计量经济学实验论文.docx

计量经济学实验论文.docx

《计量经济学实验论文.docx》由会员分享，可在线阅读，更多相关《计量经济学实验论文.docx（18页珍藏版）》请在冰豆网上搜索。

计量经济学实验论文

中国农业总产值及其影响因素的分析

摘要:

本文根据我国农业的现状，从计量经济学的角度来检验哪些因素对于农业总产值有显著的影响。

根据计量经济学原理，本文在模型中引入了三个变量：

有效灌溉面积、农业机械总动力、农用化肥施用折纯量，并收集了中国31个省2003年的各项指标数据，利用E-views软件对其计量模型进行了参数估计和检验，最后对所得的分析结果进行了经济意义的分析，并提出了一些相应的政策意见。

研究发现，农用化肥施用折纯量因素对于农业生产总值有显著的正面影响，而有效灌溉面积、农业机械总动力对农业生产总值的影响不显著。

关键词：

农业总产值；有效灌溉面积；农业机械总动力；农用化肥施用折纯量

一、引言

我国是传统的农业大国，农业自古以来就是我国的支柱产业，是我国国民经济的基础。

我国的经济结构能否顺利调整，国民经济能否发展得更快、更好，在很大程度上取决于农业基础是否稳固。

只有加强农业基础，确保农产品供给，才能顺利推进我国的工业和城镇的快速发展；只有加强农业基础建设，使农业发展、农民富裕、农村稳定，才能保持整个社会的长期稳定与可持续发展。

但我国是一个生产力比较落后的国家，只有研究农业总产值主要受哪些因素影响，才能投入相应的对策，将基础产业发展上去。

选此模型的目的就在于分析决定农业生产总值的主要影响因素以及其影响程度，从而对生产提出一些建设性意见。

2、文献综述

农业是我国国民经济的基础，直接影响到我国的粮食安全。

学术界历来重视对三农问题的研究，并取得了一定的成果。

如：

林毅夫（1994）、黄少安（2005）等，从制度经济学角度研究了我国农业问题，他们认为农村的经济体制改革对我国农业总产出的增加起到了至关重要的作用。

郝利等（2010）运用柯布道格拉斯生产函数，建立了农业科技进步贡献率测算模型，对北京市1990-2007年农业科技进步贡献率进行测算，得出的结论是北京市1990-2007年农业科技进步贡献率为78.32%。

在农业总产出方面的研究，也有很多学者运用计量经济学方法进行了分析。

董梅生（2009）利用偏最小二乘回归分析方法对我国农业的投入产出进行了分析，认为我国农业产出主要受家庭经营费用支出、国家国家财政支农支出和化肥投入量的影响，受播种面积的影响不大；农林牧渔业从业人员数越多，农业产出反而越小。

廖翼等（2011）利用时间序列数据建立多元线性回归模型，对1986-2008年洞庭湖区农业总产值进行了分析，结果表明：

农业机械总动力、机耕面积和化肥施用量每增加1%，农业总产值将分别上升1.17%、0.83和0.40%，农作物播种面积对湖区农业生产的影响不显著。

漆文萍（2005）采用多元回归方法，对江西省农业生产总值的影响因素进行分析，得出结论：

1970-1998年间，江西农业生产中的科技含量偏低，农作物的播种面积对农业总产值的影响最为显著，化肥施用量其次，而政府对农业生产和事业财政支持的影响最小。

从上述学者的研究来看，不同时期、不同地区以及不同角度下，农业生产总值的影响因素不尽相同，例如，在董梅生的研究中农业总产出受播种面积影响不大，而在漆文萍的研究中，农作物播种面积是影响农业总产出的最显著的变量。

同时，在廖翼等人的研究中，农作物的播种面积却对洞庭湖区农业总产出的影响并不显著。

因此，在本文的分析中，将多个变量引入模型，并通过各种检验方法研究农业总产值的影响因素。

三、实证过程及分析

1.理论依据

本文研究的是全国农业总产值与有效灌溉面积、农业机械总动力、农用化肥施用折纯量之间的关系，所以寻找了与农业有关的各种真实指标数据，用计量经济学的方法探讨农业生产总值的各种影响因素。

