计量经济学课程论文我国公路客运量的研究报告.docx
《计量经济学课程论文我国公路客运量的研究报告.docx》由会员分享,可在线阅读,更多相关《计量经济学课程论文我国公路客运量的研究报告.docx(59页珍藏版)》请在冰豆网上搜索。
计量经济学课程论文我国公路客运量的研究报告
我国公路客运量的研究报告
信息管理与信息系统03级
指导老师:
鲁万波
白一佳40311006
陈
华40311028
师群昌40311020
王一竹40311062
张斯蕊40311043
庄
云40311065
我国公路客运量的研究报告
白一佳陈华师群昌王一竹张斯蕊庄云
摘要:
本文通过建立模型对影响我国公路客运量的因素进行了研究,通过Evies对七个变量
进行回归拟合,通过建立模型Yt=β0+β1X1+β2X2+β3X3+β4X4+β5X5+β6X6+β7X7+ut对样
本数据进行回归,分析得到最终模型Yt=β0+β1X2+β2X6+β3X7+ut,并在此基础上细分变
量优化模型,引入虚拟变量对城市农村的影响情况进行对比分析,由此提出了最终模型的改进模型Yt=β0+β1X2+β2X7+ut,通过样本回归分析得出一定的结论,提出进一步探讨的问题。
关键词:
公路客运量OLS回归
一.背景综述
改革开放后,我国国民经济持续高速发展,公路运输需求强劲增长,国家加大了公路基础
设施的建设力度。
随着道路环境的改善和城乡交流的日益频繁,公路客运量逐年提高。
伴随着
中国城市化的进程,城乡之间、城际之间的交流日益频繁,这直接支持了公路客运行业的发展。
公路客运在我国综合运输体系客运市场中发挥着举足轻重的作用,承担着90%以上的份额,
因此对我国公路客运的研究就显得很有现实意义,通过研究我国从改革开放至今的公路客运量
发展变化,可以从我国国民经济发展的一个侧面了解到我国二十多年来的交通运输、公共事业
建设、人民生活水平、社会生产、流通、分配、消费各环节协调发展等诸多现实经济问题,对
于提升个人对国家经济发展认识、研究分析的能力大有好处。
因此,本文以1978年为课题研究的时间起点,纵观中国公路、人口、人均收入、客运汽车
产量、铁路、民航、水路运输客运量等众多因素对我国公路客运量的推动作用和影响,通过建
立多元线性回归方程,进行实证分析,得出对我国公路客运量的显著影响因素。
二.模型变量选择及预测
在模型建立之初,我们选择了七个对公路客运量可能造成影响的因素:
客运汽车总量、年
底总人口、铁路客运量、水运客运量、民用航空客运量、公路长度及全国总人均收入。
从经济
常识的角度,初步认为,人口、人均收入作为国民经济衡量的基本要素对公路客运量应该有一
定的影响;铁路客运、水运客运、民航客运与公路客运存在替代的经济关系,其三者的客运量
要么与公路客运量有负相关的关系,要么与公路客运量的相关关系不大;客运汽车作为公路客
运的硬件条件我们也将其引入模型,去考察客运汽车总量与客运量规模间的解释关系;而客运
-1-
路线的丰富程度势必也将对公路客运量造成影响,在此我们用公路的长度去衡量客运路线的丰
富程度。
在以上分析的基础上,进行主观的预测,对公路客运量可能造成影响的因素有:
年底
总人口、全国总人均收入、铁路客运量、客运汽车总量。
三.模型分析
根据对经济现象的分析,建立如下模型描述:
Yt=β0+β1X1+β2X2+β3X3+β4X4+β5X5+β6X6+β7X7+ut
○1
其中:
Yt--公路客运量
X4
--水运客运量
X1
--客运汽车总量
X5--民用航空客运量
X2
--年底总人口
X6
--公路长度
X3
--铁路客运量
X7
--全国总人均收入
(一)、对所选择的样本作散点图得个解释变量与被解释变量的关系如下系列图所示:
1500000
1500000
1000000
1000000
Y
Y
500000
500000
0
0
0
100
200
300
400
500
90000
100000
110000
120000
130000
X1
X2
1500000
1500000
1000000
1000000
Y
Y
500000
500000
0
0
80000
90000
100000
110000
120000
15000
20000
25000
30000
35000
X3
X4
-2-
1500000
1500000
1000000
1000000
Y
Y
500000
500000
0
0
0
2000
4000
6000
8000
10000
80
100
120
140
160
180
200
1500000
X5
X6
1000000
Y
500000
0
0
500
1000
1500
2000
X7
从图形看出所选择的解释变量x3与x4样本数据与所选择的被解释变量的样本数据间没有
明显的相关性,其余解释变量与被解释变量间有明显的线性相关性。
所以推测所建模型中x3和
x4对y的解释可能不显著。
(二)、样本模型的估计
1、模型估计
对所选择的样本数据运用OLS法回归得:
DependentVariable:
Y
Method:
LeastSquares
Date:
12/16/05Time:
15:
08
Sample:
118
Includedobservations:
18
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
-1810996.
