计量经济学实验报告2019 计量经济学实验报告54995

　 1. 背景

　经济增长是指一个国家生产商品和劳务能力的扩大。在实际核算中，常以一国生产的商 品和劳务总量的增加来表示，即以国民生产总值（ GDP和国内生产总值的的增长来计算。

　古典经济增长理论以社会财富的增长为中心，指出生产劳动是财富增长的源泉。现代经 济增长理论认为知识、人力资本、技术进步是经济增长的主要因素。

　从古典增长理论到新增长理论，都重视物质资本和劳动的贡献。物质资本是指经济系统 运行中实际投入的资本数量 . 然而，由于资本服务流量难以测度，在这里我们用全社会固定资 产投资总额（亿元）来衡量物质资本。中国拥有十三亿人口，为经济增长提供了丰富的劳动 力资源。因此本文用总就业人数（万人）来衡量劳动力。居民消费需求也是经济增长的主要 因素。

　经济增长问题既受各国政府和居民的关注 , 也是经济学理论研究的一个重要方面。

　在1978 —2008年的 31年中 ,我国经济年均增长率高达 9.6%,综合国力大大增强 , 居民收入水平与生活 水平不断提高 ,居民的消费需求的数量和质量有了很大的提高。但是 , 我国目前仍然面临消费 需求不足问题。

　本文将以中国经济增长作为研究对象，选择时间序列数据的计量经济学模型方法，将中 国国内生产总值与和其相关的经济变量联系起来，建立多元线性回归模型，研究我国中国经 济增长变动趋势，以及重要的影响因素，并根据所得的结论提出相关的建议与意见。用计量 经济学的方法进行数据的分析将得到更加具有说服力和更加具体的指标，可以更好的帮助我 们进行预测与决策。因此，对我国经济增长的计量经济学研究是有意义同时也是很必要的。

　2. 模型的建立

　2.1 假设模型

　为了具体分析各要素对我国经济增长影响的大小，我们可以用国内生产总值（ ）这个

　经济指标作为研究对象；用总就业人员数（ 1）衡量劳动力；用固定资产投资总额 （ 2 ）衡

　量资本投入：用价格指数（ 3 ）去代表消费需求。运用这些数据进行回归分析。

　这里的被解释变量是， Y:国内生产总值，

　与Y-国内生产总值密切相关的经济因素作为模型可能的解释变量，共计 3个，它们分别

　为：

　1代表社会就业人数，

　2代表固定资产投资，

　3代表消费价格指数， 代表随机干扰项。

　模型的建立大致分为理论模型设置、参数估计、模型检验、模型修正几个步骤。如果模 型符合实际经济理论并且通过各级检验，那么模型就可以作为最终模型，可以进行结构分析 和经济预测。

