你好，欢迎来到经管之家 [登录] [注册]

设为首页 | 经管之家首页 | 收藏本站

搜索
经济学 管理学 金融学 统计学
您的位置：

人大经济论坛

 > 经济学毕业论文
搜索

经济学毕业论文

  • 店铺租金的确定模型_经济学毕业论文

    店铺租金的确定模型_经济学毕业论文 店铺租金的确定模型 某商人欲在某火车站附近经营一店铺，委托本小组对相关情况进行调查。经过数月的资料收集和整理，我们的调查成果如下： 进出车站的乘客为主要服务对象的10家便利店的数据。 Y是日均销售额，X1为店铺面积，X2是店铺距车站的距离，X3为店员人数，X4为店铺日租金。 具体数据如下表： 店铺代码日均销售额（元）Y店铺面积（m2）X1离车站距离（100m）X2店员人数（人）X3店铺日租金（元）X4 A B C D E F G H I J4000 4500 8000 6000 5000 2000 1500 9000 3000 700060 100 85 50 75 55 70 95 45 653 5 2 1 3 4 6 1 3 25 7 5 3 5 4 5 6 4 4600 600 1020 750 750 440 280 1425 450 780 数据来源： 为了考察店铺面积、离车站距离、店员人数和日租金对日销售额的影响，我们首先做Y关于X1、X2、X3、X4的回归，即建立如下回归模型： Y=C+β1 X1+β2 X2+β3 X3+β4 X4 得回归结果如下表： Dependent Variable: Y Method: Least Squares Date: 12/14/03 Time: 17:51 Sample: 1 10 Included observations: 10 VariableCoefficientStd. Errort-StatisticProb. C4815.2671536.4183.1340870.0258 X1128.193039.797963.2210960.0234 X2-1494.966513.4078-2.9118480.0333 X3-619.1674472.6664-1.3099460.2472 X4-1.8772082.938471-0.6388380.5510 R-squared0.970270 Mean dependent var5000.000 Adjusted R-squared0.946486 S.D. dependent var2505.549 S.E. of regression579.6124 Akaike info criterion15.86945 Sum squared resid1679752. Schwarz criterion16.02074 Log likelihood-74.34724 F-statistic40.79489 Durbin-Watson stat1.407218 Prob(F-statistic)0.000522 从回归结果来看， R2接近于1，整个方程的拟合优度很高，FF0.05(4，5)＝5.19，变量X3、X4对应的偏回归系数之t值小于2，而且X3、X4的符号与经济意义相悖，该模型明显存在多重共线性，回归结果不显著，回归方程不能投入使用。 由于变量较多，采用逐步回归法来修正模型。 用Y对各个变量单独进行回归： 对X1，有： Dependent Variable: Y Method: Least Squares Date: 12/14/03 Time: 20:17 Sample: 1 10 Included observations: 10 VariableCoefficientStd. Errort-StatisticProb. C444.44442988.5550.1487160.8855 X165.0793741.384151.5725670.1545 R-squared0.236129 Mean dependent var5000.000 Adjusted R-squared0.140645 S.D. dependent var2505.549 S.E. of regression2322.680 Akaike info criterion18.51569 Sum squared resid43158730 Schwarz criterion18.57620 Log likelihood-90.57844 F-statistic2.472968 Durbin-Watson stat1.988381 Prob(F-statistic)0.154464 对X2，有： Dependent Variable: Y Method: Least Squares Date: 12/14/03 Time: 20:20 Sample: 1 10 Included observations: 10 VariableCoefficientStd. Errort-StatisticProb. C8687.5001096.2327.9248710.0000 X2-1229.167324.6760-3.7858260.0053 R-squared0.641777 Mean dependent var5000.000 Adjusted R-squared0.596999 S.D. dependent var2505.549 S.E. of regression1590.581 Akaike info criterion17.75844 Sum squared resid20239583 Schwarz criterion17.81896 Log likelihood-86.79221 F-statistic14.33248 Durbin-Watson stat2.488527 Prob(F-statistic)0.005344 对X3，有： Dependent Variable: Y Method: Least Squares Date: 12/14/03 Time: 20:28 Sample: 1 10 Included observations: 10 VariableCoefficientStd. Errort-StatisticProb. C3344.8283791.3250.8822320.4034 X3344.8276770.69640.4474230.6664 R-squared0.024413 Mean dependent var5000.000 Adjusted R-squared-0.097536 S.D. dependent var2505.549 S.E. of regression2624.897 Akaike info criterion18.76033 Sum squared resid55120690 Schwarz criterion18.82084 Log likelihood-91.80164 F-statistic0.200188 Durbin-Watson stat2.273575 Prob(F-statistic)0.666436 对X4，有： Dependent Variable: Y Method: Least Squares Date: 12/14/03 Time: 20:30 Sample: 1 10 Included observations: 10 VariableCoefficientStd. Errort-StatisticProb. C-124.4556691.7552-0.1799130.8617 X47.2226300.8931328.0868540.0000 R-squared0.891004 Mean dependent var5000.000 Adjusted R-squared0.877380 S.D. dependent var2505.549 S.E. of regression877.3734 Akaike info criterion16.56860 Sum squared resid6158272. Schwarz criterion16.62912 Log likelihood-80.84299 F-statistic65.39721 Durbin-Watson stat1.099477 Prob(F-statistic)0.000040 从上面的回归结果可以看到，Y对X2的回归拟合最好，故选择该回归式为基本回归表达式。现在分别加入X1、X3、X4回归结果如下： 加入X1，有： Dependent Variable: Y Method: Least Squares Date: 12/14/03 Time: 21:21 Sample: 1 10 Included observations: 10 VariableCoefficientStd. Errort-StatisticProb. C3641.214817.19384.4557530.0030 X175.4584910.588697.1263260.0002 X2-1307.769121.3087-10.780500.0000 R-squared0.956605 Mean dependent var5000.000 Adjusted R-squared0.944206 S.D. dependent var2505.549 S.E. of regression591.8273 Akaike info criterion15.84763 Sum squared resid2451817. Schwarz criterion15.93841 Log likelihood-76.23816 F-statistic77.15446 Durbin-Watson stat1.809788 Prob(F-statistic)0.000017 可见，加入X1效果较好，这样回归式中就有X1、X2两个变量了。在此基础上继续加入其他变量。 加入X3，有： Dependent Variable: Y Method: Least Squares Date: 12/14/03 Time: 21:26 Sample: 1 10 Included observations: 10 VariableCoefficientStd. Errort-StatisticProb. C3993.580797.84105.0054840.0024 X1109.374725.406914.3049200.0051 X2-1181.338142.6370-8.2821300.0002 X3-647.0407446.8316-1.4480640.1978 R-squared0.967843 Mean dependent var5000.000 Adjusted R-squared0.951765 S.D. dependent var2505.549 S.E. of regression550.2815 Akaike info criterion15.74791 Sum squared resid1816859. Schwarz criterion15.86895 Log likelihood-74.73956 F-statistic60.19526 Durbin-Watson stat1.281362 Prob(F-statistic)0.000072 可以看出，加入了X3以后引起了多重共线性，故剔除。 现在加入X4，回归结果如下： Dependent Variable: Y Method: Least Squares Date: 12/14/03 Time: 21:29 Sample: 1 10 Included observations: 10 VariableCoefficientStd. Errort-StatisticProb. C4636.4821619.0772.8636580.0287 X199.5763235.195072.8292690.0300 X2-1674.283523.5131-3.1981670.0186 X4-2.2325263.095576-0.7211990.4979 R-squared0.960067 Mean dependent var5000.000 Adjusted R-squared0.940100 S.D. dependent var2505.549 S.E. of regression613.2195 Akaike info criterion15.96450 Sum squared resid2256229. Schwarz criterion16.08553 Log likelihood-75.82249 F-statistic48.08356 Durbin-Watson stat1.907328 Prob(F-statistic)0.000137 同样，X4引起多重共线性，故剔除。 故Y对X1、X2的回归拟合最好，回归表达式应为： Y=3641.214+75.45849X1－1307.769X2 其经济意义为，在其他条件不变时，店铺面积扩大1平方米，日均销售额大约会增加75.5元；店铺如果比现在地址再远离车站100米，日均销售额大约会减少1307.8元。 由于客户的资金有限，每天能负担的租金为700～800元，因此我们建议在离火车站100米处租赁面积为60平方米左右的店铺，租金大约为750元。这样客户能够获得既定条件下的最大收益。 以上就是我们的分析报告。

  • 北京市城镇居民消费函数模型_经济学毕业论文

    北京市城镇居民消费函数模型_经济学毕业论文 计量经济学案例分析 摘要：运用数理统计的R2p准则，简单、直观地确定了北京市城镇居民消费模型；并从计量经济学角度，结合消费函数的经济理论，通过对模型经济意义检验、统计检验、计量经济学检验以及模型预测检验等过程，对模型反复修正与改进，最终取得了与绝对收入假说下的消费模型相一致的北京市城镇居民消费模型。对所得模型进行预测检验，结果显示，计量经济模型较R2p所得模型更为合理、精确，对制定相关经济政策更具指导意义。 关键词：北京居民消费模型；R2p准则；序列相关性；异方差性；多重共线性；差分方程 北京市城镇居民消费函数模型 一切经济活动的目的是为了满足人们不断增长的消费需求。消费活动是经济活动的终点，也是经济活动的起点，是推动经济增长的真正的和持久的拉动动力。我国改革开放以来，整个社会经济发生了巨大变化，人们的消费理念。消费行为也发生了很大变化，因此，探讨、费希社会消费行为的规律，对制定宏观经济政策，打动经济增长具有十分重要的意义。 本文仅就北京市城镇居民这一消费群体，建立消费模型，从一个侧面来说明我国居民的消费行为。 1 模型变量的选择 经济社会中，影响消费的因素有很多，如：收入水平、收入分配情况、家庭财产状况、商品价格水平、消费者偏好等等。在我国，居民消费是在国内生产总值经过初次分配和再分配形成的，所以，国内生产总值是居民消费的一个影响因素。因此，居民消费支出的多少很大程度上取决于居民收入的状况，居民储蓄的增加也直接影响到消费支出，因此，北京市城镇的居民消费模型可以选择市城镇居民年人均可支配收入，年人均储蓄余额及是人均国内生产总值作为解释变量，以市城镇居民年人均消费支出作为被解释变量。 样本数据及其理论模型 以t代表年份，C代表北京市城镇居民年人均消费额，Y代表十年人均国内生产总值，I代表市城镇人均可支配收入，S代表市城镇居民年人均储蓄余额，表I列出了有关的统计数据：（注：由于EVIEWS软件默认值影响的缘故，故在图中分别用Y代表北京市城镇居民年人均消费额C，用X1代表十年人均国内生产总值Y，用X2代表市城镇人均可支配收入，用X3代表市城镇居民年人均储蓄余额S）： 表一 消费模型样本数据 元 年份t居民消费C国内生产总值Y可支配收入I储蓄余额S 1978359.861290365.4185.8 1979408.661391414.95204.71 1980490.441582501.36255.85 1981511.431558514.14295.31 1982534.821704561.05352.76 1983574.061977590.47450.81 1984666.752308693.7563.86 1985923.322704907.72720.82 19861067.3829551067.52895.65 19871147.633381181.871180.38 19881455.5541251436.971393.08 19891520.4144991787.082014.31 19901646.0548811787.082793.91 19911860.1757812040.433658.57 19922134.6668052363.684742.92 19932939.682403296.046824.33 19944134.12102654731.2410288 19955019.76130735868.3613638.04 19965729.45150446885.4818436.79 19976531.81167357813.1121439.47 利用以上样本观测值，分别做C与Y,I,S的散点图，（即Y与X1，X2，X3的散点图）： 可知C与Y,I,S间基本上服从线性关系，于是可得出该模型的理论方程 C=β0+β1Y+β2I+β3S+μ, (1) 其中，β1为待估参数，i=0,1,2,3;μ为随机变量，体现除主要解释变量Y,I,S外的多种因素的综合影响。 模型中参数的确定与检验 3.1 数理统计的方法——Rp准则 在（1）式模型中，所选解释变量对居民消费变量的影响是不一样的，应从模型中找出那些最主要的，而提出哪些影响不显著的因素，使得模型既能拟合又能“最佳 ”拟合统计数据 ，而衡量拟合程度，统计上常使用样本决定系数R2p. R2p =ESS/TSS=1-RSS/TSS (2) 其中，p表示（1）式中所含的解释变量个数，ESS为可解释平方和，RSS为残差平方和，TSS为总离差平方和。 R2p是P的增函数，当（1）式中包含了所有3个变量时，R2p最大，但其却不一定是最佳的，最佳准则是：模型（1）中所含解释变量尽可能的少，且不必再增加更多的解释变量，也就是说：若再增加一个解释变量，R2p的增量将很小；另外，在解释变量数相同的函数中，使R2p最大者为优。 式中，P 可能取值为0，1，2，3。现将其所对应的函数模型计算出8个R2p值，列于表2。 表2 模型所含 解释变量无YISY，IY，SI，SY，I，S P值01112223 R值00.995090.998690.977780.999070.996330.999330.99943 应用以上R2p准则，模型（1）之中从含有一个解释变量增加到含有两个解释变量时，R2p增量不大于0.00424，已非常小，所以P=1；在含一个变量的模型中，只含有可支配收入I变量的R2p最大，于是‘最佳’模型有如下形式： C=β0+β2I+μ, （3） 即（1）式中变量Y,S的影响不是主要的，主要影响因素只有北京市城镇居民可支配收入I。 利用EVIEWS软件，根据OLS估计模型，可得到模型I: C=128.302+0.828I, (4) (5.756) (117.346) R2=0.9986,F=13370 ,t0.01(18)=2.552,F0.01(1,18)=8.28. 括号中的值是对因参数的t值。可以看出，模型I的拟合优度很高，也能通过t检验与F检验。因此，当居民可支配收入增加1%时，居民的消费额将增加0.828%。 3.2 计量经济模型参数估计与检验 对北京市城镇居民消费的理论模型（1）式采用OLS法，可估计出其参数βi, I=0，1，2，3，但作为计量经济模型，能否客观解释经济现象中各种因素的关系，能否付诸使用，还必须通过对模型的四级检验：一是经济意义建言：即判断待估参数的符号，大小，相互关系是否合理，是否与经济理论中的预期值相符；二是统计学检验：包括拟合优度检验、t检验和F检验；三是计量经济学检验；需要进行随机五岔乡的序列相关性和异方差性检验、解释变量间的多重共线性检验等，以便检验模型计量经济学性质；四是预测检验：所建模型对样本某一时刻的预测与实际观测之间的误差应在合理范围之内，而不应有显著差异。如果模型能够通过全部四级检验，模型就可以被确定，并能被应用于实际工作中，否则就需要重新修正。 下面是对模型（1）式的检验过程： 首先，由OLS参数估计， Dependent Variable: Y Method: Least Squares Date: 12/11/03 Time: 13:04 Sample: 1978 1997 Included observations: 20 VariableCoefficientStd. Errort-StatisticProb. C-6.3253994363533.7795202741-0.1873146624050.853768664749 X10.05396088575290.03128353535991.724897302440.103806057641 X20.8579748350270.09191414770929.334524188177.09803771859e-08 X3-0.05104142028370.015858464609-3.218560027240.00536428763951 R-squared0.999433193491Mean dependent var1982.795 Adjusted R-squared0.999326917271S.D. dependent var1893.42487276 S.E. of regression49.122708126Akaike info criterion10.8033763454 Sum squared resid38608.6472581Schwarz criterion11.0025228002 Log likelihood-104.033763454F-statistic9404.04930908 Durbin-Watson stat2.37590050299Prob(F-statistic)0 得到模型Ⅱ： C= -6.325 + 0.05396Y + 0.858I –0.051S ， （5） （-0.187）（1.725） （9.335） （-3.219） R2=0.999，F=9404.05, DW=2.376, n=20, k=3. 查表可得：t0.01(16) = 2.583 , F0.01(3,16) = 5.29. 括号中的数字为t估计值，由统计检验知，常数项β0与变量Y的系数β1不能通过t检验，考虑从模型中去掉解释变量Y修正模型如下： C=β0‍+β2I+β3S+μ. (6) 再次估计，结果为 模型III：=21.508+0.9999I-0.0617S, (7)  R2=0.999,F=12636.7,DW=2.32,n=20,k=2,t0。01(17)=2.567,F0。01(2,17)=6.11. 对模型进行统计检验，只有常数项不能通过t检验，暂时先不处理。从经济意义上检验，参数β2在经济理论中表示边际消费倾向，其预期值在0，1之间，估计值=0.9999是符合理论预期值的。估计值=-0.0617,符号为负，表明居民储蓄额增加，会使居民消费额下降，这与实际生活情况不矛盾。模型Ⅲ可通过经济意义检验。 随机误差项μ的序列相关性检验：利用DW检验，样本容量n=20，解释变量个数k=2，可查得DW分布临界值dt=1.2,dw=1.41,从而(dw=1.41)(DW=2.32)(4-dw=2.59).说明模型不存在一阶自相关. 异方差性检验:模型的残差值=C-可被视为随机误差项μ的近似估计值。利用（7）式作出残差平方和与解释变量I与S的散点图，（即X2与X3的散点图） 从图形类型即可判断该模型无异方差性。 模型共线性检验：居民可支配收入I与居民储蓄余额S间存在相关关系的可能性不能被排除，可使用方差扩大因子VIF(I)=1/(1-RI2)来检验(RI为I关于S作回归的决定系数)。计算得DIF(I)=71.4310,可以认为I与S之间存在共线性关系。下面采用一阶差分法消除共线性。 记C=(Ct),I=(It),S=(St),ΔCt=Ct-Ct-1,ΔIt=IT-It-1,ΔSt=St-St-1,t=1978, 1979,…,1997。 将模型（6）式化为差分模型： ΔCt=β2˙ΔIt+β3˙ΔSt, (8) 进行估计，得如下结果： 模型Ⅳ Δ =0.885˙ΔIt-0.0275˙ΔSt， (9) (9.173) (-0.876) R2=0.978,F=369.279,t0.01(18)=2.552,F0.01(2,18)=6.01. （9）式中ΔSt的系数不能通过t检验,所以，将（6）式中储蓄额S变量剔除，得一新模型： C=β0+β2I (10) 估计结果为： 模型Ⅴ： =128.302+0.828I, (11) (5.756)(117.346) R2=.09986,F=13370,DW=1.194,t0.01（18）=2.552,F0.01(1,18)=8.28. 对模型Ⅴ的检验：因为模型Ⅴ与用Rp2准则所得模型I完全相同，统计意义同前；计量经济学检验：检验步骤、方法类似模型Ⅲ的检验，略去过程，得结论为，模型Ⅴ的随机误差项不存在自相关性和异方差性；经济意义检验：为边际消费倾向，0 =0.8281,符合经济理论预期值的要求。事实上，模型Ⅴ就是西方经济学中绝对收入假说下的消费函数模型，因此，模型是可行的。但若考虑到1989年前后，我国经济发生了很大变化，会影响居民消费行为，仍可将模型进一步改进。 1989年以前，我国经济处于低产出、低消费状态，市场上商品极为短缺，居民普遍消费不足。1989年以后，我国商品市场变卖方市场为买方市场，同时，人们的可支配收入也有很大幅度的提高，人们的消费行为已与从前有了很大的不同。所以，考虑将1978—1997年这20年，以1989年为界分为2个时期段：1978—1997年这11年为一段，1989—1997年为另一段，利用表1中样本观测值分段建模，经过前的一系列模型估计与检验，可得如下结果： 模型Ⅵ： =0.9993I1t, (12) (149.854) R2=0.999,F=22456.326,DW=2.183,t=1978,1978,…,1988. =186.525+0.816I2t, （13） (3.172) (75.04) R2=0.999,F=5632.27,DW=1.017,t=1989,1990,…,1997. 比较模型Ⅰ与Ⅵ，不同的建模方法会导致对同一问题有不同的模型形式，哪一模型更合理、更可靠，可通过下面的预测结果及误差来分析。 3.3 预测与分析 将Rp2所得模型I与计量经济模型Ⅵ，分别计算样本期内对北京城镇居民消费的预测值，并分别计算预测值的相对误差值，结果列于表3。 表3 消费函数模型预测结果 年份t预测相对误差 准则计量经济模型 1978-0.1943-0.00829 1979-0.1524-0.00828 1980-0.1057-0.01511 1981-0.0828-0.01738 1982-0.1034-0.0417 1983-0.0731-0.02139 1984-0.0518-0.03314 19850.04780.02378 19860.05170.00687 19870.0345-0.02265 19880.09560.01968 1989-0.049-0.088 19900.02130.00077 19910.02080.00465 19920.02080.00907 19930.02490.0216 19940.01870.02102 19950.00550.0089 1996-0.0145-0.0132 1997-0.0084-0.0046 从表3中看出，用计量经济模型进行预测，误差都比较小，最大为1989年的8%，用Rp2准则的模型，预测误差普遍不如计量经济模型好，尤其1980年前后，误差偏大，最大为19.43%。模型Ⅰ和模型Ⅵ均表明消费函数主要受居民可支配收入影响，但模型Ⅵ更符合实际。1989年以前，边际消费倾向为0.993，而1989年以后居民可支配收入大幅度提高，消费额也迅速增长，但边际消费倾向却降为0.816。这表明，北京市城镇居民的消费在居民的可支配收入中所占比例有所下降，这一现象是遵从凯恩斯的边际消费倾向递减规律的，所以，有关西方经济学中的相关理论，在我国制定经济政策时是可以借鉴的。 4 结束语 从以上分析过程看到，用统计方法建立的消费函数模型简单、便捷，但只能从量的方面进行估计、预测，难以揭示深刻的经济内涵。而计量经济模型，结合特定的历史时期，以特殊的国情为背景，引用经济理论作指导和检验，综合运用经济学、统计学、计算机等各种工具和方法，对模型不断修正和改进，最终得出与经济理论相一致的模型，可为国家制定相关经济政策提供一种理论依据，这种模型是单靠数学知识或某一门单科知识建立的模型所不能相比的，因此，数学只有与经济理论或其他学科广泛地、有机地相结合，才能发挥更大的作用。

