計量經(jīng)濟學實驗報告-LOGIT模型

8/8XXX學院實驗報告課程名稱計量經(jīng)濟學成績實驗名稱虛擬變量模型專業(yè)投資學年級/班級B18投資學一班指導教師劉某某實驗地點文博樓實驗室名稱經(jīng)濟學實驗中心實驗時間實驗儀器計算機、eviews計量分析軟件姓名學號實驗目的運用習題7-1數(shù)據(jù)，建立ANOVA模型，并解釋相關變量。運用習題7-1數(shù)據(jù)，建立ANCOVA模型，并解釋相關變量。運用習題7-1數(shù)據(jù)，建立LPM模型，并解釋相關變量。運用7-1數(shù)據(jù)，建立LOGIT模型，并解釋相關變量。運用7-1數(shù)據(jù)，建立PROBIT模型，并解釋相關變量。運用7-2數(shù)據(jù)，建立審察回歸模型TOBIT模型，并解釋相關變量。實驗內容\步驟1.建立ANOVA模型：打開Eviews，選擇數(shù)據(jù)GPA、PSI打開，點擊Quick-EstimateEquation進行回歸分析。2.建立ANCOVA模型：選擇GPAGRADEPSITUCE作為一組數(shù)據(jù)打開，點擊Quick-EstimateEquation進行回歸分析。3.建立LPM模型：在EstimateEquation命令框中輸入GRADECGPAPSITUCE進行回歸，得到LPM模型。4.建立LOGIT模型：在Method下拉列表中選擇BINARY選項，并在BinaryEstimate選項組中選擇LOGIT，同時在命令框中輸入GRADEGPAPSITUCEC得到模型。5.建立PROBIT模型：在Method下拉列表選擇BINARY選項，并在BinaryEstimate選項組中選擇PROBIT，同時在命令框中輸入GRADEGPAPSITUCEC得到模型。6.建立TOBIT模型：在Method下拉列表中選擇CENSORED選項，在EstimateEquation命令框中輸入YX1X2X3X4C，在Distribution中選擇Normal。實驗結果分析及討論1.建立ANOVA模型如下：回歸分析如下：

DependentVariable:GPAMethod:LeastSquaresDate:11/21/21Time:11:24Sample:132Includedobservations:32VariableCoefficientStd.Errort-StatisticProb.

PSI0.0367460.1689280.2175240.8293C3.1011110.11173627.754020.0000R-squared0.001575

Meandependentvar3.117188AdjustedR-squared-0.031706

S.D.dependentvar0.466713S.E.ofregression0.474054

Akaikeinfocriterion1.405470Sumsquaredresid6.741813

Schwarzcriterion1.497079Loglikelihood-20.48752

Hannan-Quinncriter.1.435836F-statistic0.047317

Durbin-Watsonstat2.225416Prob(F-statistic)0.829272根據(jù)回歸數(shù)據(jù)建立模型，結果為：由回歸結果可知，PSI所對應的P值為0.8293，P>0.05,P值不顯著，這說明PSI對GPA沒有顯著影響,即是否接受新的教學方法對學生的平均分數(shù)沒有很大的關系。實驗結果分析及討論（續(xù)）2.建立ANCOVA模型如下：回歸分析結果如下：

DependentVariable:GPAMethod:LeastSquaresDate:11/21/21Time:11:48Sample:132Includedobservations:32VariableCoefficientStd.Errort-StatisticProb.

GRADE0.4884730.1705532.8640540.0078PSI-0.1877880.156612-1.1990610.2406TUCE0.0307190.0192401.5966380.1216C2.3575330.4182445.6367380.0000R-squared0.342418

Meandependentvar3.117188AdjustedR-squared0.271963

S.D.dependentvar0.466713S.E.ofregression0.398223

Akaikeinfocriterion1.112861Sumsquaredresid4.440289

Schwarzcriterion1.296078Loglikelihood-13.80577

Hannan-Quinncriter.1.173592F-statistic4.860075

Durbin-Watsonstat1.831719Prob(F-statistic)0.007604根據(jù)回歸數(shù)據(jù)建立模型，結果為：

由模型結果可知，當GRADE為常量時，接受新方法比不接受新方法的平均分數(shù)低0.187788分；當GRADE和PSI為常量時，測驗得分每增加一個單位，學生的平均分數(shù)就增加2.388252分。另外GRADE的P值較小，小于0.05，說明是否接受新方法對學生的學習成績影響較大。實驗結果分析及討論（續(xù)）3.建立LPM模型如下：DependentVariable:GRADEMethod:LeastSquaresDate:11/21/21Time:11:27Sample:132Includedobservations:32VariableCoefficientStd.Errort-StatisticProb.