　国内生产总值

　经济活动人口

　全社会固定资产 投资

　居民消费价

　格指数

　1992年

　26,923.48

　66,782.00

　8,080.10

　106.4

　1993年

　35,333.92

　67,468.00

　13,072.30

　114.7

　1994年

　48,197.86

　68,135.00

　17,042.10

　124.1

　1995年

　60,793.73

　68,855.00

　20,019.30

　117.1

　1996年

　71,176.59

　69,765.00

　22,913.50

　108.3

　1997年

　78,973.03

　70,800.00

　24,941.10

　102.8

　1998年

　84,402.28

　72,087.00

　28,406.20

　99.2

　1999年

　89,677.05

　72,791.00

　29,854.70

　98.6

　2000年

　99,214.55

　73,992.00

　32,917.70

　100.4

　2001 年

　109,655.17

　73,884.00

　37,213.50

　100.7

　2002年

　120,332.69

　74,492.00

　43,499.90

　99.2

　2003年

　135,822.76

　74,911.00

　55,566.61

　101.2

　2004年

　159,878.34

　75,290.00

　70,477.43

　103.9

　2005年

　184,937.37

　76,120.00

　88,773.61

　101.8

　2006年

　216,314.43

　76,315.00

　109,998.16

　101.5

　2007年

　265,810.31

　76,531.00

　137,323.94

　104.8

　2008年

　314,045.43

　77,046.00

　172,828.40

　105.9

　2009年

　340,902.81

　77,510.00

　224,598.77

　99.3

　2010 年

　401,512.80

　78,388.00

　251,683.77

　103.3

　2011 年

　473,104.05

　78,579.00

　311,485.13

　105.4

　2012 年

　519,470.10

　78,894.00

　374,694.74

　102.6

　假设经济模型为： y 1 2X1 3X2 4X3

　2.2建立初始模型一一OLS

　2.2.1使用OLS法进行参数估计

　Dependent Variable: Y

　Method: Least Squares

　Date: 05/27/14 Time: 20:46

　Sample: 1992 2012

　Included observations: 21

　Variable

　Coefficient

　Std. Error

　t-Statistic

　Prob.

　C

　-713618.8

　127520.1

　-5.596127

　0.0000

　X1

　9.301372

　1.252990

　7.423339

　0.0000

　X2

　1.109932

　0.036932

　30.05337

　0.0000

　X3

　960.6130

　455.8173 2.107452

　0.0502

　R-squared

　0.996644

　Mean dependent var

　182689.5

　Adjusted R-squared

　0.996051

　S.D. dependent var

　147531.4

　S.E. of regression

　9270.792

　Akaike info criterion

　21.27677

　Sum squared resid

　1.46E+09

　Schwarz criterion

　21.47573

　Log likelihood

　-219.4061

　Hannan-Quinn criter.

　21.31995

　F-statistic

　1682.612

　Durbin-Watson stat

　1.682540

　Prob(F-statistic)

　0.000000

　得到的初始模型为Y

　713618.8

　9.3013X1 1.1099X2

　960.62X3

　222 对初始模型进行检验

　要对建立的初始模型进行包括经济意义检验、统计检验、计量经济学检验、预测检验在 内的四级检验。

　经济意义检验

　解释变量的系数分别为 广9.3013、 2=1.1099。两个解释变量系数均为正， 符合被解释

　变量与解释变量之间的正相关关系，符合解释变量增长带动被解释变量增长的经济实际，

　3=960.61，符合被解释变量与解释变量之间的正相关关系。与现实经济意义相符，所以模

　型通过经济意义检验。

　统计检验

　拟合优度检验： R2 检验，R-squared=0.996644； Adjusted R-squared=0.996051 ;可见

　拟合优度很高，接近于 1,方程拟和得很好。

　变量的显著性检验：t检验，

　模型系数显著性检验，t检验结果

　Variable

　Coefficient

　Std. Error

　t-Statistic

　Prob.

　C

　-713618.8

　127520.1

　-5.596127

　0.0000

　X1

　9.301372

　1.252990

　7.423339

　0.0000

　X2

　1.109932

　0.036932

　30.05337

　0.0000

　X3

　960.6130

　455.8173

　2.107452

　0.0502

　从检验结果表中看到，包括常数项在内的所有解释变量系数的 t检验的伴随概率均小于

　5%所以，在5%勺显著水平下 1、 2、 3的系数显著不为零，通过显著性检验，常数项也

　通过显著性检验，保留在模型之中。

　方程的显著性检验：F检验，方程总体显著性检验的伴随概率小于 0.00000，在5%E著水平

　下方程显著成立，具有经济意义。

　(3)计量经济学检验:

　方程通过经济意义检验和统计检验，下面进行居于计量经济学模型检验核心的计量经济 学检验。

　进行异方差性检验：

　Y轴为首先用图示法对模型的异方差性进行一个大致的判断。 令X

　Y轴为

　方程的残差项，做带有回归线的散点图。

　X1

　320,000,000

　280,000,000

　240,000,000

　200,000,000

　E 160,000,000

　120,000,000

　80,000,000

　40,000,000

　0

　0 100,000 200,000 300,000 400,000

　X2

　X3

　通过图形看到，回归线向上倾斜，大致判断存在异方差性，但是，图示法并不准确,

　F面使用 White异方差检验法进行检验，得到下面的检验结果：

　Heteroskedasticity Test: White

　F-statistic

　2.616909 Prob. F(9,11)

　0.0677

　Obs*R-squared

　14.31446 Prob. Chi-Square(9)

　0.1116

　Scaled explained SS

　6.518631 Prob. Chi-Square(9)

　0.6871

　Test Equation:

