三大产业的发展与城镇居民家庭消费支出.docx
《三大产业的发展与城镇居民家庭消费支出.docx》由会员分享,可在线阅读,更多相关《三大产业的发展与城镇居民家庭消费支出.docx(16页珍藏版)》请在冰豆网上搜索。
三大产业的发展与城镇居民家庭消费支出
三大产业的发展与城镇居民家庭消费支出
【提要】本文通过对三大产业发展与城镇居民家庭消费支出增长的关系进行分析,从定量的角度探求三大产业分别对城镇居民家庭消费支出入的影响程度。
【关键词】经济计量模型第一产业第二产业 第三产业可决系数城镇居民家庭消费支出
城镇居民家庭消费支出的增长与国内生产总值的增长密切相关。
然而国内生产总值是由第一产业(农业)、第二产业(工业、建筑业)、第三产业(服务性行业)组成的,但是对城镇居民家庭人均可支配收入的增长影响各不相同。
而对三者影响程度进行数量分析,以期用函数关系精确表达三者各自的影响,就是我们研究的主要内容。
具体数据如下:
Y
X1
X2
X3
1987
884.4
3204.3
5251.6
3506.6
1988
1103.98
3831
6587.2
4510.1
1989
1210.95
4228
7278
5403.2
1990
1278.89
5017
7717.4
5813.5
1991
1453.81
5288.6
9102.2
7227
1992
1671.73
5800
11699.5
9138.6
1993
2110.81
6882.1
16428.5
11323.8
1994
2851.34
9457.2
22372.2
14930
1995
3537.57
11993
28537.9
17947.2
1996
3919.47
13844.2
33612.9
20427.5
1997
4185.64
14211.2
37222.7
23028.7
1998
4331.6
14552.4
38619.3
25173.5
1999
4615.9
14472
40557.8
27037.7
2000
4998
14628.2
44935.3
29904.6
2001
5309
15411.8
48750
33153
2002
6029.88
16117.3
52980.2
36074.8
2003
6510.94
17092.1
61274.1
38885.7
Y:
城镇居民家庭消费支出(平均每人全年)(单位:
元)
X1:
第一产业增加值(单位:
亿元)
X2:
第二产业增加值(单位:
亿元)
X3:
第三产业增加值(单位:
亿元)
我们可以得到Y与X1X2X3的散点图:
由图我们可以发现Y与X1X2X3都有比较明显的线形关系,从而建立数学模型:
该模型的样本残差的正态性检验—JBtest.其结果为:
从图表和JB值我们可以认为残差是成正态分布的。
并对模型有如下假设:
1.零均值:
2.同方差无自相关:
3.随机扰动项与解释变量不相关:
4.无多重共线性
5.残差的正态性:
显然这些假设是不可能完全成立的,所以我们必须对其进行检验。
残差的正态性检验已完成。
主要需要检验的有:
一、多重共线性检验。
二、异方差性检验。
三、自相关性检验。
如果有检验无法通过,则必须对模型进行修正。
我们将基于以上数据进行分析。
具体程序如下:
其中利用Eviews3.0作OLS估计的结果为:
DependentVariable:
Y
Method:
LeastSquares
Date:
05/09/05Time:
11:
15
Sample:
19872003
Includedobservations:
17
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
304.9427
81.08610
3.760727
0.0024
X1
0.052371
0.021551
2.430060
0.0303
X2
0.056538
0.019423
2.910940
0.0122
X3
0.047411
0.025571
1.854090
0.0865
R-squared
0.998261
Meandependentvar
3294.348
AdjustedR-squared
0.997860
S.D.dependentvar
1862.177
S.E.ofregression
86.15416
Akaikeinfocriterion
11.95248
Sumsquaredresid
96493.00
Schwarzcriterion
12.14853
Loglikelihood
-97.59606
F-statistic
2487.323
Durbin-Watsonstat
1.923939
Prob(F-statistic)
0.000000
所以我们得到以下的结果:
Y=304.9427+0.052371X1+0.056538X2+0.047411X3
(81.08610)(0.021551)(0.019423)(0.025571)
(t=3.760727)(2.430060)(2.910940)(1.854090)
R-Squared=0.998261df=16
从上面的估计的结果可以看出:
可决系数R-Squared=0.998261,表明模型在整体的拟和非常好。
系数显著性检验:
