第四章计量经济学答案范文

第一部分 学习目的和要求

本章主要介绍一元线性回归模型、回归系数的确定和回归方程的有效性检验方法。回归方程的有效性检验方法包括方差分析法、t检验方法和相关性系数检验方法。本章还介绍了如何应用线性模型来建立预测和控制。需要掌握和理解以下问题：

1 一元线性回归模型 2 最小二乘方法

3 一元线性回归的假设条件 4 方差分析方法 5 t检验方法

6 相关系数检验方法 7 参数的区间估计

8 应用线性回归方程控制与预测 9 线性回归方程的经济解释

第二部分 练习题 一、术语解释 1 解释变量 2 被解释变量 3 线性回归模型 4 最小二乘法 5 方差分析 6 参数估计 7 控制 8 预测 二、填空

1 在经济计量模型中引入反映（ ）因素影响的随机扰动项t，目的在于使模型更符合（ ）活动。

2 在经济计量模型中引入随机扰动项的理由可以归纳为如下几条：（1）因为人的行为的（ ）、社会环境与自然环境的（ ）决定了经济变量本身的（ ）；（２）建立模型时其他被省略的经济因素的影响都归入了（ ）中；（３）在模型估计时，（ ）与归并误差也归入随机扰动项中；（4）由于我们认识的不足，错误的设定了（ ）与（ ）之间的数学形式，例如将非线性的函数形式设定为线性的函数形式，由此产生的误差也包含在随机扰动项中了。

3 （ ）是因变量离差平方和，它度量因变量的总变动。就因变量总变动的变异来源看，它由两部分因素所组成。一个是自变量，另一个是除自变量以外的其他因素。（ ）是拟合值的离散程度的度量。它是由自变量的变化引起的因变量的变化，或称自变量对因变量变化的贡献。（ ）是度量实际值与拟合值之间的差异，它是由自变量以外的其他因素所致，它又叫残差或剩余。

4 回归方程中的回归系数是自变量对因变量的（ ）。某自变量回归系数的意义，指

的是该自变量变化一个单位引起因变量平均变化（ ）个单位。 5 模型线性的含义，就变量而言，指的是回归模型中变量的（ ）；就参数而言，指的是回归模型中的参数的（ ）；通常线性回归模型的线性含义是就（ ）而言的。 6 样本观察值与回归方程理论值之间的偏差，称为（ ），我们用残差估计线性模型中的（ ）。 三、简答题

1 在线性回归方程中，“线性”二字如何理解？

2 用最小二乘法求线性回归方程系数的意义是什么？ 3 一元线性回归方程的基本假设条件是什么？

4 方差分析方法把数据总的平方和分解成为两部分的意义是什么？ 5 试叙述t检验法与相关系数检验法之间的联系。 6 应用线性回归方程控制和预测的思想。 7 线性回归方程无效的原因是什么？

8 回归分析中的随机误差项i有什么作用？它与残差项et有何区别？

9 判断如下模型，哪些是线性模型，哪些不是。以及它们经过怎样的变化能够变成线性模型？ 模型 描述性名称

a.b.c.c.1Yi12Xii 倒数 Yi12lnXii 半对数 lnYi12Xii 反半对数 lnYiln12lnXii 对数或双对数

c.1lnYi12i 对数倒数

Xi10 如下模型是线性回归模型吗？并说出原因。

a.Yie12Xii

b.Yi11e12Xii

1c.lnYi12i

Xid.Yi1(0.51)e3e.Yi12Xii

2Xi2i

四 计算题

1 给定如下表第一列的假设，说明第二列中的假定是与之等效的。

2

关于经典模型的假设 （1） （2） EiXi0 covi,j0variXi2 ij EYiXi12Xi covYi,Yj0varYiXi2 ij 2 下表给出了美国30所知名学校的MBA学生1994年基本年薪（ASP）、GPA分数（1－4共四个等级）、GMAT分数以及每年学费的数据。 a. 用双变量回归模型分析GPA是否对ASP有影响？

b.用合适的回归模型分析GMAT分数是否与ASP有关系？

c.每年的学费与ASP有关吗？你是如何知道的？如果两变量之间正相关，是否意味着进到最高费用的商业学校是有利的。

d.你同意高学费的商业学校意味着高质量的MBA成绩吗？为什么？ 1994年MBA毕业生平均初职薪水 学校 Harvard Stanford Columbian Dartmouth Wharton Northwestern Chicago Mit Virginia Ucla Berkeley Cornell Nyu Duke Carriegie mellon North Carolina Michigan Texax Indiana Purdue Case western Georgetown Michigan state Penn state Southern methodist Tulane

