对中国经济增长因素的实证分析论文-毕业论文.doc

对中国经济增长影响因素的实证分析摘 要：改革开放三十三年以来，中国的社会经济取得了飞速发展，经济增长速度更是举世瞩目。本文根据计量经济学、西方经济学和Eviews软件相关知识，采用时间序列数据模型和多元线性回归分析方法对1980-2009年（中国统计年鉴数据截止到2009年）三十年间中国经济增长因素进行研究，分析了物质资本、劳动力、消费对国内生产总值（GDP）的影响，建立计量经济学模型，寻求这些变量与国内生产总值的数量关系，进行定量分析，对模型进行检验，最终得出结论。关键词：劳动力、投资、消费、经济增长、最小二乘法。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19782008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（）衡量劳动力；用固定资产投资总额()衡量资本投入：用价格指数（）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：代表社会就业人数，代表固定资产投资，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。2.1理论模型的确定通过变量的试算筛选，最终确定以以下变量建立回归模型。被解释变量 ：国内生产总值,解释变量 :代表社会就业人数，:代表固定资产投资，:代表消费价格指数，另外，从经济意义上来说，社会就业人数、固定资产投资和消费价格指数这三个宏观经济指标基本反映了我国经济发展状况，因此也就很大程度上决定了经济增长水平。单从经济意义上讲，变量的选择是正确的。而且，就直观上来说，解释变量与被解释变量都是相关的，这三个解释变量都是经济增长的“良性”变量，它们的增长都对我国经济增长起着积极的推动作用，这一点可以作为模型经济意义检验的依据。表1： 被解释变量与解释变量1980-20009数据年份国内生产总值（现价）/亿元年末从业人员数/万人全社会固定资产投资总额/亿元居民消费价格指数（上年=100）19804545.62397342361910.9107.519814889.46106243725961102.519825330.450965452951230.410219835985.551568464361430.110219847243.751718481971832.9102.719859040.736581498732543.2109.3198610274.37922512823120.6106.5198712050.61513527833791.7107.3198815036.82301543344753.8118.8198917000.91911553294410.4118199018718.32238569094517103.1199121826.19941583605594.5103.4199226937.27645594328080.1106.4199335260.024716022013072.3114.7199448108.456446147017042.1124.1199559810.529216794720019.3117.1199670142.491656885022913.5108.3199778060.8356960024941.1102.8199883024.279776995728406.299.2199988479.154757058629854.798.6200098000.454317208532917.7100.42001108068.22067302537213.5100.72002119095.68937374043499.999.22003135173.97617443255566.6101.22004159586.74797520070477.4103.92005185808.5597582588773.6101.82006217522.669876400109998.2101.52007267763.658876990137323.9104.82008316228.824877480172828.4105.92009343464.690377995224598.899.3资料来源：中国统计年鉴。首先，检查被解释变量和解释变量之间的线性关系是否成立。观察被解释变量与解释变量之间的散点图。图1：被解释变量与解释变量的散点图由图中趋势线可以判断，被解释变量Y与解释变量之间基本呈线性关系。图2：被解释变量与解释变量的散点图由图中趋势线可以判断，被解释变量与解释变量之间基本呈线性关系。图3：被解释变量与解释变量的散点图由图中趋势线可以判断，被解释变量Y与解释变量之间基本呈线性关系。再通过变量之间的相关系数判断。表2：被解释变量与解释变量相关系数表Covariance Analysis: OrdinaryDate: 1/7/15 Time: 13:05Sample: 1980 2009Included observations: 30CovarianceCorrelationYX1X2X3Y8.85E+091.000000X18.91E+081.33E+080.8206791.000000X25.05E+094.52E+082.99E+090.9810580.7173941.000000X3-197583.1-20469.67-102814.741.73889-0.325058-0.274607-0.2911371.000000看到被解释变量Y与解释变量，之间具有较高的相关性。通过散点图和相关系数表的判断，可以判断被解释变量和解释变量之间具有明显的相关线性关系。同时通过被解释变量与解释变量的相关图形分析，设置理论模型为：2.2 建立初始模型OLS2.2.1 使用OLS法进行参数估计表3： 普通最小二乘法参数估计输出结果Dependent Variable: YMethod: Least SquaresDate: 1/7/15 Time: 14:23Sample: 1980 2009Included observations: 30CoefficientStd. Errort-StatisticProb.X11.9348400.2159908.9579970.0000X21.3825590.04582330.171690.0000X3-379.2654280.8999-1.3501800.1886C-49822.3133676.59-1.4794340.1510R-squared0.991233Mean dependent var85749.31Adjusted R-squared0.990221S.D. dependent var95692.85S.E. of regression9462.951Akaike info criterion21.27172Sum squared resid2.33E+09Schwarz criterion21.45855Log likelihood-315.0758Hannan-Quinn criter.21.33149F-statistic979.8468Durbin-Watson stat1.178143Prob(F-statistic)0.000000得到初始模型为：2.2.2 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。(1)经济意义检验解释变量的系数分别为=1.934840、=1.382559。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，=-379.2654，符合被解释变量与解释变量之间的负相关关系。与现实经济意义相符，所以模型通过经济意义检验。(2)统计检验拟合优度检验：R2检验，R-squared=0.991233；Adjusted R-squared=0.990221；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，表4：模型系数显著性检验，t检验结果CoefficientStd. Errort-StatisticProb.X11.9348400.2159908.9579970.0000X21.3825590.04582330.171690.0000X3-379.2654280.8999-1.3501800.1886C-49822.3133676.59-1.4794340.1510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%的显著水平下、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%显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：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轴为方程被解释变量，Y轴为方程的残差项，做带有回归线的散点图。