Grop INTITLED YorkE:14:HUIMTEP r 00000 00000 80000 ononn 70030 80000 50000 信0300 30000 03000 6天 0000 D0000 C000 600毫0 5 16 F0000 16 F00n 图1.28 群对象View下拉莱单项目 1.描述统计 群对象的描述统计(Descriptive Stats)包括两个子项：普通样本(Common Sample)和个体样本(individual Samples）。当群对象投有缺失值或者各序列的 缺失值处于同一时点时，选择二者的结果是相同的，EViews将分别对各序列计 算出与图1.20中相同的描述统计量。而在其它情况下，选择前一种算法，EViews 计算时将只利用各序列均无缺失值的时间点的样本值进行计算，这种选取样本 值的算法称为个案删除(Casewise Deletion):选择第二种方法，EViews将分 别利用各序列所有非缺失观测值计算各统计量，这种样本取值法称为列剧除 (Listwise Deletion}。 2.齐性检验与多因素列联表 群对象的齐性检验(Tests of Equality）包括均值检验、方差检验和中位数 检验，对应的零假设是群中各序列的均值、方差及中位数相等。莱单下面一项 是多因素列联表分析(N-Way Tabulation),是单因素列联表的推广形式，有兴 趣的读者请参看相关统计半教材
3,相关分析与协方差分析 相关分析(Correlations)给出各序列的相关系数矩阵。序列x和y的相关 系数计算公式为 ∑店-y-月 r= (1.5.5) V∑“，-y∑”0y,-y 相关系数τ取值范围是[-1,1]，其绝对值越接近1，两个序列相关性越强。 协方差分析(Covariances)结果是一个协方差矩阵。它的主对角线上分别 是各序列的样本方差，其它元素则是对应两个序列的协方差，计算式为 covk∑飞--列 (1.5.6) 例1.4序列CONS和INC分别代表1994年至199年北京市居民人年均 生活消费支出和可支配收人，都经过以1994年为基期的消费物价指数平减，数 表1.4北京市人年均消费与可支配收入 单位：元 时间 消费支出 可支配收入 1994 4134.04 5084.70 1995 4279.43 5315.43 1996 4376.79 5600.94 1997 4738.52 5668.08 1998 4938.49 6001.98 1999 5280.62 6466.73 r oop GROUF01ok1a56▣X 野散上 05 1000000 0.973405 0.973405 1000000 图1.29。序列相关分析结果
据见表1.4.现对两序列作相关分析和协方差分析。 以CON$和NC两个序列建立-一个群，命名为GROUP01.打开该群对象， 在丁具栏选择View/Correlations,得到相关分析结果，知图l.29。 图中显示，收人与消费序列的相关系数为0.9734，属于正向高度相关关系。 选择View/Covariances,得到图1.30所示的协方差阵。 图中矩阵的主对角线上160510.5和202623.5分别表示序列C0NS和INC 的方差，175545.7是两序列的协方差。 6rrO1r1。注江行@X 国 cO50透 CONS 1E0510.5 175545.7 1765457 202623.5 图1.30序列协方差分析结果
线性回归 分析 回归分析方法是确定变量间相互作用与影啊的处模方法，在数据分析工作 中有着极其广泛的应用。 第一节线性回归概述 2.1.1回归模型简介 回归分析主要研究客观事物间的关系。它是一种建立在对客观事物进行大 量试验和观察的基础上，用来寻找隐藏在那些看上去是不确定的现象的统计规 律性的统计方法。 如果随机变量y与变量为，x2,,x。存在相关关系，则可建立模型： y=玉13，+e (2.1.1) 其中y是因变量，亦称被解稀变量：￥，2，x,是自变量，亦称解释变量， f(名，x,》悬回归函数，6是随机误差，表示受随机因素影响而未能观亲到 的偶然因素。y由自变量和随机误差共同决定，表达出了y与各个自变量间既 有联系，又有不确定性的特点。 根据模型表达式是否为线性，可将回归模型分为线性回归和非线性回归， 根据模型中自变量的个数，可分为一元回归和多元问归。 建立线性回归模型时、通常还要满足下列落本假定： 1.自变量是非随机变量且彼此间不相关即Cov(名，x,)=0(≠)， 2.随机误差项相互独立且服从期望为零、标准差为G的正态分布即
NO.) 3.样本容量个数多于参数个数即n>p+1。 需要强调这三个基本假设对于建立一个合理模型至关重要，如果违背假设 中的任何一条都将产生模型解释不合理等问题，这将在第四节展开讨论。 回归函数为线性函数的模型是线性回归模型，其一般形式为： y=P0+B+P23+…+月p+e (2.1.2) 2.1.2一元线性回归模型 上式中如果只含有一个自变量，称为一元线性回归模型。它是最简单的线 性回归模型，一般形式为： y=B。+B1x+E (2.1.3) 一元线性回归在EViews中的操作比较简单，作为多元回归的特例，放在下 一节讲述。 第二节多元钱性回归 2,2.1模型的基本形式 在实际问题中，影响因变量的因素往往不只一个。这时要用到多元线性回 归，模型形式如(2.1.2)式，也可以写成矩阵形式，如（2.2.1)式。 y-XB+e (2.2.1) 其中 K 2。 为p Bo x21 m B X= … B= y Xal n2 其中，X为设计矩阵，由X的实际观测值构成： B为参数向量，由待估计 的参数构成：E为随机误差向量。 2.2.2建模过程