ASP/美元 95410 89930 84640 83210 80500 74280 74010 71970 71970 70660 70490 59890 69880 67820 61890 58520 54720 57200 69830 41820 49120 60910 44080 GPA 3.4 3.3 3.3 3.4 3.4 3.3 3.3 3.5 3.2 3.5 3.2 3.2 3.2 3.3 3.2 3.2 3.2 3.3 3.2 3.2 3.1 3.2 3.2 3.2 3.1 3.1 GMAT 650 665 640 660 650 640 650 650 643 640 647 630 630 623 635 621 630 625 615 581 591 619 590 580 600 600 学费/美元 23894 21189 21400 21225 21050 20634 21656 21690 17893 14496 14361 20400 20276 21910 20600 10132 20196 8580 14036 9556 17600 19584 16057 11400 18034 19550 3

Illinois Lowa Minnesota Washington 47130 41620 48250 44140 3.2 3.2 3.2 3.3 616 590 600 617 12628 9361 12618 11436 3 你的朋友将不同年度的债券价格作为该年利率（在相等的风险水平下）的函数，估计出的简单方程如下：

ˆ101.404.78X Yiiˆ＝第i年美国政府债券价格（每100美元债券） 其中：Yi Xi＝第i年联邦资金利率（按百分比）

请回答以下问题：

（1） 解释两个所估系数的意义。所估的符号与你所期望的符号一样吗？

ˆ而不是Y？ （2） 为何方程左边的变量是Yi（3） 你朋友在估计的方程中是否遗漏了随机误差项？

（4） 此方程的经济意义是什么？对此模型你有何评论？（提示：联邦资金利率是一

种适用于银行间隔夜持有款项的利率）

4 对于家庭收入X影响家庭消费支出Y的问题，如果通过调查得到一组数据，如下表所示。 1 2 3 4 5 6 7 8 9 10 家庭收入X 800 1200 2000 3000 4000 5000 7000 9000 10000 12000 家庭消费支出Y 770 1100 1300 2200 2100 2700 3800 3900 5500 6600 （1）试建立Y与X之间的样本回归方程。

（2）预测收入为6000元这类家庭的平均消费支出（显著性水平0.05） （3）以95％的概率预测某个收入为6000元的家庭的消费支出。

5 中国的人均GDP（元/人，用Y表示）与人均钢产量（千克/人，用X表示）如下表所示： Y X 年度 1985 853 44.52 1986 956 48.93 1987 1104 51.92 1988 1355 53.95 1989 1512 55.05 1990 1634 58.45 1991 1879 61.70 1992 2287 69.47

4

1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2939 3923 4854 5576 6054 6038 6551 7086 7651 8184 76.00 77.70 79.15 83.15 88.57 93.05 99.12 101.77 119.22 142.43 资料来源：《中国统计年鉴2003》，北京，中国统计出版社，2003。 （1） 试建立样本回归方程，并在5％的水平下进行显著性检验。 （2） 求简单相关系数。

（3） 如果X0＝200千克，以90％的概率对EY0和Y0进行预测。

6 下表给出了1977－1991年期间美国的黄金价格、消费者指数和纽约股票交易所指数数据。NYSE指数包括在NYSE上市的大多数股票，约有1500多种。 年份 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 在纽约每盎司黄金的美元价格 147.98 193.44 307.62 612.51 459.61 376.01 423.83 360.29 317.30 367.87 446.50 436.93 381.28 384.08 362.04 消费者价格指数 1982－1984＝100 60.6 65.2 72.6 82.4 90.9 96.5 99.6 103.9 107.6 109.6 113.6 118.3 124.0 130.7 136.2 纽约股票交易所指数 1965.121.31＝100 53.69 53.70 58.32 68.10 74.02 68.93 92.63 92.46 108.90 136.00 161.70 149.91 180.02 183.46 206.33 a. 在同一散布图中描绘黄金价格，CPI和NYSE指数。

b. 一种投资，如果它的价格和（或）回报率至少赶得上通货膨胀，就被认为是（对通

货膨胀）保值（能抵御通货膨胀）的。为检验这一假设：投资是保值的，假定a中的散点图表明拟合以下模型是最适宜的：

黄金价格t12CPIiiNYSE指数t12CPIii年份 1959

7 下表给出了，1959－1997年间美国国内总产值数据 NGDP 507.2000 RGDP 2210.200 年份 1979 NGDP 2557.500 RGDP 4630.600 5

