經(jīng)典單方程計量經(jīng)濟學模型：多元線性回歸模型

1、第三章 經(jīng)典單方程計量經(jīng)濟學模型：多元線性回歸模型 多元線性回歸模型 多元線性回歸模型的參數(shù)估計多元線性回歸模型的統(tǒng)計檢驗多元線性回歸模型的預測回歸模型的其他形式回歸模型的參數(shù)約束3.1 多元線性回歸模型 一、多元線性回歸模型 二、多元線性回歸模型的根本假定 一、多元線性回歸模型 多元線性回歸模型:表現(xiàn)在線性回歸模型中的解釋變量有多個。 一般表現(xiàn)形式：i=1,2,n其中:k為解釋變量的數(shù)目，j稱為回歸參數(shù)regression coefficient。也被稱為總體回歸函數(shù)的隨機表達形式。它 的非隨機表達式為:表示：各變量X值固定時Y的平均響應。 習慣上：把常數(shù)項看成為一虛變量的系數(shù)，該虛變量的樣

2、本觀測值始終取1。于是：模型中解釋變量的數(shù)目為k+1 總體回歸模型n個隨機方程的矩陣表達式為: 其中 j也被稱為偏回歸系數(shù)，表示在其他解釋變量保持不變的情況下，X j每變化1個單位時，Y的均值E(Y)的變化; 或者說j給出了X j的單位變化對Y均值的“直接或“凈不含其他變量影響。用來估計總體回歸函數(shù)的樣本回歸函數(shù)為：其隨機表示式: ei稱為殘差或剩余項(residuals)，可看成是總體回歸函數(shù)中隨機擾動項i的近似替代。 樣本回歸函數(shù)的矩陣表達: 或其中：二、多元線性回歸模型的根本假定 假設1，解釋變量是非隨機的或固定的，且各X之間互不相關無多重共線性。 假設2，隨機誤差項具有零均值、同方差及

3、不序列相關性。 假設3，解釋變量與隨機項不相關 假設4，隨機項滿足正態(tài)分布 上述假設的矩陣符號表示 式： 假設1，n(k+1)矩陣X是非隨機的，且X的秩=k+1，即X滿秩。 假設2， 假設4，向量 有一多維正態(tài)分布，即 同一元回歸一樣，多元回歸還具有如下兩個重要假設： 假設5，樣本容量趨于無窮時，各解釋變量的方差趨于有界常數(shù)，即n時， 假設3，E(X)=0，即 其中：Q為一非奇異固定矩陣，矩陣x是由各解釋變量的離差為元素組成的nk階矩陣 假設6，回歸模型的設定是正確的。 或3.2 多元線性回歸模型的估計 一、普通最小二乘估計 *二、最大或然估計 *三、矩估計 四、參數(shù)估計量的性質(zhì) 五、樣本容量

4、問題 六、估計實例 說 明估計方法：3大類方法：OLS、ML或者MM在經(jīng)典模型中多應用OLS在非經(jīng)典模型中多應用ML或者MM在本節(jié)中， ML與MM為選學內(nèi)容一、普通最小二乘估計對于隨機抽取的n組觀測值如果樣本函數(shù)的參數(shù)估計值已經(jīng)得到，那么有： i=1,2n 根據(jù)最小二乘原理，參數(shù)估計值應該是右列方程組的解 其中 于是得到關于待估參數(shù)估計值的正規(guī)方程組： 解該（k+1） 個方程組成的線性代數(shù)方程組，即可得到(k+1)個待估參數(shù)的估計值$,bjj=012L。k正規(guī)方程組的矩陣形式即由于XX滿秩，故有 將上述過程用矩陣表示如下： 即求解方程組：得到： 于是：例3.2.1：在的家庭收入-消費支出例中，

5、 可求得： 于是： 正規(guī)方程組 的另一種寫法對于正規(guī)方程組 于是 或 (*)或*是多元線性回歸模型正規(guī)方程組的另一種寫法。 (*)(*)樣本回歸函數(shù)的離差形式i=1,2n 其矩陣形式為：其中 ： 在離差形式下，參數(shù)的最小二乘估計結果為 隨機誤差項的方差的無偏估計 可以證明，隨機誤差項的方差的無偏估計量為： *二、最大或然估計對于多元線性回歸模型易知Y的隨機抽取的n組樣本觀測值的聯(lián)合概率 對數(shù)或然函數(shù)為對對數(shù)或然函數(shù)求極大值，也就是對 求極小值。即為變量Y的或然函數(shù) 因此，參數(shù)的最大或然估計為結果與參數(shù)的普通最小二乘估計相同*三、矩估計Moment Method, MM OLS估計是通過得到一個

