13110511679
（河南大学经济学院，河南开封 a%）摘 要：计量经济学课程的重要性已逐渐为人们所认识，并已经被国家教育部确认为经济学门类各专业的核心课程，其必将对我国经济学人才培养质量产生重要影响但反思计量经济学课程的教学还有许多问题需要改进因此，从计量经济学课程教学理念改革的角度进行了若干思考关键词：本科；计量经济学课；教学理念中图分类号：uaPli 文献标志码：2 文章编号：MGURIeM（INni）imPnsiP计量经济学作为一门课程，在我国一部分高等院校经济学科管理学科相关专业中开设已经有二十年的历史，它的重要性也逐渐为人们所认识克莱因（）说：计量经济学已经在经济学科中居于最重要的地位，在大多数大学和学院中，计量经济学的讲授已经成为经济学课程表中最有权威的一部分 萨缪尔森（）认为：第二次大战后的经济学是计量经济学的时代 n88o 年 s 月，教育部高等学校经济学学科教学指导委员会讨论并确定了高等学校经济学门类各专业的八门共同核心课程，其中包括计量经济学这是我国经济学学科教育走向现代化和科学化的重要标志，必将对我国经济学人才的培养质量产生重要影响特别是计算机技术的迅速发展和计量软件开发，为计量经济学的应用提供了广阔的空间应该说，经过多年的努力，在计量经济学课程建设上我们已经取得了不小的成绩在充分肯定这门课程作用的基础上，认真总结多年的教学实践，我们也感到对于本科计量经济学的教学理念还需要进一步商榷目前，我们研究问题的分析方法已经实现了由过去的定性分析到定量分析的转变，特别是计量经济的研究方法已经成为经济学及相关领域的主流方法，这是值得充分肯定的这也是我们本科计量教学工作者的一大贡献，它彻底扭转了单纯的定性分析理念然而，令人不安的是在本科计量经济学的教学中出现了两种倾向：其一是把计量经济学当成了圣经，唯计量是从，似乎是没有计量参加的学科都是伪科学或者说不够科学，其结果是计量方法的滥用；其二是计量的数学化，也就是数学的计量而不是经济学的计量，其结果是使得计量经济学脱离实际，变成了数学游戏就上述问题，结合本科计量经济学教学实际谈谈我们的看法一计量经济学不是圣经：完美中有折中首先，计量模型是完美的我们以一元模型为例： 5n7i n其中， 表示除 以外的所有影响 的因素，模型（n）叫总体回归模型该模型描述的变量之间的关系是相关关系，而非函数关系对同样问题处理的数理模型： 5P7i n模型（n）比模型（P）完美，因为模型（n）比模型（P）考虑问题全面在模型（n）中，每给 一个值，从理论上讲，由于 的存在，模型考虑了和 对应的所有 的值；模型（P）仅考虑了因素 对 的唯一影响，而没有考虑 以外的其他因素对的影响，因此，模型（P）仅考虑了和对应的一个 值，这里对应加引号是因为从理论上讲，那个 值仅仅是无穷多个 值中的一个，而未必就是真的和 对应的那个，这就是计量经济学家和数理经济学家的不同之处，所以，我们说计量经济学是完美的（确切的说是计量模型比数理模型完美）但是，完美的计量模型（总体回归模型）理论上是存在的，实践中是求解不出来的，不是因为我们的计算技术达不到而求解不出来 ，，而是由于总体的无限性和 的复杂性（随机变量），i n特别是在现实经济问题中，我们面临的问题的总体一般是不知的（总体数据搜集的困难）因此，计量经济学家就退而求其次优结果总体回归直线：（） 5S7i n总体回归直线（S）就是我们常说的函数形式或方程，它是由（D）两边取数学期望而得到（假定（）E），它揭示了，每给 一个值，有唯一的一个 的期望值与之对应这里的分析思路：从模型（D）到模型（(）就由相关关系转化为函数关系，从而计量模型的完美性在这里受到了挑战，这就是我们说的计量模型的第一次打折那么总体回归直线（(）是否可以顺利的求解呢？在总体数据已知的条件下可以找到在现实经济问题中，我们面临的问题的总体一般是不知的，因此求解总体回归函数的思路也是行不通的既然是这样，那就退而求其次优结果0再次打折7，计量经济学家自然就想到借助样本来分析问题，建立样本回归模型： （)）E D这里， ， 是总体回归（D）中 ， 的近似估计，残差E D E D也是随机干扰项 的近似估计那么样本回归模型（)）可以容易求解吗？尽管样本的数据可以很容易的收集，但是由于残差同样存在和随即干扰项的一样困难，使得样本回归模型仅仅是理论上的存在，现实中很难操做计量经济学家又再次退而求其次优结果，寻找样本回归直线（第三次打折）： 0M7E D这里，方程（M）是由（)）两边取数学期望得到的参数的估计应用了普通最小二乘法单就上述分析过程我们不难发现，计量模型是完美的，而模型估计是打折的不完美二计量模型与模型估计一样吗？计量模型指的是总体回归模型，模型估计是样本回归函数（回归直线）因此，用计量模型方法分析问题的实质是归结为模型估计，所以，这种方法也是折中（打折）的研究问题那么这种方法可靠吗？