1. 随机误差项包括哪些内容？
2. 一元线性回归模型有哪些基本假定？
3.证明公式（2.16）、公式（2.17）。
4.理解样本决定系数的含义。
5.若我们搜集两个变量的历史资料如下：
| 广告费 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
| 销售收入 | 10 | 14 | 18 | 20 | 25 | 28 | 30 | 40 |
（2）与之间是否大致呈线性关系？
（3）用最小二乘法求出回归方程；
（4）求回归标准误差；
（5）给出回归系数的置信度为95％的区间估计；
（6）给出回归方程的方差分解表；
（7）计算与的决定系数；
（8）对回归方程进行F检验。
6.美国各航空公司业绩的统计数据公布在《华尔街日报1999年年鉴》（The Wall Street Journal Almanac 1999）上。航班正点到达的比率和每10万名乘客投诉的次数的数据如下。
| 航空公司名称 | 航班正点率（%） | 投诉率（次/10万名乘客） |
| 西南(Southwest)航空公司 | 81.8 | 0.21 |
| (Continental)航空公司 | 76.6 | 0.58 |
| 西北(Northwest)航空公司 | 76.6 | 0.85 |
| 美国(US Airways)航空公司 | 75.7 | 0.68 |
| 联合(United)航空公司 | 73.8 | 0.74 |
| 美洲(American)航空公司 | 72.2 | 0.93 |
| 德尔塔（Delta）航空公司 | 71.2 | 0.72 |
| 美国西部(Americawest)航空公司 | 70.8 | 1.22 |
| 环球(TWA)航空公司 | 68.5 | 1.25 |
(1)求出描述投诉率是如何依赖航班按时到达正点率的的回归方程，并进行显著性检验。
(2)对估计的回归方程的斜率作出解释。
(3)如果航班按时到达的正点率为80%，估计每10万名乘客投诉的次数是多少？
7.下面是对某个案例分析的EViews输出结果。该案例的回归分析结果是否理想？为什么？
| Dependent Variable: Y | ||||
| Method: Least Squares | ||||
| Date: 05/28/03 Time: 10:25 | ||||
| Sample: 1991 2000 | ||||
| Included observations: 10 | ||||
| Variable | Coefficient | Std. Error | t-Statistic | Prob. |
| C | 32.22076 | 33.20478 | 0.970365 | 0.3603 |
| X | 0.800953 | 1.260800 | 0.635273 | 0.5430 |
| R-squared | 0.048024 | Mean dependent var | 48.40000 | |
| Adjusted R-squared | -0.070973 | S.D. dependent var | 65.10368 | |
| S.E. of regression | 67.37438 | Akaike info criterion | 11.43526 | |
| Sum squared resid | 36314.46 | Schwarz criterion | 11.49578 | |
| Log likelihood | -55.17632 | F-statistic | 0.403572 | |
| Durbin-Watson stat | 2.514737 | Prob(F-statistic) | 0.5429 | |
（1）变量的省略。由于人们认识的局限不能穷尽所有的影响因素或由于受时间、费用、数据质量等制约而没有引入模型之中的对被解释变量有一定影响的自变量。
（2）统计误差。数据搜集中由于计量、计算、记录等导致的登记误差；或由样本信息推断总体信息时产生的代表性误差。
（3）模型的设定误差。如在模型构造时，非线性关系用线性模型描述了；复杂关系用简单模型描述了；此非线性关系用彼非线性模型描述了等等。
（4）偶然性误差。被解释变量还受一些不可控制的众多的、细小的偶然因素的影响。