图4：初始模型的异方差性检验散点图图5：初始模型的异方差性检验散点图图6：初始模型的异方差性检验散点图通过图形看到，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，下面使用White异方差检验法进行检验，分别选择不带有交叉项和带有交叉项的White异方差检验法。得到下面的检验结果：表5：不带有交叉项的White异方差检验结果Heteroskedasticity Test: WhiteF-statistic75.59849Prob. F(3,26)0.0000Obs*R-squared26.91450Prob. Chi-Square(3)0.0000Scaled explained SS52.75104Prob. Chi-Square(3)0.0000Test Equation:Dependent Variable: RESID2Method: Least SquaresDate: 1/7/15 Time: 17:53Sample: 1980 2009Included observations: 30CoefficientStd. Errort-StatisticProb.C1.51E+081.08E+081.3984920.1738X12-0.0297750.009593-3.1038680.0046X220.0174190.00124513.987760.0000X32-2715.9968243.375-0.3294760.7444R-squared0.897150Mean dependent var77607780Adjusted R-squared0.885283S.D. dependent var1.80E+08S.E. of regression61075426Akaike info criterion38.81668Sum squared resid9.70E+16Schwarz criterion39.00351Log likelihood-578.2502Hannan-Quinn criter.38.87645F-statistic75.59849Durbin-Watson stat1.947056Prob(F-statistic)0.000000表6：带有交叉项的White异方差检验结果Heteroskedasticity Test: WhiteF-statistic33.57944Prob. F(9,20)0.0000Obs*R-squared28.13789Prob. Chi-Square(9)0.0009Scaled explained SS55.14882Prob. Chi-Square(9)0.0000Test Equation:Dependent Variable: RESID2Method: Least SquaresDate: 1/7/15 Time: 17:54Sample: 1980 2009Included observations: 30CoefficientStd. Errort-StatisticProb.C-2.08E+094.06E+09-0.5129120.6136X1-34576.9939720.32-0.8705120.3943X120.1897190.2240910.8466150.4072X1*X2-0.2972990.442472-0.6719060.5093X1*X3127.5161329.28240.3872540.7027X229147.1435662.290.8173100.4234X220.0331350.0077604.2700530.0004X2*X3-97.1163796.87489-1.0024930.3281X355473498685387340.8093740.4278X32-283697.5290382.6-0.9769780.3403R-squared0.937930Mean dependent var77607780Adjusted R-squared0.909998S.D. dependent var1.80E+08S.E. of regression54097636Akaike info criterion38.71168Sum squared resid5.85E+16Schwarz criterion39.17875Log likelihood-570.6752Hannan-Quinn criter.38.86110F-statistic33.57944Durbin-Watson stat2.262413Prob(F-statistic)0.000000使用White检验法不论是否带有交叉项，所得的检验伴随概率均小于5%，均在5%的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、，构成回归模型，进行模型估计。表7： 被解释变量与最小二乘估计结果Dependent Variable: YMethod: Least SquaresDate: 1/7/15 Time: 18:32Sample: 1980 2009Included observations: 30CoefficientStd. Errort-StatisticProb.X16.6920860.8805267.6001010.0000C-334986.156283.70-5.9517430.0000R-squared0.673513Mean dependent var85749.31Adjusted R-squared0.661853S.D. dependent var95692.85S.E. of regression55645.78Akaike info criterion24.75574Sum squared resid8.67E+10Schwarz criterion24.84915Log likelihood-369.3361Hannan-Quinn criter.24.78562F-statistic57.76153Durbin-Watson stat0.096883Prob(F-statistic)0.000000表8： 被解释变量与最小二乘估计结果Dependent Variable: YMethod: Least SquaresDate: 1/7/15 Time: 18:34Sample: 1980 2009Included observations: 30CoefficientStd. Errort-StatisticProb.X21.6885940.06301126.798310.0000C19746.454234.3284.6634200.0001R-squared0.962474Mean dependent var85749.31Adjusted R-squared0.961134S.D. dependent var95692.85S.E. of regression18865.38Akaike info criterion22.59239Sum squared resid9.97E+09Schwarz criterion22.68580Log likelihood-336.8858Hannan-Quinn criter.22.62227F-statistic718.1495Durbin-Watson stat0.402624Prob(F-statistic)0.000000表9： 被解释变量与最小二乘估计结果Dependent Variable: YMethod: Least SquaresDate: 1/7/15 Time: 18:36Sample: 1980 2009Included observations: 30CoefficientStd. Errort-StatisticProb.X3-4733.7892602.669-1.8188210.0797C586426.4275788.72.1263610.0424R-squared0.105663Mean dependent var85749.31Adjusted R-squared0.073722S.D. dependent var95692.85S.E. of regression92097.98Akaike info criterion25.76343Sum squared resid2.37E+11Schwarz criterion25.85685Log likelihood-384.4515Hannan-Quinn criter.25.79332F-statistic3.308109Durbin-Watson stat0.120717Prob(F-statistic)0.079650由图可以看出，与的拟合优度是最大的，R-squared=0.962474。