  • 房地产影响因素分析_经济学毕业论文范文

    房地产影响因素分析_经济学毕业论文范文 房地产影响因素分析 （背景）2002年以来，我国商品房销售额大幅攀升带动了房地产开发和城市基础设施投资的新一轮高速增长。通过产业链的传递，进而又拉动钢材、有色金属、建材、石化等生产资料价格的快速上涨，刺激这些生产资料部门产能投资的成倍扩张，最后导致全社会固定资产投资规模过大、增速过快情况的出现。房价过快上涨在推动投资增长过快的同时，已经成为抑制消费的重要因素。 房地产价格本身呈自然上涨趋势，房价中长期趋势总是看涨。随着我国经济发展，居民可支配收入提高，民间资金雄厚，大量资金需要寻找投资渠道，而股票市场等投资渠道目前又处于低迷状态，这是房地产投资需求不断扩大的经济背景。强劲的CPI上涨说明当前的房价上涨并非孤立，是有其宏观经济背景的。宏观调控能否有效防止局部行业过热出现反弹，其中的关键就是要继续加强和完善对房地产业的调控。 （引言）国际上关于房地产有一种普遍的观点：人均收入超过1000美元，房地产市场呈现高速发展阶段。欧美等发达国家基本都经历了这样一个阶段。我们这篇论文，主要探讨房地产影响因素分析，主要从人均收入对房地产长期发展的影响阐述。 年份 X1 X2 X3 Y 19902551.7361510.16222704.3319 19911111.2361700.6233.3786.1935 1992590.59982026.6253.4994.6555 19932897.0192577.4294.21291.456 19943532.4713496.2367.81408.639 19953983.0814282.95429.61590.863 19964071.1814838.9467.41806.399 19973527.5365160.3481.91997.161 19982966.0575425.14792062.569 19992818.8055854472.82052.6 20002674.2646279.98476.62111.617 20012830.6886859.6479.92169.719 20022906.167702.8475.12250.177 20033011.4248472.2479.42359.499 20043441.629421.6495.22713.878 X1=建材成本（元/平方米 ） X2=居民人均收入（元） X3=物价指数 Y=房地产价格（元/平方米） 初定模型：Y=c+a1*x1 +a2*x2 +a3*x3+et Dependent Variable: Y Method: Least Squares Date: 06/05/05 Time: 23:04 Sample: 1990 2004 Included observations: 15 VariableCoefficientStd. Errort-StatisticProb. X32.5375780.5904224.2979080.0013 X20.1464950.0209686.9865680.0000 X1-0.0180160.035019-0.5144470.6171 C33.20929118.27470.2807810.7841 R-squared0.983094 Mean dependent var1753.317 Adjusted R-squared0.978483 S.D. dependent var600.9536 S.E. of regression88.15143 Akaike info criterion12.01917 Sum squared resid85477.42 Schwarz criterion12.20798 Log likelihood-86.14376 F-statistic213.2186 Durbin-Watson stat1.504263 Prob(F-statistic)0.000000 一：多元线性回归 Dependent Variable: Y Method: Least Squares Date: 06/05/05 Time: 23:05 Sample: 1990 2004 Included observations: 15 VariableCoefficientStd. Errort-StatisticProb. X10.3360100.1510842.2239990.0445 C792.0169453.44601.7466620.1043 R-squared0.275612 Mean dependent var1753.317 Adjusted R-squared0.219889 S.D. dependent var600.9536 S.E. of regression530.7855 Akaike info criterion15.51016 Sum squared resid3662533. Schwarz criterion15.60457 Log likelihood-114.3262 F-statistic4.946171 Durbin-Watson stat0.275870 Prob(F-statistic)0.044490 Dependent Variable: Y Method: Least Squares Date: 06/05/05 Time: 23:09 Sample: 1990 2004 Included observations: 15 VariableCoefficientStd. Errort-StatisticProb. X35.5017790.52507510.478090.0000 C-486.8605220.1227-2.2117690.0455 R-squared0.894128 Mean dependent var1753.317 Adjusted R-squared0.885984 S.D. dependent var600.9536 S.E. of regression202.9191 Akaike info criterion13.58706 Sum squared resid535290.2 Schwarz criterion13.68146 Log likelihood-99.90293 F-statistic109.7903 Durbin-Watson stat0.440527 Prob(F-statistic)0.000000 Dependent Variable: Y Method: Least Squares Date: 06/05/05 Time: 23:10 Sample: 1990 2004 Included observations: 15 VariableCoefficientStd. Errort-StatisticProb. X20.2363470.01587914.884170.0000 C561.997588.563336.3457130.0000 R-squared0.944572 Mean dependent var1753.317 Adjusted R-squared0.940308 S.D. dependent var600.9536 S.E. of regression146.8243 Akaike info criterion12.93992 Sum squared resid280245.9 Schwarz criterion13.03432 Log likelihood-95.04937 F-statistic221.5384 Durbin-Watson stat0.475648 Prob(F-statistic)0.000000 Dependent Variable: Y Method: Least Squares Date: 06/07/05 Time: 21:42 Sample: 1990 2004 Included observations: 15 VariableCoefficientStd. Errort-StatisticProb. X32.3558330.4583405.1399230.0002 X20.1500860.0191577.8347140.0000 C37.56794114.29910.3286810.7481 R-squared0.982687 Mean dependent var1753.317 Adjusted R-squared0.979802 S.D. dependent var600.9536 S.E. of regression85.40783 Akaike info criterion11.90961 Sum squared resid87533.98 Schwarz criterion12.05122 Log likelihood-86.32207 F-statistic340.5649 Durbin-Watson stat1.408298 Prob(F-statistic)0.000000 得到结果发现，ｘ１的系数小，然后对ｙ与ｘ１回归可决系数小，相关性差，剔出这个因素。因为价格更多取决于供需关系。 修正之后为：Y＝c+a2*x2+a3*x3＋et 二：多重线性分析：三个表如上： X2 与X3 存在多重共线性， 1.000000 0.876073 0.876073 1.000000 Dependent Variable: Y Method: Least Squares Date: 06/05/05 Time: 23:09 Sample: 1990 2004 Included observations: 15 VariableCoefficientStd. Errort-StatisticProb. X35.5017790.52507510.478090.0000 C-486.8605220.1227-2.2117690.0455 R-squared0.894128 Mean dependent var1753.317 Adjusted R-squared0.885984 S.D. dependent var600.9536 S.E. of regression202.9191 Akaike info criterion13.58706 Sum squared resid535290.2 Schwarz criterion13.68146 Log likelihood-99.90293 F-statistic109.7903 Durbin-Watson stat0.440527 Prob(F-statistic)0.000000 Sample: 1990 2004 Included observations: 15 VariableCoefficientStd. Errort-StatisticProb. X20.2363470.01587914.884170.0000 C561.997588.563336.3457130.0000 R-squared0.944572 Mean dependent var1753.317 Adjusted R-squared0.940308 S.D. dependent var600.9536 S.E. of regression146.8243 Akaike info criterion12.93992 Sum squared resid280245.9 Schwarz criterion13.03432 Log likelihood-95.04937 F-statistic221.5384 Durbin-Watson stat0.475648 Prob(F-statistic)0.000000 由于引入物价指数改善小，所以模型仅一步改进为：Y＝c+a2*x2＋et 三：异方差检验： ARCH Test: F-statistic1.315031 Probability0.335173 Obs*R-squared3.963227 Probability0.265462 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 06/05/05 Time: 23:46 Sample(adjusted): 1993 2004 Included observations: 12 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. C22737.9410296.612.2082950.0582 RESID^2(-1)0.2419520.3831440.6314930.5453 RESID^2(-2)-0.3277690.404787-0.8097340.4415 RESID^2(-3)-0.2737200.378355-0.7234490.4900 R-squared0.330269 Mean dependent var16705.23 Adjusted R-squared0.079120 S.D. dependent var18205.33 S.E. of regression17470.29 Akaike info criterion22.63559 Sum squared resid2.44E+09 Schwarz criterion22.79723 Log likelihood-131.8136 F-statistic1.315031 Durbin-Watson stat1.842435 Prob(F-statistic)0.335173 ＡＲＣＨ＝３．９６３＜临界值７．８１４７３ 所以无异方差 White Heteroskedasticity Test: F-statistic0.159291 Probability0.854522 Obs*R-squared0.387928 Probability0.823687 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 06/05/05 Time: 23:46 Sample: 1990 2004 Included observations: 15 VariableCoefficientStd. Errort-StatisticProb. C31063.2822612.201.3737400.1946 X2-5.0557549.640127-0.5244490.6095 X2^20.0004210.0009070.4646050.6505 R-squared0.025862 Mean dependent var18683.06 Adjusted R-squared-0.136494 S.D. dependent var18673.13 S.E. of regression19906.77 Akaike info criterion22.81236 Sum squared resid4.76E+09 Schwarz criterion22.95397 Log likelihood-168.0927 F-statistic0.159291 Durbin-Watson stat1.357657 Prob(F-statistic)0.854522 ＷＨＩＴＥ＝０．３８７９＜临界值７．８１４７３ 无异方差。 四：自相关分析： ＤＷ＝０．４７５６ 查表的ｄｌ＝１．０７７　　ｄｕ＝１．３６１ 存在自相关 广义差分法修正：ρ＝１－０．４７５６／２＝０．７６２２ Dependent Variable: DY Method: Least Squares Date: 06/06/05 Time: 00:18 Sample(adjusted): 1991 2004 Included observations: 14 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. DX20.1820860.0349185.2146550.0002 C236.558963.273883.7386500.0028 R-squared0.693820 Mean dependent var544.1620 Adjusted R-squared0.668305 S.D. dependent var148.7133 S.E. of regression85.64840 Akaike info criterion11.86994 Sum squared resid88027.77 Schwarz criterion11.96124 Log likelihood-81.08959 F-statistic27.19263 Durbin-Watson stat1.584278 Prob(F-statistic)0.000217 得出：回归后可决系数降低，考虑其他方法。 1．迭代法：表： 发现可决系数提高，Ｆ统计量提高，ＤＷ＝１．５５４７〉１．３６１ 已经无自相关。 结论：Y－bY（－１）＝ｃ*（１－ｂ）＋a2*（x2－b*x2（－１））+et 由下表的b=0.681 C=561.9975 a2=0.236347 179.2772 Y*= Y－0.681Y（－１） X*= x2－0.681*x2（－１） Y*=179.2272 +0.2363X*+et Method: Least Squares Date: 06/07/05 Time: 20:57 Sample(adjusted): 1991 2004 Included observations: 14 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. E20.6805090.1776963.8296240.0024 C11.6877324.888250.4696080.6471 R-squared0.549989 Mean dependent var15.32764 Adjusted R-squared0.512488 S.D. dependent var133.2751 S.E. of regression93.05539 Akaike info criterion12.03583 Sum squared resid103911.7 Schwarz criterion12.12712 Log likelihood-82.25081 F-statistic14.66602 Durbin-Watson stat1.313042 Prob(F-statistic)0.002397 2．改进模型方程（对数法，然后用迭代法）：Lｙ－ｂLｙ（－１）＝　ｃ＊（１－ｂ）＋ａ２＊（Lｘ２－ｂ＊Lｘ２（－１） 可决系数很高，F统计量相对1中也有提高，DW=1.811.361 无自相关。 Dependent Variable: LY Method: Least Squares Date: 06/06/05 Time: 10:24 Sample(adjusted): 1991 2004 Included observations: 14 after adjusting endpoints Convergence achieved after 7 iterations VariableCoefficientStd. Errort-StatisticProb. LX20.5862030.1002435.8477990.0001 C2.5258100.8823502.8625940.0154 AR(1)0.5671440.2204572.5725890.0259 R-squared0.980054 Mean dependent var7.460096 Adjusted R-squared0.976428 S.D. dependent var0.351331 S.E. of regression0.053941 Akaike info criterion-2.814442 Sum squared resid0.032006 Schwarz criterion-2.677501 Log likelihood22.70109 F-statistic270.2458 Durbin-Watson stat1.810100 Prob(F-statistic)0.000000 Inverted AR Roots .57 Dependent Variable: E1 Method: Least Squares Date: 06/07/05 Time: 21:00 Sample(adjusted): 1991 2004 Included observations: 14 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. E20.5017840.2195612.2853940.0413 C0.0066390.0150690.4406000.6673 R-squared0.303258 Mean dependent var0.007495 Adjusted R-squared0.245197 S.D. dependent var0.064877 S.E. of regression0.056365 Akaike info criterion-2.782368 Sum squared resid0.038124 Schwarz criterion-2.691074 Log likelihood21.47658 F-statistic5.223026 Durbin-Watson stat1.517853 Prob(F-statistic)0.041274 用1，2两种修正，两种效果都很好，都消除了自相关，相比较2更好。 所以，方程：b=0.502 Y*= Lｙ－o.502*Lｙ（－１） X*= Lx2－0.502*Lx2（－１） Y*=1.2579+0.5862X*+et 以上就是通过分析和检验得到的回归方程。所以，人均收入水平的高低在一定程度上影响房地产价格。当前的房地产价格增长背后收入是不可忽略的因素。 资料来源：中经网，国家统计局网站，

