эконометрика
Заказать уникальную курсовую работу- 27 27 страниц
- 5 + 5 источников
- Добавлена 28.01.2016
- Содержание
- Часть работы
- Список литературы
- Вопросы/Ответы
Std. Err. t P>|t| [95% Conf. Interval]-------------+----------------------------------------------------------------ln_s | 1.228924 .1454055 8.45 0.000 .9432867 1.514561 ln_asvab02 | .6164961 .324317 1.90 0.058 -.0205976 1.25359ln_exp | .2988904 .0680761 4.39 0.000 .1651605 .4326202male | .2732454 .0438323 6.23 0.000 .1871405 .3593502asvabc | -.0021531 .0070963 -0.30 0.762 -.0160932 .011787 _cons | -3.667043 1.037083 -3.54 0.000 -5.704306 -1.629779------------------------------------------------------------------------------. regressln_earningln_s ln_asvab02 ln_exp male ethwhiteethblack Source | SS df MS Number of obs = 540-------------+------------------------------ F( 6, 533) = 40.11 Model | 59.1610563 6 9.86017604 Prob > F = 0.0000 Residual | 131.014399 533 .245805626 R-squared = 0.3111-------------+------------------------------ Adj R-squared = 0.3033 Total | 190.175455 539 .352830158 Root MSE = .49579------------------------------------------------------------------------------ln_earning | Coef. Std. Err. t P>|t| [95% Conf. Interval]-------------+----------------------------------------------------------------ln_s | 1.227933 .1406227 8.73 0.000 .9516901 1.504176 ln_asvab02 | .4966075 .1404819 3.54 0.000 .2206415 .7725736ln_exp | .2930414 .068135 4.30 0.000 .1591953 .4268875male | .2772501 .0436067 6.36 0.000 .191588 .3629123ethwhite | -.0009646 .0901534 -0.01 0.991 -.1780643 .176135ethblack | -.0640798 .1170177 -0.55 0.584 -.2939523 .1657927 _cons | -3.287604 .5133526 -6.40 0.000 -4.296047 -2.279162------------------------------------------------------------------------------. generateS_white = ln(s)*ethwhite. generates_nwhite = ln(s)*(1-ethwhite). generates_male = ln(s)*male. generates_nmale = ln(s)*(1-male). regressln_earningS_whites_nwhite ln_asvab02 ln_exp male ethwhiteethblack Source | SS df MS Number of obs = 540-------------+------------------------------ F( 7, 532) = 34.32 Model | 59.1617452 7 8.45167788 Prob > F = 0.0000 Residual | 131.01371 532 .246266372 R-squared = 0.3111-------------+------------------------------ Adj R-squared = 0.3020 Total | 190.175455 539 .352830158 Root MSE = .49625------------------------------------------------------------------------------ln_earning | Coef. Std. Err. t P>|t| [95% Conf. Interval]-------------+----------------------------------------------------------------S_white | 1.225548 .1478012 8.29 0.000 .9352024 1.515893s_nwhite | 1.245855 .3669211 3.40 0.001 .5250631 1.966647 ln_asvab02 | .4967302 .1406326 3.53 0.000 .2204669 .7729934ln_exp | .2925469 .0688367 4.25 0.000 .1573218 .427772male | .2771678 .0436753 6.35 0.000 .1913706 .362965ethwhite | .0512067 .9905088 0.05 0.959 -1.894582 1.996995ethblack | -.0644253 .1173093 -0.55 0.583 -.2948716 .166021 _cons | -3.332624 .9942507 -3.35 0.001 -5.285763 -1.379485------------------------------------------------------------------------------. regressln_earningS_whites_nwhite ln_asvab02 ln_exp male Source | SS df MS Number of obs = 540-------------+------------------------------ F( 5, 534) = 48.14 Model | 59.0867355 5 11.8173471 Prob > F = 0.0000 Residual | 131.088719 534 .245484493 R-squared = 0.3107-------------+------------------------------ Adj R-squared = 0.3042 Total | 190.175455 539 .352830158 Root MSE = .49546------------------------------------------------------------------------------ln_earning | Coef. Std. Err. t P>|t| [95% Conf. Interval]-------------+----------------------------------------------------------------S_white | 1.225643 .1407598 8.71 0.000 .9491322 1.502154s_nwhite | 1.213344 .139543 8.70 0.000 .9392239 1.487465 ln_asvab02 | .5033825 .1398898 3.60 0.000 .2285808 .7781842ln_exp | .2950902 .0679729 4.34 0.000 .1615631 .4286174male | .2761798 .043537 6.34 0.000 .1906551 .3617045 _cons | -3.314491 .5183012 -6.39 