基于我国通货膨胀相关因素的实证研究课程论文.docx
《基于我国通货膨胀相关因素的实证研究课程论文.docx》由会员分享，可在线阅读，更多相关《基于我国通货膨胀相关因素的实证研究课程论文.docx（22页珍藏版）》请在冰豆网上搜索。
基于我国通货膨胀相关因素的实证研究课程论文
研究生课程论文
（2008-2009学年第一学期）
基于我国通货膨胀相关因素的实证研究
研究生课程论文
（2008-2009学年第一学期）
基于我国通货膨胀相关因素的实证研究
提交日期：
2008年1月13日研究生签名：
学号
学院
工商管理学院
课程编号
S1202019
课程名称
经济学II（经济博弈论部分）
学位类别
硕士
任课教师
张卫国、徐维军
教师评语：
成绩评定：
分任课教师签名：
年月日
目录
1引言1
1.1选题的目的和意义1
1.2指标选取和理由2
2数据收集与预处理说明4
2.1数据来源说明4
2.2数据的预处理说明4
3变量之间的相关分析5
4回归分析7
4.1多元线性回归模型阐述7
4.2回归结果分析及统计检验8
5计量经济学检验10
5.1对随机误差项的检验11
5.2对解释变量的检验13
6修正的回归模型14
6.1逐步回归模型14
6.2主成份分析后的模型15
7经济意义检测及总结17
参考文献19
基于我国通货膨胀相关因素的实证研究
摘要：
自2007年开始中国的CPI指数快速上涨，通货膨胀的压力日益增大，2008年在政府宏观调控等因素在综合作用下中国的CPI增速由最高时的8.7%回落至2%左右，通货膨胀的危险也逐渐解除。
但是伴随着国际金融危机引发的宏观经济环境的剧烈变化，市场的不确定性增加也为政府宏观政策的制定增加了难度。
找出影响我国通货膨胀的主要因素和影响方式对于提早控制和预防通货膨胀是十分重要的。
本文通过分析选取与CPI指数经济意义相关的九项主要经济数据并与CPI指数进行多元线性回归，通过各项统计学检验和计量经济学检验得到最终的模型。
在模型的基础上进行了分析和研究，得出了各项经济指标对于通货膨胀的影响程度和方式的结论。
关键词：
通货膨胀相关因素多元回归拟合优度
1引言
1.1选题的目的和意义
自2003年初,中国经济已逐渐摆脱通货紧缩的束缚,但随之而来的通货膨胀压力却日益增强,其加速上升的势头似乎大大超出了人们的预期。
2007年我国CPI指数出现了大幅上升,其中尤以猪肉价格最为突出，并带动了其他相关产品的价格上涨。
加上2008年初雪灾的影响，2008年二月份的CPI指数涨幅达到8.7%，创下12年以来月份数据新高。
随着CPI指数的屡创新高，中国通货膨胀的压力日益增大，如何平抑物价、防止通胀成为政府宏观调控的主要目标。
为此政府采取紧缩性的货币政策，多次调高银行准备金率和人民币存款利率来抑制流动性过剩的情况，控制CPI指数的持续攀升。
人民币一年期定期存款的年利率从2007年初的2.79%最高升值4.14%，涨幅达到了48.4%。
在紧缩性货币政策的调控下，CPI增速自5月份开始回落到8%以下并持续下降，11月份回落至2.4%，下降到3%的通胀警戒线以下，并预计将在今后继续回落至2%左右。
居民消费价格指数（CPI）是用来测量一定时期内居民支付所消费商品和服务价格变化程度的相对数指标。
它既是反映通货膨胀程度的重要指标,也是国民经济核算中的缩减指标。
一般说来,CPI稳定、就业充分及GDP增长往往是最重要的社会经济目标。
CPI影响着政府制定货币、财政、消费、价格等政策。
同时,也直接影响了居民的生活水平及其评价。
作为一种价格指数,CPI有着非常重要的用途。
一方面,CPI是宏观经济决策的重要参考数据,为一国政府分析和制定货币政策、财政政策、价格政策以及进行国民经济核算提供科学依据。
由于CPI所反映的价格水平和走势是各国政府宏观经济调控的主要目标,因此,CPI自然也成为衡量政府财政和货币政策是否有效以及效率如何的重要指标之一。
