探索影响工业GDP增长的因素Word下载.doc

探索影响工业GDP增长的因素Word下载.doc

《探索影响工业GDP增长的因素Word下载.doc》由会员分享，可在线阅读，更多相关《探索影响工业GDP增长的因素Word下载.doc（10页珍藏版）》请在冰点文库上搜索。

1.118321

0.027486

40.68678

0.0000

R-squared

0.990427

Meandependentvar

20313.41

AdjustedR-squared

0.989829

S.D.dependentvar

15007.39

S.E.ofregression

1513.518

Akaikeinfocriterion

17.58670

Sumsquaredresid

36651784

Schwarzcriterion

17.68563

Loglikelihood

-156.2803

F-statistic

1655.414

Durbin-Watsonstat

0.841509

Prob（F-statistic）

0.000000

注释：

FXA――固定资产投资额（单位：

元）

INDUSG――工业GDP

t=2.13840.69

（R2＝0.9904，F=1655.4DW=0.8415）

由t统计量可以看出，固定资产投资（FXA）对工业GDP的影响十分显著。

从R2和F统计量可以看出模型拟合得非常好。

但是D-W<

dL=1.046表明残差存在相当强的自相关性；

下面我们接着做了能源消费量与工业GDP的模型

模型2：

INDUSG=C+β*POW_US+u

14

-51613.80

7585.126

-6.804607

POW_US

0.626075

0.064895

9.647576

0.853313

0.844145

5924.689

20.31608

5.62E+08

20.41501

-180.8447

93.07572

0.192529

POW_US――能源消费量（单位：

万吨标准煤）

INDUSG=-51613.79789+0.6260746823*POW_US

t=-6.8049.647

（R2＝0.853，F=93.07DW=0.1925）

由t统计量可以看出，能源消费量（POW_US）对工业GDP的影响十分显著；

但从R2和F统计量可以看出模型整体拟合得不是很好；

同时D-W≈0表明残差存在严重的自相关性。

这样的结果说明在本模型中并没有包含影响工业GDP的关键因素。

由以上两个表可以看出，这两个因素对工业GDP的影响是比较显著的，证明我们的猜想是符合现实情况的。

但是这两个模型的D-W检验结果都相当差，说明了两个模型都漏掉了影响模型的重要因素。

于是我们考虑做二元模型。

2.建立二元模型，

探索固定资产投资和能源消费量对工业GDP的相对影响强弱

由以上一元模型的结果可知：

固定资产投资（FXA）和能源消费量（POW_US）对工业GDP的影响都很显著，所以尝试用这两个解释变量作二元模型，得到模型3。

模型3：

INDUSG=C+β1*FXA+β2*POW_US+u

46

-5810.148

3190.055

-1.821332

0.0886

0.999148

0.058451

17.09390

0.079206

0.035254

2.246735

0.0401

0.992838

0.991883

1352.116

17.40774

27423273

17.55614

-153.6697

1039.631

0.999447

解释变量相关系数矩阵：

1.000000

0.907479

INDUSG=-5810.148217+0.9991484399*FXA+0.07920588433*POW_US

t＝1.821317.092.24

（R2＝0.9928，F=1039DW=0.999）

Cov（FXA,POW_US）=0.9075

从以上数据可以看出：

模型总体拟合的很好（R2＝0.9928），也比较可以。

但如果考虑二者的相关系数很大，模型具有多重共线性。

同时，dL=0.933<

D-W<

du=1.696落在了不可判断区域，D-W比较接近dL，保守起见还是认为模型具有自相关性。

因此这个模型不是很理想。

由于没办法扩大样本容量，我们只有变换模型形式，用取对数的方式来减弱多重共线性。

于是有模型4：

模型4：

Ln（INDUSG）=C+β1*Ln（FXA）+β2*Ln（POW_US）+u

LIN

19:

26

-7.621748

3.210235

-2.374202

0.0314

LFX

0.758318

0.069112

10.97233

LPOW

0.868523

0.329513

2.635778

0.0187

0.995059

9.579689

0.994400

0.909086

0.068030

-2.386719

0.069422

-2.238323

24.48047

1510.340

1.029314

0.969168

做出来的效果和“模型3”从数值上看并没有明显的改善：

多重共线性依然十分严重；

dL=0.933<

du=1.696还是落在了不可判断区域。

由模型3和模型4，我们看到，两个解释变量之间的相关性很强且不可通过数学上的变换减弱这种相关性，我们考虑将其中的一个因素替换掉。

从以上四个模型的t统计量来说，固定资产投资（FXA）对工业GDP的影响比能源消费量（POW_US）对工业GDP的影响要显著，而且从“能源消费量”本身的数据来说，也存在着异常波动，将能源消耗总量数据作图：

如图：

可以看到，从97年后，能源消费量都比较异常：

经济在增长，但能源消耗量却在下降。

因此，从这个意义上讲，能源消费量（POW_US）这个变量也不宜采纳到模型中。

3.更换模型的变量，再作探索

根据柯布——道格拉斯函数给我们的启示，我们推测工业企业效益不仅与固定资产投资额（资本）有关，还与劳动人数（劳动力）有一定的关系，于是做出了下面的模型：

模型5：

INDUSG=C+β1*FXA+β2*LAB+u

20:

03

-7647.342

3337.044

-2.291652

0.0368

1.024353

0.041885

24.45656

LAB

0.728371

0.269842

2.699254

0.0165

0.993557

0.992698

1282.424

17.30190

24669187

17.45030

-152.7171

1156.534

1.069234

0.831158

LAB――第二产业劳动人数（单位：

万人）

FXA——固定资产投资额（单位：

INDUSG=-7647.342+1.024353*FXA+0.728371*LAB

t＝-2.29165224.456562.699254

（R2＝0.993557，F=1156DW=1.069）

该模型与模型3和模型4相比，多重共线性有所减弱，但是残差自相关性依然存在：

du=1.696仍然落在了不可判断区域，说明还是有因素被排除在模型外面了。

再考虑到以上模型只在生产方面考虑对工业GDP的影响，没考虑消费对工业的影响，因为消费的增加会引起社会对工业产品的需求，进而促进厂家的生产积极性。

于是，我们将消费因素考虑进去，作出模型6。

模型6：

INDUSG=C+β1*FXA+β2*CMS+u

23

-1268.643

716.4589

-1.770713

0.0969

0.332958

0.184087

1.808693

0.0906

CMS

0.858164

0.200075

4.289220

0.0006

0.995701

0.995127

1047.590

16.89738

16461659

17.04578

-149.0764

1736.903

0.467099

0.994645

CMS――社会消费品零售总额（单位：

亿元）

固定资产投资与社会消费品零售总额居然存在着如此高度的相关性，这种情况我们完全没有想到。

出现这种现象的原因可能是消费品需求的增大会使得企业扩大规模，增加固定资产投资；

而且由于中国正处在高速发展阶段，各种指标都在增长，在一定程度上也加重了模型的多重共线性。

自然，这个模型也是不合格的。

dL=0.933说明了消费并不是我们所探求的影响工业GDP的重要因素。

4.较优模型的得出

经过仔细的思考，我们觉得工业产品主要是用于国民生产的中间投入，所以本期的工业产出可能会影响今后若干期的工业GDP，因此，我们考虑采用滞后模型，同时考虑本期固定资产增加也会对工业GDP产生重要影响，所以我们得到模型7。

模型7：

INDUSG=C+β1*FXA+β2*INDUSG（-1）+u

47

Sample（adjusted）:

19862002

17afteradjustingendpoints

1270.111

474.7386

2.675391

0.0181

0.567903

0.148809

3.816317

0.0019

INDUSG（-1）

0.526077

0.141653

3.713843

0.0023

0.994836

21305.45

0.994098

14848.44

1140.681

17.07542

18216141

17.22246

-142.1411

1348.575

0.786842

INDUSG=1270.111499+0.5679025377*FXA+0.5260769592*INDUSG（-1）

t=2.6753.8163.714

（R2＝0.9948，F=1348.57DW=0.7868）

用德宾h-检验法检验模型是否存在一阶自相关性：

显著性水平，查标准正态分布表得临界值=1.96，

=3.0805>

=1.96，拒绝原假设，模型存在一阶自相关。

可以看出，模型7的参数除了h外，都是很好的，我们继续做滞后两期的模型。

模型8：

INDUSG=C+β1*FXA+β2*INDUSG（-1）+β3*INDUSG（-2）+u

19872002

16afteradjustingendpoints

838.7794

385.0226

2.178520

0.0500

0.437429

0.108278

4.039881

0.0016

1.176130

0.192067

6.123527

0.0001

INDUSG（-2）

-0.571410

0.145066

-3.938953

0.0020

0.997648

22389.11

0.997060

14624.66

792.9241

16.40165

7544743.

16.59480

-127.2132

1696.898

1.938562

INDUSG=838.77+0.4374*FXA+1.176*INDUSG（-1）-0.5714*INDUSG（-2）

t=2.1784.0396.124-3.938

（R2＝0.9976，F=1696.8DW=1.938h＝0.1920）

（R2＝0.9948，F=1348.5DW=0.7868h＝3.0805）

=0.1920<

=1.96，接受原假设，模型不存在一阶自相关。

从任何一个参数上看，模型8都比模型7好，因此模型8应该比模型7好，不过INDUSG（-2）的系数为负数很难解释。

但是我们真的找不到更好的模型。

两期前的工业GDP会使得本期的工业GDP减少，这种情况几乎不可思议。

考虑其残差的异方差性，在Eviews里，将样本时间定义为1987――1992，然后用OLS方法求得下列结果：

INDUSG=-581.95+0.6083*FXA+0.6768*INDUSG（-1）+0.07769*INDUSG（-2）

t＝-1.7966.302.570.303

＝0.9967

将样本时间定义为1997――2002，然后用OLS方法求得下列结果：

INDUSG=15364.27+1.0895*FXA-0.247*INDUSG（-1）-0.132*INDUSG（-2）

t＝1.1011.3365-0.1963-0.3138

＝0.9801

求F统计量：

给定显著性水平，得临界值，，拒绝原假设，存在异方差。

用加权最小二乘法修正模型的异方差：

设权数，回归模型9：

模型9：

12/24/03