计量经济学论文eviews分析计量经济作业.docx

计量经济学论文eviews分析计量经济作业.docx

《计量经济学论文eviews分析计量经济作业.docx》由会员分享，可在线阅读，更多相关《计量经济学论文eviews分析计量经济作业.docx（19页珍藏版）》请在冰点文库上搜索。

计量经济学论文eviews分析计量经济作业

我国旅游收入的计量分析

一、经济理论陈述

在研读了大量统计和计量资料的基础上，选择了三个大方面进行研究，既包括旅游人数，人均旅游花费和基本交通建设。

其中，在旅游人数这个解释变量的划分上，我们考虑到随着全球经济一体化的发展，越来越多的外国游客来中国旅游消费。

中国旅游的国际市场是个有发展潜力的新兴市场，尽管外国游客前来旅游的方式包罗万象而且消费能力也不尽相同，但从国际服务贸易的角度出发，我们在做变量选择时，运用国际营销的知识进行市场细分，划分了国际和国内两个市场。

这样，在旅游人数这个解释变量的最终确定上，我们选择了

国内旅游人数，

入境旅游人数。

这点选择除了理论支持外，在现实旅游业发展中我们也看到很多景区包括成都的近郊也有不少外国游客的身影。

所以，我们选取这两个解释变量等待下一步进行模型设计和检验。

另外，对于人均旅游花费，我们在进行市场细分时，没有延续前两个变量的选择模式，有几个原因。

首先，外国游客前来旅游的形式和消费方式各异且很难统计。

我们在花大力气收集数据后，仍然没有比较权威的统计数据资料。

其次，随着国家对农业的不断重视和扶持，我国农业有了长足发展。

农村居民纯收入增加，用于旅游的花费也有所上升。

而且鉴于农村人口较多，前面的市场细分也不够细化，在这个解释变量的确定上，我们选择农村人均旅游花费，既是从我国基本国情出发，也是对第一步研究分析的补充。

所以我们确定了

城镇居民人均旅游花费和

农村居民人均旅游花费。

旅游发展除了对消费者市场的划分研究，还应考虑到该产业的基础硬件设施。

在众多可选择对象中我们经分析研究结合大量文献资料决定从交通建设着手。

在我国，交通一般分布为公路，铁路，航班，航船等。

由于考虑到我国一般大众的旅游交通方式集中在公路和铁路上，为了避免解释变量的过多过繁以与可能带来的多重共线形等问题，我们只选取了前二者。

即确定了

公路长度和

铁路长度这两个解释变量。

其中，考虑到我国旅游业不断发展过程中，高速公路的修建也不断增多，在

的确定过程中，我们已经将其拟合，尽量保证解释变量的完整和真实。

二、相关数据

三、计量经济模型的建立

Ｙ＝ｃ（１）＋ｃ（２）＊Ｘ２＋ｃ（３）＊Ｘ３＋ｃ（４）＊Ｘ４＋ｃ（５）＊Ｘ５＋ｃ（６）＊Ｘ６＋Ｕ

我们建立了下述的一般模型：

其中

Ｙ——1994-2003年各年全国旅游收入

Ｃ（１）——待定参数　

——国内旅游人数（万人）

——入境旅游人数（万人）

——城镇居民人均旅游花费（元）

——农村居民人均旅游花费（元）

——公路长度（含高速）（万公里）

——铁路长度（万公里）

Ｕ——随即扰动项

四、模型的求解和检验

利用Eviews软件，采用以上数据对该模型进行OLS回归，结果如下：

DependentVariable:

Y

Method:

LeastSquares

Date:

12/23/10Time:

01:

56

Sample:

19942003

Includedobservations:

10

Variable

Coefficient

Std.Error

t-Statistic

Prob.  

C

-340.5047

1357.835

-0.250770

0.0882

X2

-0.001616

0.013520

-0.119529

0.1524

X3

0.232358

0.128017

1.815050

0.1671

X4

6.391052

1.716888

3.722463

0.0337

X5

-1.046757

1.224011

-0.855187

0.0453

X6

5.673429

6.667266

0.850938

0.4573

X7

-474.3909

355.7167

-1.333620

0.2745

R-squared

0.996391

    Meandependentvar

2494.200

AdjustedR-squared

0.989174

    S.D.dependentvar

980.4435

S.E.ofregression

102.0112

    Akaikeinfocriterion

12.28407

Sumsquaredresid

31218.86

    Schwarzcriterion

12.49588

Loglikelihood

-54.42035

    F-statistic

138.0609

Durbin-Watsonstat

3.244251

    Prob（F-statistic）

0.000944

由此可见，该模型可决系数很高，F检验显著，但是

、

、

的系数t检验不显著，且

的系数符号不符合经济意义，说明存在严重的多重共线性。

所以进行以下修正：

〈一〉．计量方法检验与修正

多重共线性的检验：

首先对Y进行各个解释变量的逐步回归,由最小二乘法，结合经济意义和统计检验得出拟合效果最好的两个解释变量如下：

DependentVariable:

Y

Method:

LeastSquares

Date:

12/23/10Time:

02:

00

Sample:

19942003

Includedobservations:

10

Variable

Coefficient

Std.Error

t-Statistic

Prob.  