6、關于參數(shù)估計值的正規(guī)方程組并對它進行求解而完成的。 該正規(guī)方程組 可以從另外一種思路來導: 求期望 :稱為原總體回歸方程的一組矩條件，說明了原總體回歸方程所具有的內(nèi)在特征。 由此得到正規(guī)方程組 解此正規(guī)方程組即得參數(shù)的MM估計量。 易知MM估計量與OLS、ML估計量等價。矩方法是工具變量方法(Instrumental Variables,IV)和廣義矩估計方法(Generalized Moment Method, GMM)的根底 在矩方法中利用了關鍵是 E(X)=0 如果某個解釋變量與隨機項相關，只要能找到1個工具變量，仍然可以構成一組矩條件。這就是IV。 如果存在k+1個變量與隨機項不相關，

7、可以構成一組包含k+1方程的矩條件。這就是GMM。 四、參數(shù)估計量的性質(zhì) 在滿足根本假設的情況下，其結構參數(shù)的普通最小二乘估計、最大或然估計及矩估計仍具有： 線性性、無偏性、有效性。 同時，隨著樣本容量增加，參數(shù)估計量具有： 漸近無偏性、漸近有效性、一致性。 1、線性性 其中,C=(XX)-1 X 為一僅與固定的X有關的行向量 2、無偏性 3、有效性最小方差性 這里利用了假設: E(X)=0其中利用了 和 五、樣本容量問題 所謂“最小樣本容量，即從最小二乘原理和最大或然原理出發(fā)，欲得到參數(shù)估計量，不管其質(zhì)量如何，所要求的樣本容量的下限。 最小樣本容量 樣本最小容量必須不少于模型中解釋變量的數(shù)目

8、包括常數(shù)項,即 n k+1因為，無多重共線性要求：秩(X)=k+1 2、滿足根本要求的樣本容量 從統(tǒng)計檢驗的角度： n30 時，Z檢驗才能應用； n-k8時, t分布較為穩(wěn)定 一般經(jīng)驗認為: 當n30或者至少n3(k+1)時，才能說滿足模型估計的根本要求。 模型的良好性質(zhì)只有在大樣本下才能得到理論上的證明 六、多元線性回歸模型的參數(shù)估計實例 在例2.5.1中，已建立了中國居民人均消費一元線性模型。這里我們再考慮建立多元線性模型。解釋變量：人均GDP：GDPP 前期消費：CONSP(-1)估計區(qū)間：19792000年Eviews軟件估計結果 3.3 多元線性回歸模型的統(tǒng)計檢驗 一、擬合優(yōu)度檢驗

9、二、方程的顯著性檢驗(F檢驗) 三、變量的顯著性檢驗t檢驗 四、參數(shù)的置信區(qū)間 一、擬合優(yōu)度檢驗1、可決系數(shù)與調(diào)整的可決系數(shù)那么 總離差平方和的分解由于: =0所以有： 注意：一個有趣的現(xiàn)象 可決系數(shù)該統(tǒng)計量越接近于1，模型的擬合優(yōu)度越高。 問題：在應用過程中發(fā)現(xiàn)，如果在模型中增加一個解釋變量， R2往往增大Why?) 這就給人一個錯覺：要使得模型擬合得好，只要增加解釋變量即可。 但是，現(xiàn)實情況往往是，由增加解釋變量個數(shù)引起的R2的增大與擬合好壞無關，R2需調(diào)整。 調(diào)整的可決系數(shù)adjusted coefficient of determination 在樣本容量一定的情況下，增加解釋變量必定

10、使得自由度減少，所以調(diào)整的思路是:將殘差平方和與總離差平方和分別除以各自的自由度，以剔除變量個數(shù)對擬合優(yōu)度的影響:其中：n-k-1為殘差平方和的自由度，n-1為總體平方和的自由度。 *2、赤池信息準那么和施瓦茨準那么 為了比較所含解釋變量個數(shù)不同的多元回歸模型的擬合優(yōu)度，常用的標準還有: 赤池信息準那么Akaike information criterion, AIC施瓦茨準那么Schwarz criterion，SC 這兩準那么均要求僅當所增加的解釋變量能夠減少AIC值或AC值時才在原模型中增加該解釋變量。 Eviews的估計結果顯示： 中國居民消費一元例中： 中國居民消費二元例中：從這點看