0.000 -4.33265 -2.296331------------------------------------------------------------------------------. regressln_earnings_males_nmale ln_asvab02 ln_exp male Source | SS df MS Number of obs = 540-------------+------------------------------ F( 5, 534) = 48.21 Model | 59.1489872 5 11.8297974 Prob > F = 0.0000 Residual | 131.026468 534 .245367917 R-squared = 0.3110-------------+------------------------------ Adj R-squared = 0.3046 Total | 190.175455 539 .352830158 Root MSE = .49535------------------------------------------------------------------------------ln_earning | Coef. Std. Err. t P>|t| [95% Conf. Interval]-------------+----------------------------------------------------------------s_male | 1.291548 .176761 7.31 0.000 .9443157 1.63878s_nmale | 1.128884 .1882721 6.00 0.000 .7590396 1.498729 ln_asvab02 | .5252095 .1310735 4.01 0.000 .2677265 .7826925ln_exp | .3042279 .0685794 4.44 0.000 .1695094 .4389464male | -.1480952 .6135652 -0.24 0.809 -1.353393 1.057202 _cons | -3.177401 .5811249 -5.47 0.000 -4.318972 -2.03583------------------------------------------------------------------------------. regressln_earnings_males_nmale ln_asvab02 ln_exp Source | SS df MS Number of obs = 540-------------+------------------------------ F( 4, 535) = 60.36 Model | 59.1346924 4 14.7836731 Prob > F = 0.0000 Residual | 131.040763 535 .244936005 R-squared = 0.3109-------------+------------------------------ Adj R-squared = 0.3058 Total | 190.175455 539 .352830158 Root MSE = .49491------------------------------------------------------------------------------ln_earning | Coef. Std. Err. t P>|t| [95% Conf. Interval]-------------+----------------------------------------------------------------s_male | 1.265503 .1398791 9.05 0.000 .9907231 1.540282s_nmale | 1.159496 .1390249 8.34 0.000 .8863941 1.432597 ln_asvab02 | .5252994 .1309576 4.01 0.000 .2680453 .7825536ln_exp | .3016724 .0676976 4.46 0.000 .1686868 .4346581 _cons | -3.250578 .4953364 -6.56 0.000 -4.223621 -2.277535boxcox earnings s male asvab02 exp, model (theta)male contains observations that are not strictly positiver(411);. boxcox earnings s asvab02 exp, model (theta)Fitting comparison modelIteration 0: log likelihood = -2213.5337 Iteration 1: log likelihood = -1990.9642 Iteration 2: log likelihood = -1990.943 Iteration 3: log likelihood = -1990.943 Fitting full modelIteration 0: log likelihood = -2145.0359 Iteration 1: log likelihood = -1909.3535 Iteration 2: log likelihood = -1897.6223 Iteration 3: log likelihood = -1894.8908 Iteration 4: log likelihood = -1894.8869 Iteration 5: log likelihood = -1894.8869 Number of obs = 540 LR chi2(4) = 192.11Log likelihood = -1894.8869 Prob > chi2 = 0.000------------------------------------------------------------------------------earnings | Coef. Std. Err. z P>|z| [95% Conf. Interval]-------------+---------------------------------------------------------------- /lambda | 2.079229 .4508171 4.61 0.000 1.195644 2.962814 /theta | -.0724894 .0493173 -1.47 0.142 -.1691495 .0241706------------------------------------------------------------------------------Estimates of scale-variant parameters---------------------------- | Coef.-------------+--------------Notrans | _cons | 1.437398-------------+--------------Trans |s | .0045966 asvab02 | .0001344exp | .001723-------------+-------------- /sigma | .404021------------------------------------------------------------------------------------------- Test Restricted H0: log likelihood chi2 Prob > chi2---------------------------------------------------------------theta=lambda = -1 -2096.4104 403.05 0.000theta=lambda = 0 -1912.3017 34.83 0.000theta=lambda = 1 -2145.0359 500.30 0.000---------------------------------------------------------------. regressln_earnings_males_nmale ln_asvab02 ln_exp Source | SS df MS Number of obs = 540-------------+------------------------------ F( 4, 535) = 60.36 Model | 59.1346924 4 14.7836731 Prob > F = 0.0000 Residual | 131.040763 535 .244936005 