探索影响工业GDP增长的因素Word下载.doc
《探索影响工业GDP增长的因素Word下载.doc》由会员分享,可在线阅读,更多相关《探索影响工业GDP增长的因素Word下载.doc(10页珍藏版)》请在冰豆网上搜索。
15
Sample:
19852002
Includedobservations:
18
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
1258.981
588.7161
2.138520
0.0482
FXA
1.118321
0.027486
40.68678
0.0000
R-squared
0.990427
Meandependentvar
20313.41
AdjustedR-squared
0.989829
S.D.dependentvar
15007.39
S.E.ofregression
1513.518
Akaikeinfocriterion
17.58670
Sumsquaredresid
36651784
Schwarzcriterion
17.68563
Loglikelihood
-156.2803
F-statistic
1655.414
Durbin-Watsonstat
0.841509
Prob(F-statistic)
0.000000
注释:
FXA――固定资产投资额(单位:
元)
INDUSG――工业GDP
t=2.13840.69
(R2=0.9904,F=1655.4DW=0.8415)
由t统计量可以看出,固定资产投资(FXA)对工业GDP的影响十分显著。
从R2和F统计量可以看出模型拟合得非常好。
但是D-W<
dL=1.046表明残差存在相当强的自相关性;
下面我们接着做了能源消费量与工业GDP的模型
模型2:
INDUSG=C+β*POW_US+u
14
-51613.80
7585.126
-6.804607
POW_US
0.626075
0.064895
9.647576
0.853313
0.844145
5924.689
20.31608
5.62E+08
20.41501
-180.8447
93.07572
0.192529
POW_US――能源消费量(单位:
万吨标准煤)
INDUSG=-51613.79789+0.6260746823*POW_US
t=-6.8049.647
(R2=0.853,F=93.07DW=0.1925)
由t统计量可以看出,能源消费量(POW_US)对工业GDP的影响十分显著;
但从R2和F统计量可以看出模型整体拟合得不是很好;
同时D-W≈0表明残差存在严重的自相关性。
这样的结果说明在本模型中并没有包含影响工业GDP的关键因素。
由以上两个表可以看出,这两个因素对工业GDP的影响是比较显著的,证明我们的猜想是符合现实情况的。
但是这两个模型的D-W检验结果都相当差,说明了两个模型都漏掉了影响模型的重要因素。
于是我们考虑做二元模型。
2.建立二元模型,
探索固定资产投资和能源消费量对工业GDP的相对影响强弱
由以上一元模型的结果可知:
固定资产投资(FXA)和能源消费量(POW_US)对工业GDP的影响都很显著,所以尝试用这两个解释变量作二元模型,得到模型3。
模型3:
INDUSG=C+β1*FXA+β2*POW_US+u
46
-5810.148
3190.055
-1.821332
0.0886
0.999148
0.058451
17.09390
0.079206
0.035254
2.246735
0.0401
0.992838
0.991883
1352.116
17.40774
27423273
17.55614
-153.6697
1039.631
0.999447
解释变量相关系数矩阵:
1.000000
0.907479
INDUSG=-5810.148217+0.9991484399*FXA+0.07920588433*POW_US
t=1.821317.092.24
(R2=0.9928,F=1039DW=0.999)
Cov(FXA,POW_US)=0.9075
从以上数据可以看出:
模型总体拟合的很好(R2=0.9928),也比较可以。
但如果考虑二者的相关系数很大,模型具有多重共线性。
同时,dL=0.933<
D-W<
du=1.696落在了不可判断区域,D-W比较接近dL,保守起见还是认为模型具有自相关性。
因此这个模型不是很理想。
由于没办法扩大样本容量,我们只有变换模型形式,用取对数的方式来减弱多重共线性。
于是有模型4:
模型4:
Ln(INDUSG)=C+β1*Ln(FXA)+β2*Ln(POW_US)+u
LIN
19:
26
-7.621748
3.210235
-2.374202
0.0314
LFX
0.758318
0.069112
10.97233
LPOW
0.868523
0.329513
2.635778
0.0187
0.995059
9.579689
0.994400
0.909086
0.068030
-2.386719
0.069422
-2.238323
24.48047
1510.340
1.029314
0.969168
做出来的效果和“模型3”从数值上看并没有明显的改善:
多重共线性依然十分严重;
dL=0.933<
du=1.696还是落在了不可判断区域。
由模型3和模型4,我们看到,两个解释变量之间的相关性很强且不可通过数学上的变换减弱这种相关性,我们考虑将其中的一个因素替换掉。
从以上四个模型的t统计量来说,固定资产投资(FXA)对工业GDP的影响比能源消费量(POW_US)对工业GDP的影响要显著,而且从“能源消费量”本身的数据来说,也存在着异常波动,将能源消耗总量数据作图:
如图:
可以看到,从97年后,能源消费量都比较异常:
经济在增长,但能源消耗量却在下降。
因此,从这个意义上讲,能源消费量(POW_US)这个变量也不宜采纳到模型中。
3.更换模型的变量,再作探索
根据柯布——道格拉斯函数给我们的启示,我们推测工业企业效益不仅与固定资产投资额(资本)有关,还与劳动人数(劳动力)有一定的关系,于是做出了下面的模型:
模型5:
INDUSG=C+β1*FXA+β2*LAB+u
20:
03
t-Statist