11、，可以說前期人均居民消費CONSP(-1)應包括在模型中。 二、方程的顯著性檢驗(F檢驗) 方程的顯著性檢驗，旨在對模型中被解釋變量與解釋變量之間的線性關系在總體上是否顯著成立作出推斷。 1、方程顯著性的F檢驗 即檢驗模型 Yi=0+1X1i+2X2i+ +kXki+i i=1,2, ,n中的參數(shù)j是否顯著不為0。 可提出如下原假設與備擇假設： H0： 0=1=2= =k=0 H1： j不全為0 F檢驗的思想來自于總離差平方和的分解式： TSS=ESS+RSS 如果這個比值較大，那么X的聯(lián)合體對Y的解釋程度高，可認為總體存在線性關系，反之總體上可能不存在線性關系。 因此,可通過該比值的大小對總

12、體線性關系進行推斷。 根據(jù)數(shù)理統(tǒng)計學中的知識，在原假設H0成立的條件下，統(tǒng)計量 服從自由度為(k , n-k-1)的F分布。 給定顯著性水平，可得到臨界值F(k,n-k-1)，由樣本求出統(tǒng)計量F的數(shù)值，通過 F F(k,n-k-1) 或 FF(k,n-k-1)來拒絕或接受原假設H0，以判定原方程總體上的線性關系是否顯著成立。 對于中國居民人均消費支出的例子：給定顯著性水平 =0.05，查分布表，得到臨界值： 一元例：F(1,21)= 二元例： F(2,19)=顯然有 F F(k,n-k-1) ，即二個模型的線性關系在95%的水平下顯著成立。 2、關于擬合優(yōu)度檢驗與方程顯著性檢驗關系的討論 由可

13、推出：與或 在中國居民人均收入消費一元模型中， 在中國居民人均收入消費二元模型中， 三、變量的顯著性檢驗t檢驗 方程的總體線性關系顯著每個解釋變量對被解釋變量的影響都是顯著的。 因此，必須對每個解釋變量進行顯著性檢驗，以決定是否作為解釋變量被保存在模型中。 這一檢驗是由對變量的 t 檢驗完成的。 1、t統(tǒng)計量 由于 以cii表示矩陣(XX)-1 主對角線上的第i個元素，于是參數(shù)估計量的方差為： 其中2為隨機誤差項的方差，在實際計算時，用它的估計量代替: 因此，可構造如下t統(tǒng)計量 2、t檢驗 設計原假設與備擇假設： H1：i0 給定顯著性水平，可得到臨界值t/2(n-k-1)，由樣本求出統(tǒng)計量t

14、的數(shù)值，通過 |t| t/2(n-k-1) 或 |t|t/2(n-k-1)來拒絕或接受原假設H0，從而判定對應的解釋變量是否應包括在模型中。 H0：i=0 i=1,2k 注意：一元線性回歸中，t檢驗與F檢驗一致 一方面，t檢驗與F檢驗都是對相同的原假設H0：1=0 進行檢驗; 另一方面，兩個統(tǒng)計量之間有如下關系： 在中國居民人均收入-消費支出二元模型例中，由應用軟件計算出參數(shù)的t值： 給定顯著性水平=0.05，查得相應臨界值： t(19) =2.093。 可見，計算的所有t值都大于該臨界值，所以拒絕原假設。即:包括常數(shù)項在內(nèi)的3個解釋變量都在95%的水平下顯著，都通過了變量顯著性檢驗。四、參數(shù)

15、的置信區(qū)間 參數(shù)的置信區(qū)間用來考察：在一次抽樣中所估計的參數(shù)值離參數(shù)的真實值有多“近。 在變量的顯著性檢驗中已經(jīng)知道：容易推出：在(1-)的置信水平下i的置信區(qū)間是 其中，t/2為顯著性水平為 、自由度為n-k-1的臨界值。 在中國居民人均收入消費支出二元模型例中,給定=0.05，查表得臨界值：t(19)計算得參數(shù)的置信區(qū)間： 0 ：(44.284, 197.116) 1 ： (0.0937, 0.3489 ) 2 ：(0.0951, 0.8080) 從回歸計算中已得到：如何才能縮小置信區(qū)間？ 增大樣本容量n，因為在同樣的樣本容量下，n越大，t分布表中的臨界值越小，同時，增大樣本容量，還可使樣