　Dependent Variable: RESIDA2

　Method: Least Squares

　Date: 05/27/14 Time: 22:12

　Sample: 1992 2012

　Included observations: 21

　Variable

　Coefficient

　Std. Error

　t-Statistic

　Prob.

　C

　1.04E+11

　5.15E+10

　2.017611

　0.0687

　X1

　-1949844.

　945581.9

　-2.062057

　0.0636

　X1A2

　9.051342

　4.890384

　1.850845

　0.0912

　X1*X2

　-1.464567

　0.648826

　-2.257258

　0.0453

　X1*X3

　6331.557

　4214.655

　1.502272

　0.1612

　X2

　120106.3

　44949.37

　2.672034

　0.0217

　X2A2

　0.010887

　0.005643

　1.929190

　0.0799

　X2*X3

　-86.80476

　165.7979

　-0.523558

　0.6110

　X3

　-6.64E+08

　4.05E+08

　-1.639615

　0.1293

　X3A2

　1017845.

　635414.2 1.601860

　0.1375

　R-squared

　0.681641

　Mean dependent varAdjusted R-squared

　0.421165

　S.D. dependent varS.E. of regressionAkaike info criterion

　39.09072

　Sum squared resid

　4.50E+16

　Schwarz criterion

　39.58811

　Log likelihood

　-400.4526

　Hannan-Quinn criter.

　39.19867

　F-statistic

　2.616909

　Durbin-Watson stat

　1.993942

　Prob(F-statistic)

　0.067656

　2

　nR =14.3145，对应的卡方检验 p值为0.1116所得的检验伴随概率小于 5%均在5%勺 显著水平下拒绝方程不存在异方差性的原假设，认为模型具有比较严重的异方差性。需要对 模型进行修正。

　多重共线性检验：

　用逐步回归法检验如下

　以 为被解释变量，逐个引入解释变量 1、 2、 3，构成回归模型，进行模型估计。

　由模型估计结果可以看出，可决系数很高，说明模型对样本的拟合很好；F=1682.61检验 值很大，相应的 p 0.000000，说明回归方程显著，即各自变量联合起来确实对因变量 GDP

　有显著影响；给定显著性水平0.05 ,但变量X3的t检验未能通过，说明X3对因变量影响 不显著，而且系数符号与经济意义不符。

　有显著影响；给定显著性水平

　计算解释变量简单相关系数矩阵

　X1

　X2

　0.796362241813

　X3

　-0.58970366337

　X1

　1

　2109

　12271

　0.796362241813

　-0.22329713749

　X2

　2109

　1

　4743

　-0.58970366337

　-0.22329713749

　X3

　12271

　4743

　1

　Dependent Variable: Y

　Method: Least Squares

　Date: 05/28/14 Time: 00:26

　Sample: 1992 2012

　Included observations: 21

　Variable

　Coefficient

　Std. Error

　t-Statistic

　Prob.

　C

　-2264275.

　333685.4

　-6.785658

　0.0000

　X1

　33.18164

　4.519104

　7.342528

　0.0000

　R-squared

　0.739414

　Adjusted R-squared

　0.725699

　S.E. of regression

　77267.69

　Sum squared resid

　1.13E+11

　Log likelihood

　-265.1025

　F-statistic

　53.91271

　Prob(F-statistic)

　0.000001

　Mean dependent var

　182689.5

　S.D. dependent var

　147531.4

　Akaike info criterion

　25.43833

　Schwarz criterion

　25.53781

　Hannan-Quinn criter.