2. 解：假定１：Ｅ（）＝0。即随机项的条件数学期望（均值）为零。
假定２： (＝１,２,…,n)。即对于不同的，具有相同的方差，也就是说各次观测值所受的随机影响的程度相同。
假定３： (≠；＝１,２,…,n；＝１,２,…,n)。
即在任意两次观测时，是相互的，不相关的，也就是无序列相关。
假定４：＝０。即解释变量与误差项同期无关。因为如果两者相关，就不可能把对的影响和对的影响区分开来。
假定５：。即对于给定的，为服从正态分布的随机变量。
3. 证明：（1）因为
所以：
（2）
所以：
4. 答：是由回归方程确定的，也就是由自变量变动引起的，又称为回归平方和；是由之外的随机项的波动引起的，又称不可解释平方和。不难看出，回归平方和（可解释平方和）在总平方和中所占比例越大，残差平方和在中所占比重就越小，说明回归的效果就越好，即样本回归线与样本观测值拟合得越好。为此我们把回归平方和占总平方和的比重定义为样本决定系数，记为
显然。越接近于1，表示回归直线与样本观测值拟合越好。可见可以用来度量回归直线与样本观测值拟合优度。另一方面，若大，则解释变量对被解释变量的解释程度就高，可以推测总体线性相关关系显著，即总体回归系数不会同时为零，回归方程显著。反之，可以推测总体线性相关关系不显著，即与零没有显著差异，回归方程不显著。
5. 解：
（1）利用EXCEl绘制xy散点图，如下所示：
（2）通过xy的散点图，可以明显的看出与之间大致呈线性关系。
（3）利用最小二乘法可以求出回归方程如下：
（4）回归标准误差
（5）回归系数的置信度为95％的区间：[3.144,4.595]
（6）回归方程的方差分解表；
| 自由度 | 平方和 | 均方和 | F值 | Sig- F | |
| 回归分析 | 1 | 628.7202 | 628.7202 | 170.2714 | 1.25E-05 |
| 残差 | 6 | 22.15476 | 3.69246 | ||
| 总计 | 7 | 650.875 |
（8）对回归方程进行F检验：因为Sig-f=1.25E-5<1%，所以通过α=1%的总体显著性检验（F检验）。
6. 解：(1)描述投诉率是如何依赖航班按时到达正点率的的回归方程及显著性检验如下：
通过进行检验，该回归方程总体线性显著性显著，拟合程度良好，解释变量显著。
(2)回归方程的斜率即回归系数0.070表示航班正点率每提高1% ，在其他条件不变的情况下，投诉率将平均的减少0.070次（/10万名乘客）。
(3)航班按时到达的正点率为80%，即令回归方程中的x=80，此时。
7. 解：不理想，从相关的检验数据来看，拟合优度检验R2=0.048024，F=0.403572（Sig-f=0.5429），t=0.635273（P=0.543，一次项回归系数），显然各类检验结果均不理想，说明该模型无论从总体而言还是从单个解释变量而言都是不显著的。
思考与练习
1.写出多元线性回归模型的一般形式。
2.多元线性回归模型的基本假定有哪些？
3.写出的无偏估计量的计算公式。
4.如果一个样本回归方程的样本决定系数为0.98，我们能否判定这个样本回归方程就很理想？
5.根据例3.1数据，利用OLS的正规方程组，估计样本回归方程。
6.已知我国1990年～1999年的货运量y、工业总产值x1.农业总产值x2资料如下表所示：
| 年份 | 货运量（万吨） | 工业总产值（亿元） | 农业总产值（亿元） |
| 1990 | 970602 | 23924 | 7662.1 |
| 1991 | 985793 | 26625 | 8157.0 |
| 1992 | 10459 | 34599 | 9084.7 |
| 1993 | 1115771 | 48402 | 10995.5 |
| 1994 | 1180273 | 70176 | 15750.5 |
| 1995 | 1234810 | 914 | 20340.9 |
| 1996 | 1296200 | 99595 | 22353.7 |
| 1997 | 1278087 | 113733 | 23788.4 |
| 1998 | 1267200 | 119048 | 24541.9 |
| 1999 | 1292650 | 126111 | 24519.1 |
（1）二元线性回归方程
（2）对系数、方程分别进行显著性检验。