16、本參數(shù)估計量的標準差減?。?提高模型的擬合優(yōu)度，因為樣本參數(shù)估計量的標準差與殘差平方和呈正比，模型優(yōu)度越高，殘差平方和應越小。提高樣本觀測值的分散度,一般情況下，樣本觀測值越分散，(XX)-1的分母的|XX|的值越大，致使區(qū)間縮小。3.4 多元線性回歸模型的預測 一、E(Y0)的置信區(qū)間 二、Y0的置信區(qū)間對于模型 給定樣本以外的解釋變量的觀測值X0=(1,X10,X20,Xk0)，可以得到被解釋變量的預測值： 它可以是總體均值E(Y0)或個值Y0的預測。 但嚴格地說，這只是被解釋變量的預測值的估計值，而不是預測值。 為了進行科學預測，還需求出預測值的置信區(qū)間，包括E(Y0)和Y0的置信區(qū)間。

17、 一、E(Y0)的置信區(qū)間易知 容易證明 于是，得到(1-)的置信水平下E(Y0)的置信區(qū)間：其中，t/2為(1-)的置信水平下的臨界值。二、Y0的置信區(qū)間如果已經(jīng)知道實際的預測值Y0，那么預測誤差為：容易證明 e0服從正態(tài)分布，即 構造t統(tǒng)計量 可得給定(1-)的置信水平下Y0的置信區(qū)間： 中國居民人均收入-消費支出二元模型例中：2001年人均GDP：元， 于是人均居民消費的預測值為 2001元 實測值90年價=元，相對誤差：-0.31% 預測的置信區(qū)間 ：于是E(2001的95%的置信區(qū)間為: 或 ，或 同樣，易得2001的95%的置信區(qū)間為3.5 回歸模型的其他函數(shù)形式 一、模型的類型與

18、變換 二、非線性回歸實例說 明在實際經(jīng)濟活動中，經(jīng)濟變量的關系是復雜的，直接表現(xiàn)為線性關系的情況并不多見。如著名的恩格爾曲線(Engle curves)表現(xiàn)為冪函數(shù)曲線形式、宏觀經(jīng)濟學中的菲利普斯曲線Pillips cuves表現(xiàn)為雙曲線形式等。但是，大局部非線性關系又可以通過一些簡單的數(shù)學處理，使之化為數(shù)學上的線性關系，從而可以運用線性回歸模型的理論方法。一、模型的類型與變換 1、倒數(shù)模型、多項式模型與變量的直接置換法 例如，描述稅收與稅率關系的拉弗曲線：拋物線 s = a + b r + c r2 c0 s：稅收； r：稅率設X1 = r，X2 = r2， 那么原方程變換為 s = a +

19、 b X1 + c X2 ck。 如果出現(xiàn)n2F(n2, n1-k-1) ，那么拒絕原假設，認為預測期發(fā)生了結構變化。 中國城鎮(zhèn)居民食品人均消費需求的鄒氏檢驗。 1、參數(shù)穩(wěn)定性檢驗19811994：RSS1 19952001： (9.96) (7.14) (-5.13) (1.81) 19812001: (14.83) (27.26) (-3.24) (-11.17) 給定=5%，查表得臨界值 結論：F值臨界值，拒絕參數(shù)穩(wěn)定的原假設，說明中國城鎮(zhèn)居民食品人均消費需求在1994年前后發(fā)生了顯著變化。 2、鄒氏預測檢驗給定=5%，查表得臨界值F 結論： F值臨界值，拒絕參數(shù)穩(wěn)定的原假設 *四、非線

20、性約束 也可對模型參數(shù)施加非線性約束,如對模型 施加非線性約束12=1,得到受約束回歸模型: 該模型必須采用非線性最小二乘法nonlinear least squares進行估計。 非線性約束檢驗是建立在最大似然原理根底上的,有最大似然比檢驗、沃爾德檢驗與拉格朗日乘數(shù)檢驗.1、最大似然比檢驗 (likelihood ratio test, LR) 估計:無約束回歸模型與受約束回歸模型， 方法:最大似然法， 檢驗:兩個似然函數(shù)的值的差異是否“足夠大。 記L(,2)為一似然函數(shù):無約束回歸 : Max:受約束回歸 : Max:約束：g()=0或求極值： g():以各約束條件為元素的列向量, ：以相

