生业；Y9：批发贸易业；Y10：零售贸易业；Y11：信托、保险、不动产业；Y12：服务业；Y13：政府支出。 实验内容：
1.主成分分析法的基本思想；
基本思想是：由于解释变量之间存在高度的相关性，导致模型存在多重共线性问题。为了解决这一多重共线性问题，主成分分析法将全部X变量的某一线性组合作为一个主成分，并根据某些规则确定主成分的个数；然后再将被解释变量Y对已选定的主成分进行多元线性回归估计；最后将多元线性回归分析结果转化为被解释变量Y对所有解释变量X的回归模型。
注意：①全部解释变量X的某一线性组合的系数确定：利用所有X变量的相关系数矩阵R，计算R矩阵的特征值(按由大到小进行排列)和对应的特征向量，最大的特征值(也就是第一特征值)所对应的特征向量是第一个主成分的X变量的线性组合系数；第二特征值所对应的特征向量系数作为第二主成分的X的线性组合系数；以此类推，这样可以构造与X变量个数相同的主成分个数；
②主成分个数的确定：根据累计解释能力来确定，一般而言达85% 的累计解释能力即可。解释能力的计算：第一主成分的解释能力(假设包含n个X变量)是
?1??i?1n；第二主成分
i的解释能力是：
?2??i?1n；第i个主成分的解释能力是：
i?i??i?1n (i=1,2,3,…,n)
i2.在Eviews上求出Y1-Y13的相关系数矩阵
3.求出相关系数矩阵的特征值，并算出各特征值的解释能力 4.求出对应特征值的特征向量
5.求出主成分的个数，并指出其解释能力和各主成分的经济含义
(@cor（求相关系数矩阵命令，自变量是矩阵或组，返回值是对称矩阵）、定义sym矩阵，再求特征值和特征向量，@eigenvalues(返回值是向量) 和
@eigenvectors(返回值是矩阵))
实验七：异方差的诊断与解决
实验数据与说明：文件夹sy7.wf1(教材163页)。目的：掌握异方差的概念、检验的基本思想、图示法和统计检验方法、FWLS估计、White稳健标准误、自然对数等解决方法。研究我国2008年31个地区的城市居民人均年消费支出和可支配收入之间的数量关系，是横截面数据。
6
实验内容：
1.异方差的图示检验： ①X和Y散点图检验； ②横坐标是X、纵坐标是残差； ③残差平方和X序列散点图检验；
2.异方差的LM检验法，包括Breusch-Pagan-Godfrey(BPG)检验；
3.White检验，包括两种辅助回归模型的构造方法，第一是残差的平方对原始变量X、X的平方项以及X的交叉项进行回归；第二是残差的平方对拟合值、拟合值的平方或立方等高次方进行回归；
4.两步法即FWLS法来解决异方差。第一步利用利用Harvey(哈维)的异方差假设形式求得原始模型的异方差；第二步对模型进行WLS估计。 5.White的稳健标准误估计法在Eviews上的实现；
6.取自然对数可以减少异方差的影响，对原始数据进行双对数拟合，并检验是否还存在异方差现象。
实验八：自相关的诊断与解决
实验数据与说明：我国货币需求函数估计，文件夹sy8.wf1(教材200页)。影响一国实际货币需求的主要因素为居民的实际收入和持有货币的收益及成本。其中，实际收入对货币需求有正向影响，而利率将抑制货币需求。这里以GDP表示居民的收入，以一年期存款基准利率(R)表示持有货币的成本，以准货币(M1)表示货币余额。 实验内容：
1.利用CPI(1978=100)将GDP和M1换算成实际数据，然后对所有数据取自然对数； 2.建立如下的回归模型并进行OLS估计： LnM1??0??1LnGD?P?2 L?n?R3.对模型进行图示法和统计法的自相关检验。图示法包括：残差图和横坐标是残差的一阶滞后、纵坐标是当期残差；统计法包括D.W检验法(一阶自相关检验)和高阶自相关检验(Breusch-Godfrey检验，简称BG法)、Q检验；
4.自相关的解决法包括广义差分估计和科克伦-奥克特(Cochrane-Orcutt)迭代法、修正标准误的HAC法；
实验九：波动率建模：ARCH和GARCH模型
参考资料中的ARCH和GARCH模型概述。
实验数据与说明：Workfile sy9.wf1。以1995年1月至2000年8月的日元兑美元的汇率日数据，共计1427个数据。
7
实验内容：
1.计算汇率波动的汇报率，Rt?log(Pt)?log(Pt?1)
2.画出回报率的趋势图，观察是否存在ARCH效应。如果存在，以Rt对常数项进行回归，即：
Rt??0??t
并利用LM统计量检验随机干扰项的方差是否呈现ARCH效应？ 3.对回报率序列进行ARCH模型建模与估计，经反复计算，滞后阶选2； 4.由于ARCH模型本身的局限性，我们对模型进行GARCH(1,1)拟合；
5.检验GARCH拟合后模型的残差项是否是正态分布的(用q-q图，分位数对分位数图)，如果是，说明GARCH拟合是合理，否则继续运用其他GARCH类模型来拟合；
6.从q-q图来看，残差的尾部概率显然要比标准正态要大得多，因此要尝试用其他GARCH类模型对数据进行拟合；
7.拟合GARCH-M(1,1)模型，观察输出结果。发现?t项没有显著性，因此没有必要用GARCH-M(1,1)模型；
8.下面对序列进行TARCH拟合。在Threshold选项中设定滞后阶数为1，结果发现GARCH模型不存在新息冲击的非对称性，即不存在杠杆效应；
