计量经济学论文eviews分析

计量经济学论文eviews分析

论文一般由题名、作者、摘要、关键词、正文、参考文献和附录等部分组成，其中部分组成（例如附录）可有可无。论文各组成的排序为：题名、作者、摘要、关键词、英文题名、英文摘要、英文关键词、正文、参考文献和附录和致谢。
下面按论文的结构顺序依次叙述。
题目
(一)论文——题目科学论文都有题目，不能“无题”。论文题目一般20字左右。题目大小应与内容符合，尽量不设副题，不用第1报、第2报之类。论文题目都用直叙口气，不用惊叹号或问号，也不能将科学论文题目写成广告语或新闻报道用语。
署名
(二)论文——署名科学论文应该署真名和真实的工作单位。主要体现责任、成果归属并便于后人追踪研究。严格意义上的论文作者是指对选题、论证、查阅文献、方案设计、建立方法、实验操作、整理资料、归纳总结、撰写成文等全过程负责的人，应该是能解答论文的有关问题者。往往把参加工作的人全部列上，那就应该以贡献大小依次排列。论文署名应征得本人同意。学术指导人根据实际情况既可以列为论文作者，也可以一般致谢。行政领导人一般不署名。
引言
(三)论文——引言是论文引人入胜之言，很重要，要写好。一段好的论文引言常能使读者明白你这份工作的发展历程和在这一研究方向中的位置。要写出论文立题依据、基础、背景、研究目的。要复习必要的文献、写明问题的发展。文字要简练。
材料方法
(四)论文——材料和方法按规定如实写出实验对象、器材、动物和试剂及其规格，写出实验方法、指标、判断标准等，写出实验设计、分组、统计方法等。这些按杂志对论文投稿规定办即可。
实验结果
(五)论文——实验结果应高度归纳，精心分析，合乎逻辑地铺述。应该去粗取精，去伪存真，但不能因不符合自己的意图而主观取舍，更不能弄虚作假。只有在技术不熟练或仪器不稳定时期所得的数据、在技术故障或操作错误时所得的数据、不符合实验条件时所得的数据才能废弃不用。而且必须在发现问题当时就在原始记录上注明原因，不能在总结处理时因不合常态而任意剔除。废弃这类数据时应将在同样条件下、同一时期的实验数据一并废弃，不能只废弃不合己意者。
实验结果的整理应紧扣主题，删繁就简，有些数据不一定适合于这一篇论文，可留作它用，不要硬行拼凑到一篇论文中。论文行文应尽量采用专业术语。能用表的不要用图，可以不用图表的最好不要用图表，以免多占篇幅，增加排版困难。文、表、图互不重复。实验中的偶然现象和意外变故等特殊情况应作必要的交代，不要随意丢弃。
讨论
(六)论文——讨论是论文中比较重要，也是比较难写的一部分。应统观全局，抓住主要的有争议问题，从感性认识提高到理性认识进行论说。要对实验结果作出分析、推理，而不要重复叙述实验结果。应着重对国内外相关文献中的结果与观点作出讨论，表明自己的观点，尤其不应回避相对立的观点。论文的讨论中可以提出假设，提出本题的发展设想，但分寸应该恰当，不能写成“科幻”或“畅想”。
结论
(七)论文——结语或结论论文的结语应写出明确可靠的结果，写出确凿的结论。论文的文字应简洁，可逐条写出。不要用“小结”之类含糊其辞的词。
参考文献
(八)论文——参考义献这是论文中很重要、也是存在问题较多的一部分。列出论文参考文献的目的是让读者了解论文研究命题的来龙去脉，便于查找，同时也是尊重前人劳动，对自己的工作有准确的定位。因此这里既有技术问题，也有科学道德问题。
一篇论文中几乎自始至终都有需要引用参考文献之处。如论文引言中应引上对本题最重要、最直接有关的文献;在方法中应引上所采用或借鉴的方法；在结果中有时要引上与文献对比的资料；在讨论中更应引上与论文有关的各种支持的或有矛盾的结果或观点等。