另一方面,国际上通常以CPI为主要指标来反映通货膨胀（或通货紧缩）的程度。
按国际惯例,当CPI增幅连续超过3%时,即意味着发生了通货膨胀;当CPI低于1%时,则有通货紧缩的风险。
从07年开始的本轮中国CPI指数上涨政府在宏观调控的过程没有预见到国际金融危机对国内物价的影响。
由美国次级抵押贷款引发的金融危机的影响日益恶化，危机从美国传导到全球，从金融业传导到其他行业，致使全球经济收到严重影响，以发达国家最为明显的体现为失业人口增加，经济增长停滞甚至后退等。
由于经济前景恶化带来的对原材料需求的下降，包括国际原油、期货等大宗商品价格大幅回落。
这也在很大程度上促使了国内CPI指数的回落。
在很大程度上政府的宏观调控手段出现了“矫枉过正”的情况，过于紧缩的财政政策影响到了中国经济的增长，政府日前也将宏观政策调整为适度宽松的货币政策并多次调低双息。
基于以上分析可以看出，对影响CPI的变化的相关因素的研究,具有重要的理论和现实意义。
可以为政府的宏观决策提供参考，更大程度上发挥宏观调控的作用和效用。
同时也可以帮助企业更好的把握经济形势，提供决策依据。
本文选取了与CPI指数紧密相关的十类经济指标，通过多元回归得到模型，并对模型进行了相关的统计学和计量经济学检验，得到了各指标与CPI指数的相关程度和函数关系，对于预测和分析CPI指数，分析影响通胀的主要因素有一定的指导意义。
1.2指标选取和理由
中国自1984年开始编制CPI,中国CPI也包括8大类商品和服务,分别是食品、烟酒及用品、衣着、家庭设备用品及服务、医疗保健及个人用品、交通和通讯、娱乐教育文化用品及服务、居住,共263个基本分类,约700种商品和服务项目。
根据国际国内对于通胀因素和CPI指数的研究成果以及中国CPI指数的基本特点和背景环境，本文选取了PPI（工业品产品价格指数）、YCL（原材料﹑燃料及动力购进价格指数）、M0（流通中现金）、M1（狭义货币供给量）、WH（外汇储备）、FJ（商品房价格指数）、HL（美元对人民币汇率）、FINV（固定资产投资完成额）、GZ（上证综指）等十类经济数据与CPI指数进行回归分析。
PPI是原材料出厂价格的指示灯。
PPI显示的是工业品原料和部分工业产品价格变动情况；CPI显示的是消费品和服务行业的价格变动。
由于PPI和CPI的传导关系，CPI过高意味着通货膨胀的发生，而PPI的高企又可能进一步推高CPI。
二者在一定程度上有正向变动关系。
根据价格传导规律PPI反映生产环节价格水平，而CPI反映消费环节的价格水平，所以整体价格水平的波动一般首先出现在生产领域，然后通过产业链向下游产业扩散，最后波及消费品。
原材料﹑燃料及动力购进价格是商品生产的主要成本来源，成本价格的变动很大程度上影响着产品的价格，从而影响着CPI指数的变动。
尤其是在如今经济全球化的局势下，国内各项原材料价格与国际价格休戚相关，原材料价格变动对于通货膨胀的影响具有重要的作用。
作为总需求的一个重要组成部分，投资的通胀将直接引起社会总需求的膨胀，使得生产资料的可供量、建筑施工能力和设备安装能力处于短缺和紧张状态，从而导致生产资料和建筑安装劳务的价格水平上升。
.投资中的一部分货币在项目建设过程中会转化为投资品:
生产部门、建设生产部门和设备安装部门的货币收人。
这些收人转化为消费支出会拉动消费需求，从而引起消费品和消费性劳务价格水平上涨。
流动性过剩往往是引起通货膨胀的主要原因之一，货币的供给量过大会引起流动性过剩，从而导致产品的价格上涨，从而引发通货膨胀。
同时虚拟经济也是对市场流动性情况的反应，并在一定程度影响了通货膨胀的程度。
生产力水平提高和供求态势转变改变了货币供给和通胀率之间的对应关系，从供给的层面看，投资资金流入虚拟经济部门会引起虚拟资产需求增加和实体经济部门投资不足。
