况下并不完全适用，因为目前影响（甚至决定）我国行业职工工资水平的并不是一般意义上的垄断，而是体制转型时期一种特有的垄断，它并不是针对企业的规模而言的，而是针对所有制结构或国有经济成分对行业的控制程度而言的，即所谓“所有制垄断”或“行政垄断”。在传统的计划经济体制下，我国经济属于典型的二
23、元经济模式。如果撇开农村经济这一“元”而不论，城市经济这一“元”的大多数行业基本上都是由国有经济控制的，各行业间在这一点上没有显著性的差别。然而，随着计划经济体制向市场经济体制的过渡，这种国有经济一统天下的格局逐步被打破，呈现出所有制日趋多元化的的趋势。但是，不同行业所有制多元化的进程并不一致，由此产生了不同行业间所有制结构的差异。建筑业相对于电力、金融、房地产等行业，其非国有经济成分进入的门槛相对较低，竞争较为激烈，因此所有制多元化进展较快。因此，在体制转型时期，我国建筑行业的垄断程度的绝对水平可以在建筑行业的国有化程度上得到大致的体现。为了获取资料的方便，本文将建筑业国有化程度用建筑业国有
24、单位职工人数占建筑业全部就业人数的比重来表示。由于不管什么行业，所有制结构多元化、国有经济比重下降是一个总的趋势，而且决定相对工资高低的不是个行业垄断程度的绝对数，而是行业垄断程度与其他行业垄断程度或社会平均水平相比较的相对水平，所以引入相对垄断程度的概念：相对垄断程度=行业所有制垄断度的绝对数/全社会所有制垄断度的平均数改革开放以来部分年份建筑业相对垄断度的时序数据见表2。表2 部分年份建筑业相对垄断度的时序数据年份建筑业国有位职工人数建筑业就业人数建筑业国有化程度全社会国有单位职工人数全社会职工人数全社会国有化程度建筑业国有化相对程度万人万人%万人万人%(1)(2)(3)=(1)/(2)(
25、4)(5)(6)=(4)/(5)(7)=(3)/(6)197844785452.3 74514015218.6 282.1 198047599347.8 80194236118.9 252.7 1985545203526.8 89904987318.0 148.6 1989541240722.5 101095532918.3 123.0 1990538242422.2 103466474916.0 138.9 1991557248222.4 106646549116.3 137.8 1992577266021.7 108896615216.5 131.8 1993663305021.7 109
26、206680816.3 133.0 1994629318819.7 108906745516.1 122.2 1995605332218.2 109556806516.1 113.2 1996595340817.5 109496895015.9 109.9 1997577344916.7 107666982015.4 108.5 1998444332713.3 88097063712.5 107.0 1999399341211.7 83367139411.7 100.2 2000372355210.5 78787208510.9 95.8 200133636699.2 74097302510.
27、1 90.3 200230238937.8 6924737409.4 82.6 资料来源：中国统计年鉴（2004）第127页和第128页。（二）体制转型期行业工资决定假说从表1的数据看出，经过20多年，作为具有高劳动强度、艰苦、危险等特征的传统高工资行业之一建筑业逐渐被挤出高工资行业的行列，在市场经济下建筑业具有进入门槛低、竞争激烈的特征，其工资相对水平逐年下降，2003年建筑业工资只相当于全国平均工资的82%。而一些原来工资并不太高，但垄断程度至今仍保持较高水平的行业，如金融保险业、房地产业等则陆续进入最高工资行列。基于上述事实，我们提出如下关于体制转型这一特定时期行业决定的假说：从总体上看
28、，我国行业相对工资差异的扩大是由于行业垄断程度差异的扩大引致的；建筑业相对工资水平已经逐渐地不再取决于该行业的拉动强度及艰苦危险程度，而是主要取决于行业的垄断程度。即建筑业相对工资水平的变化，可以由该行业垄断程度的相对变化所解释。三、模型设定、估计与检验将我国建筑业1978年至2002年的主要17个年份的工资相对水平与其垄断相对程度，建立一元计量模型，理论模型如下： 其中Y表示建筑业工资相对水平，X表示建筑业相对国有化程度。根据体制转型期行业工资决定假说，总体参数应该大于0，相对国有化程度越高，行业垄断程度越高，工资相对水平就越高。利用计量经济分析软件Eviews进行估计，结果如下：Depen
29、dent Variable: 建筑业工资相对水平YMethod: Least SquaresSample: 1 17Included observations: 17VariableCoefficientStd. Errort-StatisticProb. C2.93998411.782180.2495280.8063建筑业相对国有化程度X1.3110880.1508728.6900690.0000R-squared0.834286 Mean dependent var104.9118Adjusted R-squared0.823238 S.D. dependent var10.40786S.