（3）当工业总产值达到130000亿元，农业总产值达到25000亿元时，货运量能达到多少？（给定置信水平为95％）
7.以下是某个案例的方差分解结果，填上所缺数据。
ANOVA
| Model 1 | Sum of Squares | df | Mean Square | F | Sig. | ||
| Regression | 42555.461 | 6079.352 | 4.785
| .002
| |||
| Residual | |||||||
| Total | 71776.951 |
b. Dependent Variable: Y
8.以下是某个案例的EViews分析结果。你对分析结果满意吗？为什么？
| Dependent Variable: Y | ||||
| Method: Least Squares | ||||
| Sample(adjusted): 1991 2000 | ||||
| Included observations: 10 after adjusting endpoints | ||||
| Variable | Coefficient | Std. Error | t-Statistic | Prob. |
| C | 4.8267 | 917366 | 0.523663 | 0.6193 |
| X1 | 0.178381 | 0.308178 | 0.578827 | 0.5838 |
| X2 | 0.688030 | 0099 | 377910 | 0.0169 |
| X3 | -0224 | 0.1500 | -1.423556 | 0044 |
| R-squared | 0.852805 | Mean dependent var | 41.90000 | |
| Adjusted R-squared | 0.779207 | S.D. dependent var | 348783 | |
| S.E. of regression | 16.11137 | Akaike info criterion | 8.686101 | |
| Sum squared resid | 1557.457 | Schwarz criterion | 8.807135 | |
| Log likelihood | -39.43051 | F-statistic | 11.58741 | |
| Durbin-Watson stat | 1.579994 | Prob(F-statistic) | 0.006579 | |
1.解: 如果被解释变量（因变量）y与k个解释变量（自变量），，…，之间有线性相关关系，那么它们之间的多元线性总体回归模型可以表示为
其中,是k+1个未知参数，又称为回归系数；u是随机误差项。
2.解: 多元线性回归模型的基本有:
(1)随机误差项的条件期望值为零。即,(）.
(2)随机误差项的条件方差相同。即,（）.
(3)随机误差项之间无序列相关。即,（）.
(4)自变量与随机误差项。即,(）.
(5)随机误差项服从正态分布。即.
(6)各解释变量之间不存在显著的线性相关关系。即,也就是说矩阵X的秩等于参数个数,换句话说就是自变量之间不存在多重共线性.
3. 解:的无偏估计量的计算公式为:
4. 解:如果一个样本回归方程的样本决定系数为0.98，我们不能判定这个样本回归方程就很理想.因为对于多元模型而言,样本决定系数接近1,只能说明模型的拟合度很高,总体线性性显著,但模型中每个解释变量是否是显著的无法判定,所以还需要进行单个解释变量的显著性检验,即t检验.
5．解：根据例3.1数据，得到OLS的正规方程组：
求解得到：＝＝
所以样本回归方程为：
6. 解：（1）利用OLS对数据进行回归得到回归方程如下：
（2）由上述检验数据可以看出方程总体线性性显著，单单个解释变量并不显著。
（3）因为方程拟合程度较高，总体线性性显著，所以模型可以用来进行预测：
当工业产量达到130000亿元，农业总产值达到25000亿元时，货运量能达到：
（万吨）
7. 解：案例的方差分解结果所缺数据如下：
ANOVA
| Model 1 | Sum of Squares | df | Mean Square | F | Sig. | ||
| Regression | 42555.461 | 7 | 6079.352 | 4.785