中国股市和房地产价格在2007年到2008年也发生了剧烈的变化，反映了市场的流动性和宏观调控的效果，与CPI的变化具有一定的相关程度。
人民币汇率近期对美元的持续升值对国内的经济尤其是进出口贸易造成了巨大的影响。
中国经济对于出口的依存度很高，人民币的升值使得出口收到抑制，表现为大量的中小出口企业倒闭，大量人口失业，从而影响到消费水平和价格变化。
外汇储备的情况和人民币的汇率变化也在反映进出口状况，影响进出口水平的同时间接影响了国内市场的流动性和产品的供求关系，进而影响价格指数。
经济理论与国内外经验告诉我们,当货币供给量扩张非常快的时候,或迟或早会产生通货膨胀压力。
因此分析这一轮的通胀压力原因就显得很有必要。
近年来,中国外汇储备增长迅速,在强制结汇制度下,巨额外汇占款便成为众矢之的。
大多数学者将通胀压力归于增长异常的外汇储备。
2数据收集与预处理说明
2.1数据来源说明
综上所述，通过对我国近十五年间的CPI指数变动规律的观察,从影响我国通货膨胀走势的众多因素中提取：
股市指数（上证综指）﹑原材料﹑燃料及动力购进价格指数﹑固定资产投资完成额﹑工业品产品价格指数﹑M1（狭义货币供给量）﹑商品房价格、美元兑人民币汇率﹑市场中流通的货币量（M0）和外汇储备九个与CPI变化关系较为明显的因素运用回归分析。
鉴于我国汇率政策从2003年起才逐渐松动，本文选取了03年1月份到08年11月份之间的月度数据作为长期检测的样本区间，共计71组数据。
所有的数据来源于中国统计局官方网站和聚源数据库，数据真实可靠。
各因变量和自变量的具体情况如下图。
2.2数据的预处理说明
由于数据的来源各异，有的数据为月度数据，有的数据为日数据，如股指数据，还有部分变量存在数据缺失的情况，我们需要在数据分析前对数据做预处理。
数据预处理的主要任务如下：
（1）数据清理：
填写空缺值，识别，删除孤立点，解决不一致性；
（2）数据集成：
集成多个数据库，数据立方体，文件；
（3）数据变换：
规范化（消除冗余属性）和聚集（数据汇总），将数据从一个较大的子空间投影到一个较小的子空间；
（4）数据归约：
得到数据集的压缩表示，量小，但可以得到相近或相同的结果；
（5）数据离散化：
数据规约的一部分，通过概念分层和数据的离散化来规约数据，对数字型数据比较重要；
在本文中，我们使用属性的平均值填充空缺值，用取均值的方法将高频数据转换为低频数据。
此外，由于某些数据的数值很大，将会导致在回归方程中，其系数很小，因此，我们将变量做标准化处理。
3变量之间的相关分析
相关分析是研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向以及相关程度，是研究随机变量之间的相关关系的一种统计方法。
相关关系是一种非确定性的关系，例如，以X和Y分别记一个人的身高和体重，或分别记每公顷施肥量与每公顷小麦产量，则X与Y显然有关系，而又没有确切到可由其中的一个去精确地决定另一个的程度，这就是相关关系。
相关分析具有如下分类。
（1）线性相关分析：
研究两个变量间线性关系的程度。
用相关系数r来描述。
如果x,y变化的方向一致，则两个变量是正相关关系，如身高与体重的关系，r>0；如果x,y变化的方向相反，则它们是负相关关系，如吸烟与肺功能的关系，r<0。
一般地，如果|r|>0.95，则变量间存在显著性相关；|r|≥0.8，称为高度相关；0.5≤|r|<0.8，称为中度相关；0.3≤|r|<0.5，称为低度相关；|r|<0.3，称为极弱相关，或认为不相关。
如果变量Y与X间是函数关系，则r=1或r=-1；如果变量Y与X间是统计关系，则-1r的计算有三种：
（a）Pearson相关系数：
对定距连续变量的数据进行计算；（b）Spearman和Kendall相关系数：
对分类变量的数据或变量值的分布明显非正态或分布不明时，计算时先对离散数据进行排序或对定距变量值排（求）秩。