  • 发展中国家货币需求模型 ____中国当前货币需求因素分析_经济学毕业论文范文

    发展中国家货币需求模型 ____中国当前货币需求因素分析_经济学毕业论文范文 发展中国家货币需求模型 ____中国当前货币需求因素分析 内容摘要:本文麦金农的金融抑制理论为基础,结合中国当前经济金融实际,分析中国货币需求的各项因素.在本文的模型中,我们引入了国民收入,实际存款利率和投资这三个变量,分析货币需求和这三者之间的关系.在此基础上,我们加入通货膨胀因素对各变量的影响,从而更加准确地度量各解释变量对被解释变量的影响程度. 关键词: 金融抑制理论，实际货币需求,实际投资额，协整 一. 经济理论阐述 在众多的货币需求理论中,麦金农提出了一个和发展中国家货币需求相关的理论,即是发展中国家的金融抑制理论.所谓金融抑制,是指在市场机制的作用没有得到充分发挥的发展中国家存在的过多金融管制,利率限制,信贷配额,金融资产单调等现象.在该理论中,麦金农提出,金融抑制战略对经济发展和经济成长有负效应,而这四个负效应分别为:负收入效应;负储蓄效应;负投资效应;负就业效应.由于存在这些负效应,使得许多发展中国家的资本市场欠缺,信用工具单一.在内源融资的约束下,经济单位必须先进行一定数量的货币积累,才能进行投资.如果投资的意愿越强,对货币的积累需求越大,而货币积累量越多,实质资本的形成就越快,实质投资率就越高.所以,在全部投资是通过内源融资进行的情况下,平均现金余额持有量同投资(储蓄)倾向正向相关.这样,货币与实质资本在相当范围内是同方向增减的.它们是互相促进,互相补充的互补品,而不是相互替代的竞争品.这就使货币成为投资的一条渠道,资本积累就会通过这条渠道而产生.于是货币需求增加,会同时有实质资本形成率的提高.这个过程被称为渠道效应 .基于上述观点，麦金农认为，需要有新的理论来为发展中国家服务。 结合我国近年来的货币需求与供给的实际情况和经济形势的发展,我们认为麦金农的金融抑制理论能够较好地解释我国货币需求状况,为我们建立我国货币需求模型提供了理论基础. 麦金农的发展中国家的货币需求理论认为，在发展中国家里,货币需求由以下几个因素构成:实际国民生产总值Y,实际投资I,实际存款利率D- R* (D为名义利率, R*为物价预期变动率),货币需求函数(M/P)=L(Y,I/Y,D-R*) 。 需要说明的变量主要是投资占国民生产总值的比重和存款利率。 一.I/Y说明投资占国民生产总值比与实际货币需求是正相关的.因为在相对落后的发展中国家,大都是”分割”经济,即企业,政府机构和生产单位相互隔绝.在这种情况下,土地,劳动力等资本品要素不存在统一的共同价格,各部门也难以获得同等水平的生产技术.由于资本市场极为落后,间接金融机构的机能也比较软弱,市场在融资领域发挥的作用非常有限.因此,众多的小企业要进行投资和技术改革,只有通过内源融资,即依靠自身积累货币的办法来解决.在投资不可细分的情况下,投资者在投资前必须积累很大一部分货币,计划投资规模越大,所需积累的实际货币余额就越多,因此,I/Y对货币需求不仅影响很大,而且是正相关的关系. 二. 以货币存款形态持有收入的实际收益.这是因为发展中国家大多存在通货膨胀的情况.因此, （D-R*）对货币需求的影响也是正相关的,如果（D-R*）为正,就会引致实际现金积累不断增加,企业自源融资条件下的资本形成机会也会增多.但是如果货币的实际收益率超过某一限度,许多人就会以现金的形式保有货币,而不愿将其转化为投资或实际资本,因此投资率会下降,而实际货币余额M/P大量地迅速地增长,会有助于投资和总产出的迅速增长,但是发展中国家,由于金融压制,M/P的增长很有限. 由以上分析可以看出,麦金农的发展中国家的货币需求理论指出:收入,投资,利率,通货膨胀率对货币需求函数都有一定的影响。 二. 理论模型的设定 根据以上的经济理论的分析，在设立模型时将国民收入,实际投资占国民收入的比重和实际存款利率作为决定货币需求总量的解释变量.由于三个变量之间数量级存在差异,若直接回归会存在一些潜在问题,为了回避这一 问题,本文在设定模型时采用了对数模型,此外,双对数模型中,各解释变量的参数即为弹性,具有良好的经济解释意义. 先假定不存在通货膨胀的影响，模型设定如下: ln(Ｍ)=β0+β1lnＹ+β2(I/Y) +β3R + ui 其中, M— 货币需求量 P— 一般物价水平(改良模型中将会用到) Y— 国内生产总值 I/Y--- 名义投资额占国内生产总值的比重 R--- 名义存款利率 ui--随机扰动项 β0、β1、β2、β3--参数 注: 用投资占国民生产总值的比重这一相对数来反映投资额对货币需求的影响，加上对数的作用，更好的表示了投资对货币需求的弹性。 存款利率采用百分比,一方面可以避免对数取负,另一方面,可以用数学推导证明这种代入并不影响参数的意义, β3仍然表示存款利率对货币需求的弹性. 三. 数据来源及搜集处理方法 1 .货币需求量M数据的搜集： M用广义货币供应量M2代替，因为货币的供给主要是由中央银行来进行，而货币的需求则取决于流动性偏好，尤其是投机动机。由于流动性偏好是一种心理活动，难以操纵和控制，货币需求也就难以预测和控制，需要变动的是货币供应量。这种替代具有一定的合理性. M= M2= M1+M0. M0=现金流通量， M1= M0+银行活期存款， M2= M1+储蓄存款+定期存款。 广义货币的供给量可以从《中国金融统计年鉴》中查得，但是由于统计项目的调整，只能直接得到广义货币供给量1986-2001年的数据。对于1981-1985年的广义货币供给量通过试算方法得到. 根据1986年的《中国金融统计年鉴》，用M2=各项存款总额-财政存款+现金流通量，试算出各年的广义货币供给量，将此试算值与以后年度的《中国金融统计年鉴》给出的M2值进行核对，发现两者是一致的。因此，可将以前年度的广义货币的试算值应用到模型中，这样就得到了M2的全部数据。 2.一般物价水平数据的搜集 由于物价预期变动率不是实际指标，而是管理当局或公众的预期变量，因此它对因变量的影响程度很难精确度量。在此，我们选用实际物价指数代替预期物价变动率的作用。又由于商品零售物价指数最能够代表一般物价水平,因此,采用历年的环比商品零售物价指数作为一般物价水平的代表. 3.国民生产总值数据的搜集 对于国民生产总值的数据，用各年GDP表示，1982--2002年间的GDP数据可以从《中国统计年鉴》中直接得到. 4.投资占国民生产总值的比重数据的搜集 关于投资额的数据，可以从国家统计局的《全国年度统计公报》中得到，然后用这一名义投资总额除以国民生产总值，得到了名义比重；再用这个名义比重除以通货膨胀率得到实际的投资额占国民生产总值的比重。 5.利率数据的搜集 麦金农的货币需求理论中,采用存款利率来衡量利率水平对货币需求量的影响.在此,我们选用一年期定期存款利率为名义利率,在此基础上减去通货膨胀率,得到实际存款利率. 6.通货膨胀率和物价预期变动率数据的搜集 由于模型中其他变量,如实际国民生产总值,实际投资额也要用到物价水平的数据,而环比物价指数更符合麦金农的理论要求,因此我们选用历年的环比物价指数作为基数,便于和其他解释变量建立一致的标准.在此基础上减1,得到通货膨胀率. 由于物价预期变动率不是实际指标，而是管理当局或公众的预期变量，因此它对因变量的影响程度很难精确度量。在此，我们选用实际的通货膨胀率来代替物价预期变动率. 数据来源：《中国金融年鉴》、《中国统计年鉴》、《全国年度统计公报》,中国经济信息网 这样,模型所需变量的数据都搜集齐了.下面就利用Eviews进行模拟. 四.参数估计. 原始数据: 年份MYIRP 19822589.842478455.76107.8 1983307546739526.84102 19844146.3548511607.2106.8 19855198.9778024758.64122.5 198667219380296711.34106.1 19878349.710920351811.34114.4 198810099.613853431410.08128.1 198911949.61567740008.64125.4 199015293.71740044517.56101.6 199119439.91958052797.56103 199225402.12393875829.18107.3 19933150131380118299.18120.1 199446923.5438061592610.98118.2 19956075057733194459.18112.4 199676094.967795236607.47107.7 199790995.374772253005.67103.3 1998104498.579553284575.2299.3 1999119897.982054298704.7799.3 2000134610.389404326193.78102.8 2001158301.995933368982.2597.8 2002185007102398435331.98101.2 准备工作：由于这些数据都是时间序列数据，因此有必要对它们进行平稳性检验,观察能否用其来进行建模。 做单位根检验得结果如下： 变量检验类型(c, t, q)ADF检验5％临界值DW LnM(1,0,1)-1.888-3.02941.945 LnY(1,0,1)-2.008-3.02941.810 I/Y(1,0,0)-1.410-3.01991.639 R(0,0,1)-0.901-1.96021.987 注：检验类型中的c,t,q分别表示带有常数项、趋势项和所采用的滞后阶数。 从这个表可以看出，4个变量的ADF值都大于5%显著性水平下的临界值,因此不能拒绝H0, 所以认为数据是非平稳的，有必要进一步作协整检验。但由于协整检验是针对残差的,因此有必要先对数据进行回归得到残差,然后再对残差进行协整检验. 在此之前先对数据进行回归。定义变量 LM=logM, LGDP=logGDP, IY=I/Y. 进行最小二乘估计,便可得到以下显示的结果. LM = -2.0317 + 1.1986×LGDP + 0.8098×IY - 0.0344×R t=-7.36 32.72 1.42 -4.29 R2＝0.997 DW＝1.647 临界值t0.025（17）＝2.11，因此可知C,LGDP的系数和R的系数是显著的,而I/Y的系数不显著。 考虑到实际经济意义，投资对货币需求量的影响作用应该有一定时滞效应，因此我们分别选用投资对国民生产总值滞后1，2，3期的方式进行回归,结果发现滞后3期效果较好。 选用logM,logGDP,I/Y(-3) 和R进行回归得到如下结果: LM = -2.1444+ 1.2768*LGDP ＋1.2520*IY(-3) - 0.0415*R T＝ -5.82 36.30 2.40 -4.28 R2＝0.997 DW＝1.219 F＝1546.242 在这里，由于自变量滞后了3期，损失了3个自由度，所以t分布的自由度应该是17-3=14，查表得T0.025（14）＝2.093。这样，截距项以及3个解释变量的系数的绝对值都大于T的临界值,应拒绝原假设，认为各个自变量对因变量的影响是显著的。 接着上面的讨论，我们进行协整检验，残差e的平稳性检验。检验结果为： e＝-0.7533e（-1） ADF＝-3.43 临界值（5％）：-1.96 DW＝1.62 由于ADF值为 -3.43-1.96 ,表明残差是平稳的，所以上述变量之间有协整关系，数据可以用来建模。 下面进行模型的各个步骤的检验： 1 .经济学检验 从模拟的结果可以看出logY的系数为正，(I/Y)的系数也为正，而R的系数为负。这正好与经济理论当中,收入和投资额与货币需求成正方向变化,而利率与货币需求成反方向变化的规律相一致.由此可见,从经济意义的角度来看,模型是合理的。 2. 统计检验(α=0.05) 从模拟的结果来看, logY的t值为36.30，I/Y的t值为-2.40，而t的临界值为2.093, 因此,拒绝解释变量对应变量没有显著影响的原假设,而接受备择假设.说明收入,投资和利率对货币需求有显著的影响作用。且F值为1546.242，而F的临界值为3.52.表明拒绝原假设,接受备择假设,即表明回归方程显著. 以下进行计量经济学检验: 1. 多重共线性检验 利用OLS的结果可以看出,可决系数为0.997,F值1546.242显著大于给定显著性水平下的临界值,同时各个变量对应的偏回归系数的T值也是显著的,因此可以认为变量之间不存在多重共线性. 2.异方差检验: 由于只有21个样本,而且为时间序列数据,因此主要采取ARCH检验来检验异方差的存在与否. 选用残差平方滞后2阶: ARCH Test: F-statistic Obs*R-squared0.949883 2.040050Probability Probability0.412064 0.360586 从表中可以看出, Obs*R-squared=2.040050=5.991,所以应接受H0, 认为模型的随机误差项不存在异方差. 与此同时，进行怀特检验（含交叉项）的结果为： White Heteroskedasticity Test: F-statistic2.327701 Probability0.124138 Obs*R-squared13.02579 Probability0.161443 统计量均小于临界值，接受原假设，表明残差与解释变量不存在显著的线性关系，可认为残差序列不存在异方差。 3 .自相关检验 沿用上面的回归结果 LM = -2.1444+ 1.2768*LGDP ＋1.2520*IY(-3) - 0.0415*R t＝ -5.82 36.30 -2.40 -4.28 R2＝0.997 DW＝1.219 F＝1546.242 模型结果显示DW值为1.219,而通过查表得到dL的值为0.933,du的值为1.696.DW的值正好落在无决定区域,. 为了进一步确定究竟随机误差ut 是否存在自相关,可以借助图示法: 从该图中可以看出残差et 的分布很分散,没有线性关系,因此认为随机误差项不存在自相关. 通过以上的回归及检验,就可得到以下回归方程: LOG(M) = -2.1444+ 1.2768*LOG(GDP) ＋1.2520*I/Y(-3) - 0.0415*R 五.模型的改良 以上是基于没有考虑通货膨胀因素,而获得的名义数据的回归模型,以下将引入通货膨胀因素,进行第二次回归. 改良模型设定如下: ln(Ｍ/P)=β0+β1ln(Ｙ/P)+β2(I/YP)+ β3(R)+ui， 其中 P=为环比的商品零售物价指数. 需要说明的是,由名义存款利率减去通货膨胀率计算出来的实际存款利率在有些年份为负,不符合经济意义.因此,在该改良的模型中仍然使用一年期定期存款的名义利率指标. 同样，借助原模型即可得知该时间序列数据是非平稳的。首先定义变量,LMP=log(M/P) LYP=log(Y/P) IYP=I/YP 对各项数据进行OLS回归,结果如下: LMP = -1.1721 + 1.1770*LYP + 127.3304*IYP - 0.0244*R T＝-9.45 35.86 2.35 -3.66 R2＝0.998 DW＝1.159 F＝2828.846 从该回归结果可以看到,log(Y/P)和(I/YP)的系数都为正,同时R的系数为负,表明实际国民生产总值以及实际投资额占国民生产总值的比重与实际货币需求呈正向变动关系，而利率与实际货币需求呈反向变动关系，符合经济意义. 查表得T0.025(17)=2.110，F0.05(3,17)=3.20，因为各个解释变量和截距项系数的T值绝对值都大于T的临界值,是显著的，同时F值也远大于F临界值,所以可以认为该模型通过了统计检验. 接着进行协整检验（残差e1的单位根检验），得结果如下： e1＝-0.7661e1（-1） ADF＝-3.48 临界值（5％）：-1.96 DW＝1.91 表明残差是平稳的，所以上述变量之间有协整关系，数据可以用来建模。 下面进行计量经济学检验 1. 多重共线性检验 利用回归结果可以看出，F值和T值都显著大于各自的临界值，因此可以认为自变量之间不存在多重共线性。 异方差检验 ARCH Test: F-statistic0.138511Probability0.714111 Obs*R-squared0.152726Probability0.695944 查表得 临界值 , 由于 Obs*R-squared=0.1527263.841，不应拒绝H0，所以认为模型中不存在异方差。 与此同时，进行怀特检验（含交叉项）的结果为： White Heteroskedasticity Test: F-statistic0.308170 Probability0.956061 Obs*R-squared4.228705 Probability0.895725 统计量均小于临界值，接受原假设，表明残差与解释变量不存在显著的线性关系，可认为残差序列不存在异方差。 自相关检验 利用上面已经得到的回归结果： LMP = -1.1721 + 1.1770*LYP + 127.3304*IYP - 0.0244*R t＝-9.45 35.86 2.35 -3.66 R2＝0.998 DW＝1.159 F＝2828.846 可以得知 DW值为1.159,查表得 临界值dL=1.026，dU=1.669，所以DW值落在无决定区域，因此有必要进一步考察随机误差是否自相关。 通过绘制残差分布图，可以很直观清楚地验证出ut不存在自相关。 经过上述各步的回归和修正,得到加入实际数据的回归方程: LMP = -1.1721 + 1.1770*LYP + 127.3304*IYP - 0.0244*R T＝-9.45 35.86 2.35 -3.66 R2＝0.998 DW＝1.159 F＝2828.846 比较两次回归结果，会发现加入了物价水平因素影响的模型，即改良模型具有更高的拟合优度，拟合效果更好。而且也更具有经济意义上的说服力。 六、经济现象浅析 从我国近年来经济发展形势来看,货币需求量与供应量关系的均衡运动是个不断变化,由不均衡到均衡,再到不均衡的循环过程.在此过程中,结合我国实际情况,我们会发现,国民收入,利率和投资确实是对货币需求量的最重要影响因素.这几个变量不断相互作用,引起我国货币市场的供求变化.从经济形势的纵向发展来看,随着改革开放以来经济的蓬勃发展,我国的国民生产总值不断攀升,投资也欣欣向荣,促进了对货币供给增长的需求. 同时,存款利率成为央行调节货币供需的工具,当经济出现过热的倾向时,央行会提高存贷款利率,吸纳市场上多余的货币量,以此抵消物价水平上升带来的负面影响.相反,当经济出现紧缩势头时,央行调低存贷款利率,刺激市场对货币的需求增长.总之,通过对存贷款率的调整,始终保持将实际存款利率维持在某个合适的水平,从而保证对货币供应量的合理把握.