1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 526.6000 544.8000 585.2000 617.4000 663.0000 719.1000 787.7000 822.6000 910.6000 982.2000 1035.600 1125.400 1237.300 1382.600 1496.900 1630.600 1819.000 2026.900 2291.400 2262.900 2314.300 2454.800 2559.400 2708.400 2881.100 3069.200 3147.200 3293.900 3393.600 3397.600 3510.000 3702.300 3916.300 3891.200 3873.900 4082.900 4273.600 4503.000 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 2784.200 3115.900 3242.100 3514.500 3902.400 4180.700 4422.200 4692.300 5049.600 5438.700 5743.800 5916.70 6244.400 6558.100 6947.000 7269.600 7661.600 8110.900 4615.000 4720.700 4620.300 4803.700 5140.100 5323.500 5487.700 5649.500 5865.200 6062.00 6136.300 6079.400 6244.400 6389.600 6610.700 6761.700 6994.800 7269.800 a. 将当年美元和不变（即1992年）美元数据对时间描图。

b. 用Y表示GDP，X表示时间（按年历从1代表1959，2代表1960开始，直至39代表

1997）。看以下模型是否适合GDP数据：Yt12Xtt 试用当年美元和不变美元两种数据分别估计此模型。 c. 你会怎样解释2？

d. 如果用当年美元估计2和不变美元GDP估计的有所不同，你会怎样解释这个差距？ e. 从你计算的结果，你能对样本时期美国通货膨胀的性质得出什么评论？

第三部分 参考答案 一、术语解释

1 解释变量：也称自变量，是在模型中对被解释变量起解释作用的变量。如模型

ytxtt中的xt。

2 被解释变量：也称因变量，在模型中假设其变动由解释变量引起，对解释变量起依存关系。如模型ytxtt中的yt。

3 线性回归模型：是相对于模型的参数而言的，即对于其参数是一次的。对于变量而言，模型可以是线性的，也可能不是线性的。

4 最小二乘法：普通最小二乘法归功于德国数学家高斯，在一定假设下，最小二乘法有一系列非常令人向往的统计性质，是回归中较常用的一种方法。如，对模型ytxtt

6

（ytxt）而言，通过使得统计量Q5 方差分析：通过分析总离差平方和S余平方和S2E2tt2Tyytt2t2最小而求得参数、。

2Ryy与回归平方和Syyt2、剩

yy的数值，及相互之间的数量关系，来分析变量之间的关系和回

归模型。

6 参数估计：选定模型，根据解释变量和被解释变量的数据，使用一定的估计方法得出模型中的未知参数，称为参数估计。

''7 控制：是预测的反问题，即要求观察值在某个区间y1,y2取值时，解释变量xt应控制在

什么范围。

8 预测：根据回归模型和已估计出的参数，在给定解释变量xt时，预测被解释变量yt的取值或取值范围。 二、填空题

1 不确定性；客观经济。

2 随机性；随机性；随机性；随机扰动项；测量误差；被解释变量；解释变量。 3 总离差平方和；回归平方和；残差平方和。 4 净影响；。

5 指数是一次；指数是一次；参数。 6 残差；随机扰动项。 三、简答题

1答：在线性回归方程中，“线性”二字指的是方程对参数而言是线性的的，即参数的次数为一次。对于变量而言，模型可以是线性的，也可能不是线性的。

2答：最小二乘法归功于德国数学家高斯，在一定假设下，最小二乘法有一系列非常令人向往的统计性质，是回归中较常用的一种方法。如，对模型ytxtt（ytxt）而言，通过使得统计量Qyytt2最小而求得参数、。最小二乘法使得回归的