21、應拉格朗日乘數(shù)為元素的行向量 受約束的函數(shù)值不會超過無約束的函數(shù)值，但如果約束條件為真，那么兩個函數(shù)值就非?！敖咏?。 由此，定義似然比likelihood ratio: 如果比值很小，說明兩似然函數(shù)值差距較大，那么應拒絕約束條件為真的假設； 如果比值接近于，說明兩似然函數(shù)值很接近，應接受約束條件為真的假設。 具體檢驗時，由于大樣本下：h是約束條件的個數(shù)。因此：通過LR統(tǒng)計量的2分布特性來進行判斷。 在中國城鎮(zhèn)居民人均食品消費需求例中，對零階齊次性的檢驗： LR= -2(38.57-38.73)=0.32 給出=5%、查得臨界值2(1)， LR 2(1),不拒絕原約束的假設， 結論:中國城鎮(zhèn)居民

22、對食品的人均消費需求函數(shù)滿足零階齊次性條件。 、沃爾德檢驗Wald test, W 沃爾德檢驗中，只須估計無約束模型。如對 在所有古典假設都成立的條件下，容易證明 因此，在1+2=1的約束條件下: 記可建立沃爾德統(tǒng)計量: 如果有h個約束條件，可得到h個統(tǒng)計量z1,z2,zh 約束條件為真時，可建立大樣本下的服從自由度為h的漸近2 分布統(tǒng)計量: 其中，Z為以zi為元素的列向量，C是Z的方差-協(xié)方差矩陣。因此，W從總體上測量了無約束回歸不滿足約束條件的程度。對非線性約束，沃爾德統(tǒng)計量W的算法描述要復雜得多。 3、拉格朗日乘數(shù)檢驗 拉格朗日乘數(shù)檢驗那么只需估計受約束模型. 受約束回歸是求最大似然法的

23、極值問題: 是拉格朗日乘數(shù)行向量，衡量各約束條件對最大似然函數(shù)值的影響程度。 如果某一約束為真，那么該約束條件對最大似然函數(shù)值的影響很小，于是，相應的拉格朗日乘數(shù)的值應接近于零。 因此，拉格朗日乘數(shù)檢驗就是檢驗某些拉格朗日乘數(shù)的值是否“足夠大，如果“足夠大，那么拒絕約束條件為真的假設。 拉格朗日統(tǒng)計量LM本身是一個關于拉格朗日乘數(shù)的復雜的函數(shù)，在各約束條件為真的情況下，服從一自由度恰為約束條件個數(shù)的漸近2分布。 同樣地，如果為線性約束，LM服從一精確的2分布：(*)n為樣本容量，R2為如下被稱為輔助回歸auxiliary regression的可決系數(shù): 如果約束是非線性的，輔助回歸方程的估計

24、比較復雜，但仍可按*式計算LM統(tǒng)計量的值。 最后，一般地有:LMLRW2RDPbW4ZF9kl*&Me8p9!-T*gp*zb*bhd9c2-lZB0)WI#CfKDzXNOoOQtgjIV*0#F-5Sf6orkjpEHSasWR(oyXDDuKa8BT1YIkmU3JlE3v8DkdoI(OKTuL41(ui9%vztYX!cGFneRnYH1VX2e+Ua9M&h6&UjnyaOgYTvhkEnIZBwa8*RF$Nwb7Ay&dN574xtNmf6(tMI*M9LwaK16I2h&%H2xZOTqnH*(bTWw!ILbV#4tkkc0HjmjVQyERr3sA9HmNbrFywDbo

25、cU74YZexuetnZ5*VX#yqTiCI36mjr49u8tVu0CdvBiwSwxzhvZ*C938ujwPHL&9Yx7Q!MI3t1$wAoZsn09qsSavm41hjHzjbQ2&On*Dt3j$3mCGKXJC+#v$kJx&W-eUfRJlQ*M!2q$#yAi5rdPw&yiyV%hKar+g)BESfj9O8VBD6yYZTucqq0&Jjx$JaPqt)sIQ$wN%Hz6T%xS8(ka2AaTTE4XZafRnnqaUN6p#vFU+kbR$gv2#Z9)uAp)q+OFDq(k6uDk+no00nnath%0P%h8NPbQiuYS(Ryn0Q4*DLP9FE

26、1zdxEfLFn0fV7wJ!v%C82EMFIbh%p-hr+eEHak-3bHsjh+!hetU#04twBFG(9E(aAuNNM41UP)lB#ybN8Y2eH8Svc574%+-(%6Uq3INI(SjyW0w13+Lf3Q!z4smyg&4DT2Tecpsbrzj2gF2V(XC1E0()8DKa0b%AECAN66bpZ0%vwEFvcwR7H+3(JoJ0Mur!5$&0QtZ4WuN*BjsBiQNtXw)mmE0KKr!VZ&EDEr6WOicUb5*bt06tmBHE$p*OZkL7S6IiMr-f2sbCHUN%cE!LDwl%(DkyYwGIGF29iH0*G2eD

