对中国经济增长影响因素的实证分析论文.docx

对中国经济增长影响因素的实证分析论文.docx

《对中国经济增长影响因素的实证分析论文.docx》由会员分享，可在线阅读，更多相关《对中国经济增长影响因素的实证分析论文.docx（49页珍藏版）》请在冰豆网上搜索。

对中国经济增长影响因素的实证分析论文

对中国经济增长影响因素的实证分析

摘要：

改革开放三十三年以来，中国的社会经济取得了飞速发展，经济增长速度更是举世瞩目。

本文根据计量经济学、西方经济学和Eviews软件相关知识，采用时间序列数据模型和多元线性回归分析方法对1980-2009年（中国统计年鉴数据截止到2009年）三十年间中国经济增长因素进行研究，分析了物质资本、劳动力、消费对国生产总值（GDP）的影响，建立计量经济学模型，寻求这些变量与国生产总值的数量关系，进行定量分析，对模型进行检验，最终得出结论。

关键词：

劳动力、投资、消费、经济增长、最小二乘法。

1.背景

经济增长是指一个国家生产商品和劳务能力的扩大。

在实际核算中，常以一国生产的商品和劳务总量的增加来表示，即以国民生产总值（GDP）和国生产总值的的增长来计算。

古典经济增长理论以社会财富的增长为中心，指出生产劳动是财富增长的源泉。

现代经济增长理论认为知识、人力资本、技术进步是经济增长的主要因素。

从古典增长理论到新增长理论，都重视物质资本和劳动的贡献。

物质资本是指经济系统运行中实际投入的资本数量.然而，由于资本服务流量难以测度，在这里我们用全社会固定资产投资总额（亿元）来衡量物质资本。

中国拥有十三亿人口，为经济增长提供了丰富的劳动力资源。

因此本文用总就业人数（万人）来衡量劳动力。

居民消费需求也是经济增长的主要因素。

经济增长问题既受各国政府和居民的关注,也是经济学理论研究的一个重要方面。

在1978—2008年的31年中,我国经济年均增长率高达9.6%,综合国力大大增强,居民收入水平与生活水平不断提高,居民的消费需求的数量和质量有了很大的提高。

但是,我国目前仍然面临消费需求不足问题。

本文将以中国经济增长作为研究对象，选择时间序列数据的计量经济学模型方法，将中国国生产总值与和其相关的经济变量联系起来，建立多元线性回归模型，研究我国中国经济增长变动趋势，以与重要的影响因素，并根据所得的结论提出相关的建议与意见。

用计量经济学的方法进行数据的分析将得到更加具有说服力和更加具体的指标，可以更好的帮助我们进行预测与决策。

因此，对我国经济增长的计量经济学研究是有意义同时也是很必要的。

2.模型的建立

为了具体分析各要素对我国经济增长影响的大小，我们可以用国生产总值（

）这个经济指标作为研究对象；用总就业人员数（

）衡量劳动力；用固定资产投资总额（

）衡量资本投入：

用价格指数（

）去代表消费需求。

运用这些数据进行回归分析。

这里的被解释变量是，Y：

国生产总值，

与Y-国生产总值密切相关的经济因素作为模型可能的解释变量，共计3个，它们分别为：

代表社会就业人数，

代表固定资产投资，

代表消费价格指数，

代表随机干扰项。

模型的建立大致分为理论模型设置、参数估计、模型检验、模型修正几个步骤。

如果模型符合实际经济理论并且通过各级检验，那么模型就可以作为最终模型，可以进行结构分析和经济预测。

2.1理论模型的确定

通过变量的试算筛选，最终确定以以下变量建立回归模型。

被解释变量

：

国生产总值,

解释变量

:

代表社会就业人数，

:

代表固定资产投资，

:

代表消费价格指数，

另外，从经济意义上来说，社会就业人数、固定资产投资和消费价格指数这三个宏观经济指标基本反映了我国经济发展状况，因此也就很大程度上决定了经济增长水平。

单从经济意义上讲，变量的选择是正确的。

而且，就直观上来说，解释变量与被解释变量都是相关的，这三个解释变量都是经济增长的“良性”变量，它们的增长都对我国经济增长起着积极的推动作用，这一点可以作为模型经济意义检验的依据。

表1：

被解释变量与解释变量1980-20009数据

年份

国生产总值（现价）/亿元

年末从业人员数/万人

全社会固定资产投资总额/亿元

居民消费价格指数（上年=100）

1980

4545.623973

42361

910.9

107.5

1981

4889.461062

43725

961

102.5

1982

5330.450965

45295

1230.4

102

1983

5985.551568

46436

1430.1

102

1984

7243.751718

48197

1832.9

102.7

1985

9040.736581

49873

2543.2

109.3

1986

10274.37922

51282

3120.6

106.5

1987

12050.61513

52783

3791.7

107.3

1988

15036.82301

54334

4753.8

118.8

1989

17000.91911

55329

4410.4

118

1990

18718.32238

56909

4517

103.1

1991

21826.19941

58360

5594.5

103.4

1992

26937.27645

59432

8080.1

106.4

1993

35260.02471

60220

13072.3

114.7

1994

48108.45644

61470

17042.1

124.1

1995

59810.52921

67947

20019.3

117.1

1996

70142.49165

68850

22913.5

108.3

1997

78060.835

69600

24941.1

102.8

1998

83024.27977

69957

28406.2

99.2

1999

88479.15475

70586

29854.7

98.6

2000

98000.45431

72085

32917.7

100.4

2001

108068.2206

73025

37213.5

100.7

2002

119095.6893

73740

43499.9

99.2

2003

135173.9761

74432

55566.6

101.2

2004

159586.7479

75200

70477.4

103.9

2005

185808.559

75825

88773.6

101.8

2006

217522.6698

76400

109998.2

101.5

2007

267763.6588

76990

137323.9

104.8

2008

316228.8248

77480

172828.4

105.9

2009

343464.6903

77995

224598.8

99.3

资料来源：

《中国统计年鉴》。

首先，检查被解释变量和解释变量之间的线性关系是否成立。

观察被解释变量与解释变量之间的散点图。

图1：

被解释变量

与解释变量

的散点图

由图中趋势线可以判断，被解释变量Y与解释变量

之间基本呈线性关系。

图2：

被解释变量

与解释变量

的散点图

由图中趋势线可以判断，被解释变量

与解释变量

之间基本呈线性关系。

图3：

被解释变量

与解释变量

的散点图

由图中趋势线可以判断，被解释变量Y与解释变量

之间基本呈线性关系。

再通过变量之间的相关系数判断。

表2：

被解释变量与解释变量相关系数表

CovarianceAnalysis:

Ordinary

Date:

1/7/15Time:

13:

05

Sample:

19802009

Includedobservations:

30

Covariance

Correlation

Y 

X1 

X2 

X3 

Y 

8.85E+09

1.000000

X1 

8.91E+08

1.33E+08

0.820679

1.000000

X2 

5.05E+09

4.52E+08

2.99E+09

0.981058

0.717394

1.000000

X3 

-197583.1

-20469.67

-102814.7

41.73889

-0.325058

-0.274607

-0.291137

1.000000

看到被解释变量Y与解释变量

，

，

之间具有较高的相关性。

通过散点图和相关系数表的判断，可以判断被解释变量和解释变量之间具有明显的相关线性关系。

同时通过被解释变量与解释变量的相关图形分析，设置理论模型为：

2.2建立初始模型——OLS

2.2.1使用OLS法进行参数估计

表3：

普通最小二乘法参数估计输出结果

DependentVariable:

Y

Method:

LeastSquares

Date:

1/7/15Time:

14:

23

Sample:

19802009

Includedobservations:

30

Coefficient

Std.Error

t-Statistic

Prob.  