对于C、X1、X2的系数,t的统计量的绝对值都>2.120,都通过了检验,而X3的系数的t统计量为1.854090,在df=16、α=0.05的情况下,t统计量应大于2.120,显然X3的系数不能通过检验。
根据经验判断
无法通过第一步检验的原因很可能是解释变量之间存在多重共线性。
我们对X1X2X2进行多重共线性检验,得到:
X1
X2
X3
X1
1.000000
0.976318
0.966700
X2
0.976318
1.000000
0.996989
X3
0.966700
0.996989
1.000000
可以发现X1X2X3之间存在高度的线性相关关系。
运用逐步回归法进行修正:
模型
的回归结果为:
DependentVariable:
Y
Method:
LeastSquares
Date:
05/31/05Time:
17:
39
Sample:
19872003
Includedobservations:
17
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
-456.8039
219.4897
-2.081209
0.0550
X1
0.362265
0.019171
18.89695
0.0000
R-squared
0.959688
Meandependentvar
3294.348
AdjustedR-squared
0.957000
S.D.dependentvar
1862.177
S.E.ofregression
386.1484
Akaikeinfocriterion
14.86045
Sumsquaredresid
2236659.
Schwarzcriterion
14.95848
Loglikelihood
-124.3138
F-statistic
357.0947
Durbin-Watsonstat
0.307799
Prob(F-statistic)
0.000000
模型:
的回归结果为:
DependentVariable:
Y
Method:
LeastSquares
Date:
05/29/05Time:
10:
38
Sample:
19872003
Includedobservations:
17
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
488.7227
44.42982
10.99988
0.0000
X2
0.100852
0.001343
75.07693
0.0000
R-squared
0.997346
Meandependentvar
3294.348
AdjustedR-squared
0.997169
S.D.dependentvar
1862.177
S.E.ofregression
99.08259
Akaikeinfocriterion
12.13992
Sumsquaredresid
147260.4
Schwarzcriterion
12.23794
Loglikelihood
-101.1893
F-statistic
5636.545
Durbin-Watsonstat
1.996814
Prob(F-statistic)
0.000000
模型
的回归结果为:
DependentVariable:
Y
Method:
LeastSquares
Date:
05/31/05Time:
17:
41
Sample:
19872003
Includedobservations:
17
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
404.2087
73.41302
5.505953
0.0001
X3
0.156729
0.003379
46.38141
0.0000
R-squared
0.993076
Meandependentvar
3294.348
AdjustedR-squared
0.992614
S.D.dependentvar
1862.177
S.E.ofregression
160.0398
Akaikeinfocriterion
13.09885
Sumsquaredresid
384191.2
Schwarzcriterion
13.19688
Loglikelihood
-109.3403
F-statistic
2151.236
Durbin-Watsonstat
0.703505
Prob(F-statistic)
0.000000
显然模型
更加优秀。
在模型
的基础上增加解释变量,
模型
的回归结果为:
DependentVariable:
Y
Method:
LeastSquares
Date:
05/31/05Time:
17:
45
Sample:
19872003
Includedobservations:
17
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
474.4054
48.07932
9.867141
0.0000
X2
0.086336
0.017503
4.932572
0.0002
X3
0.022676
0.027259
0.831855
0.4195
R-squared
0.997471
Meandependentvar
3294.348
AdjustedR-squared
0.997110
S.D.dependentvar