求一份计量经济学论文，多元线性回归模型，有数据来源，用eviews分析的过程，谢谢 ！！！

实验三 多元回归模型

【实验目的】
掌握建立多元回归模型和比较、筛选模型的方法。
【实验内容】
建立我国国有独立核算工业企业生产函数。根据生产函数理论，生产函数的基本形式为： 。其中，L、K分别为生产过程中投入的劳动与资金，时间变量 反映技术进步的影响。表3-1列出了我国1978-1994年期间国有独立核算工业企业的有关统计资料；其中产出Y为工业总产值（可比价），L、K分别为年末职工人数和固定资产净值（可比价）。
表3-1 我国国有独立核算工业企业统计资料
年份 时间
工业总产值
Y（亿元） 职工人数
L（万人） 固定资产
K（亿元）
1978 1 3289.18 3139 2225.70
1979 2 3581.26 3208 2376.34
1980 3 3782.17 3334 2522.81
1981 4 3877.86 3488 2700.90
1982 5 4151.25 3582 2902.19
1983 6 4541.05 3632 3141.76
1984 7 4946.11 3669 3350.95
1985 8 5586.14 3815 3835.79
1986 9 5931.36 3955 4302.25
1987 10 6601.60 4086 4786.05
1988 11 7434.06 4229 5251.90
1989 12 7721.01 4273 5808.71
1990 13 7949.55 4364 6365.79
1991 14 8634.80 4472 7071.35
1992 15 9705.52 4521 7757.25
1993 16 10261.65 4498 8628.77
1994 17 10928.66 4545 9374.34
资料来源：根据《中国统计年鉴－1995》和《中国工业经济年鉴-1995》计算整理
【实验步骤】
一、建立多元线性回归模型
一建立包括时间变量的三元线性回归模型；
在命令窗口依次键入以下命令即可：
⒈建立工作文件： CREATE A 78 94
⒉输入统计资料： DATA Y L K
⒊生成时间变量 ： GENR T=@TREND(77)
⒋建立回归模型： LS Y C T L K
则生产函数的估计结果及有关信息如图3-1所示。

图3-1 我国国有独立核算工业企业生产函数的估计结果
因此，我国国有独立工业企业的生产函数为：
（模型1）
＝(-0.252) (0.672) (0.781) (7.433)

模型的计算结果表明，我国国有独立核算工业企业的劳动力边际产出为0.6667，资金的边际产出为0.7764，技术进步的影响使工业总产值平均每年递增77.68亿元。回归系数的符号和数值是较为合理的。 ，说明模型有很高的拟合优度，F检验也是高度显著的，说明职工人数L、资金K和时间变量 对工业总产值的总影响是显著的。从图3-1看出，解释变量资金K的 统计量值为7.433，表明资金对企业产出的影响是显著的。但是，模型中其他变量（包括常数项）的 统计量值都较小，未通过检验。因此，需要对以上三元线性回归模型做适当的调整，按照统计检验程序，一般应先剔除 统计量最小的变量（即时间变量）而重新建立模型。
二建立剔除时间变量的二元线性回归模型；
命令：LS Y C L K
则生产函数的估计结果及有关信息如图3-2所示。

图3-2 剔除时间变量后的估计结果
因此，我国国有独立工业企业的生产函数为：
（模型2）
＝(-2.922) (4.427) (14.533)

从图3-2的结果看出，回归系数的符号和数值也是合理的。劳动力边际产出为1.2085，资金的边际产出为0.8345，表明这段时期劳动力投入的增加对我国国有独立核算工业企业的产出的影响最为明显。模型2的拟合优度较模型1并无多大变化，F检验也是高度显著的。这里，解释变量、常数项的 检验值都比较大，显著性概率都小于0.05，因此模型2较模型1更为合理。
三建立非线性回归模型——C-D生产函数。
C-D生产函数为： ，对于此类非线性函数，可以采用以下两种方式建立模型。
方式1：转化成线性模型进行估计；
在模型两端同时取对数，得：

在EViews软件的命令窗口中依次键入以下命令：
GENR LNY=log（Y）
GENR LNL=log（L）
GENR LNK=log（K）
LS LNY C LNL LNK
则估计结果如图3-3所示。

图3-3 线性变换后的C-D生产函数估计结果
即可得到C-D生产函数的估计式为：
（模型3）
＝ (-1.172) (2.217) (9.310)