　25.45992

　Durbin-Watson stat

　0.128986

　Dependent Variable: Y

　Method: Least Squares

　Date: 05/28/14 Time: 00:26

　Sample: 1992 2012

　Included observations: 21

　Variable

　Coefficient

　Std. Error t-Statistic

　Prob.

　C

　48240.88

　6070.708 7.946500

　0.0000

　X2

　1.360428

　0.042126 32.29400

　0.0000

　R-squared

　0.982108

　Mean dependent var

　182689.5

　Adjusted R-squared

　0.981166

　S.D. dependent var

　147531.4

　S.E. of regression

　20246.84

　Akaike info criterion

　22.75978

　Sum squared resid

　7.79E+09

　Schwarz criterion

　22.85926

　Log likelihood

　-236.9777

　Hannan-Quinn criter.

　22.78137

　F-statistic

　1042.903

　Durbin-Watson stat

　0.586251

　Prob(F-statistic)

　0.000000

　Dependent Variable: Y

　Method: Least Squares

　Date: 05/28/14 Time: 00:27

　Sample: 1992 2012

　Included observations: 21

　Variable

　Coefficient

　Std. Error t-Statistic

　Prob.

　C

　847220.0

　523200.3 1.619303

　0.1219

　X3

　-6339.788

　4982.288 -1.272465

　0.2186

　R-squared

　0.078527

　Mean dependent var

　182689.5

　Adjusted R-squared

　0.030029

　S.D. dependent var

　147531.4

　S.E. of regression

　145299.5

　Akaike info criterion

　26.70137

　Sum squared resid

　4.01E+11

　Schwarz criterion

　26.80085

　Log likelihood

　-278.3644

　Hannan-Quinn criter.

　26.72296

　F-statistic

　1.619168

　Durbin-Watson stat

　0.101768

　Prob(F-statistic)

　0.218560

　由图可以看出，回归模型。与2

　由图可以看出，

　回归模型。

　与2的拟合优度是最大的,

　R-squared=0.962474。再做 与 1 和 2 的Method: Least Squares

　Date: 05/28/14 Time: 00:29

　Sample: 1992 2012

　Included observations: 21

　Variable

　Coefficient

　Std. Error t-Statistic

　Prob.

　C

　-480761.6

　69481.50 -6.919275

　0.0000

　X1

　7.456549

　0.978442 7.620842

　0.0000

　X2

　1.149181

　0.034808 33.01501

　0.0000

　R-squared

　0.995767

　Mean dependent var

　182689.5

　Adjusted R-squared

　0.995296

　S.D. dependent var

　147531.4

　S.E. of regression

　10118.28

　Akaike info criterion

　21.41364

　Sum squared resid

　1.84E+09

　Schwarz criterion

　21.56286

　Log likelihood

　-221.8432

　Hannan-Quinn criter.

　21.44602

　F-statistic

　2116.963

　Durbin-Watson stat

　1.706397

　Prob(F-statistic)

　0.000000

　观察与1和 2最小二乘估计的拟合优度(R-squared =0.995767 )，与 与1最小

　二乘估计的拟合优度(R-squared =0.7394 )比较，变化明显，说明 1对y的影响显著。观

　察 与1和 2、 3最小二乘估计的拟合优度(R-squared =0.996644)，与 与1和 2

　最小二乘估计的拟合优度( R-squared =0.990618 )比较，变化不明显，说明 3对y影响不

　显著。

　序列相关性检验：

　方程含有截距项，因此，可以使用 DW检验法来检验方程是否具有序列相关性。

　DW=1.68254对样本量n为21、一个解释变量的模型(k=3包括常数项)、5%显著水平，查 DW 统计表可知，dL=1.15，dU= 1.54，模型中du，< DW<4-d显然消费模型中无是自相关。

　20,000

　16,000

　12,000

　) 8,000

　D 4,000 -

　0 -

　-4,000

　-8,000

　-12,000

　-20,000 -10,000 0 10,000 20,000

　RESID

　2.3建立修正模型—— WLS

　加权最小二乘法估计模型系数建立模型能够有效地消除模型的异方差性，同时也可以在 一定程度上克服序列相关性，因此，使用 WLS方法估计模型参数是修正模型的常用方法。

　使用WLS法进行参数估计

　Dependent Variable: E2

　Method: Least Squares

　Date: 05/28/14 Time: 01:01

　Sample: 1992 2012

　Included observations: 21

　Variable

　Coefficient

　Std. Error t-Statistic

　Prob.

