研究FDI的经济模型PPT推荐.ppt
《研究FDI的经济模型PPT推荐.ppt》由会员分享，可在线阅读，更多相关《研究FDI的经济模型PPT推荐.ppt（36页珍藏版）》请在冰点文库上搜索。
（1）数据来源,国外：
联合国贸易与发展会议（UNCTAD）世界年度投资报告及其数据库（uncomtrade）经济合作与发展组织（OECD）国际货币基金组织（IMF）和世界银行（WB）国内：
国家统计局历年统计年鉴国家外汇管理局国家收支平衡表国家商务部数据中心中国FDI统计公报中国人民银行财政部,
（2）数据类型（概念、比较）,时间序列数据、截面数据、虚变量数据、面板数据时间序列数据：
在不同时间点上收集到的数据，这类数据反映某一事物、现象等随时间的变化状态或程度。
虚变量表征政策、条件等，一般取0或1，表示因素变化的程度,横截面数据：
（时间固定）,横截面数据是在同一时间，不同统计单位相同统计指标组成的数据列。
横截面数据是按照统计单位排列的。
因此，横截面数据不要求统计对象及其范围相同，但要求统计的时间相同。
也就是说必须是同一时间截面上的数据。
面板数据：
（横坐标为t,斜坐标为y,纵坐标为z）,是截面数据与时间序列数据综合起来的一种数据类型。
其有时间序列和截面两个维度，当这类数据按两个维度排列时，是排在一个平面上，与只有一个维度的数据排在一条线上有着明显的不同，整个表格像是一个面板,所以把paneldata译作“面板数据”。
比较,在经典的计量经济学中，作为样本观测值，或者是截面数据，或者是时间序列数据。
随着计量经济学理论方法的发展和应用领域的拓展，经常需要同时采用截面数据和时间序列数据作为样本。
例如，如果分析生产成本问题，只利用截面数据，即选择同一截面上不同规模的企业数据作为样本观测值，可以分析成本与企业规模的关系，但不能分析技术进步对成本的影响；
只利用时间序列数据，即选择同一企业在不同时间上的数据作为样本观测值，可以分析成本与技术进步的关系，但不能分析企业规模对成本的影响。
如果利用面板数据，即在不同时间上选择不同规模的企业数据作为样本观测值，无疑可以分析成本与技术进步的关系，也可以分析成本与企业规模的关系。
面板数据的优点与局限性,优点:
（1）面板数据提供更加有价值的数据,变量之间增加多变性和减少共线性,提高了自由度和有效性.
（2）更好地检测和度量单纯使用横截面数据或时间序列数据法观测到的影响.（3）对更加复杂的行为模型进行研究.比如,比起纯粹的横截面数据或时间序列数据,面板数据能够更好地处理诸如经济规模和技术变化这些现象不足：
模型设定错误和数据收集不慎将引起较大的偏差；
典型的面板数据是时间序列的观测值较少，而截面个数却很多的数据,3、模型参数的估计:
待估参数和随机干扰项,最常用的是普通最小二乘法（OLS）：
样本回归函数尽可能好地拟合样本观测值，其判断标准：
根据被解释变量的所有观测值与估计值之差的平方和最小的原则求得参数估计量。
最大似然估计（ML）：
当从模型总体随机抽取n组样本观测值后，最合理的参数估计量应该使得从模型中抽取该n组样本观测值的概率最大；
矩估计（MM）：
就是利用样本矩来估计总体中相应的参数.最简单的矩估计法是用一阶样本原点矩来估计总体的期望而用二阶样本中心矩来估计总体的方差；
4、模型检验,客观揭示实际经济现象中各因素之间关能否付诸应用四级检验：
经济意义检验（符号、大小、相互间关系；
最基本）；
统计检验；
计量经济学检验；
模型预测检验,经济学意义检验,煤炭行业生产函数MCL=-108.5+0.00067GZZ（固资）-0.00681DHL（电力）+0.0026MHL（木材）统计检验：
拟合优度检验、变量和方程的显著性检验拟合度检验：
检验模型对样本观测值的拟合程度显著性检验，考察模型中解释变量对被解释变量是否有显著性线性影响。
主要方法有三种：
F检验、t检验、z检验，区别在于构造的统计量不同，应用最普遍的是t检验。