1862.177
S.E.ofregression
100.1158
Akaikeinfocriterion
12.20932
Sumsquaredresid
140324.5
Schwarzcriterion
12.35636
Loglikelihood
-100.7792
F-statistic
2760.747
Durbin-Watsonstat
1.813878
Prob(F-statistic)
0.000000
模型
的回归结果为:
DependentVariable:
Y
Method:
LeastSquares
Date:
05/31/05Time:
17:
46
Sample:
19872003
Includedobservations:
17
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
381.6025
75.58171
5.048874
0.0002
X1
0.036465
0.021423
1.702197
0.1108
X2
0.091130
0.005850
15.57712
0.0000
R-squared
0.997801
Meandependentvar
3294.348
AdjustedR-squared
0.997487
S.D.dependentvar
1862.177
S.E.ofregression
93.35382
Akaikeinfocriterion
12.06946
Sumsquaredresid
122009.1
Schwarzcriterion
12.21649
Loglikelihood
-99.59037
F-statistic
3176.228
Durbin-Watsonstat
2.125759
Prob(F-statistic)
0.000000
这些模型都不理想,可见修正后的模型应为:
我们针对这一模型进行检验:
(1)由于解释变量只剩下X2,于是不可能存在多重共线形。
(2)对异方差性检验进行检验,
运用图示法可得:
从图中不能判断是否存在异方差。
我们选择ARCH检验方式。
设P=3求得辅助回归函数:
利用Eviews3.0我们可以得到:
DependentVariable:
E2
Method:
LeastSquares
Date:
06/06/05Time:
09:
21
Sample(adjusted):
19902003
Includedobservations:
14afteradjustingendpoints
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
8693.888
4942.332
1.759066
0.1091
E2(-1)
0.448827
0.311695
1.439956
0.1804
E2(-2)
-0.346121
0.468270
-0.739149
0.4768
E2(-3)
-0.245491
0.430583
-0.570135
0.5812
R-squared
0.254036
Meandependentvar
9054.919
AdjustedR-squared
0.030247
S.D.dependentvar
12696.28
S.E.ofregression
12502.79
Akaikeinfocriterion
21.94025
Sumsquaredresid
1.56E+09
Schwarzcriterion
22.12284
Loglikelihood
-149.5817
F-statistic
1.135158
Durbin-Watsonstat
2.074422
Prob(F-statistic)
0.381266
其中Obs*R-squared=3.55650而在P=3α=0.05的情况下,
。
显然,
,ARCH检验表明,不存在异方差。
(3)对自相关性进行检验。
运用图示法,可得:
从图中可以发现,自相关性不显著。
运用DW检验DW=1.996814在给定的显著性水平α=0.05n=17k’=1的情况下,
故可以认为不存在自相关性。
可见模型
是可以通过预定的检验程序,并被认可的。
经济意义解释:
由以上过程可知,三大产业中,第二产业(工业、建筑业)增加值对城镇居民家庭消费支出的影响是最显著的,而第一产业(农业)增加值对城镇居民家庭消费支出的影响是最不显著的,第三产业(服务业)增加值对城镇居民家庭消费支出的影响介于两者之间。
选择第二产业(工业、建筑业)增加值为解释变量构件模型是最合适的。
这一结果说明,第一产业(农业)在我国已经发展到相当程度了,其作用已更多的体现为基础作用。
另一方面,虽然我国正在大力发展第三产业(服务业),但是第二产业(工业、建筑业)对于城镇居民家庭消费支出的贡献是巨大的,不可忽视的,而城镇居民家庭消费支出相当程度上体现了一个国家的居民生活水平。
我国现在还是一个发展中国家,还处于工业化阶段,在这种情况下,如果盲目发展第三产业(服务业)而忽视第二产业(工业、建筑业)对提高居民生活水平,深化发展小康社会是没有好处的。
另外
说明当第二产业(工业、建筑业)增加值每增长一亿元人民币时城镇居民家庭消费支出将增长
元。
我们的小组分工为:
王维:
根据数据完成模型建立,回归分析,检验等数据分析工作。
傅立立:
负责采集数据,经济意义分析、以及文字纂写工作。