再做与和的回归模型。表10： 被解释变量与和的最小二乘估计结果Dependent Variable: YMethod: Least SquaresDate: 1/7/15 Time: 18:47Sample: 1980 2009Included observations: 30CoefficientStd. Errort-StatisticProb.X11.9636070.2181888.9996170.0000X21.3912530.04605530.208780.0000C-92084.4212611.85-7.3014230.0000R-squared0.990618Mean dependent var85749.31Adjusted R-squared0.989923S.D. dependent var95692.85S.E. of regression9606.088Akaike info criterion21.27282Sum squared resid2.49E+09Schwarz criterion21.41294Log likelihood-316.0923Hannan-Quinn criter.21.31765F-statistic1425.411Durbin-Watson stat0.956357Prob(F-statistic)0.000000再做与和、的回归模型。表11： 被解释变量与和、的最小二乘估计结果Dependent Variable: YMethod: Least SquaresDate: 1/7/15 Time: 18:51Sample: 1980 2009Included observations: 30CoefficientStd. Errort-StatisticProb.X11.9348400.2159908.9579970.0000X21.3825590.04582330.171690.0000X3-379.2654280.8999-1.3501800.1886C-49822.3133676.59-1.4794340.1510R-squared0.991233Mean dependent var85749.31Adjusted R-squared0.990221S.D. dependent var95692.85S.E. of regression9462.951Akaike info criterion21.27172Sum squared resid2.33E+09Schwarz criterion21.45855Log likelihood-315.0758Hannan-Quinn criter.21.33149F-statistic979.8468Durbin-Watson stat1.178143Prob(F-statistic)0.000000 观察与和最小二乘估计的拟合优度（R-squared =0.990618），与与最小二乘估计的拟合优度（R-squared =0.673513）比较，变化明显，说明对y的影响显著。观察与和、最小二乘估计的拟合优度（R-squared =0.991233），与与和最小二乘估计的拟合优度（R-squared =0.990618）比较，变化不明显，说明对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。该模型中，样本量n=30，解释变量的个数为3个，查DW检验表知5%的上下界为dl=1.28，4-dl=2.72，du=1.57，4-du=2.43，；1%的上下界为dl=1.07，4-dl=2.93，du=1.34，4-du=2.66。本模型的DW检验值为：DW=1.178143，在5%的水平下，0DWdl，落在正自相关区；在1%的水平下，dlDWdu，落在无结论区，无法判断。图7 图8由于DW值在5%的上下界条件下正自相关，说明模型存在序列相关性，所以需要对模型进行修正。 (4)预测检验图9：模型预测检验结果图预测误差MAPE=28.52734%，MAPE大于10，预测效果。通过参数估计和四级检验，得到的初始模型是：t=（-1.479434）（8.957997）（30.17169）（-1.350180）p=（0.1510） （0.0000） （0.0000） （0.1886）R-squared=0.991233 Adjusted R-squared=0.9902212.3 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。2.3.1 使用WLS法进行参数估计表12：加权最小二乘法估计模型参数结果输出表Dependent Variable: YMethod: Least SquaresDate: 1/8/15 Time: 13:09Sample: 1980 2009Included observations: 30Weighting series: 1/RESID2CoefficientStd. Errort-StatisticProb.X11.7084960.07599822.480690.0000X21.5749690.05831527.007730.0000X3-332.618613.90237-23.925320.0000C-43825.712255.915-19.427020.0000Weighted StatisticsR-squared0.999841Mean dependent var14463.34Adjusted R-squared0.999823S.D. dependent var31652.85S.E. of regression253.3304Akaike info criterion14.03083Sum squared resid1668584.Schwarz criterion14.21766Log likelihood-206.4625Hannan-Quinn criter.14.09060F-statistic54656.07Durbin-Watson stat1.063337Prob(F-statistic)0.000000Unweighted StatisticsR-squared0.980555Mean dependent var85749.31Adjusted R-squared0.978311S.D. dependent var95692.85S.E. of regression14092.91Sum squared resid5.16E+09Durbin-Watson stat0.7086542.3.2 对修正模型进行检验要对使用加权最小二乘法估计参数建立的新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。(1)经济意义检验解释变量的系数分别为1=1.708496、2=1.574969。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，与现实经济意义相符；3=-332.6186，符合被解释变量与解释变量之间的正相关关系，所以模型通过经济意义检验。对于常数项的意义将在模型经济意义的分析中讨论。(2)统计检验（显著水平1%）拟合优度检验：R2检验，R-squared=0.999841；Adjusted R-squared=0.999823；可见拟合优度较初始使用OLS法估计建立的模型有所改善，拟和优度相当高，新方程拟和得很理想。变量的显著性检验：t