计量经济学检验：
主要方法有：
随机干扰项的序列相关性检验和异方差检验，解释变量之间多重共线性检验。
序列相关性：
多元回归模型基本假设之一即干扰项相互独立或者不相关，如不检验，参数估计失效，变量的显著性检验失去意义，模型预测失效；
异方差：
计量经济模型要求随即干扰项是同方差，也即固定不变的常数，但如表现出来的方差是变的，几乎不相同，即为异方差性；
多重线性检验：
所谓多重共线性（Multicollinearity）是指线性回归模型中的解释变量之间由于存在精确相关关系或高度相关关系而使模型估计失真或难以估计准确。
模型预测检验：
检验模型参数的估计量的稳定性以及相对样本容量变化时的灵敏性：
利用扩大的样本重新估计参数，比较新的原来的估计值，检验两者间差距的显著性实际预测，将预测值与实际观测值比较，检验两者显著性。
经历并通过以上检验，计量经济学模型建立,5、相关经济模型应用软件,eviews,gauss,limdep,mathematica,matlab,sas,spss和stata如果是入门，依据实用性原则：
首选eviews，其次是spss；
依照简单性原则，时间序列用eviews，横截面数据用spss，面板数据stata优势比较：
spss在多元统计分析方面较突出，而eviews在计量经济模型方较优，二者结合应用比较理想；
sas在数据挖掘方面功能较强，matlab、mathematica软件可能在数值计算方面占优；
三、研究FDI的代表性经济模型,1、引力模型（FDI的贸易效应；
区位选择）牛顿的“引力法则”，即两个物体之间的引力与它们各自的质量成正比，且与它们之间的距离成反比。
Tinbergen（1962）和Poyhonen（1963）：
两国的双边贸易流量的规模与它们各自的经济总量呈正比，而与它们之间的距离呈反比。
Linnemannn（1966）又将人口变量加入引力模型；
经济学家为了检验贸易政策、历史等因素对贸易流量的影响，逐步将优惠贸易协定、贸易限制措施、殖民关系、文化等指标加入到引力模型中来；
该模型被经济学家广泛应用于FDI和贸易流动的实证研究，对现实国际贸易有很强的解释力，是一个有力的分析工具。
引力模型的基本形式：
最基本的国际贸易引力模型以自然对数形式可表述为：
其中，Xij为i国对j国的出口额，Yi和Yj分别为i国和j国的名义国内生产总值，Popi和Popj为两国的人口，dij为两国之间绝对距离，uij为随机误差项。
扩展形式：
中国贸易流量与出口潜力；
贸易效应尽管表述形式比较简单，但是自20世纪60年代以来，引力模型已经在国际贸易实证研究中获得了相当的成功，它被广泛应用于测算贸易潜力、鉴别贸易集团的效果、分析贸易模式以及估计边界成本等领域，并较好地解释了在现实中观察到的一些经济现象使用EViews6.0软件，采用面板数据对模型进行最小二乘法回归分析,2、向量自回归模型（VAR模型）FDI对国际贸易（进出口）的影响；
与国内产业结构升级的相关性,VAR模型是Sims于1980年引入经济学中，采取多方程联立形式，不以经济理论为基础，在模型的每一个方程中，内生变量对模型的全部内生变量的滞后期进行回归，从而估计全部内生变量的动态关系。
目前已经成为分析与预测多个相关经济指标的最易操作的模型之一，常被用于预测相互联系的时间序列系统以及分析随机扰动对变量系统的动态冲击等，从而解释各种经济变量间的关系。
滞后变量模型：
自回归模型：
向量自回归模型：
以两个变量y1t，y2t滞后1期的VAR模型为例，写成矩阵形式是：
含有N个变量滞后k期的VAR模型表示如下：
其中，Yt=（y1,ty2,tyN,t），c=（c1c2cN）ut=（u1tu2,tuNt）,因VAR模型中每个方程的右侧只含有内生变量的滞后项，他们与ut是渐近不相关的，所以可以用OLS法依次估计每一个方程，得到的参数估计量都具有一致性。
（2）VAR模型的特点,1）不以严格的经济理论为依据；
