1、 填上（1）、（2）、（3）、（4）位置所缺數據；以標準記法寫出回歸方程；你對分析結果滿意嗎？為什么？注意：coefficient=std.error*t-statisticAdjustedr-squared=1-（1-r-squared）（n-1）/（n-k-1）8解t從謹案鋼的分析敦據來看粘果不崗童閡為値叢欖蟹的擬臺優度（R.WS52S犧總命域性顯著性CF=I.5K74,怡tn甌血殆1褻著，錯果還令人満軌但具偉到每個睥釋變量的顯著性時.可以看毎hl即島IM.5S.iSAIkSCp-U2?6,IMH3訂甚至都無法期過o=l期的鬼需性撿瞌所以這7.根據下列Eviews應用軟件的運行結果比較分析

2、選擇哪個模型較好？并說明理由；以標準形式寫出確定的回歸方程。模型一DependentVariable:YMethod:LeastSquaresSample:112Includedobservations:12VariableCoefficientStd.Errort-StatisticProb.C46.138287.3569906.2713520.00011/X1335.604171.21997.8005220.0000AdjustedR-squared0.844738Akaikeinfocriterion8.283763Sumsquaredresid1993.125Schwarzcriter

3、ion8.364580Loglikelihood-47.70258F-statistic60.84814Durbin-Watsonstat2.154969Prob(F-statistic)0.000015模型二DependentVariable:YMethod:LeastSquaresSample:112Includedobservations:12Convergenceachievedafter6iterationsY=C(1)*C(2廠XCoefficientStd.Errort-StatisticProb.C(1)195.178411.4660017.022370.0000C(2)0.9

4、791320.001888518.58420.0000AdjustedR-squared0.922179Akaikeinfo7.593063criterionSumsquaredresid999.0044Schwarzcriterion7.673881Loglikelihood-43.55838Durbin-Watson2.818195stat8.下圖一是yt的差分變量Dyt的相關圖和偏相關圖；圖二是以Dyt為變量建立的時間序列模型的輸出結果。（20分）ACPACQ-StatProbAutocorrelationPartialCorrelationACPACQ-StatProb圖一10.G02

5、0.G02圖一10.G020.G0218.4990.00020.235-0.20021.3780.00030.1180.11222.1160.000A0.0G2-0.04522.3220.0005-0.014-0.05522.3340.000G-0.075-0.04722.6570.001DependentVariable:DYMethod:LeastSquaresDate:06/14/02Time:19:28Sample(adjusted):19511997Includedobservations:47afteradjustingendpointsConvergenceachievedaft

6、er6iterationsVariableCoefficientStd.Errort-StatisticProb.AR(1)0.9780380.03325829.407800.0000MA(2)-0.3132310.145855-2.1475540.0372R-squared0.297961Meandependentvar0.145596AdjustedR-squared0.282360S.D.dependentvar0.056842S.E.ofregression0.048153Akaikeinfocriterion-3.187264Sumsquaredresid0.104340Schwar

7、zcriterion-3.108535Loglikelihood76.90071Durbin-Watsonstat2.183396圖二其中Q統計量Q-statistic（k=15）=5.487根據圖一，試建立Dyt的ARMA模型。邙限選擇兩種形式）（6分）根據圖二，試寫出模型的估計式，并對估計結果進行診斷檢驗。（8分）與圖二估計結果相對應的部分殘差值見下表，試用（2）中你寫出的模型估計式預測1998年的Dyt的值（計算過程中保留四位小數）。（6分）由圖1的偏相關圖和自相關圖的特點，即它們均具有一階截尾特征，可得序列DLPI的ARMA模型可能是ARMA(1,1)；或ARMA(2,1)等過程。由圖2可得，變量DLPI的ARMA(1,2)模型估計式為：DLNt=0M09MDLFIL-0.979242_2(52.4292)(-6.44)310ZJJF_=1.