计量经济学实验报告-LOGIT模型.docx

《计量经济学实验报告-LOGIT模型.docx》由会员分享，可在线阅读，更多相关《计量经济学实验报告-LOGIT模型.docx（8页珍藏版）》请在优知文库上搜索。

1、XXX学院实验报告课程名称计量经济学成绩实验名称虚拟变量模型专业投资学年级/班级B18投资学一班指导教师刘某某实验地点文博楼实验室名称经济学实验中心实验时间实验仪器计算机、eviews计量分析软件姓名学号实验目的1 .运用习题7T数据，建立ANOVA模型，并解释相关变量。2 .运用习题7T数据，建立ANeoVA模型，并解释相关变量。3 .运用习题7-1数据，建立LPM模型，并解释相关变量。4 .运用7T数据，建立LOGrr模型，并解释相关变量。5 .运用7T数据，建立PROBlT模型，并解释相关变量。6 .运用7-2数据，建立审察回归模型TOBrr模型，并解释相关变量。实验内容步骤1 .建立A

2、NOVA模型：打开Eviews,选择数据GPAPSI打开，点击Quick-EstimateEquation进行回归分析。2 .建立ANCOVA模型：选择GPAGRADEPSITUCE作为一组数据打开，点击Quick-EstimateEqUation进行回归分析。3 .建立LPM模型：在EstimateEquation命令框中输入GRADECGPAPSITUCE进行回归，得到LPM模型。4 .建立LOGIT模型:在Method下拉列表中选择BINARY选项,并在BinaryEstimate选项组中选择LOGlT,同时在命令框中输入GRADEGPAPSITUCEC得到模型。5 .建立PROBIT模

3、型:在Method下拉列表选择BINARY选项，并在BinaryEstimate选项组中选择PROBIT,同时在命令框中输入GRADEGPAPSITUCEC得到模型。6 .建立TOBIT模型：在Method下拉列表中选择CENSORED选项，在EstimateEqUatiOn命令框中输入YXlX2X3X4C,在DiStribUtiOn中选择NOnna1。1 .建立ANOVA模型如下：回归分析如下：DependentVariable:GPAMethod:LeastSquaresDate:11/21/21Time:11:24Sample:132Includedobservations:32Vari

4、ableCoefficientStd.Errort-StatisticProb.PSI0.0367460.1689280.2175240.8293C3.1011110.11173627.754020.0000R-squared0.001575Meandependentvar3.117188AdjustedR-squared-0.031706S.D.dependentvar0.466713S.E.ofregression0.474054Akaikeinfocriterion1.405470Sumsquaredresid6.741813Schwarzcriterion1.497079Loglike

5、lihood-20.48752Hannan-Quinnenter.1.435836F-Statistic0.047317Durbin-Watsonstat2.225416Prob(F-Statistic)0.829272实验结果分析及诗论根据回归数据建立模型，结果为：GPA=3.101111+0.036746PS/jZ=(27.75402)(0.217524)汗=0.001575,F=0.047317由回归结果可知，PSl所对应的P值为0.8293,P0.05,P值不显著，这说明PSl对GPA没有显著影响，即是否接受新的教学方法对学生的平均分数没有很大的关系。2 .建立ANCOVA模型如下:回

6、归分析结果如下：DependentVariable:GPAMethod:LeastSquaresDate:11/21/21Time:11:48Sample:132Includedobservations:32实验结果分析及诗论(续)VariableCoefficientStd.Errort-StatisticProb.GRADE0.4884730.1705532.8640540.0078PSI-0.1877880.156612-1.1990610.2406TUCE0.0307190.0192401.5966380.1216C2.3575330.4182445.6367380.0000R-squ

7、ared0.342418Mean dependent var3.117188Adjusted R-squared0.271963S.D.dependent var0.466713S.E. of regression0.398223Akaike info criterion1.112861Sum squared resid4.440289Schwarz criterion1.296078Log likelihood-13.80577Hannan-Quinn criter.1.173592F-statistic4.860075Durbin-Watson stat1.831719Prob(F-Sta