VAR模型的解释变量中不包括任何当期变量。
2）VAR模型有相当多的参数需要估计；
3）VAR模型预测方便、准确；
（3）VAR模型稳定的条件对于VAR
（1），模型稳定的条件是特征方程的根都在单位圆以内对于k1的VAR（k）模型，通过矩阵变换写成分块矩的VAR
（1）模型形式模型稳定的条件是特征方程的根都在单位圆以内,（4）VAR模型滞后期的选择,为什么选择最优滞后期？
因为滞后阶数越多，需要估计的参数就越多，这就影响到自由度。
滞后阶数的增加会在一定程度上提高模型的解释能力，但并不是越高越好，存在一个最优的阶数。
常用选择指标：
LR统计量（似然比检验）、FPE（最终预测误差）、赤池（Akaike）信息准则（AIC）、施瓦茨（Schwartz）信息准则（SC）、Hannan-Quinn信息准则如何选择？
一般，由AIC和SC的值来确定，取使二者都达到了最小值的滞后期作为模型的滞后期。
基本思想：
Eviews6提供了好几个指标，每个指标都有所侧重；
不过用了少数服从多数的原则，选指标多的的那个滞后阶数,3、多元线性回归模型MultipleLinearRegressionModel,何为回归分析？
一个变量关于另一个变量的依赖关系的计算方法和理论，后者已知或者设定值，去估计或预测前者的均值。
前者被解释变量或因变量；
后者解释变量或自变量;
内容：
样本观察值参数估计；
回归方程、参数估计值显著性检验（解释变量被）分析、评价、预测,总体回归模型：
总体回归函数的随机表达形式,i=1,2,n；
k为解释变量的数目。
习惯上，把常数项看成为虚变量的系数，该虚变量的样本观测值始终取1。
于是，模型中解释变量的数目为（k+1）；
j称为回归参数（regressioncoefficient）总体回归函数：
描述在给定解释变量Xi条件下被解释变量Yi的条件均值。
j也被称为偏回归系数（partialregressioncoefficients），表示在其他解释变量保持不变的情况下，Xj每变化1个单位时，Y的均值E（Y）的变化。
或者说j给出了Xj的单位变化对Y均值的“直接”或“净”（不含其他变量）影响。
总体回归与样本回归,尽管总体回归函数揭示了所考察总体被解释变量与样本变量间平均变化规律，但总体信息往往无法获得，因此，总体回归实际上未知现实情况是：
总体抽样样本，通过样本信息来估计总体回归函数。
回归分析的主要目的：
根据样本回归函数得到总体回归函数,样本回归函数与样本回归模型,从一次抽样中获得的总体回归函数的近似，称为样本回归函数（sampleregressionfunction）。
样本回归函数的随机形式，称为样本回归模型（sampleregressionmodel）。
e样本残差项或者剩余项代表其他影响Y的随机因素的集合,4、因子分析法（影响FDI的因素）,
（1）因子分析的定义因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子（之所以称其为因子，是因为它是不可观测的，即不是具体的变量），以较少的几个因子反映原资料的大部分信息。
因子分析的主要目标和用途主要目标：
数据缩减。
主要用途：
1.减少分析变量个数；
2.通过对变量间相关关系探测，将原始变量进行分类3.即将相关性高的变量分为一组，共性子代替该组变量4.既可以进行探索性因子分析,也可以部分验证因子.,
（2）因子分析模型,因子分析最常用的理论模式如下：
（j=1,2,3,n，n为原始变量总数）可以用矩阵的形式表示为：
其中F称为因子，由于它们出现在每个原始变量的线性表达式中，因此又称为公共因子。
A称为因子载荷矩阵，称为因子载荷，是第j个原始变量在第i个因子上的负荷。
U称为特殊因子，表示了原有变量不能被因子解释的部分，其均值为0，相当于多元线性回归模型中的残差。