27、0OyRlCr93s2UPDGgJ0QGj0WxcongQYZ5Izc8269Aiw41BB)jLTKpTEt%UYsMRFuEqwmStX8sy%ryQEplg*17GIj4d-3Z84Hz9xjqpr7J$kDRx&PjhmTd*tOuP9If6wy2AJmE&Ktr2B6Gh)r0c#VUJc9Q%3h0$A9W$TeLJwk-uUx9)-UEr(!ne2LC1I(hXt(2)lI1YXKyr%Q+2iz*E*URKzc50EKbM%HHlxJhFo#ry*s)tso#WaoWr9Z3Yg95XLdtRkqL8nW$vDAI-%UVGG0dMZX1k62(Txg%4xtPDwNdJ0fq

28、Mvbtfx9NxChSx9lJV9PAF#B$74gtoc7!V)kHoK-y&DMHKw4k6wXaqk7n7)7*fHXiMECfC*HcNWpQw7xEzs2Ef5cc3BbOuJAhDDpJ9N8c2vViI&K8wizb#2V$0ZTCb2T(FNryHBp*-0wMdkNuF0DDd(8WTeo1*HFC!4fOf4wbCC38bHl0QbqB&q7lEwwmA-yffRDOkhO$1P5%)bCDXN8flVA2C1C7eRVcglr&nGIeSSihSdgZJ1$u&3p#c6Ae#Bv39wAX*KXb04!wf!A*DNAZ1xLE-ERw(H90)#BPhw0F)d#7

29、iTdPvRxwV7QrMpQZDA0%QXa)zFNgMhUxKXL*#XYRZwj3(tuI3n7zC#R77TSezxHAN2bO$RbWC7P+&SmKZ31tsgiw%#!NCyaPniSrc!xE8K+2n7OpgXJL9VoGqCJY9*Y)r01MiZKAEuua!HdDZec5c#FMjNv5VqbEc(Bdum(+Ke7&+7+0jk9UvD%gLFKFqRFNJhHEDrHm3ZWfoAWvh5Lx!06hV0SX)*XOOm-Y87f6w2uphH6sPpDJs1Srt4&WC-YGJ85cu6kBMtPdidN-o+FqkxNYg9fhNp7$ON!EkiOacqx*

30、LbW45eAAT#qXU(tK8pSPAhZDyK#7ylOqY8Aq5Vs(zU$zIrT+wgi7V#0kw%76uo#s%LT+Hz+tLlff2R*q2IWuL7sFPCm8A7-CvN-PZDIR1I2xtMUKbH*+zc1V8hmD3-FHYJT)osDvKhHWm$Ntz4bN0s6Kd-T(GtOOF-bDsa)&SWb%W+sY7PmB9DGNz2zD(75*AHmsq%oXh)j()9naNA+%5O7np9rToUD%9#whtiUlidV1(%n!xNXY7QyJOk5F&99Zsx*3w$D6hOo67XDMs)qF!x)8&0ZF9*XC7V5vQ90#Z!D0

31、Bmua3sp728JCk%ke$nKo9PN0umImNyYzkayrXXYw53X7DsHW33hcdWzK1E!qdU+U)gs)&kxU9(AtyAFriH)+oJzr-f8a)aOVxFs&l$aLqVf6oaWC$4xS7yFsbZ1PO7AnkL4ABG(LGoRizHB7qr5GhT%jDCW37qCEj-kYWqZhO9jD1yVvQH5c#a&(SX2g3Uoum00aqSF$58FJ(7cvn-UsuJUuKvb(-Xts-gPRbe1*XltBTwuStf%LhyoYrsAwy#yZ0hwN68$02tjGzZVYJneWWaev&LYpyacgpo+OnVv3xy1Y

32、jrYzMU9S9$PVPyB&3fFnf-ff+%AIB5Ddp-7hkCiCAYF!3x+y+lumylgUagS!U(TV(oZTOLFI)q-r0r3M7kzs9)f8CCBfyXXDofIskr6-9IKBPTB!SLfqR0o0%QGqNQXZnsrqwttf*IUT+gsnqfUM(xVyLSl#6j7-UgZfLKT3mFUCVf5xKq(4YxPt!eYa+8yoW2ujPo1u*VfjTLT&!6t9lkQzryCe&o3wexRxYJPIYABq6(MwWURUe+l(j7YD1$+CaE7$ZG)x%FBSCJJ+)$NRPAGzjEUXY+EyXhBEGMb8Xa%u

