上机课实验作业三 - 用于合并.doc

资源描述

1、上机课实验作业三姓名：李姝仪学号： 2012310320 班级： 12 级审计二班一：数据集 DATA 4-7 1）先验地预期 CM和各个变量之间的关系，并计算样本相关系数。答：先验地预期： CM 与 FLR 之间呈负相关关系，即女性文盲率越高，婴儿死亡率越低；CM 与 PGNP 之间呈负相关关系，即人均国民产值越高，婴儿死亡率越低； CM与 TFR之间呈正相关关系，即总生育率越高，婴儿死亡率就越高。对应的样本相关系数如下表所示： . correlate cm flr pgnp tfr (obs=64) | cm flr pgnp tfr -+- cm | 1.0000 flr

5、l -+- flr | -2.231586 .2099472 -10.63 0.000 -2.651401 -1.81177 pgnp | -.0056466 .0020033 -2.82 0.006 -.0096524 -.0016408 _cons | 263.6416 11.59318 22.74 0.000 240.4596 286.8236 得回归结果： CM=263.64-2.23FLR-0.0056PGNP。 4）做 CM 对 FLR、 PGNP 和 TFR 的回归。观察校正拟合优度的变化。答：输入 stata 命令： . reg cm flr pgnp tfr Source

7、2480169 -7.13 0.000 -2.264137 -1.271921 pgnp | -.0055112 .0018782 -2.93 0.005 -.0092682 -.0017542 tfr | 12.86864 4.190533 3.07 0.003 4.486323 21.25095 _cons | 168.3067 32.89166 5.12 0.000 102.5136 234.0998 得回归结果： CM=168.31-1.77FLR-0.0055PGNP+12.87TFR。观察发现校正拟合优度随着解释变量个数的增加而不断增大，但始终小于拟合优度的数值。 5）根据各种回

8、归结果，选择哪个模型？为什么？答：根据以上回归结果，选择 4）中的模型。因为此模型中解释变量个数最多，考虑的变量因素多，且此模型的拟合优度和校正拟合优度都比前几个模型大，说明此模型对因变量的解释力较前几个模型更好些，得到的结果更准确。 6）对 3）中的回归，检验 FLR 和 PGNP 的联合显著性。（写出原假设、备择假设、检验统计量）答：输入 stata 命令： . reg cm flr pgnp（结果略） . test flr pgnp ( 1) flr = 0 ( 2) pgnp = 0 F( 2, 61) = 73.83 Prob F = 0.0000 其中：原假设： H0：

9、2= 3=0 备择假设： H1： 2与 3至少有一个不为零。检验统计量： F值， F(2， 61) =73.83，且 Prob F =0.0000，说明 FLR 和 PGNP通过联合显著性检验， FLR 和 PGNP 是联合显著的。二：数据集 DATA6-8 （ 1）做收盘价格对时间的散点图。散点图呈现出什么样的模式？答：输入 stata 命令，得散点图如下图所示： . twoway scatter close time 0100200300400500close0 50 100 150 200 250t im e可以发现，散点图呈现出正相关的模式。（ 2）建立一个线性模型预

10、测 Qualcom 股票的收盘价格。答：建立线性模型： close= 1+ 2time+ 。输入 stata 回归命令，可得： . reg close time Source | SS df MS Number of obs = 260 -+- F( 1, 258) = 161.30 Model | 493579.523 1 493579.523 Prob F = 0.0000 Residual | 789466.982 258 3059.94954 R-squared = 0.3847 -+- Adj R-squared = 0.3823 Total | 1283046.51 259 4

11、953.84751 Root MSE = 55.317 - close | Coef. Std. Err. t P|t| 95% Conf. Interval -+- time | .5805136 .0457079 12.70 0.000 .4905056 .6705216 _cons | -4.69406 6.881046 -0.68 0.496 -18.24422 8.856105 得回归结果： close=-4.69+0.58time。（ 3）建立一个二次模型，解释变量包括时间和时间的平方。模型的拟合效果如何？答：建立二次模型： close= 1+ 2time+ 3ti

12、me2+ 。输入 stata 回归命令，可得： . gen time2=time2 . reg close time time2 Source | SS df MS Number of obs = 260 -+- F( 2, 257) = 211.27 Model | 797808.219 2 398904.11 Prob F = 0.0000 Residual | 485238.286 257 1888.08672 R-squared = 0.6218 -+- Adj R-squared = 0.6189 Total | 1283046.51 259 4953.84751 Root MSE

14、优度也只有 0.6189。（ 4）建立一个三次模型： 230 1 2 3i i i i iY X X X u 其中， Y 是股票价格， X 是时间。哪一个模型更好地拟合了数据？答：输入 stata 命令，得： . gen time2=time2 . gen time3=time3 . reg close time time2 time3 Source | SS df MS Number of obs = 260 -+- F( 3, 256) = 375.21 Model | 1045314.84 3 348438.28 Prob F = 0.0000 Residual | 237731

16、0929 5.69e-06 16.33 0.000 .0000817 .0001041 _cons | -10.85435 7.669922 -1.42 0.158 -25.95852 4.249829 得回归结果： close=-10.85+2.61time-0.0296time2+0.000093time3。由回归结果可知，三次模型较二次模型更好地拟合了数据，原因是三次模型的校正拟合优度比二次模型的大，说明了该模型更具解释力。三：数据集 DATA6-9 （ 1）利用数据拟合一个 LIV（变量线性）模型，解释回归系数的涵义。模型拟合的效果如何？分别做 Y 对 1X 和 Y 对 2X 的