当上述研究的问题（计量模型）满足基本的假定条件才是可靠的：（D）正态性假设：随机误差项服从正态分布等价于被解释变量（因变量）在自变量的各水平上服从正态分布；（P）独立性假设，无自相关性假设；（(）同方差性假设；（)）随机误差项与解释变量不相关；（M）零均值假设这些假定条件在现实经济问题中是很难满足的，而且模型估计是直接对样本负责，而只有样本满足简单随机抽样，才能够较好地描述总体状态特征我们知道，真正的简单随机抽样也是不容易做到的因此，我们主张使用计量分析方法也要谨慎，它不是随便就可以使用的，尽管专业的计量分析软件大大简化了计量的运算三本科计量经济学课教学理念：理论与应用并重目前，与过多介绍理论的传统教学方式相比，随着多媒体技术的应用，计量经济学的教学生动了很多，老师也会列举一些例子对所讲授的内容进行说明，但是多数仅限于此，并没有对计量经济学的建模步骤原理以及模型的局限性等进行深入分析，更谈不上与学生的互动而且计量经济学方法已经被广泛地用于分析中国现实经济问题，但是实际教学中仍然缺乏包含经典案例的教材同时，由于授课学时的限制使得目前的计量经济教学中缺少生动的案例分析我们既要重视理论方法，也要重视应用模型和应用中实际问题的解决因此，在课程内容和教学大纲的安排上要强调理论案例和实验多元化的教学手段，理论教学实验教学和案例教学应成为当前计量经济学教学缺一不可的内容尤其是实验教学和案例教学，在教学过程中起着激发学生主观能动性创新能力的作用，授课教师应根据学生专业0如金融财政国际贸易7的不同，安排相应的案例和实验内容，使学生能够很好地将经济理论和计量经济学的实证分析方法结合起来，提高学生对实际经济问题的分析和判断能力实验教学是计量经济学教学中不可或缺的一部分，对于培养学生的动手能力是至关重要的因此，在计量经济学的实验教学中要注意两方面的问题：第一，实验教学要与理论教学相衔接，即应该将实验教学合理恰当地穿插在理论教学的过程中，而不能截然分离开这样有助于加深学生对理论知识的理解和应用第二，教师应该精心选择实验内容，编好实验计划，做好示范在编写实验计划时不仅要加强基础内容的学习训练，而且要构建能有效将实践技能训练与科学研究能力相结合的实验体系，进而形成基础实验综合实验研究创新型实验多层次多模块相互衔接实验教学第三，结合实际情况，要特别强调学生在处理数据0如:频率转换季节调整7建立模型等方面容易出现的问题总之，为了实现本科计量经济学课教学理念的改革，突出基本思想方法和应用的教学，最关键的还是加强计量经济学师资队伍的建设，大力培养既懂经济又熟悉数学和计量方法的教师队伍，使我们的计量经济学教师的知识结构合理，如在本科阶段学数学研究生读经济博士读数量经济等参考文献：D 洪永淼6计量经济学的地位作用和局限6经济研究，PEEY，（M）6P 范钦珊6以内容方法技术为重点深化课程教学改革6中国高等教育，PEE)，（D）6( 胡荣才，王亚雄6本科计量经济学教学中几个问题的思考6统计教育，PEEX，（)）6) 胡新艳，陈文艺6 教学模式在计量经济学教学中的应用6高等农业教育，PEEX，（)）6M 李子奈，潘文卿6计量经济学0第二版76北京：高等教育出版社，PEEM6张晓峒6计量经济学基础（第三版）6天津：南开大学出版社，PEE)6X责任编辑柯黎 
计量经济学论文可以研究的问题有多种，期中比较简单的就是根据数据，建立方程，研究变量之间的关系，主要运用的工具就是计量经济学的初等知识和Eviews软件，思路、要求和注意事项我觉得这么说对你的帮助不大，所以给你一篇我的论文做参考，也许对你有帮助，如果你觉得看的不是很明白的话，可以再留言给我，我把什么思路等告诉你。 计量经济学 期末实验报告 实验名称：大中城市城镇居民人均消费支出与其影响因素的分析 姓 名： 学 号： 班 级： （）级统计学系（）班 指导教师： 时 间： （上面是论文封皮） 23个城市城镇居民人均消费支出与其影响因素的分析（题目） 一、 经济理论背景 近几年来，中国经济保持了快速发展势头，投资、出口、消费形成了拉动经济发展的“三架马车”，这已为各界所取得共识。通过建立计量模型，运用计量分析方法对影响城镇居民人均消费支出的各因素进行相关分析，找出其中关键影响因素，以为政策制定者提供一定参考，最终促使消费需求这架“马车”能成为引领中国经济健康、快速、持续发展的基石。 二、 有关人均消费支出及其影响因素的理论 我们主要从以下几个方面分析我国居民消费支出的影响因素： ①、居民未来支出预期上升，影响了居民即期消费的增长 居民的被动储蓄直接导致购买力的巨大分流， 从而减弱对消费品的即期需求，严重地影响了居民即期消费的增长，进而导致有效需求的不足，最终导致经济增长的乏力。90年代末期以来，我国的医疗、养老、失业保险、教育等一系列改革措施集中出台，原有的体制被打破，而新的体制尚未建立健全，因此目前的医疗、养老、失业保险、教育体制对居民个人支出的压力较大，而且基本上都是硬性支出，支出的不确定性也很大，导致居民目前对未来支出预期的上升。 ②、商品供求结构性矛盾依然突出 从消费结构上看，我国消费品市场已发生了新的根本性变化：居民低层次消费已近饱和，而更高水平的消费又未达到。改革开放20多年来，城乡居民经过了一个中档耐用消费品的普及阶段后，目前老百姓的收入消费还不足以形成一个新的、以高档产品为内容的主导性消费热点，如轿车、住房等还远不能纳入大多数人的消费主流，居民现有的购买力不能形成推动主导消费品升级的动力。 ③、物价总水平持续在低水平运行，通货紧缩的压力较大，不利于消费的增长 加入WTO之后，随着关税的降低和进口规模的扩大，国外产品对我国市场的冲击将进一步加大，国际价格紧缩对国内价格变化将产生负面影响。物价的持续下降，不利于居民的消费增长。因为从居民的消费心理上看，买涨不买降是居民购物的习惯心理。由于居民对物价有进一步下降的预期，因此往往推迟消费，不利于居民消费的增长。另外，从统计上分析，由于物价的下降，名义消费增长往往低于实际消费的增长，这在一定程度上也不利于消费增长幅度的提高。 ④、我国现阶段没有形成大的消费热点，难以带动消费的快速增长 经过近几年的培育和发展，我国目前已经形成了住房消费、居民汽车消费、通信及电子产品的消费、节假日消费及旅游消费等一些消费亮点，可以促进消费的稳定增长，但始终未能形成大的消费热点，因此不能带动消费的高速增长。 