　C29097095 0.488571

　0.6310

　X2

　744.0358

　549.7306 1.353455

　0.1927

　(X2)A2

　-0.000875

　0.001575 -0.555392

　0.5855

　R-squared

　0.342668

　Mean dependent varAdjusted R-squared

　0.269631

　S.D. dependent varS.E. of regressionAkaike info criterion

　39.14906

　Sum squared resid

　9.29E+16

　Schwarz criterion

　39.29828

　Log likelihood

　-408.0652

　Hannan-Quinn criter.

　39.18145

　F-statistic

　4.691706

　Durbin-Watson stat

　1.628814

　Prob(F-statistic)

　0.022912

　加权最小二乘法估计模型参数结果输出表

　Dependent Variable: Y

　Method: Least Squares

　Date: 05/28/14 Time: 01:03

　Sample: 1992 2012

　Included observations: 21

　Weighting series: W

　Weight type: Inverse standard deviation (EViews default scaling)

　Variable

　Coefficient

　Std. Error

　t-Statistic

　Prob.

　C

　-526805.5

　82754.64

　-6.365872

　0.0000

　X1

　7.530238

　0.848086

　8.879095

　0.0000

　X2

　1.162640

　0.035363

　32.87705

　0.0000

　X3

　371.7234

　277.1337

　1.341315

　0.1975

　Weighted Statistics

　R-squared

　0.996255

　Mean dependent var

　141254.1

　Adjusted R-squared

　0.995594

　S.D. dependent var

　67154.65

　S.E. of regression

　7068.631

　Akaike info criterion

　20.73436

　Sum squared resid

　8.49E+08

　Schwarz criterion

　20.93332

　Log likelihood

　-213.7108

　Hannan-Quinn criter.

　20.77754

　F-statistic

　1507.541

　Durbin-Watson stat

　1.550711

　Prob(F-statistic)

　0.000000

　Weighted mean dep.

　110689.8

　Unweighted Statistics

　可以看出运用加权小二乘法消除了异方差性后，参数的 t检验均显著。

　Heteroskedasticity Test: White

　F-statistic

　0.754993

　Prob. F(9,11)

　0.6580

　Obs*R-squared

　8.018780

　Prob. Chi-Square(9)

　0.5323

　Scaled explained SS

　4.318199

　Prob. Chi-Square(9)

　0.8892

　Test Equation:

　Dependent Variable: WGT_RESIDA2

　Method: Least Squares

　Date: 05/28/14 Time: 00:54

　Sample: 1992 2012

　Included observations: 21

　Collinear test regressors dropped from specification

　Variable

　Coefficient

　Std. Error t-Statistic

　Prob.

　C

　7.13E+09

　6.35E+09

　1.122787

　0.2854

　WGTA2

　2.16E+10

　3.61E+10

　0.598752

　0.5615

　X1A2*WGTA2

　5.390923

　5.879002

　0.916979

　0.3788

　X1*WGTA2

　-691372.9

　880989.5

　-0.784769

　0.4492

　X1*X2*WGTA2

　-1.648389

　1.345050

　-1.225523

　0.2460

　X1*X3*WGTA2

　-754.6295

　2627.260

　-0.287231

　0.7793

　X2A2*WGTA2

　0.138056

　0.123748

　1.115627

　0.2884

　X2*X3*WGTA2

　189.2896

　206.9863

　0.914503

　0.3801

　X3A2*WGTA2

　87998.30

　304578.1

　0.288919

　0.7780

　X3*WGTA22.19E+08

　0.115821

　0.9099

　R-squared

　0.381847

　Mean dependent varAdjusted R-squared

　-0.123915

　S.D. dependent varS.E. of regressionAkaike info criterion

　38.83713

　Sum squared resid

　3.49E+16

　Schwarz criterion

　39.33452

　Log likelihood

　-397.7898

　Hannan-Quinn criter.