156801.2
-11.54964
0.0000
X1
-18.56917
178.2442
-0.104178
0.9191
X2
16.03173
1.778187
9.015772
0.0000
X3
3.797861
1.142434
3.324360
0.0077
X4
-2.628440
4.549093
-0.577794
0.5762
X5
10.88772
17.87922
0.608959
0.5561
X6
1357.762
726.4007
1.869164
0.0911
X7
349.1508
53.14040
6.570346
0.0001
R-squared
0.998779
Meandependentvar
941880.1
AdjustedR-squared
0.997924
S.D.dependentvar
413515.1
S.E.ofregression
18842.03
Akaikeinfocriterion
22.82667
Sumsquaredresid
3.55E+09
Schwarzcriterion
23.22239
Loglikelihood
-197.4400
F-statistic
1168.282
Durbin-Watsonstat
2.666635
Prob(F-statistic)
0.000000
-3-
即:
Yˆ=-1810996-18.57X1+16.03X2
+3.80X3-2.62X4+10.88X5+1357.76X6+349.15X7
t
(156801.2)
(178.24)
(1.78)
(1.42)
(4.55)
(17.88)
(726.40)
(53.14)
t=(-11.55)
(-0.10)
(9.02)
(3.32)(-0.58)
(0.61)
(1.87)
(6.57)
R2=0.9987
F=1168.28
R2=0.9979
DW=2.667
从回归的样本模型的统计量R=0.998779可以看出,模型的拟合优度非常好,从F=1168.282
可知解释变量对模型的整体解释显著,然而通过样本数据所得的解释变量x1、x4、x5参数估计
值的t值明显不显著,据此推测模型解释变量间可能存在多重共线性。
2、多重共线性的检验
运用相关系数矩阵检验,相关系数矩阵为:
X1
X2
X3
X4
X5
X6
X7
X1
1.000000
0.882892
0.407131
-0.702549
0.973972
0.960579
0.907679
X2
0.882892
1.000000
0.504735
-0.504676
0.920224
0.819337
0.924883
X3
0.407131
0.504735
1.000000
0.276174
0.330393
0.359901
0.295472
X4
-0.702549
-0.504676
0.276174
1.000000
-0.751790
-0.739402
-0.722706
X5
0.973972
0.920224
0.330393
-0.751790
1.000000
0.933892
0.974145
X6
0.960579
0.819337
0.359901
-0.739402
0.933892
1.000000
0.863272
X7
0.907679
0.924883
0.295472
-0.722706
0.974145
0.863272
1.000000
从相关系数矩阵中可以看出,解释变量x1与x2、x5、x6、x7,x2与x5、x6、x7,x5与x6、x7,x6与x7高度相关,说明模型存在多重共线性。
3、多重共线性的消除
运用逐步回归法消除多重共线性:
第一步:
DependentVariable:
Y
Method:
LeastSquares
Date:
12/16/05Time:
15:
25
Sample:
118
Includedobservations:
18
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
224417.0
43625.73
5.144143
0.0001
X7
759.6981
40.51346
18.75175
0.0000
R-squared
0.956478
Meandependentvar
941880.1
AdjustedR-squared
0.953758
S.D.dependentvar
413515.1
S.E.ofregression
88922.47
Akaikeinfocriterion
25.73336
Sumsquaredresid
1.27E+11
Schwarzcriterion
25.83229
Loglikelihood
-229.6002
F-statistic
351.6280
Durbin-Watsonstat
0.528434
Prob(F-statistic)
0.000000
第二步:
X2x7
DependentVariable:
Y
Method:
LeastSquares
Date:
12/16/05Time:
15:
27
Sample:
118
Includedobservations:
18
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
-1905953.