即：
从模型3中看出，资本与劳动的产出弹性都是在0到1之间，模型的经济意义合理，而且拟合优度较模型2还略有提高，解释变量都通过了显著性检验。
方式2：迭代估计非线性模型，迭代过程中可以作如下控制：
⑴在工作文件窗口中双击序列C，输入参数的初始值；
⑵在方程描述框中点击Options，输入精度控制值。
控制过程：
①参数初值：0，0，0；迭代精度：10－3；
则生产函数的估计结果如图3-4所示。

图3-4 生产函数估计结果
此时，函数表达式为：
（模型4）
＝(0.313)(－2.023)(8.647)

可以看出，模型4中劳动力弹性 ＝-1.01161，资金的产出弹性 ＝1.0317，很显然模型的经济意义不合理，因此，该模型不能用来描述经济变量间的关系。而且模型的拟合优度也有所下降，解释变量L的显著性检验也未通过，所以应舍弃该模型。
②参数初值：0，0，0；迭代精度：10－5；

图3-5 生产函数估计结果
从图3-5看出，将收敛的误差精度改为10－5后，迭代100次后仍报告不收敛，说明在使用迭代估计法时参数的初始值与误差精度或迭代次数设置不当，会直接影响模型的估计结果。
③参数初值：0，0，0；迭代精度：10－5，迭代次数1000；

图3-6 生产函数估计结果
此时，迭代953次后收敛，函数表达式为：
（模型5）
＝(0.581)(2.267)(10.486)

从模型5中看出，资本与劳动的产出弹性都是在0到1之间，模型的经济意义合理， ，具有很高的拟合优度，解释变量都通过了显著性检验。将模型5与通过方式1所估计的模型3比较，可见两者是相当接近的。
④参数初值：1，1，1；迭代精度：10－5，迭代次数100；

图3-7 生产函数估计结果
此时，迭代14次后收敛，估计结果与模型5相同。
比较方式2的不同控制过程可见，迭代估计过程的收敛性及收敛速度与参数初始值的选取密切相关。若选取的初始值与参数真值比较接近，则收敛速度快；反之，则收敛速度慢甚至发散。因此，估计模型时最好依据参数的经济意义和有关先验信息，设定好参数的初始值。
二、比较、选择最佳模型
估计过程中，对每个模型检验以下内容，以便选择出一个最佳模型：
一回归系数的符号及数值是否合理；
二模型的更改是否提高了拟合优度；
三模型中各个解释变量是否显著；
四残差分布情况
以上比较模型的一、二、三步在步骤一中已有阐述，现分析步骤一中5个不同模型的残差分布情况。
分别在模型1～模型5的各方程窗口中点击View/Actual, Fitted, Residual/ Actual, Fitted, Residual Table（图3-8），可以得到各个模型相应的残差分布表（图3-9至图3-13）。
可以看出，模型4的残差在前段时期内连续取负值且不断增大，在接下来的一段时期又连续取正值，说明模型设定形式不当，估计过程出现了较大的偏差。而且，模型4的表达式也说明了模型的经济意义不合理，不能用于描述我国国有工业企业的生产情况，应舍弃此模型。
模型1的各期残差中大多数都落在 的虚线框内，且残差分别不存在明显的规律性。但是，由步骤一中的分析可知，模型1中除了解释变量K之外，其余变量均为通过变量显著性检验，因此，该模型也应舍弃。
模型2、模型3、模型5都具有合理的经济意义，都通过了 检验和F检验，拟合优度非常接近，理论上讲都可以描述资本、劳动的投入与产出的关系。但从图3-13看出，模型5的近期误差较大，因此也可以舍弃该模型。
最后将模型2与模型3比较发现，模型3的近期预测误差略小，拟合优度比模型2略有提高，因此可以选择模型2为我国国有工业企业生产函数。

