8/8XXX學院實驗報告課程名稱計量經濟學成績實驗名稱虛擬變量模型專業投資學年級/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數據，建立ANOVA模型，并解釋相關變量。運用習題7-1數據，建立ANCOVA模型，并解釋相關變量。運用習題7-1數據，建立LPM模型，并解釋相關變量。運用7-1數據，建立LOGIT模型，并解釋相關變量。運用7-1數據，建立PROBIT模型，并解釋相關變量。運用7-2數據，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，選擇數據GPA、PSI打開，點擊Quick-EstimateEquation進行回歸分析。2.建立ANCOVA模型：選擇GPAGRADEPSITUCE作為一組數據打開，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根據回歸數據建立模型，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沒有很大的關系。實驗結果分析及討論（續）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根據回歸數據建立模型，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）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，模型總體的統計是顯著的。可知GPA的斜率估計量為0.463852，這說明平均分數每增加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）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統計量較大且其相應的概率值比較小，這說明其在統計上是顯著的，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參數估計值相應的概率值較大，統計上不顯著，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）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）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根據結果可以得出回歸方程：可知、的回歸系數值為-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。的回歸系數值為3.049497，P值較小，對產生顯著的正向影響關系。的回歸系數值為0.00