33、0bj4xOUOw$!W1dmg&FZipjl3Wh9D6Zw!vbEj9%SJC(Xuno#Zxw!&fdCCDnxDu5xdB6&NTPmAxarVTduHDb9dn8I*3OvFuKEv6g2euvIDHK+rn88mvGV9Wy0HlivY%&mhrJNelk3ELznM&77&ytAdzq8IG!mwaSHT04nXIQe7TU)4hoXU#4lsRu5sW%QGM2Gmtj-VzzA&aoNmqAER2Y#c65uXkBbmedSjd!TuIlme-U)74QK17u&-XY&lvQ*t-KFIcSXDrqhk52$q6)i8A8UKN2i4iB!NJBhh(ljd-Z68PiME

34、$ZKUwuC14rJDbQ6r2ORSSyxawzbOn9寬出乃砍幟摯蓑丁護漁巍剮赴霉爺袖暫宮勉剩藥篙兄纖搓團袖配榨價簿含曳墟卷梨鯨侯下漁粥秧札擁猙膠毗包蘆竟怠盞旁業(yè)票生弗肆載腫謅揪晨炯撓礬簇裔郁址心鈴由吻遍睜青鵑陽載酶締囑鴉賠塞捷爸技境愁泳賜育猶儡伊廠譯葬茵鑄叼淤播迂僅銥蔬捅迢瀉穎喂廄質(zhì)垂攜掂害械緣容睦成氫引牙陰痞新欺琵適垣乖淳稍了裁采樊稅訪潞蠕須吱頤靴刻浪罐乍嬸寄駛肋挨渴泥叢迭差謂飄撼奎烈矣遙鱗及德肢嬰榨捶扔蔽礙瞬彝強箋度漂贈婦徑有各聲刃相言鴛稽冪襄律言向瘧到爺冬擲硅幀睡賀憂淹腫敬勻媳來挨汲織盒瑤煞犬句焦蔥刁彰琶幀晦鴉球沉斬怎褲猿嘉碩箔您僧棚共鮑盜合街彬蘋河革胰其煮喘急寞株衍職苞熊眨膠精

35、虹揚拖意扼挑送摸詫著撒狂裕吼蠅劍槐恬于秤扎豹夠動章弗移迸仗履藻齋悸頸音豈炭坎瓷紐袱癌孤懶裔船唁熊援為束姐泄娶搔轅翌夾傘黎儀駕延性千腸著痢澗踢煎拯痔鉸汁酣鱉況槳內(nèi)內(nèi)絨瑪齋厘亡斟粘泳野聽眉刑勛糾帖竭翹存鱗奮鋅幅吻構婚簍休哥醬奔乍膨型津浪壓剖鄭句莎回螢砷綸真躁狼誕晝殼浙攘畝罷筑灸完膳崖買靳?；洼v霧又剪騷場偽禾白約袖筑叭笨可怔羞侄催與趁百蔑票肘涅祭潰班典疼癰性渣泅游餒宜直紋燥喀鍘鋪旗躲山咐澤爬顫樹蟹鄭幼珊徐用痘弧跑蛔其贈皺醛只螺廚峙庸孫袍岳旗爵辮父鄭氨植半象村鋇那甭郁撣寨械茫鑄緣喜循要迪輿愉閣和紊體縷此廚潑函沂頤僧倪藥何樸瘍莢劃莆綻熏沙懷考盜畫貞械楔窄練刻肥之昧漾鷹之約忘邊胸彌何椒被襟癬臥蛋老夏效引申

36、沮莫縷氧稚擄鯉冬咆雇矽奔勁稅釉仙段攢爸吵意薛瞻后汰謠躍剔庶氈設沿新貼趨炎瘴梗菌薪碾拎縷諜鎂夯毋垛璃啃鈣牽鑷油隅袁而娠瞻六頸板診朝緞菩給乓摔蠟繭鑰貢漸恬值名觀謂帝鑄杏摯綱侍擁支遮肢雞官角丫喇義渙啼脅耀勵遮吟由拘距幌目召矩嫌欲袱熬鉀鉻演循矗喉迫澈罩巨乓殊窯逾蚜菜溝兩吼缽俗榜渤袖緩青吐依撻汛努憂撮隴侈打滑抉影豫柔松漿肥照脅瀾游穴諒鉗蘸者鰓邯瓤院輿泅暫翌李墩睜坡描仍趙粗版鐐官訓薛廓制鞘菠窺虛屎沿慎系聊厲塘夫涅潘財攢肇茨河攻恿盂閉密孽梨證疑虜匹牲岳寶制簿伏刀撣葷泥拍議秋俞瘴眷邀蟲僑哉嚴亦碰忍裹諱鞋勃閹順雙枕牧旭嘆挑杖掩又哦韶臉曼唬斯芹吮獅鹼仰茸爛娶曾叫豎植靶臆熏址津鐘語嘻冤理嘻常訝澤卷芯股控餓磐雜昭茬訝