参差平方和尽可能的小，即总体上来说，yt与yt的偏差最小。在满足一定的条件下，最小二乘法具有最优线性无偏估计量的性质（BLUE）。

3答：假设1，随即误差项t的均值为0，方差为，且服从正态分布。即t假设2，随即误差项

2N0,2

1,2,3,n之间是两两不相关的。即covi,j0

由于正态分布的随即变量不相关与独立是等价的，因此改假设实际上表示各随机变量误差项相互独立。

假设3，随机误差项与解释变量X之间不相关，即

covxt,t0t1,2,n

实际上，如果X是可观察或可控制变量，则它就不是随机变量，因此改条件一定成立。

7

4答：方差分析通过分析总离差平方和S剩余平方和S2E2tt2Tyyt2与回归平方和S2Ryyt2、

yy的数值，及相互之间的数量关系，来分析变量之间的关系和

2R回归模型。通过方差分析，我们可以判断线性回归方程的好坏。我们可以知道总离差平方和回归平方和Syty反映由于x与y之间的线性关Syty的构成情况，

2T22系而引起的回归值的离散程度，而剩余平方和S2Eyy则反映了除x与y之间的

2tt线性关系以外引起数据y波动的因素，这种波动性实际上是由于观测误差等随机因素引起的。这样，我们就通过平方和的分解把引起数据y波动的两种原因在数值上分开了。

5答：t检验的思路，若线性假设符合实际，那么b不应该为零。否则，若b=0，那么y就不依赖于x了。因此，我们需要检验假设：

H0:b0H1:b0，通过计算t统计量tbbLxx，及相应的临界值得出拒绝域。当假设H0:b0被拒绝时，我们认为线性回归效果是显著的；反之，则认为线性回归效果不显著。

相关系数检验法主要是通过由数据观测值计算出的样本相关系数rxyLxyLxxLyy作为相关系数xy的估计值，通过rxy的大小来判断x与y之间线性关系的密切程度。因此，我们需要检验假设：

H0:0H1:0，通过计算检验统计量trxyn21r2xy，及相应的临界值得出拒绝域。

对于一元线性回归方程而言，有brxyvaryvarx，所以对于一元线性回归方程而言，t检

验中的假设H0:b0等价于相关系数中的假设H0:0。

6答：预测：根据回归模型和已估计出的参数，在给定解释变量xt时，预测被解释变量yt的取值或取值范围。即，已知自变量的取值，求因变量的取值或取值范围。

'' 控制：是预测的反问题，即要求观察值在某个区间y1,y2取值时，解释变量xt应控制在

什么范围。

7答：①影响y取值的，除x外，还有其他不可忽略的因素。 ②y与x的关系不是线性的，它们存在其他关系。 ③y与x不存在关系。

8答：一个回归模型永远也不可能对现实做出完全准确的描述。因此，回归子的实际值与从选择的模型中估计出来的值之间必定不同。二者之差就简单的归纳为随机误差项。而参差是指样本的随机误差项。

8

9答：模型a、b、c和e都是线性（于参数的）回归模型。如果我们另ln1，则模型d也是线性的。

10答：(a)通过取自然对数，我们发现lnYi12Xii，便成为一个线性回归模型。 (b)如下被称为logit变换的变换使得模型成为一个线性回归模型：

ln1YiYii12Xii

(c)线性回归模型 (d)非线性回归模型

(e)因为2的幂指数是3，所以不是线性回归模型。 四、计算题

1解：（1）Yi12Xii，因此

EYiXiE12XiiXi12XiEiXi 因为为常数而X为非随机的。12Xi（2）假定对所有的i,jij都有covi,j0ij，于是

covYi,YjEYiEYiYjEYj

Eij 利用（1）中的结论 EiEj 根据假定误差项不相关

0 根据假定每个i的均值都为零。

（3）给定var2iXi，于是根据假定有

varYEY222iXiiEYiEivariXi 2解：a. 回归结果为

Dependent Variable: ASP Method: Least Squares Date: 07/23/06 Time: 15:47 Sample: 1 30

Included observations: 30 Variable Coefficient Std. Error t-Statistic Prob. C -.5 85758.31 -3. 0.0035 GPA .6 26347.09 3. 0.0004 R-squared

0. Mean dependent var 68260.00 Adjusted R-squared

0. S.D. dependent var

18187.78

9

S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 14779.44 Akaike info criterion 6.12E+09 Schwarz criterion -329.5630 F-statistic

1. Prob(F-statistic) 22.10420 22.19762 15.91789

0. 因为估计的GPA的系数是统计显著的，所以它对ASP有正的影响。 b. 回归结果为：

Dependent Variable: ASP Method: Least Squares Date: 07/23/06 Time: 15:49 Sample: 1 30

Included observations: 30 Variable C GMAT R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient -.8

641.6598 Std. Error 47572.09 76.15036 t-Statistic -6. 8. Prob. 0.0000 0.0000 18187.78 21.29139 21.38480 71.00122

0.