（3）分析步骤围绕浓缩原有变量提取因子的核心目标，因子分析主要涉及以下五大基本步骤（SPSS）,1因子分析的前提条件相关关系由于因子分析的主要任务之一是对原有变量进行浓缩，即将原有变量中的信息重叠部分提取和综合成因子，进而最终实现减少变量个数的目的。
因此它要求原有变量之间应存在较强的相关关系。
方法：
计算反映象相关矩阵：
反映象矩阵重要包括负的协方差和负的偏相关系数；
巴特利特球度检验Bartletttestofsphericity；
KMO是Kaiser-Meyer-Olkin的取样适当性量数2抽取共同因子，确定因子的数目和求因子解的方法因子数目的确定没有精确的定量方法，但常用的方法是借助两个准则来确定因子的个数。
一是特征值（eigenvalue）准则，二是碎石图检验（screetest）准则。
3使因子更具有命名可解释性,通常最初因素抽取后，对因素无法作有效的解释。
这时往往需要进行因子旋转（rotation），通过坐标变换使因子解的意义更容易解释。
转轴的目的在于改变题项在各因素负荷量的大小，转轴时根据题项与因素结构关系的密切程度，调整各因素负荷量的大小，转轴后，使得变量在每个因素的负荷量不是变大（接近1）就是变得更小（接近0），而非转轴前在每个因素的负荷量大小均差不多，这就使对共同因子的命名和解释变量变得更容易。
4计算各因子得分：
因子分析模型建立后，应用因子分析模型去评价每个样品在整个模型中的地位，即进行综合评价设公共因子F由变量x表示的线性组合为：
该式称为因子得分函数，由它来计算每个样品的公共因子得分。
四、实证检验,1、单位根检验ADF（AugmentedDickey-Fuller）按照正规程序，面板数据模型在回归前需检验数据的平稳性：
一个时间序列剔除了不变的均值（可视为截距）和时间趋势以后，剩余的序列为零均值，同方差，即白噪声。
因此为了避免伪回归，确保估计结果的有效性，我们必须对各面板序列的平稳性进行检验。
而检验数据平稳性最常用的办法就是单位根检验。
单位根检验一般是先从水平（level）序列开始检验起，如果存在单位根，则对该序列进行一阶差分后继续检验，若仍存在单位根，则进行二阶甚至高阶差分后检验，直至序列平稳为止。
我们记I（0）为零阶单整，I
（1）为一阶单整，依次类推，I（N）为N阶单整。
2、协整检验,回归指的是被解释变量的变化是由解释变量的改变引起的。
但是假如两个变量之间其实没有什么关系，只不过恰巧趋势相同，那么有可能用他俩做回归的时候也能够得到一个拟合度相当好的方程。
这个其实是个虚假回归，没有实际意义。
而协整就是考虑到这种情况，反映的是两个没有直接关系的变量之间的某种趋势关系，比如都随时间增加或者减少而且可能增减有一定比例关系。
如果基于单位根检验的结果发现变量之间是同阶单整的，那么我们可以进行协整检验。
协整检验是考察变量间长期均衡关系的方法。
所谓的协整是指若两个或多个非平稳的变量序列，其某个线性组合后的序列呈平稳性。
此时我们称这些变量序列间有协整关系存在。
3、格兰杰（Granger）因果关系检验,通过了协整检验，说明变量之间存在着长期稳定的均衡关系，其方程回归残差是平稳的。
因此可以在此基础上直接对原方程进行回归，此时的回归结果是较精确的。
格兰杰因果检验（因果检验的前提是变量协整。
在所有其它事件的发生情况固定不变的条件下，如果一个事件X的发生与不发生对于另一个事件Y的发生的概率（如果通过事件定义了随机变量那么也可以说分布函数）有影响，并且这两个事件在时间上又有先后顺序（A前B后），那么我们便可以说X是Y的原因考虑最简单的形式，Granger检验是运用F-统计量来检验X的滞后值是否显著影响Y（在统计的意义下，且已经综合考虑了Y的滞后值；
如果影响不显著，那么称X不是Y的“Granger原因”（Grangercause）；
如果影响显著，那么称X是Y的“Granger原因”。
同样，这也可以用于检验Y是X的“原因”，检验Y的滞后值是否影响X（已经考虑了X的滞后对X自身的影响）。
THEEND,
升级会员 