（2）偏相关分析：
研究两个变量之间的线性相关关系时，控制可能对其产生影响的变量。
如控制年龄和工作经验的影响，估计工资收入与受教育水平之间的相关关系。
（3）距离分析：
是对观测量之间或变量之间相似或不相似程度的一种测度，是一种广义的距离。
分为观测量之间距离分析和变量之间距离分析。
相关分析与回归分析在实际应用中有密切关系。
然而在回归分析中，所关心的是一个随机变量Y对另一个（或一组）随机变量X的依赖关系的函数形式。
而在相关分析中，所讨论的变量的地位一样，分析侧重于随机变量之间的种种相关特征。
例如，以X、Y分别记小学生的数学与语文成绩，感兴趣的是二者的关系如何，而不在于由X去预测Y。
因此，在对因变量和自变量进行回归之前，我们首先利用SPSS13.0计算各个宏观指标之间的Person相关系数，计算结果如下图所示。
从上图我们可以看出，消费者价格指数（CPI）和这些变量都具有一定相关性，其中和狭义货币供给量（M1）、上证综指和商品房价格相关性较大，在0.7左右，比较特殊的是和美元兑人民币汇率成中度的负相关。
狭义货币供给量（M1）与市场中流通的货币量（M0）高度相关，相关系数达到了0.951，说明二者之间存在密切的关系，二者几乎是同时同步同幅度的变化。
此外，M1与外汇储备、商品房价格相关性也很大，分别达到了0.938和0.933，可以预见，各个自变量之间存在多重共线性。
4回归分析
4.1多元线性回归模型阐述
影响因变量Y的自变量个数为P，并分别记为
所谓多元线性模型是指这些自变量对Y的影响是线性的，即
，
其中
，
是与
无关的未知参数，称Y为对自变量
的线性回归函数.
记n组样本分别是
，则有
其中
相互独立，且
，
，这个模型称为多元线性回归的数学模型.令
Y=
X=
则上述数学模型可用矩阵形式表示为
其中
是n维随机向量，它的分量相互独立。
与一元线性回归类似，我们采用最小二乘法估计参数
，引入偏差平方和
=
最小二乘估计就是求
=
，使得
=
因为
是
的非负二次型，故其最小值一定存在。
根据多元微积分的极值原理，令
上述方程组称为正规方程组，可用矩阵表示为
在系数矩阵
满秩的条件下，可解得
就是
的最小二乘估计，即
为回归方程
的回归系数.
实际应用中，因多元线性回归所涉及的数据量较大，相关分析与计算较复杂，通常采用统计分析软件SPSS或SAS完成。
在本文中，我们利用SPSS13.0对拟采用的9个影响因素针对CPI进行多元线性回归。
4.2回归结果分析及统计检验
首先，我们使用“强制进入法”进行多元线性回归，也即在模型中保留所有的因变量作为解释变量。
与此同时，我们需要检查模型的拟合程度与各变量系数的显著性水平，并检测解释变量之间的多重共线性。
4.2.1回归方程的拟合优度检验与显著性检验
多元线性回归方程的拟合优度检验采用
统计量，该统计量称为调整的判定系数。
方程的显著性检验是通过F检验来检验模型总体的线性关系是否显著，检验的假设是回归方程中的所有回归系数均为0。
一般而言，方程对样本的拟合程度越高（
越大），模型总体的线性关系越强（F值越大）。
在本文中，经SPSS13.0计算得到的多元线性回归方程模型的拟合优度检验和显著性检验结果如下图所示。
可见，模型的拟合优度为0.869，也即，被解释变量CPI的86.9%的变化可以被模型中的解释变量的变化所解释，说明该模型的拟合优度良好。
F检验值为46.588，显著性水平远小于0.001，近似等于0，说明该模型的显著性水平很高，解释变量的回归系数显著地不全为0，被解释变量CPI与全体解释变量之间的线性关系显著。
4.2.2回归方程及系数显著性检验
SPSS13.0的回归系数结果如下图所示。
根据上图，我们可以写出多元线性回归方程如下（zX表示对X变量进行了标准化处理）：
从上表中我们还可以看到各变量系数的t检验统计量和对应的p值。