  • 城市住房均衡价格供求关系模型_经济学毕业论文

    城市住房均衡价格供求关系模型_经济学毕业论文 城市住房均衡价格供求关系模型 【摘要】本文主要通过对同一时期各大中城市住房价格的变动进行多因素分析，建立以住房价格为应变量，以其它可量化主要影响因素为自变量的多元线性回归模型。本文分析了影响各个城市住房价格的基础因素和供求因素，旨在通过建立住宅价格的因素分析模型，为政府的有关政策制定以及各城市公众的买房预期提供一定的理论依据和建议。 【关键词】供求关系 房地产开发成本 检验 【Abstract】This essay mainly analyzes the variation of the housing price in different metropolises of the same period. Basing on multi-factors, we establish a multi-liner regression model, in which we define the housing price as a dependent variable, and other main quantified factors as independent ones. In order to establish this model, we analyze all the basic factors and supply-demand factors that affect the housing price. Meanwhile, we provide some theoretical argument and profession advice for government to make policies, and for customers predicting the price of houses. 一、建模的经济背景 一段时间以来，我国部分城市出现了房地产过热现象，尤其是和广大居民生活密切相关的商品住宅价格，出现了连续攀升的趋势。鉴于房地产业已经成为我国经济发展的支柱产业，房地产业的持续升温，已经引起中央政府和社会各方面的关注，成为媒体和公众热议的话题。网络、报纸等各种媒体上都出现了关于我国房地产是否存在泡沫的激烈论战。 房地产业缺乏理性的发展，会给一个国家、一个地区的经济带来严重的不利影响，这方面的实例已屡见不鲜。日本上世纪八十年代出现的房地产泡沫，使该国金融业形成了大量不良资产，日本经济也在其后的十几年中陷入了泥潭而难以自拔。我国香港、海南省、广西北海市等地方，在上世纪九十年代先后出现房地产泡沫，严重影响了这些地方经济的稳定发展。 但是我国各城市在自然、资源、经济等方面存在差异，很难单纯从价格高低上看一个城市的房地产是否有泡沫存在。因此研究城市房地产市场作用关系是很有必要的。而窥一斑而见全豹，通过建立住房价格的因素分析模型，量化城市因素对住房价格的影响，对研究城市房地产市场作用关系有一定指示作用。 二、关于模型的文献引述 《成都房价分析》 中国房地产市场已进入一个市场运作的时代，商品房自由交易活跃，不由受政府或单位来控制。这就决定了商品房的价格也将遵循着市场运作的机制，被供需关系所主导。 …… 由于房地产行业是国民经济的支柱产业，也是国民消费体系中的重要组成部分。房地产市场是否能良性发展，取决于整个经济环境的情况。当经济环境恶化时，总体消费市场也将萎缩，相应房地产供应也随即收减，整个市场呈现疲软，则房地产价格将严重下滑；当经济环境十分优越，消费市场旺盛，则供应也会同步增加，市场活跃，房地产价格仍将保持上涨趋势。…… …… 在卖方市场状态下，房地产的价格受开发成本的约束明显。包括土地成本、建筑成本、管理成本、财务成本等等。开发商在供应产品时，将根据各自的成本投入情况，来制定预期的效益目标，该目标将直接导致开发商的定价水平。成本上涨时，价格也将随之上涨，成本缩减时，价格同时减低。…… 《如何确定住房销售价格》刘洪玉 清华大学房地产研究所 ……物价变动导致货币价值变动而波及住宅价格，由于房地产具有保值性、增值性，一般物价上涨时住宅价格上扬幅度更大；工资及就业水平提高，居民收入增加，会促使住宅价格升高，反之则令住宅价格降低。…… 《从供求看抑制房价》长江日报 ……房地产价格的波动虽然受到众多复杂因素的影响，但这些因素最终必然通过影响房地产市场的供求关系来影响房地产价格。因而对于房价上涨的原因分析，在基于住房品质不变的前提下，仍然可以从供求关系的变化来寻求原因…… 《房地产经济学讲义》张红 清华大学出版社 ……人口状态是最主要的社会经济因素。人口因素对地价的影响与人口密度、人口素质和家庭人口构成密切相关。 人口增加，则人地比率增大，人口密度提高，从而对土地的需求上升，导致地价上涨…… 三、各城市住房的价格决定因素 住房是一种商品，其价格决定的基本因素是供求关系。 住房的需求价格是指在特定时间内消费者对一定数量的住房所愿意支付的最高价格。城市全部家庭对住房的需求表现在两个方面：一是获得住房或提高居住水平的愿望，二是实现该愿望的支付能力，两者综合起来就构成了住房的有效需求。本模型用人均住房面积和住房建成区面积来反映获得住房或提高居住条件的愿望。并且用城市人均储蓄余额和在岗职工平均工资来反映实现愿望的支付能力。 住房的供给价格是指在特定时间内，房商对一定数量的住房所愿意出售的最低价格。它的主要影响因素是住房开发成本。本模型用竣工住宅造价来表征供给水平。住宅造价包括了土地成本、建筑成本、管理成本以及财务成本。 但是，住房不仅是消费品，还是一种固定资产。因此住房的价格还受每个城市的基本因素的影响，例如一个城市的经济发展状况、人口因素和行政因素。 城市住房价格主要影响因素图 四、设定模型 Y=α+ β1X1+β2X2+β3X3+β4X4+β5X5+β6X6+β7X7+μ 其中： Y——各城市住宅均衡价格 X1——各城市人均GDP X2——各城市在岗职工平均工资 X3——各城市人均年底储蓄余额 X4——各城市建成区面积 X5——各城市竣工房屋单位面积造价 X6——各城市人均住房面积 X7——各城市市区人口密度 五、数据搜集 ㈠数据说明 通常来说，住房均衡价格的变动会受到以前的住房价格和人均收入等因素的影响，但是从统计年鉴来看，住房开发的相关数据只有95年及95年以后的数据。并且较早期的住房均衡价格直接查不大可能，我们用年销售完成额除以年实际销售面积得到的平均住房价格与各自变量的数据并不协整，因此我们只好采用截面数据进行拟合。 ㈡数据的搜集情况 采用1999年34个大中城市的截面数据，具体情况见附表一 六、模型的参数估计、检验及修正 ㈠参数估计 利用EVIEWS软件，用OLS方法估计得：（见附表二） Y=-566.6008+0.019048X1+0.094854X2+0.010584X3+0.836330X4+0.726411X5 t= (-1.731931) (1.112083) (1.685475) (0.936665) (1.533120) (3.049086) -9.631589X6+0.061995X7 (-0.410912) (1.356541) R2=0.915525 0.891872 F=38.70645 DW= 2.412372 从回归结果看，虽然修正后的可决系数0.891872比较高，但是在а=0.05的显著性水平上，X1、X2、X3、X4、X6、X7的t值不显著。 ㈡ 检验及修正 1.多重共线性检验及修正 下表为选取的七个解释变量的相关系数矩阵。 可以看出， X1与X2，X3与X6具有较强的相关性，而且X1与X3，X1与X6，X2与X3，X2与X5，X2与X6也存在一定的相关性，由此推断它们之间可能存在多重共线。从经济意义上讲，城市在岗职工平均工资与人均GDP密切相关，居民的储蓄存款也与其供房能力密切相关，进而与人均住房面积居要价高的相关性。同时岗职工平均工资与人均GDP这两个变量也与人均年底储蓄余额存在一定程度的联系。而竣工房屋单位面积造价又与人均GDP有一定关系。 X1X2X3X4X5X6X7 X1 1.000000 0.922900 0.735284 0.226926 0.698923 0.705137-0.134358 X2 0.922900 1.000000 0.819309 0.313736 0.758359 0.717909-0.092882 X3 0.735284 0.819309 1.000000 0.128667 0.569310 0.914860-0.141736 X4 0.226926 0.313736 0.128667 1.000000 0.472381 0.099517 0.010051 X5 0.698923 0.758359 0.569310 0.472381 1.000000 0.549064-0.118811 X6 0.705137 0.717909 0.914860 0.099517 0.549064 1.000000-0.269571 X7-0.134358-0.092882-0.141736 0.010051-0.118811-0.269571 1.000000 解释变量相关系数矩阵 而事实上，此模型的可决系数和修正可决系数都很大，且即使在0.01的显著性水平下，F值都显著地大于临界值，而变量X1、X2、X3、X4、X6、X7对应的偏回归系数的t值均不显著。可决系数和F值很大反映了上面七个变量对住房均衡价格的影响力显著，而t值小于临界值恰好反映了由于解释变量共线性的作用，使得不能分解出各个解释变量对住房价格的独立影响。这说明该模型确实存在严重的多重共线性。 鉴于此，我们运用逐步回归法（变量剔除法）进行修正。 首先我们对四个变量分别进行单变量线性回归，结果列在下表， 选用单变量R2变量t值Prob(F-statistic) X1：人均GDP0.76961310.339080.000000 X2：在岗职工平均工资0.86684814.433560.000000 X3：人均年底储蓄余额0.5506776.262450.000001 X4：建成区面积0.2727423.4642320.001534 X5：竣工房屋单位面积造价0.7001048.643130.000000 X6：人均住房面积0.4486205.0222120.000020 X7：市区人口密度0.0020960.2592490.797103 从上表看出在岗职工平均工资（X2）的可决系数最大（0.866848），可以较可靠地独立解释住宅均衡价格，因此选取X2作为逐步回归的基础。 下面逐步引入新变量： ①引入X1人均GDP，与X2在岗职工平均工资一起回归（附表三），结果如下： Y=-527.7187+0.006552X1+0.210851X2 t= (-2.371545) (0.364437) (4.782045) R2=0.867416 0.858863 F= 101.4074 DW= 2.061419 从上述回归方程可以看出，加入X1后，R2有提高，但是X1的t检验值只有0.364437，检验不显著，由此推断，X1与X2之间存在多重共线。因为人均GDP对住宅均衡价格作单变量回归时的可决系数比在岗职工平均工资对住宅均衡价格作单变量回归时的小，并且从经济意义上来看，在岗职工平均工资对住宅均衡价格的影响要大于人均GDP对住宅均衡价格的影响，因此我们保留在岗职工平均工资（X2），剔除人均GDP（X1）。 ②继续引入X3人均年底储蓄余额，回归结果（附表四）如下： Y= -567.3887+ 0.223641X2+ 0.000663X3 t= (-2.688031) (8.581874) (0.106692) R2= 0.866897 0.858310 F= 100.9514 DW= 2.095154 从上方程来看，加入X3后R2改善不显著，而且t检验没有通过，故剔除X3。 ③继续引入X4建成区面积，回归结果（附表五）如下： Y=-580.1932+0.211891X2+0.853544X4 t=(-3.632065) (12.50725) (1.821065) R2= 0.879716 0.871956 F=113.3617 DW= 2.226194 加入X4后，R2有所改善，虽然t检验未通过，但前面检验二者的相关系数为0.313736，不是很大，先予以保留。 ④引入X5竣工房屋单位面积，回归结果（附表六）如下： Y= -635.1552+ 0.175296X2+ 0.245166X4+ 0.506467X5 t= (-4.140703) (7.480209) (0.465331) (2.141789) R2= 0.895669 0.885236 F= 85.84889 DW= 2.456256 在X4、X2的基础上加入X5后， R2显著改善，X2、X5的t检验通过，但X4的t检验没有通过，推断X2、X4与X5之间出现多重共线。从经济角度看，竣工房屋单位面积造价属于供给变量，而在岗职工平均工资和建成区面积属于需求变量，因此保留X2，剔除X4。 ⑤将X5竣工房屋单位面积造价和X2在岗职工平均工资回归（附表七），结果如下： Y= -641.7612+ 0.173852X2+ 0.565792X5 t=(-4.255926) (-4.255926) (2.877503) R2= 0.894916 0.888136 F= 132.0011 DW= 2.477813 显然X5与X2的线性回归的F值大于X4与X2线性回归的F值，也大于X2、X4、X5线性回归的F值，进一步说明了剔除X4是正确的。 ⑥继续引入X6人均住房面积，回归结果（附表八）如下： Y= -765.0559+ 0.164028X2+ 0.783396X5+ 1.661278X6 t= (-4.600296) (6.055740) (3.565587) (0.143114) R2= 0.896600 0.885904 F=83.82171 DW= 2.678294 加入X6人均住房面积后，F值改善不显著，而且X6的t检验没有通过，因此剔除X6 ⑦继续引入X7市区人口密度，回归结果（附表九）如下： Y= -710.6519+ 0.174716X2+ 0.558235X5+ 0.038764X7 t= (-4.166557) (7.583029) (2.825720) (0.876250) R2= 0.897538 0.887292 F= 87.59759 DW= 2.372492 加入X7人口密度后，F检验改善不显著，同时X7的t检验没有通过，因此剔除X7。 小结：消除多重共线后，最终得到模型： Y= -641.7612+ 0.173852X2+ 0.565792X5 t=(-4.255926) (-4.255926) (2.877503) R2= 0.894916 0.888136 F= 132.0011 DW= 2.477813 经过逐步回归法修正，模型的可决系数及F值已经很大，通过了F检验，各参数的T检验也都已通过。 2.异方差检验（数据见附表十） 因为此模型采用的是截面数据，而且一共34个样本，符合white检验的大样本前提条件，故采用white检验。 从拟合数据看出，，拒绝原假设H0，接受备择假设H1，表明上述模型中随机误差项存在异方差。 下面采用加权最小二乘法（WLS），以普通线性回归得到的残差平方的倒数作为权重（见附表十一），修正后的方程如下： Y= -718.8840+0.179062X2+ 0.568132X5 t= (-48.52379) (66.62494) (12.05773) R2= 0.999997 0.999997 F= 36298.87 DW= 1.619101 从上看出，剔除异方差的影响后，方程的拟合优度和F值得到明显提高。 3.自相关检验 从上一回归结果可知：d=1.619101。在=0.05的显著性水平下，查表 n=34，k’=2时，DL =1.333 DU=1.580，由于d=1.619101DU=1.580，且d=1.6191014- DU=2.420，表明该模型中的误差序列不存在一阶自相关。 七、模型的分析 经过一系列检验和修正，模型的最终形式如下： Y= -718.8840+0.179062X2+ 0.568132X5 t= (-48.52379) (66.62494) (12.05773) R2= 0.999997 0.999997 F= 36298.87 从模型中可以看出： X2、X5符合经济意义的检验。对于一个城市来说，在岗职工的平均工资提高，公众的可支配收入会随之增加，住房的需求曲线上移，住房价格上涨。而竣工房屋单位面积造价提高，意味着住房的开发成本增大，住房的供给曲线也会上移，住房价格将上涨。模型中两个解释变量的系数符号均为正，正说明了这一经济现象。并且模型表明：在岗职工平均工资每提高一单位，城市住宅均衡价格平均上涨0.179062单位；竣工房屋单位面积造价每增加一单位，城市住宅均衡价格平均上涨0.568132单位。 模型的修正可决系数达到0.999997，F值也很大，模型的拟合优度非常好，表明在岗职工的平均工资与竣工房屋单位面积造价对城市住宅均衡价格的解释比率很高，能很好地解释应变量的变动。 八、模型的经济意义 本模型在设立之初，7个自变量中包括了对城市住宅均衡价格影响的城市供求因素和城市基本因素。但是由于共线性的影响剔出了5个自变量。模型的最终形式中，城市的基本因素，如人口密度、人均GDP，均被剔除。保留的两个变量中，在岗职工的平均工资是需求因素，竣工房屋的单位面积造价是供给因素。因此，我们最后得到了城市住房均衡价格的供求关系模型。 住房是一种特殊的商品，它不仅可用于消费还可作为一种投资方式。但归根结底，供求因素仍然是影响其均衡价格的关键因素。因此，找到住房均衡价格的供求关系模型有重要的现实意义。在已知一个城市的在岗职工的平均工资和竣工房屋的单位面积造价的情况下，就可以计算出该城市的理论住房均衡价格，若计算出的价格低于住房市价，则说明住房的价格被高估，有可能存在泡沫。 用上海04年的数据来进行检验。04年上海职工人均工资为24398元，竣工房屋造价为3437.224元/平方米，根据我们的模型Y= -718.8840+0.179062X2+ 0.568132X5计算出的上海住房的均衡价格为5602.66。而上海04年的住房平均市价为8627元，可以看出上海住房价格被高估。而事实上，在05年五一大假期间，国家出台了相关的房价调控经济政策，如提高房贷首付比率以及提高房贷利率。其后又出台了相关的行政政策。上海房价迅速下跌，平均缩水3000多元。上海房价的变化从侧面说明了此模型的正确性，也说明了政府的房价调控政策有显著效果。 九、模型的缺陷： 1．模型的解释变量均是对住房价格影响的长期因素。然而事实上，正因为住房是兼有投资品特点的商品，它的价格还受很多短期因素的影响。例如公众的预期、存贷利率等。这些因素对房价的短期价格有很显著的影响。但因为模型没有包括这些因素，因此在某些特殊时期，模型有可能失效。 2．从实际的分析来看，城市的基本因素，如城市的人口密度、经济发展程度，对住房价格也有长期影响。长远地看，这些因素可以说是一个城市房价高低的基础。但是在模型的修正过程中，由于共线的影响基本因素被剔出了，这也会影响模型对一个城市的住房均衡价格的评估和预测的正确性。 参考文献： 《2000中国城市统计年鉴》 国家统计局城市社会经济调查总队编 中国统计出版社 《中国房地产发展报告》 牛凤瑞主编 社会科学文献出版社 《房地产经济学讲义》 张红编著 清华大学出版社 《如何确定住房销售价格》 刘洪玉 清华大学房地产研究所 《成都房价分析》 《从供求看抑制房价》 长江日报 附 录 数据及数据来源 各回归方程回归结果表 异方差修正表 附表二： Dependent Variable: Y Method: Least Squares Date: 06/06/05 Time: 21:21 Sample: 1 34 Included observations: 33 Excluded observations: 1 VariableCoefficientStd. Errort-StatisticProb. X10.0190480.0171281.1120830.2767 X20.0948540.0562771.6854750.1043 X30.0105840.0113000.9366650.3579 X40.8363300.5455091.5331200.1378 X50.7264110.2382393.0490860.0054 X6-9.63158923.43952-0.4109120.6846 X70.0619950.0457011.3565410.1871 C-566.6008327.1499-1.7319310.0956 R-squared0.915525 Mean dependent var1657.518 Adjusted R-squared0.891872 S.D. dependent var736.3962 S.E. of regression242.1480 Akaike info criterion14.02419 Sum squared resid1465892. Schwarz criterion14.38698 Log likelihood-223.3992 F-statistic38.70645 Durbin-Watson stat2.412372 Prob(F-statistic)0.000000 附表三： Dependent Variable: Y Method: Least Squares Date: 06/03/05 Time: 11:22 Sample: 1 34 Included observations: 34 VariableCoefficientStd. Errort-StatisticProb. X10.0065520.0179780.3644370.7180 X20.2108510.0440924.7820450.0000 C-527.7187222.5211-2.3715450.0241 R-squared0.867416 Mean dependent var1700.521 Adjusted R-squared0.858863 S.D. dependent var767.2819 S.E. of regression288.2544 Akaike info criterion14.24966 Sum squared resid2575808. Schwarz criterion14.38434 Log likelihood-239.2442 F-statistic101.4074 Durbin-Watson stat2.061419 Prob(F-statistic)0.000000 附表四： Dependent Variable: Y Method: Least Squares Date: 06/03/05 Time: 13:39 Sample: 1 34 Included observations: 34 VariableCoefficientStd. Errort-StatisticProb. X30.0006630.0062110.1066920.9157 X20.2236410.0260608.5818740.0000 C-567.3887211.0797-2.6880310.0115 R-squared0.866897 Mean dependent var1700.521 Adjusted R-squared0.858310 S.D. dependent var767.2819 S.E. of regression288.8182 Akaike info criterion14.25357 Sum squared resid2585894. Schwarz criterion14.38825 Log likelihood-239.3107 F-statistic100.9514 Durbin-Watson stat2.095154 Prob(F-statistic)0.000000 附表五： Dependent Variable: Y Method: Least Squares Date: 06/03/05 Time: 13:54 Sample: 1 34 Included observations: 34 VariableCoefficientStd. Errort-StatisticProb. X20.2118910.01694112.507250.0000 X40.8535440.4687061.8210650.0783 C-580.1932159.7420-3.6320650.0010 R-squared0.879716 Mean dependent var1700.521 Adjusted R-squared0.871956 S.D. dependent var767.2819 S.E. of regression274.5586 Akaike info criterion14.15230 Sum squared resid2336854. Schwarz criterion14.28698 Log likelihood-237.5892 F-statistic113.3617 Durbin-Watson stat2.226194 Prob(F-statistic)0.000000 附表六： Dependent Variable: Y Method: Least Squares Date: 06/03/05 Time: 14:16 Sample: 1 34 Included observations: 34 VariableCoefficientStd. Errort-StatisticProb. X20.1752960.0234357.4802090.0000 X40.2451660.5268640.4653310.6451 X50.5064670.2364692.1417890.0404 C-635.1552153.3931-4.1407030.0003 R-squared0.895669 Mean dependent var1700.521 Adjusted R-squared0.885236 S.D. dependent var767.2819 S.E. of regression259.9308 Akaike info criterion14.06884 Sum squared resid2026921. Schwarz criterion14.24841 Log likelihood-235.1703 F-statistic85.84889 Durbin-Watson stat2.456256 Prob(F-statistic)0.000000 附表七： Dependent Variable: Y Method: Least Squares Date: 06/03/05 Time: 15:55 Sample: 1 34 Included observations: 34 VariableCoefficientStd. Errort-StatisticProb. X20.1738520.0229337.5808950.0000 X50.5657920.1966262.8775030.0072 C-641.7612150.7924-4.2559260.0002 R-squared0.894916 Mean dependent var1700.521 Adjusted R-squared0.888136 S.D. dependent var767.2819 S.E. of regression256.6251 Akaike info criterion14.01721 Sum squared resid2041550. Schwarz criterion14.15189 Log likelihood-235.2925 F-statistic132.0011 Durbin-Watson stat2.477813 Prob(F-statistic)0.000000 附表八： Dependent Variable: Y Method: Least Squares Date: 06/06/05 Time: 21:51 Sample: 1 34 Included observations: 33 Excluded observations: 1 VariableCoefficientStd. Errort-StatisticProb. X20.1640280.0270866.0557400.0000 X50.7833960.2197103.5655870.0013 X61.66127811.608040.1431140.8872 C-765.0559166.3058-4.6002960.0001 R-squared0.896600 Mean dependent var1657.518 Adjusted R-squared0.885904 S.D. dependent var736.3962 S.E. of regression248.7408 Akaike info criterion13.98391 Sum squared resid1794288. Schwarz criterion14.16531 Log likelihood-226.7346 F-statistic83.82171 Durbin-Watson stat2.678294 Prob(F-statistic)0.000000 附表九： Dependent Variable: Y Method: Least Squares Date: 06/03/05 Time: 16:27 Sample: 1 34 Included observations: 34 VariableCoefficientStd. Errort-StatisticProb. X20.1747160.0230407.5830290.0000 X50.5582350.1975552.8257200.0083 X70.0387640.0442380.8762500.3879 C-710.6519170.5609-4.1665570.0002 R-squared0.897538 Mean dependent var1700.521 Adjusted R-squared0.887292 S.D. dependent var767.2819 S.E. of regression257.5916 Akaike info criterion14.05076 Sum squared resid1990603. Schwarz criterion14.23033 Log likelihood-234.8629 F-statistic87.59759 Durbin-Watson stat2.372492 Prob(F-statistic)0.000000 附表十： White Heteroskedasticity Test: F-statistic2.040253 Probability0.103482 Obs*R-squared9.079360 Probability0.105940 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 06/08/05 Time: 18:23 Sample: 1 34 Included observations: 34 VariableCoefficientStd. Errort-StatisticProb. C144676.2196307.20.7369880.4673 X2-13.5939436.62261-0.3711900.7133 X2^20.0004300.0025040.1717330.8649 X2*X5-0.0066640.057905-0.1150900.9092 X5-43.43350225.2833-0.1927950.8485 X5^20.1040050.2670000.3895320.6998 R-squared0.267040 Mean dependent var60045.60 Adjusted R-squared0.136154 S.D. dependent var77259.17 S.E. of regression71807.22 Akaike info criterion25.36014 Sum squared resid1.44E+11 Schwarz criterion25.62950 Log likelihood-425.1224 F-statistic2.040253 Durbin-Watson stat1.595466 Prob(F-statistic)0.103482 附表十一： Dependent Variable: Y Method: Least Squares Date: 06/08/05 Time: 10:07 Sample: 1 34 Included observations: 33 Excluded observations: 1 Weighting series: W VariableCoefficientStd. Errort-StatisticProb. X20.1790620.00268866.624940.0000 X50.5681320.04711812.057730.0000 C-718.884014.81508-48.523790.0000 Weighted Statistics R-squared0.999997 Mean dependent var1473.580 Adjusted R-squared0.999997 S.D. dependent var5796.668 S.E. of regression10.32458 Akaike info criterion7.593440 Sum squared resid3197.909 Schwarz criterion7.729486 Log likelihood-122.2918 F-statistic36298.87 Durbin-Watson stat1.619101 Prob(F-statistic)0.000000 Unweighted Statistics R-squared0.890495 Mean dependent var1657.518 Adjusted R-squared0.883194 S.D. dependent var736.3962 S.E. of regression251.6770 Sum squared resid1900239. Durbin-Watson stat2.436008