　38.94507

　F-statistic

　0.754993

　Durbin-Watson stat

　1.664672

　Prob(F-statistic)

　0.658026

　表明经加可以看出nR2=8.01878 ,对应的卡方检验p值为0.5323 ,无法拒绝同方差的原假设, 权最小二乘法回归的方程已经消除异方差。所示结果为无异方差的回归结果。

　表明经加

　3.模型经济意义分析与预测

　建立模型的最终目的就是要通过模型获得有用的信息，计量经济模型提供了结构分析和 经济预测两大应用。

　模型的经济意义分析——结构分析

　通过对最初的使用普通最小二乘估计参数得到的模型进行加权修正，得到的使用加权最 小二乘法估计参数的模型是：

　Variable

　Coefficient

　Std. Error

　t-Statistic

　Prob.

　C

　-526805.5

　82754.64

　-6.365872

　0.0000

　X1

　7.530238

　0.848086

　8.879095

　0.0000

　X2

　1.162640

　0.035363

　32.87705

　0.0000

　X3

　371.7234

　277.1337

　1.341315

　0.1975

　Y 526805.5 7.530238X, 1.16264X2 371.7234X3

　t= ( -6.365872)( 8.879095)( 32.87705) ( 1.341315)

　p=( 0.0000)( 0.0000)( 0.0000)( 0.1975)

　於=0.996255 R 2=0.995594 D.W.= 1.5507

　模型具有较好的性质，通过了包括经济意义检验、统计检验、计量经济学检验和预测检 验在内的四级检验，模型符合现实经济理论和计量经济学的相关假设，可以较好的提供经济 信息和预测研究对象的趋势。模型是可以应用于经济意义分析和预测。

　4. 结论

　主要结论

　1、固定资产投资是经济增长的重要原动力。

　经济发展取决于投入资金的数量和资金的利用效率。固定资产投资是经济增长的重要原 动力，它对经济运行具有先导作用，并以其乘数效应拉动经济增长。

　2、 劳动力对GD有一定的促进作用但对经济增长的贡献率却微不足道。

　这是因为我国劳动力结构总量巨大、供给充足、流动性强 ，对GDP影响很大。但是劳动 力的人力资本含量、 高技术含量偏低 ,劳动力素质结构存在严重缺陷 , 会直接影响了经济的增 长。

　3、 消费需求对经济的拉动作用

　消费需求是三大需求要素中所占份额最大、波动幅度最小的部分，是国民经济的重要支 柱和最主要的组成部分，同时也是明显地反映经济自发增长态势的宏观经济指标。

　建议

　就业是民生之本，有效促进就业，保持经济增长良好势头成为我国当前乃至今后一段时期 的重要课题。针对目前劳动力数量庞大且总体素质不高的现状，应通过多种途径，一方面加强 就业培训的投入力度，提高劳动者就业及再就业能力，降低失业率；另一方面，加强各地区间 人才交流及促进劳动力自由流动，并通过合理技术壁垒方式，阻止外来流动人员的无序进入。

　同时，鼓励灵活就业，以减轻就业压力。

　劳动力的人力资本含量、 高技术含量偏低 ，劳动力素质结构存在严重缺陷 ， 直接影响了经 济的增长。因此应当控制人口数量 ， 优化劳动力结构 ， 提升劳动力素质。物质资本对我国的经 济增长也起到了一定的影响作用，应加强对投资的科学管理，提高投资效率。

　欢迎您的下载，

　资料仅供参考!

　致力为企业和个人提供合同协议，策划案计划书，学习资料等等

　打造全网一站式需求

相关关键词： 计量经济学论文选题 计量经济学论文范文 计量经济学课程论文 计量经济学参考文献 计量经济学硕士论文