三、 相关数据收集 相关数据均来源于2006年《中国统计年鉴》： 23个大中城市城镇居民家庭基本情况（表格） 地区 平均每户就业人口（人） 平均每一就业者负担人数（人） 平均每人实际月收入（元） 人均可支配收入（元） 人均消费支出（元） 北京 6 8 1 2 9 天津 4 0 6 8 8 石家庄 4 0 3 0 9 太原 3 2 9 9 5 呼和浩特 5 9 2 8 7 沈阳 3 1 5 7 1 大连 6 8 8 1 5 长春 8 7 1 1 2 哈尔滨 4 0 8 5 4 上海 6 9 0 1 3 南京 4 0 4 0 6 杭州 5 9 0 9 2 宁波 5 8 4 2 4 合肥 6 8 5 1 9 福州 7 9 5 4 8 厦门 5 9 7 3 7 南昌 4 8 0 1 4 济南 7 7 3 8 4 青岛 6 8 6 5 7 郑州 4 1 2 2 3 武汉 5 0 5 2 1 长沙 4 1 9 9 8 广州 7 8 6 1 1 四、 模型的建立 根据数据，我们建立多元线性回归方程的一般模型为： 其中： ——人均消费支出 ——常数项 ——回归方程的参数 ——平均每户就业人口数 ——平均每一就业者负担人口数 ——平均每人实际月收入 ——人均可支配收入 ——随即误差项 五、实验过程 （一）回归模型参数估计 根据数据建立多元线性回归方程： 首先利用Eviews软件对模型进行OLS估计，得样本回归方程。 利用Eviews输出结果如下： Dependent Variable: Y Method: Least Squares Date: 12/11/07 Time: 16:08 Sample: 1 23 Included observations: 23 Variable Coefficient S Error t-Statistic P C -180 506 -282633 2159 X1 3490 2332 427889 1704 X2 1209 7866 498528 1513 X3 552510 629371 466766 0239 X4 -180652 742107 -590947 1290 R-squared 721234 Mean dependent var 2913 Adjusted R-squared 659286 SD dependent var 1711 SE of regression 8502 Akaike info criterion 77564 Sum squared resid 9 Schwarz criterion 02249 Log likelihood -9199 F-statistic 64259 Durbin-Watson stat 047936 Prob(F-statistic) 000076 根据多元线性回归关于Eviews输出结果可以得到参数的估计值为： ， ， ， ， 从而初步得到的回归方程为： Se= (506) (2332) (7866) (629371) (742107) T= (-282633) (427889) (498528) (466766) (-590947) F=64259 df=18 模型检验：由于在 的水平下，解释变量 、 、 的检验的P值都大于05，所以变量不显著，说明模型中可能存在多重共线性等问题，进而对模型进行修正。 （二）处理多重共线性 我们采用逐步回归法对模型的多重共线性进行检验和处理： X1： Dependent Variable: Y Method: Least Squares Date: 12/11/07 Time: 16:28 Sample: 1 23 Included observations: 23 Variable Coefficient S Error t-Statistic P C 8238 6688 296574 7697 X1 0964 4840 531833 1405 R-squared 100508 Mean dependent var 2913 Adjusted R-squared 057675 SD dependent var 1711 SE of regression 6105 Akaike info criterion 68623 Sum squared resid 2 Schwarz criterion 78497 Log likelihood -3917 F-statistic 346511 Durbin-Watson stat 770750 Prob(F-statistic) 140491 X2： Dependent Variable: Y Method: Least Squares Date: 12/11/07 Time: 16:29 Sample: 1 23 Included observations: 23 Variable Coefficient S Error t-Statistic P C 641 2658 632596 0156 X2 -1146 9597 -218861 2364 R-squared 066070 Mean dependent var 2913 Adjusted R-squared 021597 SD dependent var 1711 SE of regression 7371 Akaike info criterion 72380 Sum squared resid Schwarz criterion 82254 Log likelihood -8237 F-statistic 485623 Durbin-Watson stat 887292 Prob(F-statistic) 236412 X3： Dependent Variable: Y Method: Least Squares Date: 12/11/07 Time: 16:29 Sample: 1 23 Included observations: 23 Variable Coefficient S Error t-Statistic P C 8827 8342 326831 1988 X3 540400 095343 667960 0000 R-squared 604712 Mean dependent var 2913 Adjusted R-squared 585888 SD dependent var 1711 SE of regression 2575 Akaike info criterion 86402 Sum squared resid 5 Schwarz criterion 96276 Log likelihood -9362 F-statistic 12577 Durbin-Watson stat 064743 Prob(F-statistic) 000013 X4： Dependent Variable: Y Method: Least Squares Date: 12/11/07 Time: 16:30 Sample: 1 23 Included observations: 23 Variable Coefficient S Error t-Statistic P C 7094 8178 141465 2665 X4 596476 124231 801338 0001 R-squared 523300 Mean dependent var 2913 Adjusted R-squared 500600 SD dependent var 1711 SE of regression 4178 Akaike info criterion 05129 Sum squared resid 1 Schwarz criterion 15003 Log likelihood -0898 F-statistic 05284 Durbin-Watson stat 037087 Prob(F-statistic) 000096 由得出的数据可以看出， 的调整的判定系数最大，因此首先把 引入调整的方程中，然后在分别引入变量 、 、 进行OLS得： X1、X3 Dependent Variable: Y Method: Least Squares Date: 12/11/07 Time: 16:32 Sample: 1 23 Included observations: 23 Variable Coefficient S Error t-Statistic P C -8991 9081 -644388 5266 X1 8101 2070 275533 2167 X3 517213 095693 404899 0000 R-squared 634449 Mean dependent var 2913 Adjusted R-squared 597894 SD dependent var 1711 SE of regression 1510 Akaike info criterion 87276 Sum squared resid 2 Schwarz criterion 02087 Log likelihood -0368 F-statistic 35596 Durbin-Watson stat 032110 Prob(F-statistic) 000043 X2、X3 Dependent Variable: Y Method: Least Squares Date: 12/11/07 Time: 16:33 Sample: 1 23 Included observations: 23 Variable Coefficient S Error t-Statistic P C 5536 1435 451015 6568 X2 -00981 0392 -110678 9130 X3 536856 102783 223221 0000 R-squared 604954 Mean dependent var 2913 Adjusted R-squared 565449 SD dependent var 1711 SE of regression 7747 Akaike info criterion 95036 Sum squared resid 0 Schwarz criterion 09847 Log likelihood -9292 F-statistic 31348 Durbin-Watson stat 063247 Prob(F-statistic) 000093 X3、X4 Dependent Variable: Y Method: Least Squares Date: 12/11/07 Time: 16:34 Sample: 1 23 Included observations: 23 Variable Coefficient S Error t-Statistic P C 7015 5882 326290 0306 X3 766892 553402 192782 0046 X4 -473721 656624 -244390 0363 R-squared 684240 Mean dependent var 2913 Adjusted R-squared 652664 SD dependent var 1711 SE of regression 1157 Akaike info criterion 72634 Sum squared resid 0 Schwarz criterion 87445 Log likelihood -3529 F-statistic 66965 Durbin-Watson stat 111635 Prob(F-statistic) 000010 由数据结果可以看出，引入X4时方程的调整判定系数最大，且解释变量均通过了显著性检验，再分别引入X1、X2进行分析。 