  • 在校学生总数变动的多因素分析_经济学毕业论文

    在校学生总数变动的多因素分析_经济学毕业论文 摘要：本文主要通过对中国各级各类学校在校学生总数的变动进行多因素分析，建立以在校学生总数为应变量，以其它可量化影响因素为自变量的多元线性回归模型，并利用模型对在校学生总数进行数量化分析，观察各因素是如何分别影响在校学生总数的。 关键词：在校学生总数 多因素分析 模型 计量经济学 检验 一、引言部分 改革开放以来，中国的教育事业取得了长足的发展，各项教育指标都较以往有了很大提高，受教育的人数也是逐年上升，文盲比例直线下降。随着有知识、有文化的人数的不断增加，中国的经济也随之高速发展，众多毕业生们在各行各业上表现都十分出色，取得了一系列令人瞩目的成就。 二、研究目的 本文主要对中国在校学生总数（应变量）进行多因素分析（具体分析见下图），并搜集相关数据，建立模型，对此进行数量分析。在得到在校学生总数与各主要因素间的数量关系后，据模型方程中的各因素系数大小，分析各因素的重要性，并找出影响在校学生总数最大的因素。 影响在校学生总数变动的主要影响因素如下图： 人口总数 ——————这是影响在校学生总数的一个重要因素 学校总数 ——————这也是影响在校学生总数的重要因素 人均GDP ——————我认为这个因素同样重要 （注：1.由于其他因素或是不好量化，或是数据资料难于查找，故为了分析的简便，这里仅用此三个因素来进行回归分析。 2.学校总数包括普通高等学校、普通中等学校、小学、特殊教育学校和幼儿园等，故学生总数也是以上学校的人数之和。） 三、建立模型 Y=α+β1X1+β2X2+β3X3+u 其中，Y—在校学生总数（应变量） X1——人口总数（解释变量） X2 ——各级各类学校总数（解释变量） X3 ——人均GDP（解释变量） （注：有关模型的一些假定： （1）假定不考虑学生转学的影响。 （2）假定各统计量计算准确。 四、数据搜集 数据说明 在这里，使用同一地区（即中国）的时间序列数据进行拟合。 数据的搜集情况 采用1985年到2003年的时间序列数据，具体情况见表一。 表一： obsX1（人口总数/万）X2（学校总数/万）X3（人均GDP/元）Y（学生总数/万） 198510585111.108185320117 198610750711.0063595620325.8 198710930010.90899110420248 198811102610.71226135519848.8 198911270410.54347151219489.4 199011433310.40992163419532.5 19911158239.94932187919813.2 19921171719.85393228720215.3 19931185179.6081293920627.9 19941198509.56128392321461 19951211219.46772485422418.1 19961223899.29882557623251.2 19971236269.06617605423861.1 19981247618.85622630824074.2 19991257868.61273655124327.6 20001267438.25667708624369.9 20011276277.01097765124224.4 20021284536.62013821424389.3 20031292276.34737910124452.5 五、模型的参数估计、检验及修正 1.模型的参数估计及其经济意义、统计推断的检验 利用EVIEWS软件，用OLS方法估计，得：（见表二） 表二： Dependent Variable: Y Method: Least Squares Date: 06/07/05 Time: 09:35 Sample: 1985 2003 Included observations: 19 VariableCoefficientStd. Errort-StatisticProb. C18008.664856.6553.7080380.0021 X1-0.0803410.038584-2.0822410.0549 X2851.4523174.17774.8884100.0002 X31.3242340.12480010.610840.0000 R-squared0.978300 Mean dependent var21949.85 Adjusted R-squared0.973960 S.D. dependent var2024.050 S.E. of regression326.6198 Akaike info criterion14.60013 Sum squared resid1600207. Schwarz criterion14.79896 Log likelihood-134.7013 F-statistic225.4140 Durbin-Watson stat1.074996 Prob(F-statistic)0.000000 Y=18008.66-0.080341X1+851.4523X2+1.324234X3 （1.1） (3.708038)(-2.082241)(4.888410)(10.61084) R2=0.978300 R2 =0.973960 F=225.4140 可见。X1, X2, X3的t值均是显著的，表明人口总数、学校总数、人均GDP都是影响在校学生总数的主要因素。X2, X3的系数符合经济意义，但X1的系数不符合经济意义，因为从经济意义上讲，在校学生的总人数应该都是随着人口总数（X1）、学校总数（X2）、人均GDP（X3）的增加而增加的。另外，可决系数为0.978300，修正可决系数为0.973960，都比较大，说明模型的拟合程度较高，而F值为225.4140，说明模型总体是显著的。 2.计量经济学检验 （1）多重共线性检验 用EVIEWS软件，得相关系数矩阵表： X1X2X3 X1 1.000000-0.926023 0.962222 X2-0.926023 1.000000-0.950977 X3 0.962222-0.950977 1.000000 由上表可以看出，解释变量X1与X3之间高度正相关，X1与X2，X2与X3之间高度负相关，可见存在严重的多重共线性。下面用逐步回归法进行修正： ，用OLS法逐一求Y对各个解释变量的回归。 Dependent Variable: Y Method: Least Squares Date: 06/07/05 Time: 11:14 Sample: 1985 2003 Included observations: 19 VariableCoefficientStd. Errort-StatisticProb. C-7419.8323436.949-2.1588430.0454 X10.2467150.0288198.5608690.0000 R-squared0.811715 Mean dependent var21949.85 Adjusted R-squared0.800639 S.D. dependent var2024.050 S.E. of regression903.7356 Akaike info criterion16.55025 Sum squared resid13884548 Schwarz criterion16.64967 Log likelihood-155.2274 F-statistic73.28848 Durbin-Watson stat0.213248 Prob(F-statistic)0.000000 Y=-7419.832+0.246715X1 (-2.158843) (8.560869) R2=0.811715 S.E.=903.7356 F=73.28848 Dependent Variable: Y Method: Least Squares Date: 06/07/05 Time: 11:17 Sample: 1985 2003 Included observations: 19 VariableCoefficientStd. Errort-StatisticProb. C33176.351653.65020.062490.0000 X2-1203.754175.3386-6.8653080.0000 R-squared0.734924 Mean dependent var21949.85 Adjusted R-squared0.719331 S.D. dependent var2024.050 S.E. of regression1072.306 Akaike info criterion16.89231 Sum squared resid19547273 Schwarz criterion16.99173 Log likelihood-158.4770 F-statistic47.13246 Durbin-Watson stat0.296483 Prob(F-statistic)0.000003 Y=33176.35-1203.754X2 (20.06249) (-6.865308) R2=0.734924 S.E.=1072.306 F=47.13246 Dependent Variable: Y Method: Least Squares Date: 06/07/05 Time: 11:19 Sample: 1985 2003 Included observations: 19 VariableCoefficientStd. Errort-StatisticProb. C19004.71228.167383.292860.0000 X30.7008990.04561015.367390.0000 R-squared0.932848 Mean dependent var21949.85 Adjusted R-squared0.928898 S.D. dependent var2024.050 S.E. of regression539.7130 Akaike info criterion15.51925 Sum squared resid4951933. Schwarz criterion15.61867 Log likelihood-145.4329 F-statistic236.1566 Durbin-Watson stat0.344201 Prob(F-statistic)0.000000 Y=19004.71+0.700899X3 (83.29286) (15.36739) R2=0.932848 S.E.=539.7130 F=236.1566 经分析可见，在三个一元回归模型中，在校学生总数Y对人均GDP X3的线性关系强，拟合程度好，即： Y=19004.71+0.700899X3 （1.2） (83.29286) (15.36739) R2=0.932848 S.E.=539.7130 F=236.1566 逐步回归。将其余解释变量逐一带入式1.2中，得如下几个模型： Dependent Variable: Y Method: Least Squares Date: 06/07/05 Time: 11:28 Sample: 1985 2003 Included observations: 19 VariableCoefficientStd. Errort-StatisticProb. C30370.246464.9514.6976750.0002 X1-0.1049180.059646-1.7589980.0977 X30.9684340.1580666.1267600.0000 R-squared0.943729 Mean dependent var21949.85 Adjusted R-squared0.936696 S.D. dependent var2024.050 S.E. of regression509.2583 Akaike info criterion15.44773 Sum squared resid4149504. Schwarz criterion15.59685 Log likelihood-143.7534 F-statistic134.1703 Durbin-Watson stat0.430949 Prob(F-statistic)0.000000 Y=30370.24-0.104918X1+0.968434X3 (1.3) (4.697675) (-1.758998) (6.126760) R2=0.936696 S.E.=509.2583 F=134.1703 Dependent Variable: Y Method: Least Squares Date: 06/07/05 Time: 11:33 Sample: 1985 2003 Included observations: 19 VariableCoefficientStd. Errort-StatisticProb. C8767.1462167.8974.0440780.0009 X2898.7100189.84294.7339660.0002 X31.1425950.09811311.645660.0000 R-squared0.972028 Mean dependent var21949.85 Adjusted R-squared0.968531 S.D. dependent var2024.050 S.E. of regression359.0565 Akaike info criterion14.74878 Sum squared resid2062745. Schwarz criterion14.89790 Log likelihood-137.1134 F-statistic277.9958 Durbin-Watson stat0.751167 Prob(F-statistic)0.000000 Y=8767.146+898.7100X2+1.142595X3 （1.4） (4.044078) (4.733966) (11.64566) R2=0.968531 S.E.=359.0565 F=277.9958 在式1.3中X1对Y的影响并不显著，故将X1删去，得如下模型： Dependent Variable: Y Method: Least Squares Date: 06/07/05 Time: 11:33 Sample: 1985 2003 Included observations: 19 VariableCoefficientStd. Errort-StatisticProb. C8767.1462167.8974.0440780.0009 X2898.7100189.84294.7339660.0002 X31.1425950.09811311.645660.0000 R-squared0.972028 Mean dependent var21949.85 Adjusted R-squared0.968531 S.D. dependent var2024.050 S.E. of regression359.0565 Akaike info criterion14.74878 Sum squared resid2062745. Schwarz criterion14.89790 Log likelihood-137.1134 F-statistic277.9958 Durbin-Watson stat0.751167 Prob(F-statistic)0.000000 从上表可以看出，在删去X1后，模型的统计检验效果均有较大改善。 Y=8767.146+898.7100X2+1.142595X3 (4.044078) (4.733966) (11.64566) R2=0.968531 S.E.=359.0565 F=277.9958 （2）异方差检验（ARCH检验） 利用Y对X回归所得残差平方E2（=Resid^2）在OLS对话框的Estimate Equation 栏里键入E2 C E2(-1) E2(-2) E2(-3) 可输出结果： Dependent Variable: E2 Method: Least Squares Date: 06/07/05 Time: 11:56 Sample(adjusted): 1988 2003 Included observations: 16 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. C103667.647344.292.1896530.0490 E2(-1)0.0452740.2971700.1523490.8814 E2(-2)-0.2479630.234276-1.0584230.3107 E2(-3)0.0570590.2446420.2332350.8195 R-squared0.085889 Mean dependent var87868.45 Adjusted R-squared-0.142638 S.D. dependent var83723.94 S.E. of regression89496.09 Akaike info criterion25.85410 Sum squared resid9.61E+10 Schwarz criterion26.04724 Log likelihood-202.8328 F-statistic0.375838 Durbin-Watson stat1.836162 Prob(F-statistic)0.772076 计算有(n-p)R2=13×0.085889=1.116557,查 分布表，给定α=0.05，自由度为P=3，得临界值 0.05(3)=7.81，因为(n-p)R2=1.116557 0.05(3)=7.81，所以接受H0，表明模型中随机误差项不存在异方差。 （3）自相关检验（DW检验） 如下表： Dependent Variable: Y Method: Least Squares Date: 06/07/05 Time: 11:33 Sample: 1985 2003 Included observations: 19 VariableCoefficientStd. Errort-StatisticProb. C8767.1462167.8974.0440780.0009 X2898.7100189.84294.7339660.0002 X31.1425950.09811311.645660.0000 R-squared0.972028 Mean dependent var21949.85 Adjusted R-squared0.968531 S.D. dependent var2024.050 S.E. of regression359.0565 Akaike info criterion14.74878 Sum squared resid2062745. Schwarz criterion14.89790 Log likelihood-137.1134 F-statistic277.9958 Durbin-Watson stat0.751167 Prob(F-statistic)0.000000 DW=0.751167，给定显著性水平α=0.05，查Durbin-Watson表，n=19，k’(解释变量个数)=2，得下限临界值dL=1.074, 得上限临界值dU=1.536，因为DW=0.751167 dL=1.074，表明该模型中的随机误差项存在一阶自相关。 修正： 由DW=0.751167，根据 =1－DW/2，计算得 =0.6244165。用GENR分别对X2，X3，Y作广义差分。即： GENR DY=Y-0.6244165*Y（-1） GENR DX2=X2-0.6244165*X2（-1） GENR DX3=X3-0.6244165*X3（-1） 然后用OLS法估计其参数，得： Dependent Variable: DY Method: Least Squares Date: 06/07/05 Time: 14:27 Sample(adjusted): 1986 2003 Included observations: 18 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. C4280.720961.77844.4508380.0005 DX2662.8625223.58122.9647500.0096 DX31.0155080.1255628.0877010.0000 R-squared0.907309 Mean dependent var8432.644 Adjusted R-squared0.894950 S.D. dependent var847.5201 S.E. of regression274.6929 Akaike info criterion14.22020 Sum squared resid1131843. Schwarz criterion14.36859 Log likelihood-124.9818 F-statistic73.41407 Durbin-Watson stat1.016041 Prob(F-statistic)0.000000 DY=4280.720+662.8625DX2+1.015508DX3 (4.450838) (2.964750) (8.087701) R2=0907309 F=73.41407 DW=1.016041 可以看到，使用广义差分法后，DW值有所提高，但仍存在自相关。 六、模型的分析及结论 进行一系列检验和修正后得最终结果： Y=8767.146+898.7100X2+1.142595X3 (4.044078) (4.733966) (11.64566) R2=0.972028 R2=0.968531 F=277.9958 从模型中可看出： X2、X3是符合经济意义的检验的。因为从经济意义上讲，在校学生总数随学校总数的增加而增加，随人均GDP的增加而增加。且人均GDP是影响在校学生总数的最重要的因素。 模型表明：在校学生总数仅与学校总数和人均GDP有明显的相关关系，与人口总数无明显的相关关系（但我觉得人口总数应该还是要影响学生人数的）。 但也有一些政策性因素被忽略了，例如99年开始的高校扩招。 模型的修正可决系数及F值均很高，模型的拟合优度不错。 由上述分析可知，这个模型应该说还是比较成功的。 参考文献： 《中国统计年鉴2004》