| .002
| ||
| Residual | 29221.490 | 23 | 1270.502 | ||||
| Total | 71776.951 | 30 |
思考与练习
1.什么是异方差性？举例说明经济现象中的异方差性。
2.考察以下模型
（1）
式中的按下述方式取决于
（2）
式中是一个于且满足全部古典假定的随机变量。对原模型（1）是否可以利用？为什么？
3.在如下回归中，你是否预期存在异方差？
| 样 本 | ||
| （a）公司利润 （b）婴儿死亡率 （c）通货膨胀率 （d）收入水平 （e）差错率 | 净财富 人均收入 货币增长率 年龄 上机时间 | 《财富》前500强 100个发达国家和发展中国家 美国、加拿大和15个拉美国家 1000名经济学家 200名电脑初学者 |
| 组 | 家庭生 | 活开支（ | 千元） | 家庭收入（千元） | ||
| 1 | 1.8 | 2 | 2 | 2 | 2.1 | 5 |
| 2 | 3 | 3.2 | 3.5 | 3.5 | 3.6 | 10 |
| 3 | 4.2 | 4.2 | 4.5 | 5.8 | 5 | 15 |
| 4 | 4.8 | 5 | 5.7 | 6 | 6.2 | 20 |
式中：表示家庭生活开支，表示家庭收入
利用求回归方程。
做散点图，观察家庭生活开支离差量的变化情况。
把数据分作两个子样本，第一子样本包括收入为5000元与10000元的家庭，即低收入家庭。第二个子样本包括收入为15000元和20000元的家庭，即高收入的家庭。进行检验。
设，其中为一非零常数，变换原模型求回归方程。
5. 什么是自相关性？自相关在线性回归模型中存在的主要原因有哪些？自相关可能造成哪些后果？
6. 利用以下给定的统计量进行序列相关检验。
（=自变量数目， =样本容量）
（1）=0.81， =3， =21，显著性水平=5%
（2）=3.48， =2， =15，显著性水平=5%
（3）=1.56， =5， =30，显著性水平=5%
（4）=2.， =4， =35，显著性水平=5%
（5）=1.75， =1， =45，显著性水平=5%
（6）=0.91， =2， =28，显著性水平=5%
（7）=1.03， =5， =26，显著性水平=5%
7.某子公司的年销售额与其总公司年销售额的观测数据如下表：
| 序号 | 序号 | ||||
| 1 2 3 4 5 6 7 8 9 10 | 127.3 130.0 132.7 129.4 135.0 137.1 141.2 142.8 145.5 145.3 | 20.96 21.40 21.96 21.52 23.39 22.76 23.48 23.66 24.10 24.01 | 11 12 13 14 15 16 17 18 19 20 | 148.3 146.4 150.2 153.1 157.3 160.7 1.2 165.6 168.7 171.7 | 24.54 24.30 25.00 25. 26.36 26.98 27.52 27.78 28.24 28.78 |
用检验分析随机项的一阶自相关性；
用两步法估计回归模型的参数；
直接用差分法估计回归模型参数。
8.什么是多重共线性？ 多重共线性在多元线性回归模型中普遍存在的主要原因有哪些？多重共线性可能造成哪些不利后果？
9. 考虑以下模型：。由于和是的函数，所以它们之间存在多重共线性，你同意这种说法吗？为什么？
10. 将下列模型用适当的方法消除多重共线性：
（1）消费模型为
其中，、、分别代表消费、工资收入和非工资收入，与可能高度相关，但研究表明
（2）需求模型为
其中。、、、分别为需求量、收入水平、该商品价格水平及其替代品价格水平，、可能高度相关。
11. 下表给出因变量与解释变量的时间序列数据：
| 时间 | |||||
| 1 2 3 4 5 6 7 8 9 10 | 6.0 6.0 6.5 7.1 7.2 7.6 8.0 9.0 9.0 9.3 | 40.1 40.3 47.5 49.2 52.3 58.0 61.3 62.5 .7 66.8 | 5.5 4.7 5.2 6.8 7.3 8.7 10.2 14.1 17.1 21.3 | 108 94 108 100 99 99 101 97 93 102 | 63 72 86 100 107 111 114 116 119 121 |
