(分布滞后及格兰杰因果检验.docxVIP

实验9 分布滞后模型与自回归模型及格兰杰因果关系检验一 实验目的：掌握分布滞后模型与自回归模型的估计与应用，掌握格兰杰因果关系检验方法，熟悉Eviews的基本操作。二 实验要求：应用教材P168例题5.2.2案例，做有限分布滞后模型的估计；应用教材P176例题5.2.4案例，做格兰杰因果关系检验。三 实验原理：普通最小二乘法、阿尔蒙法、格兰杰因果关系检验、LM检验。四 预备知识：普通最小二乘法估计的原理、t检验、拟合优度检验、阿尔蒙法、多项式近似。五 实验内容：(1) 1975～2002年中国电力行业基本建设投资X和发电量Y的相关数据如下表所示。（数据见第5章EXCEL表格）。假定电力行业基本建设投资对发电量增长有一个分布滞后效应，使用7期滞后和2次多项式去估计此分布滞后模型；(2) 检验人均可支配收入和居民消费的格兰杰因果关系，使用直至4期为止的滞后并评述你的结果。(数据见EXCEL例题2.6.2)六 实验步骤：6.1 建立工作文件并录入数据如图1所示图 16.2 使用7期滞后2次多项式估计模型在工作文件中，点击Quick\Estimate Equation…，然后在弹出的对话框中输入：log(Y) C PDL(log(X),7,2)，点击OK，如图2所示，运行得到如图3所示的回归分析结果。其中，“PDL指令”表示进行多项式分布滞后(Ploynamial Distributed Lags)模型的估计，X为滞后序列名，7表示滞后长度，2表示多项式次数。图2由图3中的数据，我们得到估计结果如下： (157.96) (1.73) (-5.08) (2.13) 最后得到的分布滞后模型估计式为： 图 3图3所示输出结果的上半部分格式与一般的回归方程相同，给出了模型参数估计值、t检验统计量值及对应的概率值，以及模型的其他统计量。图3窗口的下半部分则给出了模型解析变量lnX及lnX各滞后变量的系数估计值、标准差、t统计量以及滞后系数之和(Sum of Lags)等信息。图3上部分中的PDL01、PDL02、PDL03分别代表式中的、、。由于多项式次数为2，因此除了常数项外共有3个参数估计值。在3个PDL变量系数估计值中变量PDL01的系数估计值的t统计量在0.05置信水平下没有通过显著性检验，而PDL02和PDL03的系数估计值在5%的检验水平是显著的。但是F统计量=1185.75，其对应的概率值P非常小，从而可以拒绝“整体上诸变量PDL之间对Y没有影响”的原假设，参数估计值不显著很可能是由于诸变量之间存在多重共线性问题。图3下半部分，Lag Distribution of X列绘制出了分布滞后变量X的诸系数的分布图，其图形有呈现二次抛物线形状的趋势。紧接著，Eviews给出了分布滞后模型中诸的估计值。这些系数值分别为0.1392、0.0888、0.0505、0.0244、0.011、0.0092、0.0200、0.043，分别表示电力行业基本建设投资X增加一个单位，在当期将使发电量Y增加0.1392个单位；由于存在时间滞后的影响，基本建设投资X还将在下一期使得发电量Y增加0.0888个单位；在第二期使得下一期使得发电量Y增加0.0505个单位；在第三期使得发电量Y增加0.0244个单位；第四期使得发电量Y增加0.011个单位；第五期使得发电量Y增加0.0092个单位；第六期使得发电量Y增加0.0200个单位；第七期使得发电量Y增加0.043个单位。图3所示的估计结果的最后一行Sum of Lags是诸系数估计值的总和，其反映的分布滞后变量X对因变量Y的长期影响(即长期乘数)，即从长期看，X增加一个单位将使得Y增加0.3860个单位。为了进行比较，下面直接对滞后7期的模型进行OLS估计。在工作文件中，点击Quick\Estimate Equation...，然后在弹出的对话框中输入：log(Y) C log(X) log(X(-1)) log(X(-2)) log(X(-3)) log(X(-4)) log(X(-5)) log(X(-6)) log(X(-7))，点击OK，得到如图4所示的回归分析结果。图 4由图4中数据我们得到： 可以看出，尽管拟合优度有所提高，但所有变量的系数均未通过显著性水平为5%的t检验。6.3 格兰杰因果关系检验根据例题2.6.2建立新的工作表，在其窗口工具栏中单击View\Granger Causality...，；屏幕弹出如图5所示的对话框。图 5在图5所示对话框中输入滞后长度“1”，然后单击OK按钮，屏幕会输出Granger因果关系检验结果，如图6所示。图 6由图6中伴随概率知，在5%的显著性水平下，拒绝“X不是Y的格兰杰原因”的原假设，即“X是Y的格兰杰原因”；同时拒绝“Y不是X的格兰杰原