2.建立模型

根据以上的理论分析，运用计量经济学的方法，以农业总产值（Y）为被解释变量，有效灌溉面积（

）、农业机械总动力（

）、农用化肥施用折纯量（

）、为解释变量，建立如下回归模型：

（试1）

试1中，

是第i年的农业总产值，

是第i年的有效灌溉面积，

是第i年的农业机械总动力，

是第i年的农用化肥施用折纯量，

为模型随机误差项。

通过自变量系数

、

、

，可以判断农业总产值与有效灌溉面积、农业机械总动力和农用化肥施用折纯量之间的线性关系。

若

>0,则农业总产值与有效灌溉面积成正相关，若

<0,则农业总产值与有效灌溉面积成负相关，若

=0，则农业总产值与有效灌溉面积无相关关系。

农业总产值与农业机械总动力和农用化肥施用折纯量之间的相关关系判断同有效灌溉面积。

随机扰动项

中代表对Y由影响但又未纳入模型的诸多因素的综合影响。

例如：

一些未被认识或尚不能肯定的一些未知因素，模型设定的误差以及变量的观测误差等等。

3.数据的来源

综合权衡数据可得性及其他相关因素的影响，本文将采用全国31个省2013年的截面数据对中国农业总产值及其影响因素进行了深入研究，农业总产值、有效灌溉面积、农业机械总动力、农用化肥施用折纯量等相关数据来源于国家统计局全国年度统计数据。