0. Mean dependent var 68260.00 0. S.D. dependent var

9843.701 Akaike info criterion 2.71E+09 Schwarz criterion -317.3709 F-statistic

1. Prob(F-statistic)

显著的正相关。 c. 回归模型为：

Dependent Variable: ASP Method: Least Squares Date: 07/23/06 Time: 15:51 Sample: 1 30

Included observations: 30 Variable C XUEFEI

R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient 22789.94

2.

Std. Error 9769.655

0.

t-Statistic

2. 4.

Prob. 0.0271 0.0000 18187.78 21.95119 22.04461 23.17903

0.

0. Mean dependent var 68260.00 0. S.D. dependent var

13690.92 Akaike info criterion 5.25E+09 Schwarz criterion -327.2679 F-statistic

1. Prob(F-statistic)

每年的学费与ASP显著正相关。

从回归方程看，学费高，ASP就高。但因为影响ASP变动的因素还很多，所以不是绝对的。 d. 因为

Dependent Variable: GPA Method: Least Squares Date: 07/23/06 Time: 15:54 Sample: 1 30

10

Included observations: 30 Variable C XUEFEI

R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient

3.

6.28E-06

Std. Error

0.

4.10E-06

t-Statistic 43.29060

1.

Prob. 0.0000 0.1370

3. 0. -1. -1. 2. 0.

0. Mean dependent var 0. S.D. dependent var 0. Akaike info criterion 0. Schwarz criterion

26.99939 F-statistic

1. Prob(F-statistic)

Dependent Variable: GMAT Method: Least Squares Date: 07/23/06 Time: 15:55 Sample: 1 30

Included observations: 30 Variable C XUEFEI R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 570.1407

0. Std. Error 13.85373

0. t-Statistic 41.15430

4. Prob. 0.0000 0.0004 24.00421

8. 8.

16.33355

0. 0. Mean dependent var 624.2667 0. S.D. dependent var

19.41423 Akaike info criterion 10553.55 Schwarz criterion -130.5135 F-statistic

0. Prob(F-statistic) 所以，高学费的商业学校意味着较高的GMAT成绩，因为GMAT与学费显著正相关。因为成绩与学费不是显著相关的，所以，高学费的学校并不意味着较高的GPA成绩。

3解：(1) 101.40是常数项的估计值，它是当联邦资金利率为零时的债券价格的估值。但由于联邦资金利率通常不为零，此解释意义不大。－4.78是斜率系数的估值，它告诉我们当联邦资金利率变化一单位（一个百分点）时债券价格变化多少。斜率系数估值的符号与预期一致；当利率上升时，现有债券的价格会下降。我们通常对常数项不作假定。 （2）原方程可等价地描述为：

Yi101.404.78Xit

ˆ的样本方程中。此问题被（3）误差项是不可观察的，不应被包括在我们用于实际计算Yi重新表述为：问方程中为什么没有包括余项，则回答与（2）相同）

（4）若联邦资金利率上升一个百分点，债券价格将下降4.78美元。可能的评论是： ①当解释长期资产的价值时，应使用的合适利率是长期利率而不是短期利率。 ②另外，可能有除利率之外的更多的解释变量

③给定资本市场对利率变化的反应程度，则采用按月的数据集将给相同的年数提供更多的观察值。（因而拟合优度更好）。 4解：

11

（1）把上述数据导入eviews，进行回归得到：

Variable Coefficient Std. Error t-Statistic Prob. C 380.5269 212.3630

1.

0.1109 X

0.

0.

14.96298

0.0000

所以样本回归方程为：Yˆi380.52690.484532Xi （2）这是求EY0。

X06000 X5400

x2t1.3848*108 S381.06 39n10 0.05 t0.02(58)2.3 06Yˆ0380.526860.4845321*60003287.719 2varˆYˆS1XX160005400200nx2381.0639*t101.3848*108122.05935解：

（1） 把数据导入eviews，进行回归得如下结果： Dependent Variable: Y

Method: Least Squares Date: 07/03/06 Time: 14:58 Sample: 1985 2002 Included observations: 18

Variable Coefficient Std. Error t-Statistic Prob. C -3395.318 614.4268

-5.