X1

1.934840

0.215990

8.957997

0.0000

X2

1.382559

0.045823

30.17169

0.0000

X3

-379.2654

280.8999

-1.350180

0.1886

C

-49822.31

33676.59

-1.479434

0.1510

R-squared

0.991233

    Meandependentvar

85749.31

AdjustedR-squared

0.990221

    S.D.dependentvar

95692.85

S.E.ofregression

9462.951

    Akaikeinfocriterion

21.27172

Sumsquaredresid

2.33E+09

    Schwarzcriterion

21.45855

Loglikelihood

-315.0758

    Hannan-Quinncriter.

21.33149

F-statistic

979.8468

    Durbin-Watsonstat

1.178143

Prob（F-statistic）

0.000000

得到初始模型为：

2.2.2对初始模型进行检验

要对建立的初始模型进行包括经济意义检验、统计检验、计量经济学检验、预测检验在的四级检验。

（1）经济意义检验

解释变量的系数分别为

=1.934840、

=1.382559。

两个解释变量系数均为正，符合被解释变量与解释变量之间的正相关关系，符合解释变量增长带动被解释变量增长的经济实际，

=-379.2654，符合被解释变量与解释变量之间的负相关关系。

与现实经济意义相符，所以模型通过经济意义检验。

（2）统计检验

拟合优度检验：

R2检验，R-squared=0.991233；AdjustedR-squared=0.990221；可见拟合优度很高，接近于1，方程拟和得很好。

变量的显著性检验：

t检验，

表4：

模型系数显著性检验，t检验结果

Coefficient

Std.Error

t-Statistic

Prob.  

X1

1.934840

0.215990

8.957997

0.0000

X2

1.382559

0.045823

30.17169

0.0000

X3

-379.2654

280.8999

-1.350180

0.1886

C

-49822.31

33676.59

-1.479434

0.1510

从检验结果表中看到，包括常数项在的所有解释变量系数的t检验的伴随概率均小于5%，所以，在5%的显著水平下

、

、

的系数显著不为零，通过显著性检验，常数项也通过显著性检验，保留在模型之中。

方程的显著性检验：

F检验，方程总体显著性检验的伴随概率小于0.00000，在5%显著水平下方程显著成立，具有经济意义。

（3）计量经济学检验：

方程通过经济意义检验和统计检验，下面进行居于计量经济学模型检验核心的计量经济学检验。

进行异方差性检验：

首先用图示法对模型的异方差性进行一个大致的判断。

令X轴为方程被解释变量，Y轴为方程的残差项，做带有回归线的散点图。

图4：

初始模型的异方差性检验散点图

图5：

初始模型的异方差性检验散点图

图6：

初始模型的异方差性检验散点图

通过图形看到，回归线向上倾斜，大致判断存在异方差性，但是，图示法并不准确，下面使用White异方差检验法进行检验，分别选择不带有交叉项和带有交叉项的White异方差检验法。

得到下面的检验结果：

表5：

不带有交叉项的White异方差检验结果

HeteroskedasticityTest:

White

F-statistic

75.59849

    Prob.F（3,26）

0.0000

Obs*R-squared

26.91450

    Prob.Chi-Square（3）

0.0000

ScaledexplainedSS

52.75104

    Prob.Chi-Square（3）

0.0000

TestEquation:

DependentVariable:

RESID^2

Method:

LeastSquares

Date:

1/7/15Time:

17:

53

Sample:

19802009

Includedobservations:

30

Coefficient

Std.Error

t-Statistic

Prob.  

C

1.51E+08

1.08E+08

1.398492

0.1738

X1^2

-0.029775

0.009593

-3.103868

0.0046

X2^2

0.017419

0.001245

13.98776

0.0000

X3^2

-2715.996

8243.375

-0.329476

0.7444

R-squared

0.897150

    Meandependentvar

77607780

AdjustedR-squared

0.885283

    S.D.dependentvar

1.80E+08

S.E.ofregression

61075426

    Akaikeinfocriterion

38.81668

Sumsquaredresid

9.70E+16

    Schwarzcriterion

39.00351

Loglikelihood

-578.2502

    Hannan-Quinncriter.