图3-8 回归方程的残差分析

图3-9 模型1的残差分布

图3-10 模型2的残差分布

图3-11 模型3的残差分布

图3-12 模型4的残差分布

图3-13 模型5的残差分布

计量经济学使用Eviews软件分析的案例模型

　　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：
　　指导教师：
　　时 间：

　　23个城市城镇居民人均消费支出
　　与其影响因素的分析
　　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
　　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 1.6 1.8 1865.1 1633.2 1187.9
　　天津 1.4 2.0 2010.6 1889.8 939.8
　　石家庄 1.4 2.0 1061.3 1010.0 722.9
　　太原 1.3 2.2 1256.9 1159.9 789.5
　　呼和浩特 1.5 1.9 1354.2 1279.8 772.7
　　沈阳 1.3 2.1 1148.5 1048.7 812.1
　　大连 1.6 1.8 1269.8 1133.1 946.5
　　长春 1.8 1.7 1156.1 1016.1 690.2
　　哈尔滨 1.4 2.0 992.8 942.5 727.4
　　上海 1.6 1.9 1884.0 1686.1 1505.3
　　南京 1.4 2.0 1536.4 1394.0 920.6
　　杭州 1.5 1.9 1695.0 1464.9 1264.2
　　宁波 1.5 1.8 1759.4 1543.2 1271.4
　　合肥 1.6 1.8 1042.5 950.1 686.9
　　福州 1.7 1.9 1172.5 1059.4 942.8
　　厦门 1.5 1.9 1631.7 1394.3 998.7
　　南昌 1.4 1.8 1405.0 1321.1 665.4
　　济南 1.7 1.7 1491.3 1356.8 1071.4
　　青岛 1.6 1.8 1495.6 1378.5 1020.7
　　郑州 1.4 2.1 1012.2 954.2 750.3
　　武汉 1.5 2.0 1052.5 972.2 853.1
　　长沙 1.4 2.1 1256.9 1148.9 986.8
　　广州 1.7 1.8 1898.6 1591.1 1215.1