用逐步回归分析法确定一个较好的回归模型。
12. 利用工具变量法估计模型参数的基本思想是什么？
13. 某经济学家想要估计税收入函数
式中： =税收
=国内生产总值
已知有测量误差，为了把注册的汽车数量作为一个工具变量，研究者决定采用工具变量法。有关数据如下表。
| 年份 | 1966 | 1967 | 1968 | 1969 | 1970 |
| 税收（）（百万元） GDP（x）（十亿元） 注册的汽车（z）（百万辆） | 3 4 5 | 2 1 1 | 5 7 6 | 6 8 6 | 4 5 4 |
（2）用工具变量法估计税收函数，比较这两个估计函数；
（3） 是不是的一个好的工具变量？
思考与练习
1. 解：古典线性回归模型的一个很重要的假定是随机项的同方差性，即对于每个，的方差都是同一个常数，当此假定不能满足时，则的方差在不同次的观测中不再是一个常数，而是取得不同的数值，即
≠常数 1，2，…，
则称随机项具有异方差性（Heteroscedasticity）。
例如，考虑家庭的可支配收入和储蓄的关系，如建立如下模型
其中，为第个家庭的储蓄，为第个家庭的收入。从二者的关系不难看出，当收入增加时，储蓄平均也会随之增加。如果我们对不同收入水平家庭的储蓄进行观察，同样也会发现，低收入的家庭储蓄差异性较小，而高收入的家庭储蓄的差异性较大。这是因为低收入的家庭，其收入中扣除必要的生活支出以外，用于其他支出和储蓄的部分也较少，因此随机项波动的程度小，即方差小；而高收入家庭，其收入中扣除必要的生活支出以外，剩余的就较多，就有更大的使用选择余地，这样储蓄的差异就较大，因而随机项波动的程度就大，即方差大。因此，对于家庭储蓄模型，随机项具有异方差性。
2. 解：模型(1)无法使用OLS进行参数估计，因为随机误差项，即随机误差项与解释变量的平方之间有着显著地相关关系，这样会造成随机误差项的异方差现象，所以OLS不可以使用。
3. 解：
| 样 本 | 是否存在异方差 | ||
| （a）公司利润 （b）婴儿死亡率 （c）通货膨胀率 （d）收入水平 （e）差错率 | 净财富 人均收入 货币增长率 年龄 上机时间 | 《财富》前500强 100个发达国家和发展中国家 美国、加拿大和15个拉美国家 1000名经济学家 200名电脑初学者 | 存在 不存在 不存在 存在 存在 |
入相同，共分作四组，数据列表如下：
| 组 | 家庭生 | 活开支（ | 千元） | 家庭收入（千元） | ||
| 1 | 1.8 | 2 | 2 | 2 | 2.1 | 5 |
| 2 | 3 | 3.2 | 3.5 | 3.5 | 3.6 | 10 |
| 3 | 4.2 | 4.2 | 4.5 | 5.8 | 5 | 15 |
| 4 | 4.8 | 5 | 5.7 | 6 | 6.2 | 20 |
式中：表示家庭生活开支，表示家庭收入
利用求回归方程：。
做散点图，观察家庭生活开支离差量的变化情况。
由图形可以看出随着收入的增加，家庭生活开支的波动幅度逐渐增大。
把数据分作两个子样本，第一子样本包括收入为5000元与10000元的家庭，即低收入家庭。第二个子样本包括收入为15000元和20000元的家庭，即高收入的家庭。进行检验。
设，其中为一非零常数，变换原模型求回归方程。
5. 解：在古典假设下，线性回归模型中参数的最小二乘估计量具有线性、无偏和有效性。其中，有效性不仅依赖于古典假设中关于随机项的同方差假定，还依赖与随机项不存在序列自相关假定，即
这表明随机项在不同观测点下取值不相关。若这个假定违背，,即在不同观测点下的取值相关联，则称存在序列相关或叫自相关（Autoregression）。
自相关产生的原因很多，主要有：
（1）被解释变量的自相关，许多经济变量往往会有自相关，使用时间序列数据更是如此，其本期值往往受滞后值的影响。
（2）模型省略了自相关的解释变量。在建立回归模型时，总是要略去某些次要的解释变量。如果略去的解释变量有一些存在自相关，它必然在随机项中反映出来，从而使随机项具有自相关性。
（3）随机项本身存在自相关。在许多情况下，随机因素（如干旱、暴风雨、战争、地震等）所产生的影响，常常持续好长时间。
（4）回归模型的数学形式不正确。若回归模型所采用的数学形式与所研究问题的真实关系不一致，随机项就可能存在自相关。