C

-3193.041

606.2101

-5.267217

0.0012

X4

9.729003

1.435442

6.777703

0.0003

X5

-1.197036

2.059371

-0.581263

0.1293

R-squared

0.957285

    Meandependentvar

2494.200

AdjustedR-squared

0.945081

    S.D.dependentvar

980.4435

S.E.ofregression

229.7654

    Akaikeinfocriterion

13.95532

Sumsquaredresid

369544.9

    Schwarzcriterion

14.04609

Loglikelihood

-66.77660

    F-statistic

78.43859

Durbin-Watsonstat

0.791632

    Prob（F-statistic）

0.000016

继续采用逐步回归法将其余解释变量代入，得出拟合效果最好的三个解释变量，结果如下：

DependentVariable:

Y

Method:

LeastSquares

Date:

12/23/10Time:

02:

01

Sample:

19942003

Includedobservations:

10

Variable

Coefficient

Std.Error

t-Statistic

Prob.  

C

-3391.810

514.1119

-6.597416

0.0006

X2

0.029414

0.014525

2.025042

0.0393

X4

6.355459

2.050175

3.099959

0.0211

X5

-0.284542

1.772604

-0.160522

0.1077

R-squared

0.974627

    Meandependentvar

2494.200

AdjustedR-squared

0.961940

    S.D.dependentvar

980.4435

S.E.ofregression

191.2739

    Akaikeinfocriterion

13.63446

Sumsquaredresid

219514.3

    Schwarzcriterion

13.75550

Loglikelihood

-64.17232

    F-statistic

76.82334

Durbin-Watsonstat

1.328513

    Prob（F-statistic）

0.000035

以上模型估计效果最好，继续逐步回归得到以下结果：

DependentVariable:

Y

Method:

LeastSquares

Date:

12/23/10Time:

02:

40

Sample:

19942003

Includedobservations:

10

Variable

Coefficient

Std.Error

t-Statistic

Prob.  

C

-1973.943

441.5947

-4.470034

0.0066

X2

-0.005095

0.011431

-0.445729

0.6744

X3

0.328279

0.080682

4.068802

0.0096

X4

4.665485

1.158665

4.026602

0.0101

X5

-1.714020

0.999029

-1.715686

0.1469

R-squared

0.994114

    Meandependentvar

2494.200

AdjustedR-squared

0.989406

    S.D.dependentvar

980.4435

S.E.ofregression

100.9150

    Akaikeinfocriterion

12.37329

Sumsquaredresid

50919.23

    Schwarzcriterion

12.52458

Loglikelihood

-56.86644

    F-statistic

211.1311

Durbin-Watsonstat

3.034041

    Prob（F-statistic）

0.000009

各项拟合效果都较好。

虽然

的t检验不是很显著，但考虑到其经济意义在模型中的重要地位，暂时保留。

继续引入

。

DependentVariable:

Y

Method:

LeastSquares

Date:

12/23/10Time:

02:

41

Sample:

19942003

Includedobservations:

10

Variable

Coefficient

Std.Error

t-Statistic

Prob.  

C

-2034.155

525.2137

-3.873004

0.0179

X2

-0.007033

0.014095

-0.498977

0.6440

X3

0.299562

0.128626

2.328946

0.0803

X4

4.787986

1.339888

3.573423

0.0233

X5

-1.511851

1.282385

-1.178937

0.1638

X6

2.062334

6.659247

0.309695

0.7723

R-squared

0.994252

    Meandependentvar

2494.200

AdjustedR-squared

0.987067

    S.D.dependentvar

980.4435

S.E.ofregression

111.4976

    Akaikeinfocriterion

12.54959

Sumsquaredresid

49726.89

    Schwarzcriterion

12.73114

Loglikelihood

-56.74797

    F-statistic

138.3830

Durbin-Watsonstat

3.130122

    Prob（F-statistic）

0.000144

根据以上回归结果可得，

的引入使得模型中

、

的t检验均不显著，再考察二者的相关系数为0.949132，说明

、

高度相关，模型产生了多重共线性，因此将

去掉。

再将

代入检验。

DependentVariable:

Y

Method:

LeastSquares

Date:

12/23/10Time:

02:

42

Sample:

19942003

Includedobservations:

10

Variable

Coefficient

Std.Error

t-Statistic

Prob.  