　　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 Std. Error t-Statistic Prob.
　　C -1682.180 1311.506 -1.282633 0.2159
　　X1 564.3490 395.2332 1.427889 0.1704
　　X2 569.1209 379.7866 1.498528 0.1513
　　X3 1.552510 0.629371 2.466766 0.0239
　　X4 -1.180652 0.742107 -1.590947 0.1290
　　R-squared 0.721234 Mean dependent var 945.2913
　　Adjusted R-squared 0.659286 S.D. dependent var 224.1711
　　S.E. of regression 130.8502 Akaike info criterion 12.77564
　　Sum squared resid 308191.9 Schwarz criterion 13.02249
　　Log likelihood -141.9199 F-statistic 11.64259
　　Durbin-Watson stat 2.047936 Prob(F-statistic) 0.000076
　　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= (1311.506) (395.2332) (379.7866) (0.629371) (0.742107)
　　T= (-1.282633) (1.427889) (1.498528) (2.466766) (-1.590947)
　　F=11.64259 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0.05，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 Std. Error t-Statistic Prob.
　　C 153.8238 518.6688 0.296574 0.7697
　　X1 523.0964 341.4840 1.531833 0.1405
　　R-squared 0.100508 Mean dependent var 945.2913
　　Adjusted R-squared 0.057675 S.D. dependent var 224.1711
　　S.E. of regression 217.6105 Akaike info criterion 13.68623
　　Sum squared resid 994441.2 Schwarz criterion 13.78497
　　Log likelihood -155.3917 F-statistic 2.346511
　　Durbin-Watson stat 1.770750 Prob(F-statistic) 0.140491
　　X2：
　　Dependent Variable: Y
　　Method: Least Squares
　　Date: 12/11/07 Time: 16:29
　　Sample: 1 23
　　Included observations: 23
　　Variable Coefficient Std. Error t-Statistic Prob.
　　C 1756.641 667.2658 2.632596 0.0156
　　X2 -424.1146 347.9597 -1.218861 0.2364
　　R-squared 0.066070 Mean dependent var 945.2913
　　Adjusted R-squared 0.021597 S.D. dependent var 224.1711
　　S.E. of regression 221.7371 Akaike info criterion 13.72380
　　Sum squared resid 1032515. Schwarz criterion 13.82254
　　Log likelihood -155.8237 F-statistic 1.485623
　　Durbin-Watson stat 1.887292 Prob(F-statistic) 0.236412
　　X3：
　　Dependent Variable: Y
　　Method: Least Squares
　　Date: 12/11/07 Time: 16:29
　　Sample: 1 23
　　Included observations: 23
　　Variable Coefficient Std. Error t-Statistic Prob.
　　C 182.8827 137.8342 1.326831 0.1988
　　X3 0.540400 0.095343 5.667960 0.0000
　　R-squared 0.604712 Mean dependent var 945.2913
　　Adjusted R-squared 0.585888 S.D. dependent var 224.1711
　　S.E. of regression 144.2575 Akaike info criterion 12.86402
　　Sum squared resid 437014.5 Schwarz criterion 12.96276
　　Log likelihood -145.9362 F-statistic 32.12577
　　Durbin-Watson stat 2.064743 Prob(F-statistic) 0.000013
　　X4：
　　Dependent Variable: Y
　　Method: Least Squares
　　Date: 12/11/07 Time: 16:30
　　Sample: 1 23
　　Included observations: 23
　　Variable Coefficient Std. Error t-Statistic Prob.
　　C 184.7094 161.8178 1.141465 0.2665
　　X4 0.596476 0.124231 4.801338 0.0001
　　R-squared 0.523300 Mean dependent var 945.2913
　　Adjusted R-squared 0.500600 S.D. dependent var 224.1711
　　S.E. of regression 158.4178 Akaike info criterion 13.05129
　　Sum squared resid 527020.1 Schwarz criterion 13.15003
　　Log likelihood -148.0898 F-statistic 23.05284
　　Durbin-Watson stat 2.037087 Prob(F-statistic) 0.000096
　　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 Std. Error t-Statistic Prob.
　　C -222.8991 345.9081 -0.644388 0.5266
　　X1 289.8101 227.2070 1.275533 0.2167
　　X3 0.517213 0.095693 5.404899 0.0000
　　R-squared 0.634449 Mean dependent var 945.2913
　　Adjusted R-squared 0.597894 S.D. dependent var 224.1711
　　S.E. of regression 142.1510 Akaike info criterion 12.87276
　　Sum squared resid 404138.2 Schwarz criterion 13.02087
　　Log likelihood -145.0368 F-statistic 17.35596
　　Durbin-Watson stat 2.032110 Prob(F-statistic) 0.000043
　　X2、X3
　　Dependent Variable: Y
　　Method: Least Squares
　　Date: 12/11/07 Time: 16:33
　　Sample: 1 23
　　Included observations: 23
　　Variable Coefficient Std. Error t-Statistic Prob.
　　C 239.5536 531.1435 0.451015 0.6568
　　X2 -27.00981 244.0392 -0.110678 0.9130
　　X3 0.536856 0.102783 5.223221 0.0000
　　R-squared 0.604954 Mean dependent var 945.2913
　　Adjusted R-squared 0.565449 S.D. dependent var 224.1711
　　S.E. of regression 147.7747 Akaike info criterion 12.95036
　　Sum squared resid 436747.0 Schwarz criterion 13.09847
　　Log likelihood -145.9292 F-statistic 15.31348
　　Durbin-Watson stat 2.063247 Prob(F-statistic) 0.000093
　　X3、X4
　　Dependent Variable: Y
　　Method: Least Squares
　　Date: 12/11/07 Time: 16:34
　　Sample: 1 23
　　Included observations: 23
　　Variable Coefficient Std. Error t-Statistic Prob.
　　C 331.7015 142.5882 2.326290 0.0306
　　X3 1.766892 0.553402 3.192782 0.0046
　　X4 -1.473721 0.656624 -2.244390 0.0363
　　R-squared 0.684240 Mean dependent var 945.2913
　　Adjusted R-squared 0.652664 S.D. dependent var 224.1711
　　S.E. of regression 132.1157 Akaike info criterion 12.72634
　　Sum squared resid 349091.0 Schwarz criterion 12.87445
　　Log likelihood -143.3529 F-statistic 21.66965
　　Durbin-Watson stat 2.111635 Prob(F-statistic) 0.000010
　　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 Std. Error t-Statistic Prob.
　　C 193.6693 403.8464 0.479562 0.6370
　　X1 89.29944 243.6512 0.366505 0.7180
　　X3 1.652622 0.646003 2.558228 0.0192
　　X4 -1.345001 0.757634 -1.775265 0.0919
　　R-squared 0.686457 Mean dependent var 945.2913
　　Adjusted R-squared 0.636950 S.D. dependent var 224.1711
　　S.E. of regression 135.0712 Akaike info criterion 12.80625
　　Sum squared resid 346640.3 Schwarz criterion 13.00373
　　Log likelihood -143.2719 F-statistic 13.86591
　　Durbin-Watson stat 2.082104 Prob(F-statistic) 0.000050
　　X2、X3、X4
　　Dependent Variable: Y
　　Method: Least Squares
　　Date: 12/11/07 Time: 16:38
　　Sample: 1 23
　　Included observations: 23
　　Variable Coefficient Std. Error t-Statistic Prob.
　　C 62.60939 489.2088 0.127981 0.8995
　　X2 134.1557 232.9303 0.575948 0.5714
　　X3 1.886588 0.600027 3.144175 0.0053
　　X4 -1.596394 0.701018 -2.277251 0.0345
　　R-squared 0.689658 Mean dependent var 945.2913
　　Adjusted R-squared 0.640657 S.D. dependent var 224.1711
　　S.E. of regression 134.3798 Akaike info criterion 12.79599
　　Sum squared resid 343100.8 Schwarz criterion 12.99347
　　Log likelihood -143.1539 F-statistic 14.07429
　　Durbin-Watson stat 2.143110 Prob(F-statistic) 0.000046
　　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0.05，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= (142.5882) (0.553402) (0.656624)
　　T= (2.326290) (3.192782) (-2.244390)
　　F=21.66965 df=20
　　（三）.异方差性的检验
　　对模型 进行怀特检验：
　　White Heteroskedasticity Test:
　　F-statistic 1.071659 Probability 0.399378
　　Obs*R-squared 4.423847 Probability 0.351673