30、E. of regression4.375783 Akaike info criterion5.900179Sum squared resid287.2121 Schwarz criterion5.998204Log likelihood-48.15152 F-statistic75.51731Durbin-Watson stat0.930656 Prob(F-statistic)0.000000以上估计结果发现，可决系数为0.834286，修正的可决系数为0.823238，说明模型拟合优度较高。建筑业相对国有化程度对建筑业工资相对水平的回归系数为1.311088，t值达到8.690069，通
31、过了变量的统计检验；并且该回归系数大于0，与理论模型总体参数的预期符号相一致，因此通过了经济意义检验。但截距项系数2.939984，t值只有0.249528，未通过统计检验，说明建筑业相对国有化程度对建筑业工资相对水平的总体回归直线是通过原点的。因此理论线性模型应设定为通过原点的回归直线模型，具体形式如下： 再利用计量经济分析软件Eviews进行估计，结果如下：Dependent Variable: 建筑业工资相对水平Method: Least SquaresSample: 1 17Included observations: 17VariableCoefficientStd. Errort-
32、StatisticProb. 建筑业相对国有化程度1.3485820.013186102.27700.0000R-squared0.833598 Mean dependent var104.9118Adjusted R-squared0.833598 S.D. dependent var10.40786S.E. of regression4.245618 Akaike info criterion5.786674Sum squared resid288.4043 Schwarz criterion5.835687Log likelihood-48.18673 Durbin-Watson sta
33、t0.951702以上估计结果发现，修正的可决系数为0.833598，高于带截距项模型的修正可决系数，说明去掉截距项的模型拟合优度有了进一步改善。建筑业相对国有化程度对建筑业工资相对水平的回归系数为1.348582，t值高达102.2770，通过了变量的统计检验。但该模型的DW值很低，只有0.951702，说明模型的随机误差项之间存在正自相关，因此还需要处理模型的自相关问题。我们在模型中引入AR（1）来处理自相关。估计结果如下：Dependent Variable: 建筑业工资相对水平Method: Least SquaresSample(adjusted): 2 17Included obs
34、ervations: 16 after adjusting endpointsConvergence achieved after 4 iterationsVariableCoefficientStd. Errort-StatisticProb. 建筑业相对国有化程度1.3601340.02084665.246160.0000AR(1)0.4267430.2085052.0466830.0599R-squared0.889110 Mean dependent var104.2125Adjusted R-squared0.881190 S.D. dependent var10.32853S.E.
35、 of regression3.560126 Akaike info criterion5.493937Sum squared resid177.4429 Schwarz criterion5.590511Log likelihood-41.95150 Durbin-Watson stat1.931114Inverted AR Roots .43经过处理，DW值已达到1.931114，很接近2这个理想水平，因此正自相关问题已得到较圆满的解决。同时模型修正的可决系数0.881190，又得以进一步提高。四、结果分析1本文验证了我们提出的关于体制转型时期行业决定的假说，我国建筑业相对工资差异的扩大主
36、要是由于该行业垄断程度差异的扩大引致的。2建筑业相对国有化程度每下降1个百分点，建筑业工资相对水平将会平均下降1.360134个百分点。 案例分析四 中国税收增长的分析多元线性回归模型的应用一、研究的目的要求改革开放以来，随着经济体制改革的深化和经济的快速增长，中国的财政收支状况发生很大变化，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，平均每年增长 %。为了研究影响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
37、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，税收收入是财政收入的主体，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，因此对预算支出所表现的公共财政的需求对当年的税收收入可能会有一定的影响。（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GDP等指标和经营者的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增长速度的影
38、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、模型设定为了全面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，以反映国家税收的增长；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。由于财税体制的改革难以量化，而且1985年以后财税体制改革对税收增长影响不是很大，可暂不考虑税制改革对税收增长的影响。所以解释变量设定为可观测的“国内生产总值”、“财政支出”、“商品零售物价指数”等变量。从中国
39、统计年鉴收集到以下数据（见表3.3）： 表3.3 中国税收收入及相关数据年份 税收收入（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）1978 519.283624.11122.09100.71979 537.824038.21281.79102.01980 571.704517.81228.83106.01981 629.894862.41138.41102.41982 700.025294.71229.98101.91983775.595934.51409.52101.51984947.357171.01701.02102.81985204
40、0.798964.42004.25108.819862090.7310202.22204.91106.019872140.3611962.52262.18107.319882390.4714928.32491.21118.519892727.4016909.22823.78117.819902821.8618547.93083.59102.119912990.1721617.83386.62102.919923296.9126638.13742.20105.419934255.3034634.44642.30113.219945126.8846759.45792.62121.719956038
41、.0458478.16823.72114.819966909.8267884.67937.55106.119978234.0474462.69233.56100.819989262.8078345.210798.1897.4199910682.5882067.513187.6797.0200012581.5189468.115886.5098.5200115301.3897314.818902.5899.2200217636.45104790.622053.1598.7设定的线性回归模型为： 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
42、NewWorkfile，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“1978”，在“end date”中输入最后时间“2002”，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。2、输入数据：点击“Quik”下拉菜单中的“Empty Group”，出现“Group”窗口数据编辑框，点第一列与“obs”对应的格，在命令栏输入“Y”，点下行键“”，即将该序列命名为Y，并依此输入Y的数据。用同样方法在对应的列命名X2、X3、X4，并输入相应的数据。或者在EViews命令框直接键入“data Y