可见，部分变量的p值很大，显著性水平不高，如变量工业品产品价格指数的p值为0.868，变量商品房价格的p值为0.305，都远大于0.05。
4.2.3多重共线性诊断
从上图中的最后两列数据我们可以得到关于该模型的多重共线性诊断。
所谓模型的多重共线性是指解释变量之间存在线性相关关系的现象。
解释变量间高度的多重共线性会给回归方程带来许多影响，例如，偏回归系数估计困难，偏回归系数的估计方差随解释变量相关性的增大而增大，系数的置信区间增大，估计值的不稳定性增强，假设检验的结果不显著，等等。
测度解释变量间的多重共线性有以下方式：
（1）方差膨胀因子（VIF）：
方差膨胀因子表达式为：
VIFi=1/（1-R2i）。
其中Ri为自变量xi对其余自变量作回归分析的复相关系数。
当VIFi很大时，表明自变量间存在多重共线性。
（2）容忍度（Tolerance）：
容忍度实际上是VIF的倒数，即Tol＝1/VIF。
其取值在0～1之间，值越接近1，说明自变量间的共线性越弱。
在应用时可以先预先指定一个值，容忍度小于指定值的变量不能进入方程，从而保证进入方程的变量的相关系数矩阵为非奇异阵，计算结果具有稳定性。
但是，有的自变量即使通过了容忍性检验进入方程，仍可导致结果的不稳定。
从上图中可见，大部分变量的容忍度都远小于1，VIF值相当大，说明变量之间存在严重的多重共线性。
对诊断有多重共线性的自变量，常用的处理方法有：
增加新变量，剔除不重要变量，主成分分析，一阶差分法，回归校正法，变量分解法等。
在下文中，我们将分别采用逐步回归法和主成份分析法消除多重共线性，并比较两种方法的优劣。
5计量经济学检验
本文通过使用eviews6软件对多元回归方程的随机误差项和解释变量进行计量经济学检验，下面先画出被解释变量CPI的散点图。
从上图我们可以直观地看出被解释变量CPI在我们研究时间段内的分布和变化。
5.1对随机误差项的检验
对随机误差项检验的必要性：
使用普通最小二乘法（OLS）进行估计时，它是由参数估计量和解释变量的观测值计算得到的，判断的标准是二者之差的平方和最小。
因此OLS的使用必须是基于回归分析的经典假设的。
对随机误差项的假设作为回归分析基本假设的重要一部分，其假设成立与否直接关系这回归模型是否正确，回归分析结果是否可靠。
先画出残差图，使我们对残差有一个直观的了解，如下图：
图中Residual为残差项，表明残差以大概两倍残差标准差的波动幅度在0均值上波动。
Actual为实际样本的观测值分布，Fitted为回归拟合分布，从图中我们也可看出回归与实际的贴近情况。
5.1.1随机误差项的正态分布检验
在普通最小二乘法（OLS）的前提假设中，我们设定随机误差项符合正态分布，那么我们就有必要在一些设计小样本容量数据的实际应用中对正态性假设进行检验。
我们通过残差直方图和雅克-贝拉（JB）检验来检验模型的正态性，以下是检验结果。
如图，我们可以判断残差初步符合正态分布，从JB统计量对应的P值我们可以看出，在显著水平为0.05或0.1的情况下，我们接受残差分布为正态分布的原假设。
5.1.2检验随机误差项的异方差性
异方差性是为了保证回归参数估计量具有良好的统计性质，经典线性回归模型的一个重要假定是：
总体回归函数中的随机误差项满足同方差性，即它们都有相同的方差。
如果这一假定不满足，则称线性回归模型存在异方差性。
若线性回归模型存在异方差性，则用传统的最小二乘法估计模型，得到的参数估计量不是有效估计量，甚至也不是渐近有效的估计量；此时也无法对模型参数的进行有关显著性检验。
对存在异方差性的模型可以采用加权最小二乘法进行估计。
本文用怀特（White）检验来检验随机误差项的异方差性。
White检验的原假设是随机误差项不存在异方差，备择假设是存在异方差。
检验是基于原模型的解释变量交叉项和常数项对残差进行回归。