8、tistic)0.007604根据回归数据建立模型，结果为：GPA=2.357533+0.488473G/MO耳0.187788PSZ.+0.030719TUCEit=(5.636738)(2.864054)(-1.199061)(1.596638)R2=0.342418,F=4.860075由模型结果可知，当GRADE为常量时，接受新方法比不接受新方法的平均分数低0.187788分；当GRADE和PSl为常量时，测验得分每增加一个单位，学生的平均分数就增加2.388252分。另外GRADE的P值较小，小于0.05,说明是否接受新方法对学生的学习成绩影响较大。Method:LeastSquar

9、esDate:11/21/21Time:11:27Sample:132Includedobsen/ations:32实验结果分析及诗论(续)VariableCoefficientStd.Errort-StatisticProb.GPA0.4638520.1619562.8640540.0078PSI0.3785550.1391732.7200350.0111TUCE0.0104950.0194830.5386850.5944C-1.4980170.523889-2.8594190.0079R-squared0.415900Mean dependent var0.343750Adjusted R

10、-squared0.353318S.D.dependent var0.482559S.E. of regression0.388057Akaike info criterion1.061140Sum squared resid4.216474Schwarz criterion1.244357Log likelihood-12.97825Hannan-Quinn criter.1.121872F-statistic6.645658Durbin-Watson stat2.346447Prob(F-Statistic)0.001571利用普通最小二乘估计，得到线性概率模型为：GRA。耳二T.4980

11、17+0.463852GPA+0.378555P5/,.+0.010495TUCEit=(-2.859419)(2.864054)(2.720035)(0.538685)芯=0.4159,F=6.645658模型回归结果表明，模型总体的统计是显著的。可知GPA的斜率估计量为0.463852,这说明平均分数每增加1时，接受新教学方法后成绩改善的概率上升46.39%；TUCE的斜率估计量为0.010495,这说明测验得分每增加1个单位时，接受新教学方法后成绩改善的概率上升1.05%；PSI的斜率估计量为0.378555,这接受新方法的意愿每增加1个单位时，接受新教学方法后成绩改善的概率上升37.8

12、6%oMethod:ML-BinaryLogit(Quadratichillclimbing)Date:11/21/21Time:11:32Sample:132Includedobsen/ations:32Convergenceachievedafter4iterationsCovariancematrixcomputedusingsecondderivatives实验结果分析及诗论(续)VariableCoefficientStd.Error z-StatisticProb.GPA0.2993360.6815420.4392040.6605PSI1.6363570.8126202.01368

13、10.0440TUCE-0.1014720.099563-1.0191830.3081Mean dependent var0.343750S.D.dependent var0.482559S.E. of regression0.467281Akaike info criterion1.360661Sum squared resid6.332187Schwarz criterion1.498074Log likelihood-18.77057Hannan-Quinn criter.1.406209Deviance37.54114Restr. deviance41.18346Avg. log li

14、kelihood-0.586580Obs with Dep=O21Total obs32Obs with Dep= 111根据上述结果，可以得出二元LOgit模型结果为：PIn()=0.299336GPA+1.636357PS/-0.10141TUCEi-Pi,z=(0.439204)(2.013681)(-1.019183)由二元Logit模型可得：P=!iJ-(O.299336G4i+1.636357PS/；-0.1Ol4727VC)可知解释变量PSI的Z统计量较大且其相应的概率值比较小，这说明其在统计上是显著的，从而说明PSl对提高学生成绩有显著的影响。然而解释变量GPA,TUCE参数估计值相应的概率值较大，统计上不显著，说明这两个变量对提高学生成绩没有显著影响。5.建立PROBIT模型如下：DependentVariable:GRADEMethod:ML-BinaryProbit(Quadratichillclimbing)Date:11/21/21Time:11:31Sample:132Includedobs