GPA0.4638520.1619562.8640540.0078PSI0.3785550.1391732.7200350.0111TUCE0.0104950.0194830.5386850.5944C-1.4980170.523889-2.8594190.0079R-squared0.415900

Meandependentvar0.343750AdjustedR-squared0.353318

S.D.dependentvar0.482559S.E.ofregression0.388057

Akaikeinfocriterion1.061140Sumsquaredresid4.216474

Schwarzcriterion1.244357Loglikelihood-12.97825

Hannan-Quinncriter.1.121872F-statistic6.645658

Durbin-Watsonstat2.346447Prob(F-statistic)0.001571利用普通最小二乘估計，得到線性概率模型為：模型回歸結果表明，模型總體的統(tǒng)計是顯著的?？芍狦PA的斜率估計量為0.463852，這說明平均分數(shù)每增加1時，接受新教學方法后成績改善的概率上升46.39%；TUCE的斜率估計量為0.010495，這說明測驗得分每增加1個單位時，接受新教學方法后成績改善的概率上升1.05%；PSI的斜率估計量為0.378555，這接受新方法的意愿每增加1個單位時，接受新教學方法后成績改善的概率上升37.86%。實驗結果分析及討論（續(xù)）4.建立LOGIT模型如下：

DependentVariable:GRADEMethod:ML-BinaryLogit(Quadratichillclimbing)Date:11/21/21Time:11:32Sample:132Includedobservations:32Convergenceachievedafter4iterationsCovariancematrixputedusingsecondderivativesVariableCoefficientStd.Errorz-StatisticProb.

GPA0.2993360.6815420.4392040.6605PSI1.6363570.8126202.0136810.0440TUCE-0.1014720.099563-1.0191830.3081Meandependentvar0.343750

S.D.dependentvar0.482559S.E.ofregression0.467281

Akaikeinfocriterion1.360661Sumsquaredresid6.332187

Schwarzcriterion1.498074Loglikelihood-18.77057

Hannan-Quinncriter.1.406209Deviance37.54114

Restr.deviance41.18346Avg.loglikelihood-0.586580ObswithDep=021

Totalobs32ObswithDep=111根據(jù)上述結果，可以得出二元Logit模型結果為：由二元Logit模型可得：可知解釋變量PSI的Z統(tǒng)計量較大且其相應的概率值比較小，這說明其在統(tǒng)計上是顯著的，從而說明PSI對提高學生成績有顯著的影響。然而解釋變量GPA，TUCE參數(shù)估計值相應的概率值較大，統(tǒng)計上不顯著，說明這兩個變量對提高學生成績沒有顯著影響。實驗結果分析及討論（續(xù)）5.建立PROBIT模型如下：

DependentVariable:GRADEMethod:ML-BinaryProbit(Quadratichillclimbing)Date:11/21/21Time:11:31Sample:132Includedobservations:32Convergenceachievedafter3iterationsCovariancematrixputedusingsecondderivativesVariableCoefficientStd.Errorz-StatisticProb.

GPA0.1763780.4089200.4313260.6662PSI0.9786390.4746342.0618820.0392TUCE-0.0602020.059089-1.0188220.3083Meandependentvar0.343750

S.D.dependentvar0.482559S.E.ofregression0.467831

Akaikeinfocriterion1.363158Sumsquaredresid6.347100

Schwarzcriterion1.500570Loglikelihood-18.81052

Hannan-Quinncriter.1.408706Deviance37.62104

Restr.deviance41.18346Avg.loglikelihood-0.587829ObswithDep=021

Totalobs32ObswithDep=111根據(jù)上述結果，可以得出二元Probit模型結果為：由回歸模型結果可得：可知PSI對應的P值為0.0392，小于0.05，從而表明PSI對提高學生成績有明顯的影響。而解釋變量GPA和TUCE相應的概率較大，統(tǒng)計上不顯著，說明其對提高學生成績沒有明顯的影響。實驗結果分析及討論（續(xù)）6.建立TOBIT模型如下：

DependentVariable:YMethod:ML-CensoredNormal(TOBIT)(Quadratichillclimbing)Date:11/21/21Time:11:34Sample:150Includedobservations:50Leftcensoring(value)atzeroConvergenceachievedafter5iterationsCovariancematrixputedusingsecondderivativesVariableCoefficientStd.Errorz-StatisticProb.

X1-6.2048323.179638-1.9514270.0510X2-0.9415340.326982-2.8794710.0040X33.0494971.3462202.2652300.0235X40.0001560.0001700.9153960.3600C18.6330320.644960.9025460.3668ErrorDistributionSCALE:C(6)22.790783.1028637.3450830.0000Meandependentvar19.16000

S.D.dependentvar19.02454S.E.ofregression17.27325

Akaikeinfocriterion6.628115Sumsquaredresid13128.06

Schwarzcriterion6.857558Loglikelihood-159.7029

Hannan-Quinncriter.6.715488Avg.loglikelihood-3.194058Leftcensoredobs18

Rightcensoredobs0Uncensoredobs32

Totalobs50根據(jù)結果可以得出回歸方程：可知、的回歸系數(shù)值為-6.204832和-0.941534，且P值都比較顯著，這意味著、對有顯著的反向影響關系。的回歸系數(shù)值為3.049497，P值較小，對產(chǎn)生顯著的正向影響關系。的回歸系數(shù)值為0.00