9.拟合EGARCH模型。因为TARCH模型的设定是假设?t2对?t的影响是二次的，过于的简单且单一，应用EGARCH模型说明?t2对?t的影响是指数的，而不是二次的。C(3)是显著的，说明存在非对称的杠杆效应；
10.进一步用成分ARCH(Component ARCH)模型拟合，再观察残差是否还存在ARCH效应。
(Power ARCH，简记为PARCH模型，幂ARCH模型)
实验十：虚拟变量的应用
实验数据与说明：sy10.wf1。研究我国酒销售量的季度数据如何随季节的变化而变化。 实验内容：
1.画散点图，了解数据中的季节周期变化和随时间的变化；
2.在Eviews中定义季节虚拟变量，要注意虚拟变量的设置原则：含截距的回归模型中，虚拟变量的个数是类型减去1；@trend @seas(1) @seas(2) @seas(3) @seas(4) 3.观测系数的显著性，去除不显著的季节因素，获得最终的回归模型；
实验十一：虚拟变量测量截距的变动
2 8
模型说明：Yi??0??1Xi??2D??i，如果参数?2是显著的则说明模型存在变截距效应。 实验数据与说明：sy11.wf1。随机调查美国旧金山地区20个家庭(其中6个家庭有房，14个家庭没有住房)的储蓄情况，建立年储蓄额Yi(千美元)对年收入Xi(千美元)的回归模型。 实验内容：
1.做散点图，观察模型是否存在变截距？注意观察第6、8、9、14、17、18个样本数据(在Eviews7.2中可以直接看出来)； 2.设定如下的虚拟变量：D???1?0有房户租房户
3.根据散点图对数据中虚拟变量赋值；
4.对包含虚拟变量的回归模型进行OLS估计，并分析是否存在变截距效应。
实验十二：虚拟变量测量截距和斜率变动
模型说明：Yi??0??1Xi??2D??3DXi??i，如果?2显著而?3不显著，则只存在截距效应；如果?2不显著而?3显著，则只存在变斜率效应；如果两者都不显著，则没有截距和斜率的变动效应；如果两者都显著则两者效应都存在。
实验数据与说明：sy12.wf1。中国进出口贸易总额数据(1950-1984)，考察改革开放后该时间序列是否存在截距和斜率变动效应。 实验内容：
1.做出趋势图，横坐标是时间，纵坐标是贸易总额，从趋势图能发现什么问题？ 2.设定虚拟变量：D???0?1(19501978)；
(19781984)3.对如下模型进行OLS回归：trade??0??1t??2D??3Dt??t，并设定时间变量t； 4.分析回归结果，考察是否存在变截距和变斜率效应，并贸易总额的不同的增加额； 5.比较Chow检验和使用虚拟变量检验两种方法的异同。
(1)邹至庄(Chow)检验只能告诉我们回归模型是否发生了显著的结构变化，但不能明确告诉我们回归模型的结构变化到底是出现在截距上，还是斜率上，或者两者兼而有之。使用虚拟变量的方法不仅可以检验回归模型的结构变化，而且能够这种结构变化是来源于截距、斜率还是两者兼有。
(2)不同于邹至庄(Chow)检验需要将样本分开，做分段样本回归。使用虚拟变量的方法是将所有的数据混合在一起，仅作一次回归。这样，就增加了自由度，从而可能提高估计的回归系数的精度。
9
实验十三：线性概率模型
简述：线性概率模型是被解释变量是虚拟变量的模型。
实验数据与说明：文件夹sy13.wf1。研究已婚妇女在1975年劳动力参与状况问题，其中inlf表示已婚妇女在1975年为了工资而在家庭以外工作情况，inlf=1表示参加过工作，inlf=0表示没有参加过工作，同时已婚妇女是否参加工作取决于丈夫的收入(nwifeinc，以千美元计)、受教育年限(educ)、过去在劳动力市场的年数(exper)、年龄(age)、年龄低于6岁的子女数(kidslt6)、年龄介于6-18岁的子女数(kidsge6)。 实验内容：
1.估计如下的线性概率模型：
inlf??0??1nwifeinc??2educ??3exper??4expersq??5age??6kidslt6??7kidsge6??2.解释各系数的经济含义； 3.指出线性概率模型存在的不足；
4.简述线性概率模型的WLS估计思想，并用两步法来对模型进行WLS估计。
实验十四：Logit模型和Probit模型
实验数据与说明：Logit模型的估计分为群组数据估计和个体数据估计，群组数据估计的文件夹sy14-1.wf1(参考教材223页的表10.3.2)、个体数据估计的文件夹sy14-2.wf1(参考教材226页表10.3.3)。Probit模型与Logit模型相似，Logit模型是将逻辑斯蒂分布函数作为概率函数，而Probit模型是将概率函数设定为标准正态分布函数。 Logit模型的一般形式是： Li?Ln(实验内容：
1.群组数据的数据表：
表10.3.2 高中毕业生的家庭收入X与选择上大学的假想群组数据 pi)??0??1Xi??i 1?piX 6 9 10 14 19 Ni 50 30 30 40 60 ni 24 16 20 26 42 ?i p0.48 0.60 0.67 0.65 0.7 X 24 31 40 60 70 Ni 50 40 25 20 10 ni 36 32 21 18 9 ?i p0.72 0.80 0.84 0.9 0.9 表中的数据是根据家庭收入水平以及每个收入水平下选择上大学的学生人数。对应于
10