38.87645

F-statistic

75.59849

    Durbin-Watsonstat

1.947056

Prob（F-statistic）

0.000000

表6：

带有交叉项的White异方差检验结果

HeteroskedasticityTest:

White

F-statistic

33.57944

    Prob.F（9,20）

0.0000

Obs*R-squared

28.13789

    Prob.Chi-Square（9）

0.0009

ScaledexplainedSS

55.14882

    Prob.Chi-Square（9）

0.0000

TestEquation:

DependentVariable:

RESID^2

Method:

LeastSquares

Date:

1/7/15Time:

17:

54

Sample:

19802009

Includedobservations:

30

Coefficient

Std.Error

t-Statistic

Prob.  

C

-2.08E+09

4.06E+09

-0.512912

0.6136

X1

-34576.99

39720.32

-0.870512

0.3943

X1^2

0.189719

0.224091

0.846615

0.4072

X1*X2

-0.297299

0.442472

-0.671906

0.5093

X1*X3

127.5161

329.2824

0.387254

0.7027

X2

29147.14

35662.29

0.817310

0.4234

X2^2

0.033135

0.007760

4.270053

0.0004

X2*X3

-97.11637

96.87489

-1.002493

0.3281

X3

55473498

68538734

0.809374

0.4278

X3^2

-283697.5

290382.6

-0.976978

0.3403

R-squared

0.937930

    Meandependentvar

77607780

AdjustedR-squared

0.909998

    S.D.dependentvar

1.80E+08

S.E.ofregression

54097636

    Akaikeinfocriterion

38.71168

Sumsquaredresid

5.85E+16

    Schwarzcriterion

39.17875

Loglikelihood

-570.6752

    Hannan-Quinncriter.

38.86110

F-statistic

33.57944

    Durbin-Watsonstat

2.262413

Prob（F-statistic）

0.000000

使用White检验法不论是否带有交叉项，所得的检验伴随概率均小于5%，均在5%的显著水平下拒绝方程不存在异方差性的原假设，认为模型具有比较严重的异方差性。

需要对模型进行修正。

多重共线性检验：

用逐步回归法检验如下

以

为被解释变量，逐个引入解释变量

、

、

，构成回归模型，进行模型估计。

表7：

被解释变量

与

最小二乘估计结果

DependentVariable:

Y

Method:

LeastSquares

Date:

1/7/15Time:

18:

32

Sample:

19802009

Includedobservations:

30

Coefficient

Std.Error

t-Statistic

Prob.  

X1

6.692086

0.880526

7.600101

0.0000

C

-334986.1

56283.70

-5.951743

0.0000

R-squared

0.673513

    Meandependentvar

85749.31

AdjustedR-squared

0.661853

    S.D.dependentvar

95692.85

S.E.ofregression

55645.78

    Akaikeinfocriterion

24.75574

Sumsquaredresid

8.67E+10

    Schwarzcriterion

24.84915

Loglikelihood

-369.3361

    Hannan-Quinncriter.

24.78562

F-statistic

57.76153

    Durbin-Watsonstat

0.096883

Prob（F-statistic）

0.000000

表8：

被解释变量

与

最小二乘估计结果

DependentVariable:

Y

Method:

LeastSquares

Date:

1/7/15Time:

18:

34

Sample:

19802009

Includedobservations:

30

Coefficient

Std.Error

t-Statistic

Prob.  

X2

1.688594

0.063011

26.79831

0.0000

C

19746.45

4234.328

4.663420

0.0001

R-squared

0.962474

    Meandependentvar

85749.31

AdjustedR-squared

0.961134

    S.D.dependentvar

95692.85

S.E.ofregression

18865.38

    Akaikeinfocriterion

22.59239

Sumsquaredresid

9.97E+09

    Schwarzcrit