  • 工资收入差异分析_经济学毕业论文范文

    工资收入差异分析_经济学毕业论文范文 工资收入差异分析 为了考察工资收入是否与性别，年龄，学历，企业规模有关，我们建立计量经济学模型对其进行分析判断和预测，因国内数据不好查找，我们在这个模型中就引用日本的数据建立模型。 下表列出的15个工人月收入以及相应的性别，年龄层（30多岁与40多岁），学历（大学毕业，高中毕业，初中毕业），企业规模（大型企业，中型企业，小型企业）之间的关系。根据这些定性数据，通过这些定性数据，通过小面问题分析收入差距的原因。 为了将定性数据作为解释变量纳入模型，引入下面六个虚拟变量。根据下表制作虚拟变量的数据表。 性别 S S=1 男性 S=0 女性 年龄A A=1 40多岁 A=0 30多岁 学历(1) E1`=1 大学毕业 E1=0 其他 学历（2） E2=1 高中毕业 E2=0 其他 企业规模（1） F1=1 大型企业 F1=0 其他 企业规模（2） F2=1 中小型企业 F2=0 其他 设定模型 Y=α+β1S+β2A+β3 E1 +β4 E2 +β5 F1 +β6 F2 +u α0 , β10 , β20 , β30 , β40 , β50 , β60 估计模型的参数，检验参数和整体模型并对模型进行修正 计算下列属性所对应的月收入 a)大型企业中40多岁男性大学毕业工人的月收入Ya b)中型企业中30多岁女性大学毕业工人的月收入Yb c)小型企业中30多岁男性初中毕业工人的月收入Yc 表1 月收入与性别、年龄层、学历、企业规模之间的关系 月收入（万日元）性别年龄层学历企业规模 25女性40多岁初中毕业小企业 26男性30多岁初中毕业小企业 28女性40多岁高中毕业小企业 30女性40多岁高中毕业小企业 31男性30多岁初中毕业中企业 32男性30多岁高中毕业小企业 34女性30多岁大学毕业中企业 36男性30多岁高中毕业中企业 39女性30多岁大学毕业大企业 40男性30多岁高中毕业中企业 43男性30多岁大学毕业小企业 46男性30多岁大学毕业中企业 52男性40多岁初中毕业大企业 54女性40多岁大学毕业大企业 55男性40多岁高中毕业大企业 表2 制作虚拟变量处理后的数据表 月收入（万日元）Y性别S年龄层A学历企业规模 大学毕业E1`高中毕业E2大型企业F1中型企业F2 25010000 26100000 28010100 30010100 31100001 32100100 34001001 36100101 39001010 40100101 43101000 46101001 52110010 54011010 55110110 参数估计 表3 最小二乘估计 Dependent Variable: Y Method: Least Squares Date: 12/15/03 Time: 20:14 Sample: 1986 2000 Included observations: 15 VariableCoefficientStd. Errort-StatisticProb. C11.966131.6946047.0613170.0001 S14.384761.23876111.612220.0000 A12.642521.5196078.3195970.0000 E115.873001.46685910.821080.0000 E25.0827851.1192984.5410470.0019 F112.152401.3261899.1633980.0000 F25.5437441.1961374.6347060.0017 R-squared0.983316 Mean dependent var38.06667 Adjusted R-squared0.970802 S.D. dependent var10.06029 S.E. of regression1.719035 Akaike info criterion4.226127 Sum squared resid23.64064 Schwarz criterion4.556551 Log likelihood-24.69596 F-statistic78.58178 Durbin-Watson stat2.283073 Prob(F-statistic)0.000001 有表3的数据可以得出以下估计结果： Y = 11.966 + 14.385S + 12.643A + 15.873E1 + 5.083E2 + 12.152F1 + 5.544F2 (7.061) (11.612) (8.320) (10.821) (4.541) (9.163) (4.635) _ R2 = 0.9708 （1）经济意义检验 所有的参数都为正数，即性别、年龄、学历和所在企业的大小对月收入有正面的影响，符合经济意义。 （2）统计推断检验 (a)拟和优度检验 可决系数R2 = 0.983316 说明模型在整体上拟和很好,Y 的总差由模型作出了绝大部分解释。 _ R2 = 0.9708也说明模型中各个解释变量对应变量的联合影响程度很大 (b)回归参数的显著性检验——T检验 在显著性水平a=0.01条件下ta/2 (n-k)= ta/2 (15-6) =3.250 模型估计的各参数的T值都大于3.250。说明各个解释变量对应变量的影响都是显著的。即性别，年龄，学历，企业大小对月收入有显著影响。 (c)回归方程的显著性检验——F检验 在显著性水平a=0.01条件下，F0。01（k-1,n-k）= F0。01 (6-1,15-6)=6.06 模型中的F-statistic=78.5819 大于6.06，说明回归方程显著，即各个解释变量同应变量之间存在显著的线性关系。 (3)计量经济学检验 (a)多重共线性检验 表4 Correlation Matrix SAE1E2F1F2 S 1.000000-0.444444-0.2886750.111111-0.123091-0.288675 A-0.4444441.000000-0.2886750.1666670.430820-0.577350 E1-0.288675-0.2886751.000000-0.5773500.2132010.100000 E20.1111110.166667-0.5773501.000000-0.184637-0.184637 F1-0.1230910.4308200.213201-0.1846371.000000-1.07E-18 F20.288675-0.577500.100000-1.07E-180.4264011.000000 由表4可以看出，解释变量之间不存在严重的多重共线性，各解释变量之间的干扰程度不大，不需要进行修正。 (b)异方差检验 a White 检验 表5 White 检验 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 12/15/03 Time: 21:54 Sample: 1986 2000 Included observations: 15 VariableCoefficientStd. Errort-StatisticProb. C14.6300715.559030.9402950.3746 S2.53815711.373710.2231600.8290 A-6.24856813.95230-0.4478520.6661 E1-0.10557313.46799-0.0078390.9939 E2-5.14713510.27685-0.5008470.6300 F12.97462912.176430.2442940.8132 F2-2.86070810.98235-0.2604820.8011 R-squared0.125144 Mean dependent var11.39916 Adjusted R-squared-0.530998 S.D. dependent var12.75592 S.E. of regression15.78335 Akaike info criterion8.660512 Sum squared resid1992.912 Schwarz criterion8.990936 Log likelihood-57.95384 F-statistic0.190727 Durbin-Watson stat2.370596 Prob(F-statistic)0.970773 计算n R2 = 15×0.125144 = 1.87716 在显著性水平a=0.01条件下，X2 0.01 (P5) 都大于 1．87716 ，即可接受原假设，随机误差u 不存在异方差性。 （c）自相关检验 DW检验 由表1中估计的结果，DW=2.283073 ，在给定显著性水平a=0.01 ，查 Durbin-Watson表，n = 15 k = 6 得下限临界值dL = 0.447 dU = 2.472 dL DW dU 无法判断是否自相关 图示法 图1 由图1可以看出Et 呈线性自回归，表明随机误差项ut存在一阶自相关。 自相关的修正 广义差分法 B = 1-1/2DW=1-1.1515=-0.1415 表6 广义差分 Dependent Variable: Y Method: Least Squares Date: 12/16/03 Time: 14:40 Sample(adjusted): 1987 2000 Included observations: 14 after adjusting endpoints Convergence achieved after 6 iterations VariableCoefficientStd. Errort-StatisticProb. S21.093623.6116085.8405080.0006 A17.711642.1546938.2200250.0001 E118.494861.77801710.401960.0000 E25.1646741.2035224.2913000.0036 F112.328941.3295809.2728040.0000 F25.4806730.9851155.5634840.0008 AR(1)0.8577260.1408096.0914080.0005 R-squared0.975461 Mean dependent var38.35714 Adjusted R-squared0.954428 S.D. dependent var10.37458 S.E. of regression2.214732 Akaike info criterion4.734993 Sum squared resid34.33528 Schwarz criterion5.054522 Log likelihood-26.14495 Durbin-Watson stat2.055093 Inverted AR Roots .86 DW=2.055039 仍落在了不能判断的{dL = 0.447 ， dU = 2.472}内。 表7 Cochrane---Qrcutt迭代法 Dependent Variable: Y Method: Least Squares Date: 12/16/03 Time: 13:14 Sample(adjusted): 1987 2000 Included observations: 14 after adjusting endpoints Convergence achieved after 59 iterations VariableCoefficientStd. Errort-StatisticProb. C11.569121.8622016.2126060.0008 S14.697251.44098010.199480.0001 A12.323741.6149377.6310960.0003 E116.248101.7217119.4371820.0001 E25.3397221.4068993.7953840.0090 F112.542771.4645288.5643750.0001 F25.4565861.5446373.5326000.0123 AR(1)-0.2994580.470966-0.6358370.5484 R-squared0.982395 Mean dependent var39.00000 Adjusted R-squared0.961856 S.D. dependent var9.742847 S.E. of regression1.902819 Akaike info criterion4.420109 Sum squared resid21.72432 Schwarz criterion4.785285 Log likelihood-22.94076 F-statistic47.83089 Durbin-Watson stat2.414916 Prob(F-statistic)0.000076 Inverted AR Roots -.30 DW=2.4149 有所提高但仍落在了不能判断的{dL = 0.447 ， dU = 2.472}内。 尽管如此，由于此模型中各个解释变量对应变量的单独影响和联合影响都很显著 且模型没有多重共线性和异方差，与我们设想的一样，性别、学历、年龄和企业大小对工资收入有明显的影响，因此我们仍用此模型对工资作出预测： a)大型企业中40多岁男性大学毕业工人的月收入Y1 Y1= 11.966 + 14.385*1 + 12.643A*1+ 15.873*1 + 5.083*0 + 12.152*1 + 5.544*0 =67.190(万日元) b)中型企业中30多岁女性大学毕业工人的月收入Y2 Y2= 11.966 + 14.385*0 + 12.643A*0+ 15.873*0 + 5.083*1 + 12.152*0 + 5.544*1 =22.593(万日元) C)小型企业中30多岁男性初中毕业工人的月收入Y3 Y3= 11.966 + 14.385*1 + 12.643A*0+ 15.873*0 + 5.083*0 + 12.152*0 + 5.544*0 =26.351（万日元）