296654.0
-6.424836
0.0000
-4-
X7
406.1466
52.95420
7.669771
0.0000
X2
20.83510
2.893767
7.199991
0.0000
R-squared
0.990233
Meandependentvar
941880.1
AdjustedR-squared
0.988931
S.D.dependentvar
413515.1
S.E.ofregression
43506.46
Akaikeinfocriterion
24.35022
Sumsquaredresid
2.84E+10
Schwarzcriterion
24.49861
Loglikelihood
-216.1520
F-statistic
760.3815
Durbin-Watsonstat
0.787593
Prob(F-statistic)
0.000000
第三步:
x2x6x7
DependentVariable:
Y
Method:
LeastSquares
Date:
12/16/05Time:
15:
29
Sample:
118
Includedobservations:
18
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
-1956629.
196460.9
-9.959380
0.0000
X7
328.3169
39.03874
8.410030
0.0000
X6
2111.153
468.4122
4.507042
0.0005
X2
19.71007
1.929488
10.21518
0.0000
R-squared
0.996015
Meandependentvar
941880.1
AdjustedR-squared
0.995161
S.D.dependentvar
413515.1
S.E.ofregression
28765.19
Akaikeinfocriterion
23.56485
Sumsquaredresid
1.16E+10
Schwarzcriterion
23.76271
Loglikelihood
-208.0836
F-statistic
1166.384
Durbin-Watsonstat
1.807779
Prob(F-statistic)
0.000000
第四步:
通过加入剩余变量后剔除不显著的变量后得:
x2x3x6x7
DependentVariable:
Y
Method:
LeastSquares
Date:
12/16/05Time:
15:
31
Sample:
118
Includedobservations:
18
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
-1877325.
121383.9
-15.46601
0.0000
X7
393.1564
27.28334
14.41013
0.0000
X2
15.96881
1.404132
11.37272
0.0000
X6
1957.836
288.5388
6.785346
0.0000
X3
3.200203
0.648808
4.932436
0.0003
R-squared
0.998612
Meandependentvar
941880.1
AdjustedR-squared
0.998185
S.D.dependentvar
413515.1
S.E.ofregression
17616.05
Akaikeinfocriterion
22.62114
Sumsquaredresid
4.03E+09
Schwarzcriterion
22.86847
Loglikelihood
-198.5903
F-statistic
2338.575
Durbin-Watsonstat
2.590139
Prob(F-statistic)
0.000000
但从回归后所得的统计量看,加入x3后模型的整体拟合优度改善并不明显,说明x3对y
的解释能力不大;同时从经济意义上看,从我们先前的预测得铁路的客运量与公路客运量间应
该存在负相关性,然而所估计的系数为正,与经济意义相违背。
所以剔除x3,故最后的模型为:
-5-
ˆ
Yt=-1956629+328.32X2+2111.15X6+19.71X7(196460.9)(39.04)(468.41)(1.93)
t=(9.96)
(8.41)
(4.51)
(10.22)
R2=0.996015
F=1166.384
R2=0.995161
DW=1.807779
4、异方差检验
运用arch检验得:
ARCHTest:
F-statistic
0.000226
Probability
0.988210
Obs*R-squared
0.000256
Probability
0.987238
TestEquation:
DependentVariable:
RESID^2
Method:
LeastSquares
Date:
12/20/05Time:
20:
07
Sample(adjusted):
218
Includedobservations:
17afteradjustingendpoints