0.0000 X 93.68779 7. 12.51404 0.0000 R-squared

0. Mean dependent var 3913.111 Adjusted R-squared 0. S.D. dependent var

2580.713 S.E. of regression 809.9203 Akaike info criterion

16.33619 Sum squared resid Schwarz criterion

16.43512 Log likelihood -145.0257 F-statistic

156.6012

Durbin-Watson stat

0. Prob(F-statistic)

0.

查表得t0.025(16)2.12012.51，所以拒绝H0 (2)r=0.9525

(3) 13713.15EY016971.33

6解，(a)

12

7006005004003002001000777879808182838485868788899091HUANGJINNYSECPI

这些变量相对于时间都有上升趋势；黄金的波动价格较大。 (b) 如果假设正确，我们将预期21

(c) 黄金价格对CPI做回归得到如下表格（使用eviews）

Dependent Variable: HUANGJIN Method: Least Squares Date: 07/23/06 Time: 10:59 Sample: 1977 1991 Included observations: 15

Variable Coefficient Std. Error t-Statistic Prob. C 186.1833

125.4039

1. 0.1615 CPI 1. 1. 1. 0.1535 R-squared

0. Mean dependent var 371.8193 Adjusted R-squared 0. S.D. dependent var

109.4400 S.E. of regression 104.6939 Akaike info criterion

12.26353 Sum squared resid .7 Schwarz criterion

12.35793

Log likelihood -89.97644 F-statistic

2. Durbin-Watson stat 1. Prob(F-statistic) 0. 所以，黄金价格t186.1831.842CPIt NYSE对CPI做回归得到如下表格

Dependent Variable: NYSE Method: Least Squares Date: 07/23/06 Time: 11:03 Sample: 1977 1991 Included observations: 15 Variable Coefficient Std. Error t-Statistic

Prob. C -102.0606

23.76678

-4. 0.0009 CPI

2.

0.

9.

0.0000 R-squared

0. Mean dependent var 112.5447 Adjusted R-squared 0. S.D. dependent var

52.63217

S.E. of regression

19.84180 Akaike info criterion

8.

13

Sum squared resid Log likelihood Durbin-Watson stat

5118.059 Schwarz criterion -65.02768 F-statistic

0. Prob(F-statistic)

9.

85.50734

0.

所以，NYSE指数t102.0612.129CPIi

从以上回归我们可知，股票市场比黄金更能够针对通货膨胀进行保值。如果我们对黄金价格方程的斜率系数进行显著性检验，其在统计上是不显著的。 7 解：（a）

10000800060004000200006065707580859095NGDPRGDP

(b)名义GDP回归得：

Dependent Variable: NGDP Method: Least Squares Date: 07/23/06 Time: 14:38 Sample: 1959 1997 Included observations: 39

Variable Coefficient Std. Error t-Statistic Prob. C -987.1036 212.6821

-4.

0.0000 T

202.0017

9.

21.79677

0.0000 R-squared

0. Mean dependent var 3052.931 Adjusted R-squared 0. S.D. dependent var

2391.177 S.E. of regression 651.3681 Akaike info criterion

15.84595 Sum squared resid Schwarz criterion

15.93126 Log likelihood -306.9960 F-statistic

475.0990

Durbin-Watson stat

0. Prob(F-statistic)

0.

实际GDP回归得：

Dependent Variable: RGDP Method: Least Squares Date: 07/23/06 Time: 14:39 Sample: 1959 1997 Included observations: 39 Variable

Coefficient

Std. Error

t-Statistic

Prob.

14

C 1907.715 45.13298

42.26875 0.0000 T 128.7820 1. 65.48306 0.0000 R-squared

0. Mean dependent var 4483.354 Adjusted R-squared 0. S.D. dependent var

1474.662 S.E. of regression 138.2259 Akaike info criterion

12.74558 Sum squared resid .3 Schwarz criterion

12.83089 Log likelihood -246.5387 F-statistic

4288.031

Durbin-Watson stat 0. Prob(F-statistic) 0. （c）这里的斜率给出了每期GDP的变化率。 （d）二者之差代表了通货膨胀。

（e）如图和回归结果所示，名义GDP比实际GDP增长更快表明，通货膨胀在上升。

15