  • 固定资产投资的计量经济学模型_经济学毕业论文范文

    固定资产投资的计量经济学模型_经济学毕业论文范文 固定资产投资的计量经济学模型 摘要： 改革开放以来，我国固定资产投资已经历两次高速增长。其一是1984-1988年期间，由城市经济体制改革引发的集体经济投资快速增长引致的。其二是1991-1994年经济过热期间由国有经济和集体经济投资的快速增长引致的。此后，受紧缩性宏观调控政策，亚洲金融危机及结构性供过于求等多种因素的影响，固定资产投资增速在1995年以后大幅度下滑，到1999年降为5.1%.2000年以后，固定资产投资增长恢复上升趋势，本轮投资快速增长主要是由非国有经济投资快速增长拉动的。本文建立了一个以国内生产总值GDP为因变量，以其它可量化的影响因素为解释变量的多元线性回归模型；运用多因素分析法对GDP的增长变动极其主要影响因素进行了实证分析，从而得到相关启示，并结合我国现在的GDP增长情况，为未来我国因固定资产而引起的GDP变动情况提供了依据。 关键词：GDP 固定资产投资 计量经济学 多元线性回归模型 一．问题的提出 全社会固定资产投资是社会固定资产再生产的主要手段。通过建造和购置固定资产的活动，国民经济不断采用先进技术装备，建立新兴部门，进一步调整经济结构和生产力的地区分布，增强经济实力，为改善人民物质文化生活创造物质条件。这对我国的社会主义现代化建设具有重要意义。固定资产投资额是以货币表现的建造和购置固定资产活动的工作量，它是反映固定资产投资规模、速度、比例关系和使用方向的综合性指标。全社会固定资产投资按经济类型可分为国有、集体、个体、联营、股份制、外商、港澳台商、其他等。 1978年至2004年间，中国经济平均年增长率在9.3%左右，中国经济增长波动的标准差约3个百分点。中国现阶段的经济增长只是达到了26年来的平均水平，预计2005年的增长速度在8%至9%之间，也仍属正常波动范围。 与之形成对照的是，同期中国固定资产投资的增速的确过快。从中国目前的现实出发，中国固定资产投资波动在2.2%至24%之间均属正常范围。但中国2003年固定资产投资增幅已接近27%，去年达到25.8%。 经过2004年的宏观调控，固定资产投资过快的趋势已经得到一定的缓解，通货膨胀压力正在减轻。 从总量数据来看，目前固定资产投资的增长率仍在高水平徘徊，政府的紧缩政策对投资的控制力度似乎不够。但通过对部门分类的投资数据分析，我们发现，中国的固定资产投资结构2004年已经发生了显著的变化。首先，制造业投资的年比增长率下降了近一半，同时，农林牧业的投资终止了连年下降的势头，由年初的25.1%负增长变为23.1%的正增长，此外，在制造业内部，对交通和矿业等瓶颈产业的投资不降反升。由此可见，2004年中国政府的宏观调控更加注重于治理经济结构，而非市场理解的控制增长总量。　　长期以来，国际经济界断定中国近年来的经济成长主要归功于“投资拉动”。然而我们发现，虽然在上世纪80和90年代固定资产投资对中国经济增长的贡献首屈一指，但自2002年一季度至今，消费对于GDP增长的贡献已经超过了固定资产投资的贡献。经济结构已经从“投资拉动”转型为“消费拉动”。　　2005年，中国政府将实行“稳健”的货币政策和财政政策。根据我们的理解，稳健的货币政策意味着央行在2005年将会保持利率政策适度从紧，而稳健的财政政策则表明财政部会减少国债的发行规模，削减政府赤字。如果这些宏观政策得以贯彻实施，同时外部经济环境保持稳定，我们预计2005年中国固定资产投资的增长可以控制在15-20%之间，GDP增长将会稳定在8.3%左右。 我国当前固定资产投资增长的主要特征：（一），非国有经济是新一轮投资快速增长的主导力量。（二），政府投资的诱导作用弱化，市场约束力加强；再市场经济框架基本建立，企业预算约束僵化之后，市场对企业的投资行为的约束力不断加强。（三），企业技术改造意愿加强，更新改造投资相对快速增长。（四），制造业和社会服务业投资快速增长，在投资总额中的比重持续提升；2000年以来我国投资结构的这一变化特征，表明我国经济结构在经过多年的调整后，已进入以制造业和服务业相对快速发展为特征的新工业化时期。（五），投资率和固定资产投资率进一步提高；投资率和固定资产投资率分别从2000年的36.4%和36.8%提高到2002年的39.4%和42.49%，2003年前三季度固定资产率进一步提高到43.43%,是1953年以来的历史最高水平。 二．模型的建立 （一）.建立模型 固定资产对一个企业来说是其主要的劳动手段，它的价值是逐渐地转移到所生产的产品上去。企业同时又是重要的市场主体，因此对固定资产的投资间接的影响得到了一个经济体的产出，这里主要对GDP及国有固定资产投资额，集体经济固定资产投资额，个体经济固定资产投资额，进行计量经济学多元线性回归模型分析。 Y=β+β+ β+β 其中：Y—国内生产总值GDP （亿元） —国有固定资产投资额 （亿元） —集体经济固定资产投资额 （亿元） —个体经济固定资产投资额 （亿元） （二）我们对模型的初步设想： 在开始模型估计前，让我们先对回归系数的符号做一个预期： 因为全社会固定资产投资按经济类型可分为国有经济，集体经济，个体经济，外商投资经济，股份制经济，农村经济等等，在这其中我们选取影响比较显著的三个因素，来做为固定资产投资对GDP影响的主要因素进行分析研究。我们初步认为这三个因素对GDP都有正相关的影响，只是影响程度有所不同 ，即认为这些因素的系数符号均可能为正，但仍需要通过具体的数据分析来确定。 三．相关数据的收集 我们选择时间序列的年度数据，样本期为1980-2003年，共24个样本。由于是小样本，检验和解释都有一定的难度，因此我们倍加小心。数据来源为1980-2003《中国统计年鉴》 。 国内生产总值和全社会固定资产投资(按经济类型分)　　单位：亿元 年份GDP国有经济集体经济个体经济 19804517.8745.946119 19814860.3667.5115.2178.3 19825301.8845.3174.3210.8 19835957.4952156.3321.8 19847206.71185.2238.7409 19858989.11680.5327.5535.2 198610201.42079.4391.8649.4 198711954.42448.8547795.9 198814922.33020711.71022.1 198916917.82808.25701032.2 199018598.42986.3529.51001.2 199121662.53713.8697.81182.9 199226651.95498.71359.41222 199334560.57925.92317.31476.2 19944667096152758.91970.6 199557494.910898.243289.42560.2 199666850.512006.23660.63211.2 199773142.713091.73850.93429.4 199878345.215369.34192.23744.4 199982067.515947.84338.64195.7 200089468.116504.444801.54709.4 200197314.817606.975278.65429.6 2002105172.318877.355987.46519.2 2003117251.9216617806.97563 四．模型的参数估计、检验及修正 （一）、模型的参数估计及检验 利用EVIEWS软件，用OLS方法估计得：（见下表） Dependent Variable: Y Method: Least Squares Date: 06/08/05 Time: 22:45 Sample: 1980 2003 Included observations: 24 VariableCoefficientStd. Errort-StatisticProb. C-305.6524824.3848-0.3707640.7147 X14.7552820.4954249.5984180.0000 X2-2.6906201.947398-1.3816490.1823 X34.9443861.1888394.1590040.0005 R-squared0.997092 Mean dependent var41920.01 Adjusted R-squared0.996656 S.D. dependent var37300.68 S.E. of regression2156.939 Akaike info criterion18.34178 Sum squared resid93047727 Schwarz criterion18.53812 Log likelihood-216.1014 F-statistic2286.123 Durbin-Watson stat1.067268 Prob(F-statistic)0.000000 Ŷ = -305.6524+4.755282-2.690620+4.944386 T= (-0.370764)(9.598418) (-1.381649) (4.159004) R-squared=0.997092 Adjusted R-squared=0.996656 F-statistic=2286.123 以上是该模型的OLS估计的结果，其中由于X1的T检验值非常显著，因此将X1，X2合并为一个解释变量，也就是将国有经济与集体经济固定资产投资额的和看作为公有经济固定资产投资额（X1+X2），令X1+X2=X12我们重新对其进行估计： Dependent Variable: Y Method: Least Squares Date: 06/08/05 Time: 22:58 Sample: 1980 2003 Included observations: 24 VariableCoefficientStd. Errort-StatisticProb. C1212.169796.84701.5212070.1431 X123.3844690.28013712.081460.0000 X32.9349891.1954152.4552050.0229 R-squared0.995657 Mean dependent var41920.01 Adjusted R-squared0.995243 S.D. dependent var37300.68 S.E. of regression2572.681 Akaike info criterion18.65975 Sum squared resid1.39E+08 Schwarz criterion18.80701 Log likelihood-220.9170 F-statistic2406.961 Durbin-Watson stat1.050474 Prob(F-statistic)0.000000 我们406.9615604) 08146) (得到406.新的多元线性回归方程： Ŷ = 1212.169+3.384469X12+2.934989X3 T= (1.521207)(12.08146) (2.455205) R-squared=0.995657 Adjusted R-squared=0.995243 F-statistic=2406.961 分析：由F=2286.123F0.05(2,21)=3.49（显著性水平为0.05），修正后的可决系数达0.9925243。说明模型从整体上看拟合效果较好，表明应变量和各解释变量之间线性关系显著。但查t分布表，在自由度为n-3=21下，得临界值t0.025(21)=2.080，常数项不通过t检验。 计量经济学检验 1.多重共线性检验及修正 检验 计算解释变量之间的简单相关系数，结果如下： X12X3 X12 1.000000 0.977944 X3 0.977944 1.000000 由上表可看出，解释变量之间存在高度线性相关，这说明模型中解释变量很可能存在多重共线性。 修正 ①运用差分模型形式进行修正： 令dy=y-y(-1) dx12=x12-x12(-1) dx3=x3-x3(-1) 其中y(-1)表示y的滞后一期值,同样X12(-1),X3(-1)也表示它们的滞后一期。 再次进行OLS线性回归，结果如下： Dependent Variable: DY Method: Least Squares Date: 06/08/05 Time: 23:19 Sample(adjusted): 1981 2003 Included observations: 23 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. C1074.766616.74911.7426310.0968 DX121.5328090.4442563.4502830.0025 DX35.9188131.6740113.5357080.0021 R-squared0.770716 Mean dependent var4901.483 Adjusted R-squared0.747788 S.D. dependent var3848.007 S.E. of regression1932.498 Akaike info criterion18.09212 Sum squared resid74690953 Schwarz criterion18.24023 Log likelihood-205.0594 F-statistic33.61405 Durbin-Watson stat0.872632 Prob(F-statistic)0.000000 dŶ =1074.766+1.532809dx12+5.918813dx3 T= (1.742631)(3.450283) (3.535708) R-squared=0.770716 Adjusted R-squared=0.747788 F-statistic=33.61405 再次检验多重共线性： DX12DX3 DX12 1.000000 0.637014 DX3 0.637014 1.000000 可以看到多重共线性已经得到缓解，但模型的可决系数并不高，整体拟合效果不是很好，这可能是由于采用了差分模型形式，出现了du序列相关的问题。 2．异方差的检验 由于采用了时间序列数据，考虑ARCH检验，输出结果如下： ARCH Test: F-statistic0.653113 Probability0.592549 Obs*R-squared2.181972 Probability0.535508 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 06/09/05 Time: 08:24 Sample(adjusted): 1984 2003 Included observations: 20 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. C2796224.1698777.1.6460210.1193 RESID^2(-1)0.3419050.2493001.3714640.1892 RESID^2(-2)-0.1000660.268447-0.3727580.7142 RESID^2(-3)-0.0334900.256511-0.1305600.8978 R-squared0.109099 Mean dependent var3533276. Adjusted R-squared-0.057945 S.D. dependent var5573683. S.E. of regression5732894. Akaike info criterion34.13820 Sum squared resid5.26E+14 Schwarz criterion34.33734 Log likelihood-337.3820 F-statistic0.653113 Durbin-Watson stat2.009883 Prob(F-statistic)0.592549 从图中得到Obs*R-squared=2.181972，查卡方分布表，给定显著性水平0.05，自由度为3，得临界值χ0.05（3）=7.81远大于2.181972,表明模型中并不存在异方差。 3.自相关的检验 （1）D-W检验 根据估计的结果，由DW=0.872632,给定显著性水平a=0.05,查Durbin-Watson表，n=23,k’(解释变量个数)=2，得下限临界值dl=1.168,上限临界值du=1.543,因为DW统计量为0.872632dl=1.168,根据判定区域知，随机误差项存在正的自相关。 （2）自相关的修正 用Cochrane-Orcutt迭代法 Dependent Variable: DY Method: Least Squares Date: 06/09/05 Time: 08:53 Sample(adjusted): 1982 2003 Included observations: 22 after adjusting endpoints Convergence achieved after 9 iterations VariableCoefficientStd. Errort-StatisticProb. C2350.5751437.6851.6349720.1194 DX120.9727420.3836392.5355660.0207 DX35.0761921.9841752.5583390.0198 AR(1)0.6764590.1724453.9227550.0010 R-squared0.850616 Mean dependent var5108.709 Adjusted R-squared0.825718 S.D. dependent var3804.937 S.E. of regression1588.450 Akaike info criterion17.74187 Sum squared resid45417096 Schwarz criterion17.94024 Log likelihood-191.1606 F-statistic34.16484 Durbin-Watson stat1.784961 Prob(F-statistic)0.000000 Inverted AR Roots .68 从检验结果中可看出，修正后的DW值为1.784961,查 Durbin-Watson表，n=22,k’(解释变量个数)=2，得下限临界值dl=1.147,上限临界值du=1.541,因为DW统计量为1.784961du=1.541,根据判定区域知，随机误差项不存在自相关。 经过修正，我们得到最终的模型： dŶ =2350.575+0.9722742dx12+5.076192dx3 T= (1.634972) (2.535566) (2.558339) R-squared=0.850616 Adjusted R-squared=0.825718 F-statistic=34.16484 4．平稳性检验 ADF Test Statistic-2.593081 1% Critical Value*-4.4691 5% Critical Value-3.6454 10% Critical Value-3.2602 *MacKinnon critical values for rejection of hypothesis of a unit root. Augmented Dickey-Fuller Test Equation Dependent Variable: D(DY) Method: Least Squares Date: 06/09/05 Time: 09:09 Sample(adjusted): 1983 2003 Included observations: 21 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. DY(-1)-0.4527480.174599-2.5930810.0189 D(DY(-1))0.5189340.2357882.2008540.0419 C-480.5063919.9868-0.5222970.6082 @TREND(1980)231.666797.755502.3698590.0299 R-squared0.339385 Mean dependent var554.1952 Adjusted R-squared0.222806 S.D. dependent var1965.808 S.E. of regression1733.029 Akaike info criterion17.92277 Sum squared resid51057630 Schwarz criterion18.12173 Log likelihood-184.1891 F-statistic2.911195 Durbin-Watson stat2.142413 Prob(F-statistic)0.064539 因为 单位根 的检验结果为-2.593081,由表中给出的Mackinnon临界值显示，我们不能拒绝原假设，表明1980-2003年度的GDP序列可能是非平稳序列。 五．模型分析 该模型并没有直接的从投资，消费，出口的角度去考虑解释变量对GDP的影响，而是以间接的方法从固定资产投资的角度研究了其对GDP的影响。从计量经济学的检验结果看无论是公有经济还是个体经济对GDP都存在线性影响，而且相关系数都接近于1，进一步证明了固定资产投资对一国社会总产出的影响。 dŶ =2350.575+0.9722742dx12+5.076192dx3 T= (1.634972) (2.535566) (2.558339) R-squared=0.850616 Adjusted R-squared=0.825718 F-statistic=34.16484 从我们得出的模型可以看出，尽管从经济背景来看，近几年来各种类型的固定资产投资对GDP的增长均会产生影响，但实证分析表明，公有经济和个体经济对GDP的影响较其他两个因素要显著些。其中公有经济与GDP的相关系数从一个侧面显示出近年来国有经济布局调整和国有企业战略性改组的成效。 当其他条件不变时，公有经济投资固定资产每增长1亿元，则GDP将增加0.9722742亿元。尽管近几年我国在经济上取得了巨大成就，但我国仍是一个发展中国家。所以国家仍会大力投资于全社会的基础设施建设等固定资产项目，所以对GDP的影响很显著。我们可以看到国有经济对GDP的影响始终都是非常显著的。虽然在经济发展的不同阶段，国家对固定资产的投资侧重点有所不同，但比起其他的经济形式，它仍是固定资产投资的支柱。 当其他条件保持不变时，个体经济固定资产投资每增长1亿元，则GDP将增加5.076192亿元。近年来个体经济投资自主性增强，并成为推动支出与支撑社会投资增长的主导力量。2003年内个体经济注册资金达到2.8万亿元的规模，占全社会投资的比重已超过50%，个体投资已成为我国社会投资中最具有活力的增长源泉。 改革开放以后，我国的国有经济开始倾向于控制经济命脉的相关部门，例如对矿产、钢铁、水利、重工业等产业均起到了重要作用，而放开其他非经济命脉部门，从此个体经济能够进入并从中壮大，对国家经济增长及其占国民收入比重也不断提高，其发展资金已经初步具备了对固定资产投资的能力并且开始投资，例如温州商人近年来在房产、水电、油田等领域进行投资甚至投机，这也成为固定资产投资过热的原因之一。可见国有经济和个体经济在固定资产投资中起到了重要作用，进而影响GDP。 四 模型的启示及我们的建议 （1）放权问题 从模型中可以看出经济放权将成为国家经济的一个必然趋势，但是在此趋势中会出现各种各样的问题，需要政府进行政策调控。 （2）引导问题 随着个体经济投资固定资产的增加将出现乱投资、重复投资等资源的浪费，因此国家需要对此进行正确引导，以尽量避免此种现象的发生。 (3)正确处理国有经济和个体经济关系问题 因为二者都对GDP有显著影响，如不重视二者关系将导致资源不能有效配置，因此有效调节与协调二者关系以达到规模效应将是我们目前宏观调控的重点。 我国投资恢复快速增长态势主要是由国有经济和个体经济的相对快速增长拉动的，是经济增长进入周期性上升期和工业化与重工业化程度再次提升的必然结果。目前，我国市场机制日趋完善，自我调节能力不断增强，各种经济活动的周期性波动趋势的不一致会部分抵消投资增长的扩张趋势。所以政府应在保持政策连续性和平稳性，深化宏观调控机制改革，优化财政支出结构的基础上，采取中性的宏观调控政策。从中长期看，政府应抓住经济自身增长机制不断增强，中长期内经济将保持较快增速的良好机遇，将工作重点从短期宏观调控转移到解决长期困扰经济增长的收入差距扩大，地区经济发展不平衡，经济与社会发展不协调等重大结构性矛盾上面。 1978年以来的二十多年中，伴随着国有经济比重的不断下降，国有经济的地位与作用问题长期以来一直倍受关注，从“主体”到“发挥主导作用”、“保持控制力”，贯穿其中的红线即是我们思想上的逐步解放。在传统计划经济体制下，国有经济控制力往往停留在国有资产的物质形态层面上，而随着我国改革开放的推进以及市场经济体制的逐步完善，以国有资产的行政计划分配为主要特征的“静态控制”体系显然已不再适应社会主义市场经济体制的要求，因此有学者提出将国有经济“控制力”重新界定于“国有资本的调控力”上面。 参考书目： 《计量经济学》庞皓、李南成著 西南财经大学出版社 2002年8月第2版 《计量经济学》古扎拉蒂著 人民大学出版社 2000年版 《计量经济学导论——现代观点》J.M.伍德里奇著 中国人民大学出版社 2003年3月第1版 《应用计量经济学》拉姆.拉玛纳山著 机械工业出版社出版