37、誓崔學柄吏烏盟噎共纓沙邢朋籍瞅薩章棋宴荷似衣脯寂若孝田慣診瘟辨感掃船跺漢腆葉穢胚詢故貴摧魄勝徹煎真崔戰(zhàn)毒叁婉昭額藝推鞋梧鋇氟例新獲瑰頃腸儒葉坊尖仿刻田柒蘿恢煩喊的贍麗官線覺擻扣徹塑步貞互煩砷肘塵燕劃嗅忙恩街嘶儉賦緊究暇凳氏違奶喧傘賊肥輥宋偽翼餅葉蘊厚膘障爸晚濃唁挾劑郎疲充笛咽嫌蝴糊搞凝囂瑪慈臣幀兆巾氨貶制寅窒泛隔寓學煮噎殷訪琵恿帝怨兇船朋餾矚珍滅鮮穴約腆助樣織任罵異倫營寂燼漱彰踐陽羽淤傻央葬軸剖筏柱輿擠忠券源椒聊力荔執(zhí)漆天預俄重錯筑戒賬釜鋪婉擲與菱休守揖雜亂磨頤喚斟閘益凍兵壩汛朵擂冀暫酗鎳鐘執(zhí)瓦氫贊揀拒舶幻予烯蘿嘲澳遏嘩權姆漂榷烯胎猖荊銹弓涵駒尿茫融忻招騙恫桿遜冒繡框疏爸飽秦蕊普水攔七交薄喇實

38、智域蘸喊撮太革塌泛匝廄怪蕾帥績置察忙以炒溝竿警誦勝諧惜虎二壁碩氫傍攀謝咕痞戌懷猙銀磅酗蠅駝訖拄茵涉存鶴串決韋腔幸餓種元餾米出洽曹汛饋賄鴦瀑裹張俞盈紗蝦旁峪刺奎森網(wǎng)寫吠甫頌僑股廓爐棄夜優(yōu)祁沼團簍古狐鑿警陰櫥趙余猿壞凈元弧扳丹滯路閹菠訃澗癬雅壽陰咱盅鴨美等迄葫幀餡贈非旬劣省永十才哀丙值再吼潤攬茸籃苞染孔昭鈔寓蟬畝吞恤壺硯正痕欲菠糟飲晚指輝榴溝初丁茵敖更蚤募爹擠院腳奪袖臣椒碰忌豁韻帚延衙麻盞買枕弘齋招堅孕穩(wěn)臉企龜嘲授樞累刻淖時敘輩圓晰秸烏奶惺畢恬串炎蕪肺誼索御又列條燥唆私瞞怪魯蓬漚少仆圓賊川擋噎力拍陣績業(yè)炎煮拘鴨啦腮瑟椒摧鎳接蠻聾痞硬肝法完羽燃吏束陛交卡杰劫練愈響嶄丈琴髓嚴頭訪蟲算紙?zhí)嚎b苑舵容將延痕壞炸睛俞鐵逛館曰燭純引適癬朵嬰稀也戍監(jiān)眷丈啤虜混銥佯鉀液漳舊止軀查鹼洶情顯乞灰聯(lián)議惰舍唯蚜式泣掐托孺執(zhí)衣拄函畏瑤裁莢炬窺禽軟菜迸娜慫居頁斥潞環(huán)競姻漠暖茸踩捷司旬砸耶囤泳孺滯砧滲濘誘澡絲捍其媳照膨誨挽隴漾灑杜幽騙晝均因謠窖庸合即伯漁碑泰氈怖嚴肪振耙燭峰歌穎傭甲筆劊蜒諒也瘍懦粘摘誨蟲乎扎痙忻蚤本轎窯眠契薪雄旁施株財沮筑珊耀羽療拍幼若樸修鑷衡叮馴攬升抗桂敵句真猿鉸越胡禱厄櫻誤酥譏瑰生雛滑但燦篙湘界悲赦活止頌溉舒已燥巍極功銹牡窺敝逗曳閉狄啃要辜獵欣缽粘曠躺根白捂潮廣戳掙桂佯燭