得到以下检验结果：
F统计量是对除常熟外的所有交叉项联合显著性的荣誉变量检验，具有参考作用。
Obs*R-squared统计量，即White检验统计量，等于样本容量与检验回归式的
之积。
ScaledexplainedSS是标准化后的回归平方和。
由三项的P值可以看出，在显著水平为5%或10%的情况下，模型不存在异方差性。
5.1.3对随机误差项的序列相关性检验
序列相关性在计量经济学中指对于不同的样本值，随机干扰之间不再是完全相互独立的，而是存在某种相关性。
经典线性回归模型的一个重要假定是：
总体回归函数中的随机误差项无序列相关性，即它们是相互独立的。
如果这一假定不满足，则称线性回归模型存在序列相关性。
若线性回归模型存在序列相关性，对模型参数的进行普通最小二乘估计也不能得到最有无偏估计。
对存在序列相关性的模型可以采用广义最小二乘法或广义查分法进行估计。
我们通过对回归方程进行LM检验，得到以下检验结果：
从统计量对应的P值0.1482我们可以得到以下结论：
在显著水平为5%或10%的情况下，我们接受原假设，即回归的随机误差项不存在序列相关性。
5.2对解释变量的检验
对解释变量检验的必要性：
同样，使用普通最小二乘法（OLS）进行估计时，必须是基于回归分析的经典假设的。
对解释变量的假设同样是回归分析基本假设的重要部分。
对解释变量的检验主要是对解释变量是否存在多重共线性进行检验。
本文先对回归分析进行初步的多重共线性判断，然后通过klein判别法检验模型中解释变量的多重共线性问题。
对模型进行回归分析，结果如下：
从图中我们得到比较高的拟合优度，拟合优度为0.888，修正拟合优度为0.869，与上面分析一致。
F统计量是46.57401，并且F检验的P值几乎为零，表明归回效果是很好的，但是同时我们发现，模型中对解释变量系数的t检验中，存在PPI和FJ等t统计量很小，且经过P值比较不能通过显著性检验的情况。
由此我们初步判断模型有存在多重共线性的可能。
我们通过eviews6求出相关系数矩阵，如下：
如图，我们可以直接看出很多解释变量之间存在很强的相关性，如M1和WH之间的相关系数为0.99102，FJ和M1之间的相关系数为0.986525，FJ和WH之间的相关系数为0.988005，等等。
多个解释变量之间两两存在着很强的相关性。
因此，我们判断模型有多重共线性，可以通过逐步回归法进行修正。
6修正的回归模型
经过检验，模型存在很强的多重共线性，因此，本文通过对模型进行逐步回归方法和主成份分析法对模型进行正。
6.1逐步回归模型
我们对模型进行多元逐步回归，得到结果如下：
模型最后的拟合优度为0.859，修正拟合优度为0.852。
即被解释变量CPI的85.2%的变化可以被模型中的解释变量的变化所解释，说明该模型的拟合优度良好。
显著性水平远为0.01，说明该模型的显著性水平很高。
回归系数表如下：
得到的回归方程为
逐步回归方法虽然可以消除回归方程的多重共线性，但是结果剔除了太多解释变量，被解释变量仅与三个解释变量产生多元线性关系，不能把其他解释变量对被解释变量的影响作用表达出来。
为了解决这个问题，我们使用主成份分析的方法来修正方程。
6.2主成份分析后的回归模型
由图我们可以看出，选择2个主成份为佳，累计共享率达到88.496%。
主成份的得分矩阵如下：
由此我们可以得到主成份的得分表达式：
将被解释变量与主成份做多元回归分析，得到如下结果：
可见，模型的拟合优度为0.618，修正拟合优度为0.605。
即被解释变量CPI的60.5%的变化可以被模型中的解释变量的变化所解释，说明该模型的拟合优度良好。
F检验值为48.432，显著性水平远小于0.001，近似等于0，说明该模型的显著性水平很高。
根据上图，我们多元线性回归方程如下：
我们对模型做共线性检验，得到下表：
从特征根和条件指数的数值我
升级会员 