C

-641.0670

1265.065

-0.506746

0.0190

X2

0.001432

0.012579

0.113838

0.9149

X3

0.315742

0.079487

3.972264

0.0165

X4

5.694229

1.456042

3.910759

0.0174

X5

-1.631710

0.977195

-1.669790

0.1703

X7

-351.4600

313.6492

-1.120551

0.3252

R-squared

0.995521

    Meandependentvar

2494.200

AdjustedR-squared

0.989921

    S.D.dependentvar

980.4435

S.E.ofregression

98.43019

    Akaikeinfocriterion

12.30028

Sumsquaredresid

38754.01

    Schwarzcriterion

12.48183

Loglikelihood

-55.50141

    F-statistic

177.7916

Durbin-Watsonstat

2.850083

    Prob（F-statistic）

0.000087

的系数为负，与经济意义相悖，因此也去掉。

由此确定带入模型的解释变量为

、

、

、

。

异方差性的检验：

再对模型的异方差性进行检验：

鉴于我们的样本资料是时间序列数据，选用ARCH检验。

ARCHTest:

F-statistic

0.044061

    Probability

0.839718

Obs*R-squared

0.056296

    Probability

0.812449

TestEquation:

DependentVariable:

RESID^2

Method:

LeastSquares

Date:

12/23/10Time:

02:

43

Sample（adjusted）:

19952003

Includedobservations:

9afteradjustments

Variable

Coefficient

Std.Error

t-Statistic

Prob.  

C

5197.741

3188.960

1.629918

0.1471

RESID^2（-1）

0.079216

0.377385

0.209908

0.8397

R-squared

0.006255

    Meandependentvar

5645.880

AdjustedR-squared

-0.135708

    S.D.dependentvar

6668.507

S.E.ofregression

7106.603

    Akaikeinfocriterion

20.76857

Sumsquaredresid

3.54E+08

    Schwarzcriterion

20.81239

Loglikelihood

-91.45855

    F-statistic

0.044061

Durbin-Watsonstat

1.810449

    Prob（F-statistic）

0.839718

这里Obs*R-squared为0.056296，P=0.812449>0.05所以接受

，表明模型中随机误差项不存在异方差。

再考虑P=3的情况：

ARCHTest:

F-statistic

0.126837

    Probability

0.938100

Obs*R-squared

0.787922

    Probability

0.852354

TestEquation:

DependentVariable:

RESID^2

Method:

LeastSquares

Date:

12/23/10Time:

02:

46

Sample（adjusted）:

19972003

Includedobservations:

7afteradjustments

Variable

Coefficient

Std.Error

t-Statistic

Prob.  

C

206.9671

8303.931

0.024924

0.9817

RESID^2（-1）

0.162377

0.536337

0.302751

0.7819

RESID^2（-2）

0.112799

0.570427

0.197746

0.8559

RESID^2（-3）

0.331276

0.570658

0.580516

0.6023

R-squared

0.112560

    Meandependentvar

4377.448

AdjustedR-squared

-0.774879

    S.D.dependentvar

7000.432

S.E.ofregression

9326.298

    Akaikeinfocriterion

21.41462

Sumsquaredresid

2.61E+08

    Schwarzcriterion

21.38371

Loglikelihood

-70.95118

    F-statistic

0.126837

Durbin-Watsonstat

1.521751

    Prob（F-statistic）

0.938100

这里Obs*R-squared为0.787922，P=0.852354>0.05

。

所以仍然接受

，表明模型中随机误差项不存在异方差。

自相关性的检验：

随机扰动项可能存在一阶负自相关。

借助残差项和其一阶滞后项的二维坐标图进一步分析：

由图示可看出，残差项和其一阶滞后项显然存在负自相关，然后利用对数线形回归修正自相关性，得到相应结果如下：

DependentVariable:

LOG（Y）

Method:

LeastSquares

Date:

12/23/10Time:

02:

52

Sample:

19942003

Includedobservations:

10

Variable

Coefficient

Std.Error

t-Statistic

Prob.  

C

-8.769551

2.012276

-4.358027

0.0073

LOG（X2）

0.324789

0.343868

0.944516

0.0383

LOG（X3）

0.384066

0.227746

1.686378

0.0225

LOG（X4）

1.482683

0.313487

4.729643

0.0052

LOG（X5）

0.005750

0.068955

0.083382

0.0468

R-squared

0.994678

    Meandependentvar

7.740729

AdjustedR-squared

0.990421

    S.D.dependentvar

0.442977

S.E.ofregression

0.043355

    A