R-squared = 0.3109-------------+------------------------------ Adj R-squared = 0.3058 Total | 190.175455 539 .352830158 Root MSE = .49491------------------------------------------------------------------------------ln_earning | Coef. Std. Err. t P>|t| [95% Conf. Interval]-------------+----------------------------------------------------------------s_male | 1.265503 .1398791 9.05 0.000 .9907231 1.540282s_nmale | 1.159496 .1390249 8.34 0.000 .8863941 1.432597 ln_asvab02 | .5252994 .1309576 4.01 0.000 .2680453 .7825536ln_exp | .3016724 .0676976 4.46 0.000 .1686868 .4346581 _cons | -3.250578 .4953364 -6.56 0.000 -4.223621 -2.277535------------------------------------------------------------------------------. estathettestBreusch-Pagan / Cook-Weisberg test for heteroskedasticity Ho: Constant variance Variables: fitted values of ln_earningchi2(1) = 19.32Prob > chi2 = 0.0000. estatovtestRamsey RESET test using powers of the fitted values of ln_earning Ho: model has no omitted variablesF(3, 532) = 2.00Prob > F = 0.1133. predictuhat,residualsuhatalreadydefinedr(110);. pnormuhat. mvtest normality uhatTest for multivariate normalityDoornik-Hansen chi2(2) = 70.899 Prob>chi2 = 0.0000.------------------------------------------------------------------------------.
1. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс. М.: Дело, 2000.
2. Доугерти К. Введение в эконометрику. М.:ИНФРА-М, 2001. – 402 с.
3. Тихомиров Н.П., Дорохина Е.Ю. Эконометрика: Учебник. М.: Издательство «Экзамен», 2007. – 512 с.
4. Эконометрика: Учебник / Под ред. Н.И. Елисеевой. - М.: Финансы и статистика, 2001.
5. Практикум по эконометрике: Учеб. пособие / Под ред. Н.И. Елисеевой. - М.: Финансы и статистика, 2001.
Контроль работы
Эконометрика
вариант 7
Содержание
1. МЕТОДОЛОГИЧЕСКИЕ основы ЭКОНОМЕТРИКИ
2. ПРОБЛЕМЫ ПОСТРОЕНИЯ эконометрических МОДЕЛЕЙ
3. ЭКОНОМЕТРИЧЕСКИЕ ПАРНАЯ МОДЕЛЬ ЛИНЕЙНОЙ РЕГРЕССИИ И МЕТОДЫ ОЦЕНКИ ИХ ПАРАМЕТРОВ
ЛИТЕРАТУРА
1. Методологические основы эконометрики
Эконометрика - это наука, которая изучает закономерности и количественные связи в экономике методов математической статистики. Термин "эконометрика" ("эконометрия") был введен в научную литературу в 1930 году, статистик норвежцем Рагнаром Фришем для обозначения нового направления научных исследований, возникшего из необходимости научного подтверждения и доказательства концепций и выводов экономической теории результатами количественного анализа, рассматриваются процессы.
Цель эконометрики - эмпирический вывод экономических закономерностей. Задачи эконометрики - построение моделей, выражающих эти закономерности, оценка их параметров, проверка гипотез о закономерностях изменения и связей экономических показателей. Предмет исследования эконометрики-это массовые экономические процессы и явления. Предметы исследования эконометрики и статистики очень схожи, потому что большинство эконометрических методов изучения социально-экономических моделей, заимствованных из статистики, тем не менее, в эконометрике применяется, в частности, разработаны некоторые дополнения методы не применяются в статистике.
Эконометрика как наука является следствием междисциплинарного подхода к изучению экономики и является на современном этапе развития сочетание экономическая теория, математика, математики и экономической статистики. Эконометрика с помощью статистических и математических методов изучает закономерности экономических, доказанные экономической теорией. Помимо вышеназванных дисциплин, одним из основных факторов развития эконометрики является развитие компьютерных технологий и специализированных пакетов прикладных программ. Простейшие задачи эконометрики могут быть решены с помощью функций анализа данных в среде электронных таблиц (например, Excel).
Задачи, решаемые с помощью эконометрики, могут быть классифицированы следующим образом:
- в конце концов прикладные задачи:
- задачи прогноза социально-экономические показатели, характеризующие состояние и развитие системы изучали;