（5）经济变量的惯性作用。大多数的经济时间序列都有一个明显的特点，就是他们的惯性。由于经济变量的惯性，使得许多经济变量前后期总是相互关联的。
自相关产生的后果，如果模型中的随机项存在自相关，仍然采用普通最小二乘法，会有以下后果：
（1）最小二乘估计量仍然是线性的和无偏的，但不具有最小方差性，即不是最优的。
（2）最小二乘估计量的方差估计是有偏的，用来估计随机项的方差和回归参数的方差公式会严重低估真实的方差和标准差，导致值偏大，使得某些参数显著不为零，即高估了部分参数的显著性。
（3）因变量的预测精度降低。
6. 利用以下给定的统计量进行序列相关检验。（=自变量数目， =样本容量）
（1）=0.81， =3， =21，显著性水平=5%：DL=1.03, DU=1.67，因为=0.81< DL, 所以存在一阶正自相关。
（2）=3.48， =2， =15，显著性水平=5%：DL=0.95, DU=1.54，因为=3.48>4-DL, 所以存在一阶负自相关。
（3）=1.56， =5， =30，显著性水平=5%：DL=1.07, DU=1.83，因为DL<=1.56 （5）=1.75， =1， =45，显著性水平=5%：DL=1.48, DU=1.57，因为DU <=1.75<（4-DU）, 所以不存在自相关。 （6）=0.91， =2， =28，显著性水平=5%：DL=1.26, DU=1.56，因为=0.91< DL, 所以存在一阶正自相关。 （7）=1.03， =5， =26，显著性水平=5%：DL=0.98, DU=1.88，因为DL<=1.03 用检验分析随机项的一阶自相关性：因为DW=1.662，DL=1.20，DU=1.41，DU 直接用差分法估计回归模型参数。 8. 解：古典线性回归模型的假定之一是，模型中包含的解释变量的观测值矩阵（包括常数项）其秩等于模型中解释变量的个数加1，即，此时就称解释变量1，2 ，… ，之间不存在多重共线性。但如果，说明观测值矩阵是降秩的，即矩阵的列向量存在某种线性相关关系，也就是解释变量之间存在某种线性相关，称为存在多重共线性（Multicollinearity）。 多重共线性存在的原因主要是经济活动经济变量之间复杂的相互联系。另外在计量经济学的研究中，将某些解释变量的滞后值作为单独的新解释变量包含在模型中，已得到广泛的应用。这样由于解释变量的前后期数值相关使得产生多重共线性。 后果： 多元线性回归模型中如果存在完全的多重共线性（Complete Multicollinearity，或Exact Multicollinearity）则参数的最小二乘估计量是不确定的，其标准差为无穷大；如果存在接近的多重共线性（Near Multicollinearity），则参数的最小二乘估计量是确定的，而且具有无偏性，但其方差较大，常产生以下结果： （1）参数估计值不精确，也不稳定，样本观测值稍有变动，增加或减少解释变量等都会使参数估计值发生较大变化，甚至出现符号错误，从而不能正确反映解释变量对因变量的影响。 （2）参数估计值的标准差较大，使参数的显著性检验增加了接受零假设的可能，从而舍去对因变量有显著影响的解释变量。 （3）难以区分每个解释变量的单独影响。计量经济研究中经常需要利用回归系数定量分析各个解释变量对因变量的单独影响程度。而在多重共线性的情况下，解释变量的相关性将无法“保持其他变量不变”，从而也难以分离出每个解释变量的单独影响。 9. 解：它们之间不存在多重共线性，这是因为虽然和是的函数，但它们之间并没有显著地线性相关关系。 10. 解：（1）将代入原模型得： （2）可以考虑将相对价格引入模型，建立如下模型： 11. 解：（1）利用SPSS对上述数据进行回归得到以下结果： Model Summary(b) b Dependent Variable: y ANOVA(b) b Dependent Variable: y Coefficients(a) Statistics 由多重共线性的经典判断法可以看出该模型拟合优度及总体线性显著性都非常好，但单个解释变量显著性却都不理想，所以模型存在多重共线性。此外从解释变量的方差扩大因子（VIF1=36.448，VIF4=20.948，二者均远大于10）也可以看出解释变量之间存在多重共线性。 （2）利用SPSS中逐步回归分析法确定一个较好的回归模型如下： Model Summary(c) b Predictors: (Constant), x1, x2 c Dependent Variable: y ANOVA(c) b Predictors: (Constant), x1, x2 c Dependent Variable: y Coefficients(a) 通过以上分析可以看出，选取x1，x2作为解释变量就可以很好的消除多重共线性，并且各类显著性检验都可以通过，所以我们得到以下回归方程： 12. 解：工具变量法应用的基本思路是，当解释变量与随机项相关时，则寻找另一个变量，该变量与随机解释变量高度相关，但与随机项不相关，则称该变量为工具变量，用其替代随机解释变量。 工具变量的选择应满足以下条件：工具变量必须具有实际经济意义；工具变量与随机解释变量高度相关，但与随机项不相关；工具变量与模型中的其他解释变量也不相关；模型中多个工具变量之间不相关。 13. 某经济学家想要估计税收入函数 式中： =税收 =国内生产总值 已知有测量误差，为了把注册的汽车数量作为一个工具变量，研究者决定采用工具变量法。有关数据如下表。 GDP（x）（十亿元） 注册的汽车（z）（百万辆） 4 5 1 1 7 6 8 6 5 4 （2）用工具变量法估计税收函数： = 0 .5238 1.3810 所以得到回归方程为： （3）是的一个好的工具变量.下载本文
a Predictors: (Constant), x4, x3, x2, x1Model R R Square Adjusted R Square Std. Error of the Estimate 1 .990(a) .980 .963 .23611
a Predictors: (Constant), x4, x3, x2, x1Model Sum of Squares df Mean Square F Sig. 1 Regression 13.422 4 3.356 60.1 .000(a) Residual .279 5 .056 Total 13.701 9
a Dependent Variable: yModel Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity B Std. Error Beta Tolerance VIF 1 (Constant) 3.914 1.952 2.005 .101 x1 .060 .048 .480 1.246 .268 .027 36.448 x2 .0 .037 .407 2.397 .062 .141 7.074 x3 -.013 .018 -.051 -.693 .519 .738 1.356 x4 .007 .018 .123 .420 .692 .048 20.948
a Predictors: (Constant), x1Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .972(a) .945 .938 .30660 2 .988(b) .975 .968 .21995 2.2
a Predictors: (Constant), x1Model Sum of Squares df Mean Square F Sig. 1 Regression 12.949 1 12.949 137.751 .000(a) Residual .752 8 .094 Total 13.701 9 2 Regression 13.362 2 6.681 138.106 .000(b) Residual .339 7 .048 Total 13.701 9
a Dependent Variable: yModel Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 (Constant) .942 .573 1.5 .139 x1 .122 .010 .972 11.737 .000 1.000 1.000 2 (Constant) 2.323 .626 3.710 .008 x1 .082 .016 .651 5.220 .001 .227 4.411 x2 .080 .027 .365 2.923 .022 .227 4.411
（1）利用估计税收函数为： 年份 1966 1967 1968 1969 1970 税收（）（百万元） 3 2 5 6 4