17、散点图。散点图是否呈现出线性模式？答：建立模型： Y= 1+ 2 X1+ 3 X2+ 。其中回归系数 2、 3 分别表示当其他解释变量不变时，这一解释变量各自对被解释变量 Y的影响程度。输入 stata 回归命令可得：（因为所给数据有缺失 ,故剔除了两组数据） . rename lifeexp Y . rename peopletv X1 . rename peoplephys X2 . reg Y X1 X2 Source | SS df MS Number of obs = 38 -+- F( 2, 35) = 13.75 Model | 991.123688 2 495.5

19、008427 -.0000214 _cons | 70.25196 1.087705 64.59 0.000 68.0438 72.46012 回归结果： Y=70.25-0.0235X1-0.0004X2。由回归数据可得，该模型的拟合优度只有 0.44，即该模型的拟合效果不是很好。分别做 Y对 X1 和 Y对 X2 的散点图如下： . twoway scatter Y X1 . twoway scatter Y X2 Y对 X1 Y 对 X2 可以上图看出，这两个散点图都没有呈现出线性模型。（ 2）分别做 lnY 对 1lnX 和 lnY 对 2lnX 的散点图。散点图是否

20、呈现出线性模式？答：输入 stata 命令可得： . gen lnY=log(Y) . gen lnX1=log(X1) . gen lnX2=log(X2) . twoway scatter lnY lnX1 . twoway scatter lnY lnX2 lnY 对 lnX1 lnY 对 lnX2 由上图可以看出，这两个散点图都呈现出线性模式，而且是负相关。（ 3）估计一个双对数模型。拟合的效果如何？答：建立双对数模型： lnY= 1+ 2 lnX1+ 3 lnX2+ 。输入 stata 命令可得： . reg lnY lnX1 lnX2 Source | SS d

22、088061 -5.11 0.000 -.0628747 -.0271202 lnX2 | -.035013 .0111428 -3.14 0.003 -.057634 -.012392 _cons | 4.563085 .064933 70.27 0.000 4.431264 4.694906 得回归结果： lnY=4.56 -0.045lnX1-0.035lnX2。从回归数据可得，该双对数模型的拟合优度达 0.7987，高于线性模型的拟合优度。所以此模型的拟合效果较线性模型的拟合效果更好些。（ 4）解释双对数模型中的回归系数。这些回归系数是否合理？答：回归系数 2表示，在其他解释变量

23、不变的情况下， X1 的 1%的变化引起 Y 改变 2%，即为 -0.045%；：回归系数 3表示，在其他解释变量不变的情况下， X2 的 1%的变化引起 Y改变 3%，即为 -0.035%；这些回归系数中，回归系数 2合理，回归系数 3不合理。四、使用数据集 wage.dta，求得 wage、 educ、 exper、 tenure 之间的相关系数矩阵。答：输入 stata 命令得： . correlate wage educ exper tenure (obs=526) | wage educ exper tenure -+- wage | 1.0000 educ | 0.

24、4059 1.0000 exper | 0.1129 -0.2995 1.0000 tenure | 0.3469 -0.0562 0.4993 1.0000 wage、 educ、 exper、 tenure之间的相关系数矩阵即如上图所示。五、使用 mroz.dta 数据集，剔除其中在 5%的显著性水平下不显著的自变量。答：输入 stata 命令，得： . sw reg wage inlf hours kidslt6 kidsge6 age educ hushrs husage huseduc huswage faminc motheduc fatheduc exper expe

25、rsq,pr(.05) (inlf dropped because constant) begin with full model p = 0.9747 = 0.0500 removing fatheduc p = 0.9230 = 0.0500 removing expersq p = 0.8791 = 0.0500 removing husage p = 0.7765 = 0.0500 removing kidslt6 p = 0.4023 = 0.0500 removing kidsge6 p = 0.2174 = 0.0500 removing huseduc p = 0.2087 =

26、 0.0500 removing age p = 0.1749 = 0.0500 removing motheduc Source | SS df MS Number of obs = 428 -+- F( 6, 421) = 16.88 Model | 907.486444 6 151.247741 Prob F = 0.0000 Residual | 3771.56649 421 8.95859024 R-squared = 0.1939 -+- Adj R-squared = 0.1825 Total | 4679.05293 427 10.9579694 Root MSE = 2.99

27、31 - wage | Coef. Std. Err. t P|t| 95% Conf. Interval -+- hours | -.0007869 .0002103 -3.74 0.000 -.0012004 -.0003735 exper | .0380562 .0190773 1.99 0.047 .0005576 .0755548 faminc | .0001048 .0000207 5.07 0.000 .0000641 .0001454 huswage | -.1515962 .0689664 -2.20 0.028 -.2871576 -.0160348 educ | .3790003 .0690195 5.49 0.000 .2433345 .5146661 hushrs | -.0008611 .0003048 -2.82 0.005 -.0014602 -.0002619 _cons | .3999198 1.149705 0.35 0.728 -1.859958 2.659798 上述数据就是剔除了其中在 5%的显著性水平下不显著的自变量之后回归分析所得到的数据。

展开阅读全文