4.数据的收集及处理

为了研究农业总产值与有效灌溉面积、农业机械总动力、农用化肥施用折纯量之间的关系，本文选取了全国31个省2013年的面板数据作为样本。

其中，假设农业总产值（Y）为被解释变量，有效灌溉面积（

）、农业机械总动力（

）、农用化肥施用折纯量（

）为解释变量，样本数据如下表所示：

表3—1中国31个省的农业总产值及其影响因素数据

obs

Y

X1

X2

X3

1

170.4100

153.0200

207.7200

12.78000

2

217.1600

308.8700

554.1800

24.34000

3

3473.270

4349.030

10762.72

331.0400

4

932.1400

1382.790

3183.300

121.0200

5

1328.070

2957.760

3430.570

202.4200

6

1673.860

1407.840

2631.980

151.7600

7

1261.680

1510.130

2730.040

216.7900

8

2856.340

5342.120

4849.280

244.9600

9

172.2800

184.0900

113.1700

10.78000

10

3167.780

3785.270

4405.620

326.8300

11

1336.790

1409.390

2462.200

92.43000

12

2003.260

4305.530

6140.280

338.4000

13

1376.290

1122.420

1336.760

120.5700

14

1072.800

1995.600

2014.130

141.5800

15

4509.880

4729.030

12739.83

472.6600

16

4202.300

4969.110

11149.96

696.3700

17

2678.080

2791.410

4081.050

351.9300

18

2726.750

3084.300

5433.990

248.1900

19

2444.700

1770.760

2564.890

243.9100

20

1868.300

1586.370

3382.980

255.7000

21

485.4000

260.9300

502.1000

47.57000

22

909.1800

675.1800

1198.880

96.64000

23

2903.480

2616.540

3953.090

251.1400

24

997.1200

926.9000

2240.800

97.42000

25

1639.400

1660.270

3070.330

219.0200

26

57.92000

239.2700

517.3000

5.700000

27

1714.790

1209.940

2452.720

241.7300

28

1104.470

1284.080

2418.460

94.71000

29

138.3500

186.9000

410.5800

9.800000

30

269.0000

498.5600

801.9800

40.44000

31

1806.110

4769.890

2165.860

203.2200

注：

资料来源：

国家统计局

Y：

农业总产值（单位：

亿元）

：

有效灌溉面积（单位：

千公顷）

：

农业机械总动力（单位：

万千瓦）

：

农用化肥施用折纯量（单位：

万吨）

5.变量间相关关系分析

（1）计算相关系数，如表3—2：

（2）表3—2中国农业总产值及其影响因素相关系数矩阵

Y

X1

X2

X3

Y

 1.000000

 0.854972

 0.893869

 0.919006

X1

 0.854972

 1.000000

 0.804146

 0.816556

X2

 0.893869

 0.804146

 1.000000

 0.877528

X3

 0.919006

 0.816556

 0.877528

 1.000000

从表2中看出，农业总产值（Y）与有效灌溉面积（

）的相关系数为0.854972，呈高度正相关，与农业机械总动力（

）相关系数为0.893869，呈高度正相关，与农用化肥施用折纯量（

）的相关系数为0.893869，呈高度正相关。

（3）绘图

图3—1Y与X1、X2、X3的线图

从图中可以看出，农业总产值及其影响因素的差异明显，其变动的方向基本相同，相互间可能具有一定的相关系。

图3—2Y与X1、X2、X3的散点图

从以上三个散点图中可以看出，大多数散点均匀分布在直线的两侧，说明农业总产值（Y）与有效灌溉面积（

）、农业机械总动力（

）、农用化肥施用折纯量（

）之间近似于线性关系。

6.模型的参数估计

Method:

LeastSquares

Date:

06/24/15Time:

21:

03

Sample:

131

Includedobservations:

31

Variable

Coefficient

Std.Error

t-Statistic

Prob.  

C

220.7614

124.4694

1.773619

0.0874

X1

0.175263

0.084105

2.083858

0.0468

X2

0.110792

0.052506

2.110101

0.0443

X3

3.724238

1.118091

3.330890

0.0025

R-squared

0.894734

    Meandependentvar

1661.205

AdjustedR-squared

0.883038

    S.D.dependentvar

1203.481

S.E.ofregression

411.5873

    Akaikeinfocriterion

14.99783

Sumsquaredresid

4573910.

    Schwarzcriterion

15.18286

Loglikelihood

-228.4664

    Hannan-Quinncriter.

15.05815

F-statistic

76.49777

    Durbin-Watsonstat

2.267030

Prob（F-statistic）

0.000000

F

图3—3Y与X1、X2、X3的回归分析结果

运用最小二乘估计法对模型进行估计，如图3—3，则回归结果为：

S.E（124.4694）（0.084105）（0.052506）（1.118091）

t（1.773619）（2.083858）（2.110101）（3.330890）

F=76.49777DW=2.267030n=31

该模型中，可决系数

=0.894734,修正可决系数

=0.883038,这说明模型对样本的拟合很好，参数t检验均显著，F检验也显著，解释变量参数估计检验通过，各变量参数均为正值，说明模型的多重共线性比较弱，不需要修正。

但由于各地区的环境存在着差异，农业总产值也不同，这种差异使得模型很容易产生异方差，从而影响模型的估计和应用。

为此，需对模型是否存在异方差进行检验。

7.模型的检验

（1）异方差

①异方差的检验

a.残差图形分析

图3—4E2与

（i=1,2,3）的散点图

从图中看出，残差平方E2随

的增加而增加，表明

可能存在异方差，但由于图形分析对异方差性的判断比较粗糙，仅靠图形判断很难确定是否存在异方差，因此是否确实存在异方差还应通过进一步的检验。

b.White检验

F-statistic

3.591375

    Prob.F（9,21）

0.0075

Obs*R-squared

18.79124

    Prob.Chi-Square（9）

0.0270

ScaledexplainedSS

14.94045

    Prob.Chi-Square（9）

0.0926

TestEquation:

DependentVariable:

RESID^2

Method:

LeastSquares

Date:

06/24/15Time:

22:

40

Sample:

131

Includedobservations:

31

Variable

Coefficient

Std.Error

t-Statistic

Prob.  

C

22653.21

74650.51

0.303457

0.7645

X1

105.9626

229.3547

0.462003

0.6488

X1^2

-0.089549

0.037311

-2.400089

0.0257

X1*X2

0.035884

0.045393

0.790531

0.4381

X1*X3

1.595706

0.985716

1.618829

0.1204

X2

-78.72186

126.9909

-0.619902

0.5420

X2^2

-0.026370

0.013960

-1.888990

0.0728

X2*X3

0.670058

0.575600

1.164104

0.2574

X3

725.5308

1394.214

0.520387

0.6082

X3^2

-14.25891

7.219043

-1.975181

0.0615

R-squared

0.606169

    Meandependentvar

147545.5

AdjustedR-squared

0.437384

    S.D.dependentvar

217151.7

S.E.ofregression

162880.5

    Akaikeinfocriterion

27.09512

Sumsquaredresid

5.57E+11

    Schwarzcriterion

27.55769

Loglikelihood

-409.9743

    Hannan-Quinncriter.