  • 影响北京市居民消费的因素分析_经济学毕业论文

    影响北京市居民消费的因素分析_经济学毕业论文 影响北京市居民消费的因素分析内容摘要： 本文根据样本数据直观的确定了北京市城镇居民消费的函数模型，并从计量经济学的角度，结合消费函数的经济理论，通过对模型经济意义、统计意义、计量经济学意义上的检验，对模型反复修正与改进，最终确定影响北京市居民消费的主要因素，从一个侧面说明我国居民的消费行为。并提出我们的一些想法。 关键词：国内生产总值 可支配收入 异方差性 多重共线性 自相关性 一、前言： 1、引言 经济社会中，影响消费的因素有很多，如：收入水平、收入分配情况、家庭财产状况、商品价格水平，消费者偏好等等。在我国，居民消费是在国内生产总值经过初次分配和再分配后形成的，所以，国内生产总值是居民消费的一个影响因素。而且，居民消费支出的多少很大程度上取决于居民收入的状况，居民储蓄的增加也直接影响到消费支出。还包括许多的非收入因素，比如：计算机普及率、城市地区收入分配差异、农村地区收入分配差异、社会保障、劳动力流动水平及城市化率等等，都会对居民的消费产生一定的影响。 按照经济学的一般分析，影响消费的因素主要有：第一，利息；第二，价格；第三，收入。这三种影响消费的因素在我国也都会对消费发生作用，例如，利息的降低会引发消费的增加。但是，从我国的现实状况来看，似乎价格与利息对消费的影响作用是有限的，甚至有相反的作用。例如，1998年至今的几次降息，并为完全引发消费的较大增加。又例如，我国价格已连续21个月下降，但并未引发消费的较大增加，而且大有价格越降而消费增长越慢的趋势。联想到80年代末期和90年代初期价格越涨而消费越增加的情况，似乎完全可以得出消费与价格成反向发展的结论，并不是价格降低而消费增加。因此，在启动需求中，应该看到价格与利息在我国对消费发生作用的特殊性。不能一味靠降息与降价来启动消费。使经济降息与降价使经济更“冷”，缺乏人气，会加重消费不足的压力。 消费是社会再生产的重要环节，在市场经济条件下消费作为最终消费的重要组成部分之一，对生产的正常发展和国民经济快速增长具有重要的拉动作用。这种拉动作用主要表现在两个方面：其一，消费是GDP使用额的组成部分，在消费增长与经济正站之间没有中间环节，在生产能力的界限之内，消费的增长直接就是经济的增长；其二，消费拉动投资（组要是引致投资），投资又拉动经济增长。在GDP的构成中，一般来说消费率比投资率更大，进而经济增长的消费弹性比经济增长的投资弹性也要大，所以消费是经济增长的主要动力。而在总消费中，居民消费又占绝大部分。因此，研究居民的消费有很重要的意义。 2、模型选择的原理 消费受很多因素影响，其中最重要的是收入。因此我们结合了凯恩斯的消费函数理论和布兰查德的消费函数理论来建立北京市人们消费函数的理论模型。 凯恩斯认为消费取决于当期绝对收入水平,而与利率水平关系不大，它的理论主要包括：实际消费是实际收入的稳定函数；绝对收入指现期、绝对、实际收入；并且边际消费倾向的大小介于0和1之间。用公式表示为：C=b*y，其中，称为平均消费倾向b（C∕Y），如果分析新增加消费占新增加收入的比例，则称为边际消费倾向，即：MPC=△C∕△Y，于是根据这些基本原理可看出，消费和收入关系有三种情况，如下所示： CY，APC1 CY，1APC0 C=Y，APC=1 由此可看出上述C和Y变化规律，也可看出MPC是C=C0+bY的斜率。 再由布兰查德的消费理论，我们可以知道，GDP的增长会使人们的可支配收入增加，进一步的影响消费的增加，他的理论还阐述了这样一个原理，即消费水平和储蓄成负向的线性关系。 综合上述两种理论，我们构建了北京居民消费函数的理论模型。 二、建立模型 我们选取居民消费Y做因变量，国内生产总值P、可支配收入I、储蓄余额S做解释变量，具体数据如下： （单位：亿元） 年份t居民消费Y国内生产总值P可支配收入I储蓄余额S 1978359.861290365.4185.80 1979408.661391414.95204.71 1980490.441582501.36255.85 1981511.431558514.14295.31 1982534.821704561.05352.76 1983574.061977590.47450.81 1984666.752308693.70563.86 1985923.322704907.72720.82 19861067.3829551067.52895.65 19871147.6033381181.871180.35 19881455.5541251436.971393.08 19891520.4144991787.082014.31 19901646.0548811787.082793.91 19911860.1757812040.433658.57 19922134.6668052363.684742.92 19932939.6082403296.046824.33 19944134.12102654731.2410288.00 19955019.76130735868.3613638.04 19965729.45150446885.4818436.79 19976531.81167357813.1121439.47 根据以上数据，分别作Y与P、I、S的散点图，如下所示： 由图我们可以看出，Y与3个解释变量之间基本上满足线性关系，因此我们假设消费函数的理论模型为： 其中， Y——居民消费 ——待定参数 I——可支配收入 S——储蓄 ——随机扰动项 由下图可以看出，模型的设定总体上还不错： 三、参数估计 我们采用Eviews软件对样本数据进行OLS估计，输出结果如下： Dependent Variable: Y Method: Least Squares Date: 12/14/03 Time: 22:00 Sample: 1978 1997 Included observations: 20 VariableCoefficientStd. Errort-StatisticProb. P0.0539610.0312841.7248980.1038 I0.8579750.0919149.3345370.0000 S-0.0510410.015858-3.2185670.0054 C-6.32750633.77950-0.1873180.8538 R-squared0.999433 Mean dependent var1982.795 Adjusted R-squared0.999327 S.D. dependent var1893.425 S.E. of regression49.12267 Akaike info criterion10.80337 Sum squared resid38608.59 Schwarz criterion11.00252 Log likelihood-104.0337 F-statistic9404.124 Durbin-Watson stat2.375911 Prob(F-statistic)0.000000 D Equation.3 关系，因此我们假设他

  • 浅谈基于工作过程系统化的《SQL数据库》教学情境_经济学毕业论文

    浅谈基于工作过程系统化的《SQL数据库》教学情境_经济学毕业论文 摘要：基于工作过程系统化的课程源于真实，但应高于真实，不仅仅要将经验技能传授给学生，更重要的是将探知规律的方法传授给学，在教学过程中引导、培养学生知识迁移的思维能力，使之通过举一反三能够触类旁通，掌握解决问题的通用技法。 关键词：情境；工作过程系统化；引导文 近十年来，我国高等职业教育规模快速增长，已经成为我国高等教育中的重要力量。世界职业教育发展的经验和我国职业教育发展的历史都表明，职业教育是提高国家核心竞争力的要素。社会、经济、科学和技术发展的日新月异，对现代的教育思维模式产生了很大影响，职业教育作为以就业为导向的一种教育，更应注重强调校企合作，实施教、学、做一体化的教学模式。因此，专业教师必须根据学生的工作岗位与工作过程，来设计课程的教学情境，使学生能够举一反三，培养学生的岗位迁徙能力，使学校的教育教学过程能够模拟工作过程，实现工作过程系统化的课程教学。 1.工作过程系统化的内涵 工作过程定义：工作过程是个体“为完成一件工作任务并获得工作成果而进行的一个完整的工作程序”[1]。 工作过程系统化的研究对象是工作过程的排序，它是与学科知识系统化相对应的，学科知识系统化研究对象是知识的范畴、结构、内容、方法、组织以及理论的意识发展及排序。 2.电子商务专业《SQL Server数据库》课程工作过程系统化设计实践 SQL Server工作过程是创建一个完整的数据库管理系统。载体：工作过程的载体可以是功能、种类、目的、风格、对象等[2]。SQL Server载体是表、查询、视图等。 实现方式：从手把手到放开手，最后到育巧手。做到学中做、做中学，教、学、做合一。 手把手教学生如何设计简单的表、查询一直到一个完整的系统。让学生自己动手设计同样的内容。通过技能大赛形势培育巧手。 2.1划分情境：基于工作过程系统化的思想，运用情境教学法将《SQL Server数据库》课程情境划分为： 2.1.1数据库操作； （1）启动MS SQL Server服务，打开“企业管理器”。 （2）单击“企业管理器”左边“控制台根目录”树结构中的SQL Server Group（服务组）使其展开；再展开服务组下面的SQL Server服务器。 （3）展开“数据库”，用户可见SQL Server自带的两个四个系统数据库和两个示例数据库。 （4）在“企业管理器”中创建名为GradeManager的数据库。 实验步骤： （1）选中“数据库”，单击鼠标右键，在其弹出菜单中选择“新建数据库”。 （2）在随后出现的“新建数据库”对话框的“名称”一栏中，输入数据库名：GradeManager，也可通过“新建数据库”对话框更改该数据库文件的存放路径。 （3）展开新建的数据库，会发现数据库中已有了一下目录结构，称之为数据库对象。 关系图（Digram） 表（Table） 视图（View） 存储过程（Stored Procedure） 用户（User） 角色（Role） 规则（Ruler） 默认（Default） 用户定义的数据类型（User Defined Data Type） 用户定义的函数（Function） （4）打开“查询分析器”。 在“查询分析器”的工具栏中的数据库下拉选择框中，选中GradeManager，使之成为当前操作的数据库，在编辑框中键入下列SQL语句，创建表： Create table worker (wno char(4) primary key, wname char(8) not null, sex char(2) not null, birthday datetime) （5）按编辑框上方图形菜单中的绿色按钮，执行编辑框中的SQL语句 清空上面的SQL语句，然后输入： select * from worker 按编辑框上方图形菜单中的绿色箭头按钮，执行select语句，结果为空。 （6）在“企业管理器”中展开数据库→展开GradeManager数据库→选中Table，右击鼠标→选择刷新，可见右边出现新建的worker表。 选中worker表，右击鼠标→打开表，可见worker表中记录为空。 2.1.2数据表的操作； （1）启动MSSQL Server服务，打开Enterprise Manager 和 Query Analyzer。 （2）在Query Analyzer 中用CREATE TABLE 命令在实验一创建的GradeManager数据库中定义基本表：学生表（Student）、课程表（Course），利用Enterprise Manager 的图形化功能建立班级（Class）以及成绩表（Grade）。 （3）给学生表增加一属性Nation(民族)，数据类型为varchar(20) （4）删除学生表中新增的属性nation; （5）向成绩表中插入记录（”200101”,”3”,80）； （6）修改学号为“2001110”的学生的成绩为70分； （7）删除学号为“2001110”的学生成绩记录； （8）为学生表创建一个名为IX_Class的索引，以班级号排序； （9）删除IX_Class索引； 2.1.3视图与查询； （1）创建视图 假设在图书．读者数据库中已经建立了图书、读者和借阅3个表．它们的结构为 图书（书号,类别, 出版社,作者,书名 ,定价）． 借阅（书号,读者书证号,借阅日期）. 读者（书证号,姓名, 单位,性别,电话）. 如果要在上述 3个表的基础上建立一个视图 取名为读者--VIEW、其操作用 SQL语句 表示为: CREATE VIEW 读者-VTEW AS SELECT图书.*借阅.* FROM图书，借阅，读者 WHERE图书书号=借阅书号AND借阅.读者书证号=读者书证号； 下面利用SQLServer2005中提供的视图创建向导，来创建读者--VIEW视图。 l）打开企业管理器窗口确认服务器，打开数据库文件夹。选中新视图所在的数据库。 2）选择菜单“工具” “向导’． 3）在向导选择对话框中 单击数据库左边的”＋’号，使之展开。选择“建视图向导”项，单击“确定”按钮 4）进入创建视图向导后，首先出现的是欢迎进入创建视图向导对话框，其中简单介绍了该向导的功能． （2）查看和修改视图 视图创建好后，就可以利用它进行查询信息了。如果发现视图的结构不能很好地满足要求，还可以在企业管理器对它进行修改。 操作步骤 第一步，在企业管理器中，选择服务器、数据库，并使数据库展开，然后用鼠标右击要修改结构的视图，会弹出视图功能菜单 第二步，在弹出的菜单上选择“设计视图”项，则弹出一个视图设计对话框，如图3－28所示。图中列出了视图结构的详细内容，当对其修改完毕后关闭窗口，新的视图结构就会取代原先的结构。 2.1.4数据库的日常维护与管理。 (1)操作系统的安全性； SQL Server采用了集成Windows操作系统网络安全性的机制，所以使得操作系统安全性的地位得到提高，但同时也加大了管理数据库系统安全性和灵活性的难度。操作系统安全性是操作系统管理员或者网络管理员的任务。 Windows身份验证 SQL Server身份验证 (2)数据库用户权限的安全性； 登录了SQL Server2005数据库系统并不表示能够访问所有数据库，只有成为数据库的用户拥有对该数据库的访问权限，才能在自己的权限范围内访问数据库。 SQL Server的安全系统会根据用户的需要，规定用户登录后可以使用哪些数据库。 (3)SQL Server架构的安全性； 数据库架构是一个独立于数据库用户的非重复命名空间。 可以在数据库中创建和更改架构，并且可以授予用户访问架构的权限。 (4)SQL Server 数据库对象的安全性。 数据库对象的安全性是核查用户权限的最后一个安全等级。 在创建数据库对象时，SQL Server自动把该数据库对象的拥有权赋予该对象的创建者。对象的拥有者可以实现对该对象的完全控制。 2.2为每个情境选择恰当的引导文 引导文教学法：引导文教学法是借助一种专门的教学文件（即引导文）引导学生独立学习和工作的教学方法[3]。 SQL Server数据库各个情境的引导文如下： 第一,数据库对象的引导文。数据库是是指:以同一组织方式将相关数据组织在一起,并存放在计算机存储器上的,能够为多个用户所共享,与应用程序彼此相互独立的一组相关数据的组合[3]。 问题：数据库的功能？ SQL Server数据库与Access等其它数据库的区别。 第二,数据表对象的引导文。 表是一种二维关系。数据表是数据库中一个非常重要的对象，是其他对象的基础。没有数据表，关键字、主键、索引等也就无从谈起。在数据库画板中可以显示数据库中的所有数据表，创建数据表，修改表的定义等数据表是数据库中一个非常重要的对象，是其他对象的基础。 问题：如何创建数据表？如何设置约束条件？ 第三,视图与查询对象的引导文。 视图是一个虚拟表，其内容由查询定义。同真实的表一样，视图包含一系列带有名称的列和行数据。但是，视图并不在数据库中以存储的数据值集形式存在。行和列数据来自由定义视图的查询所引用的表，并且在引用视图时动态生成。 问题：如何创建和使用视图？如何运用不同的查询方法进行数据 操作？ 第四，数据库的日常维护与管理。 安全性是指保护数据库不被破坏、偷窃和非法使用[4]。保持应用系统的安全是非常重要的。不仅要保护应用系统的数据，还要对应用应用系统上的操作进行保护。 问题：如何对数据库进行安全性保护？ 2.3引导文教学法的实施： 第一,获取信息（回答引导问题）； 第二,制定计划（常为书面工作计划）； 第三,做出决定（与教师讨论所制定的工作计划及引导问题的答案）； 第四,实施计划（完成工作任务）； 第五,控制（根据质量监控单自行或由他人进行工作过程或商品质量的控制）； 第六,评定（对质量监控结果和将来如何改进不足之处进行讨论）。 3.处理好专业知识与专业实践学习的关系 职业教育应通过职业情境中的典型职业活动，即与专业实践紧密相关的案例学习来实现专业知识的学习与职业实践技能的掌握。各个“学习领域”中的典型案例学习，要在以项目教学为主要特征的“学习情境”中实施。 3.1电子商务专业SQL Server数据库课程教学目标设定：职业教育的个性即其职业性，相对于其他类型的教育目标更明确，具体表现在以下几方面： 3.1.1以本专业所对应的典型职业活动的工作能力为导向。例如：网站建设、电子商务平台设计。 3.1.2以本专业所对应的典型职业活动的工作过程为导向。例如：正确使用数据库系统，数据库创建方法、数据操作方法、数据库安全管理、后台数据库建设。 3.2教学方法：运用适合于职业教育的教学方法，如项目教学法、案例教学法、仿真教学法、角色扮演法。根据上述情境设置相应的项目作业，课堂上引用典型案例激发学生积极性，让每位学生扮演一定的角色进行实践与学习。例如：利用SQL Server建立一个小型的数据管理系统，结合真实使用领域，让每个同学充当创建数据库、表、查询、视图、安全管理等角色。培养学生团队合作意识。 基于工作过程系统化的教学情境设计是行之有效的，它涵盖了职业资格、工作任务、职业活动，凸显过程性的职业结构，此方法也必须在以后的教学实践中不断改进和提高，相信，基于工作过程系统化的教学情境设计必将服务于我们的教育教学。 【参考文献】 [1]姜大源，中国职业技术教育[J]，2008年第19期：7-11 [2] 何文华，《SQL SERVER数据库案例教程》，电子工业出版社，2008.10:20-30 [3] 姜大源，职业教育学研究新论[M]，北京：教育科学出版社，2007：3 [4]刘志成，《SQL Server 2005实例教程》，电子工业出版社，2008.02:30-35 原载：科技信息2009年第23期

1 ...596061626364656667... 77
最新消息
相关帖子
高校大学相关专题
标签云
AB
CD ABCDEFGHIJKLMNOPQISTUVWXYZ
人大经济论坛 大学 专业 手机版

为做大做强人大经济论坛，本站接受风险投资商咨询，请联系（010-62719935）
京ICP备11001960号 京ICP证090565号 京公网安备1101084107号 论坛法律顾问：王进律师 知识产权保护声明 免责及隐私声明
邮箱：service@pinggu.org
合作咨询电话：(010)62719935 广告合作电话：010-68456523 13661292478 刘老师
投诉电话：(010)68466864 不良信息处理电话：13661292478