　　Test Equation:
　　Dependent Variable: RESID^2
　　Method: Least Squares
　　Date: 12/11/07 Time: 16:53
　　Sample: 1 23
　　Included observations: 23
　　Variable Coefficient Std. Error t-Statistic Prob.
　　C 34247.50 128527.9 0.266460 0.7929
　　X3 247.9623 628.1924 0.394723 0.6977
　　X3^2 -0.071268 0.187278 -0.380548 0.7080
　　X4 -333.6779 714.3390 -0.467114 0.6460
　　X4^2 0.121138 0.229933 0.526841 0.6047
　　R-squared 0.192341 Mean dependent var 15177.87
　　Adjusted R-squared 0.012861 S.D. dependent var 23242.54
　　S.E. of regression 23092.59 Akaike info criterion 23.12207
　　Sum squared resid 9.60E+09 Schwarz criterion 23.36892
　　Log likelihood -260.9038 F-statistic 1.071659
　　Durbin-Watson stat 1.968939 Prob(F-statistic) 0.399378
　　由检验结果可知， ，由White检验知，在 时，查 分布表，得临界值 (20)=30.1435，因为 < (5)= 30.1435,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0.05，D-W值为2.111635，显著性水平 =0.05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 ， =1.543<D-W=2.111635<4 ，由DW检验决策规则可知，该模型不存在自相关问题。
　　六、对模型进行分析和解释经济学意义
　　回归方程的意义为：当平均每人实际月收入不变时，人均可支配收入每增加一个单位，人均消费支出减少1.473721个单位；当人均可支配收入不变时，平均每人实际月收入每增加一个单位，人均消费支出增加1.766892个单位。
　　七、 就模型所反映的问题给出针对性的政策建议或结论
　　对于我国人均消费支出的分析中，可以看出我国在过去的几年里经济发展稳健，但是由于种种原因导致我国经济的现状存在一定的问题，如不完善的社会保障制度导致消费结构不合理；过高的居民储蓄存款影响居民消费倾向；消费品生产行业投资方向失误和低效率引起国内市场消费梗阻；保守的消费观念和消费政策的制约；教育支出比重过大影响居民消费倾向 。对此我们国家应该在以下几个方面对居民消费中存在的问题进行对策研究
　　（一）建立和完善社会保障制度，增强居民消费信心
　　（二）培育新的消费热点，拓展居民的消费领域
　　（三）促使商品消费从自我积累型向信用支持型转变
　　（四）分层次促进居民消费
　　（五）破解影响消费结构优化的政策制约
　　（六）化解有效供给不足与产品相对过剩的矛盾

写本科计量经济学论文，用Eviews分析意义，需要一些变量跟数据，谢谢

一般数据都在数据库里直接下，宏观经济的指标要什么有什么，不用统计年鉴一年一年找太麻烦了，你看看别人几篇论文 觉得你能做什么，大概确定一个目标。说几个数据，发上来，大家会帮你下的。
数据库一般都是付费的，ceic Bloomberg wind 财汇 这些都能下到经济数据。基本上要什么有什么把