27.24591

F-statistic

3.591375

    Durbin-Watsonstat

2.208639

Prob（F-statistic）

0.007539

图3—5white检验结果

从图中可以看出，

由White检验，在α=0.05下，查χ分布表，得临界值

，比较计算的

统计量与临界值，因为

>

，所以拒绝原假设，不拒绝备择假设，表明模型存在异方差。

②异方差的修正

运用加权最小二乘法对模型的异方差进行修正，将权数取为w=1/ee^2,对模型进行参数估计，得到下图3—6，从图中知，运用加权最小二乘法消除了异方差后，参数t检验均显著，F检验也显著。

Method:

LeastSquares

Date:

06/24/15Time:

23:

13

Sample:

131

Includedobservations:

31

Weightingseries:

1/EE^2

Variable

Coefficient

Std.Error

t-Statistic

Prob.  

C

209.1896

3.596370

58.16689

0.0000

X1

0.157235

0.034641

4.539015

0.0001

X2

0.132225

0.010062

13.14117

0.0000

X3

3.550598

0.141710

25.05541

0.0000

WeightedStatistics

R-squared

0.999687

    Meandependentvar

992.3950

AdjustedR-squared

0.999652

    S.D.dependentvar

5188.937

S.E.ofregression

2.275971

    Akaikeinfocriterion

4.602605

Sumsquaredresid

139.8612

    Schwarzcriterion

4.787635

Loglikelihood

-67.34037

    Hannan-Quinncriter.

4.662920

F-statistic

28734.73

    Durbin-Watsonstat

1.806726

Prob（F-statistic）

0.000000

UnweightedStatistics

R-squared

0.893932

    Meandependentvar

1661.205

AdjustedR-squared

0.882147

    S.D.dependentvar

1203.481

S.E.ofregression

413.1517

    Sumsquaredresid

4608747.

Durbin-Watsonstat

2.223261

图3—6用权数w的估计结果

（2）自相关

①自相关的检验

图3—7残差图

图中，残差的变动连续为正和连续为负，表明残差项可能存在着一阶正自相关。

由于图形分析比较粗糙，故用BG检验作自相关检验。

如下图3—8，

其p值为0,表明存在自相关。

Breusch-GodfreySerialCorrelationLMTest:

F-statistic

34.64575

    Prob.F（2,25）

0.0000

Obs*R-squared

22.78081

    Prob.Chi-Square

（2）

0.0000

TestEquation:

DependentVariable:

RESID

Method:

LeastSquares

Date:

06/25/15Time:

18:

04

Sample:

131

Includedobservations:

31

Presamplemissingvaluelaggedresidualssettozero.

Weightseries:

1/EE^2

Variable

Coefficient

Std.Error

t-Statistic

Prob.  

C

72.61083

9.024447

8.046014

0.0000

X1

-0.163933

0.032609

-5.027235

0.0000

X2

0.024906

0.010444

2.384809

0.0250

X3

0.956530

0.139035

6.879776

0.0000

RESID（-1）

-0.068293

0.010052

-6.794224

0.0000

RESID（-2）

-0.112240

0.013571

-8.270310

0.0000

WeightedStatistics

R-squared

0.734865

    Meandependentvar

0.323183

AdjustedR-squared

0.681838

    S.D.dependentvar

2.134036

S.E.ofregression

1.217902

    Akaikeinfocriterion

3.404122

Sumsquaredresid

37.08213

    Schwarzcriterion

3.681668

Loglikelihood

-46.76389

    Hannan-Quinncriter.

3.494595

F-statistic

13.85830

    Durbin-Watsonstat

2.242564

Prob（F-statistic）

0.000002

图3—8BG检验结果

②自相关的修正

DependentVariable:

Y

Method:

LeastSquares

Date:

06/25/15Time:

22:

06

Sample（adjusted）:

231

Includedobservations:

30afteradjustments

Convergenceachievedafter12