X1、X3、X4 Dependent Variable: Y Method: Least Squares Date: 12/11/07 Time: 16:37 Sample: 1 23 Included observations: 23 Variable Coefficient S Error t-Statistic P C 6693 8464 479562 6370 X1 29944 6512 366505 7180 X3 652622 646003 558228 0192 X4 -345001 757634 -775265 0919 R-squared 686457 Mean dependent var 2913 Adjusted R-squared 636950 SD dependent var 1711 SE of regression 0712 Akaike info criterion 80625 Sum squared resid 3 Schwarz criterion 00373 Log likelihood -2719 F-statistic 86591 Durbin-Watson stat 082104 Prob(F-statistic) 000050 X2、X3、X4 Dependent Variable: Y Method: Least Squares Date: 12/11/07 Time: 16:38 Sample: 1 23 Included observations: 23 Variable Coefficient S Error t-Statistic P C 60939 2088 127981 8995 X2 1557 9303 575948 5714 X3 886588 600027 144175 0053 X4 -596394 701018 -277251 0345 R-squared 689658 Mean dependent var 2913 Adjusted R-squared 640657 SD dependent var 1711 SE of regression 3798 Akaike info criterion 79599 Sum squared resid 8 Schwarz criterion 99347 Log likelihood -1539 F-statistic 07429 Durbin-Watson stat 143110 Prob(F-statistic) 000046 由输出结果可以看出，在 的水平下，解释变量 、 的检验的P值都大于05，解释变量不能通过显著性检验，因此可以得出结论模型中只能引入X3、X4两个变量。则调整后的多元线性回归方程为： Se= (5882) (553402) (656624) T= (326290) (192782) (-244390) F=66965 df=20 （三）异方差性的检验 对模型 进行怀特检验： White Heteroskedasticity Test: F-statistic 071659 Probability 399378 Obs*R-squared 423847 Probability 351673 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 12/11/07 Time: 16:53 Sample: 1 23 Included observations: 23 Variable Coefficient S Error t-Statistic P C 50 9 266460 7929 X3 9623 1924 394723 6977 X3^2 -071268 187278 -380548 7080 X4 -6779 3390 -467114 6460 X4^2 121138 229933 526841 6047 R-squared 192341 Mean dependent var 87 Adjusted R-squared 012861 SD dependent var 54 SE of regression 59 Akaike info criterion 12207 Sum squared resid 60E+09 Schwarz criterion 36892 Log likelihood -9038 F-statistic 071659 Durbin-Watson stat 968939 Prob(F-statistic) 399378 由检验结果可知， ，由White检验知，在 时，查 分布表，得临界值 (20)=1435，因为 < (5)= 1435，所以模型中不存在异方差。 （四）自相关的检验 由模型的输出结果可知，估计结果都比较满意，无论是回归方程检验，还是参数显著性检验的检验概率，都显著小于05，D-W值为111635，显著性水平 =05下查Durbin-Watson表，其中n=23，解释变量的个数为2，得到下限临界值 ，上限临界值 ， =543
