计量经济学大作业税收收入的多元回归模型.docx

计量经济学大作业税收收入的多元回归模型.docx

《计量经济学大作业税收收入的多元回归模型.docx》由会员分享，可在线阅读，更多相关《计量经济学大作业税收收入的多元回归模型.docx（12页珍藏版）》请在冰豆网上搜索。

计量经济学大作业税收收入的多元回归模型

计量经济学大作业-税收收入的多元回归模型

LT

一、问题的提出

改革开放以来，随着经济体制改革的深化和经济的快速增长，中国的财政收支状况发生很大变化。

当今社会，财政已经成为社会经济进步的一个判断标准。

税收的增长对财政收入增加的贡献不可谓不突出。

那么影响税收的因素有哪些呢？

各影响因素之间是否有关联？

那个因素起到的作用比较大？

税收是我国财政收入的基本因素,也影响着我国经济的发展。

为了研究影响税收收入增长的主要原因，分析其增长的主要规律，采取适当的方式科学筹集税收，需要建立计量经济学模型。

本文在参考了多个关于影响我国税收收入的主要观点的基础上，对影响我国1985年至2014年的税收收入的主要因素进行实证分析。

选取的自变量有国内生产总值、财政支出和零售商品物价水平。

并利用中国统计年鉴搜集了相关的数据，利用EVIEWS软件对设定的计量模型进行了参数估计，并对可能出现的问题进行了假设检验，最后再加以修正，使这个模型尽量完美。

二、理论综述

税收是国家为实现其职能，凭借政治权力，按照法律规定，通过税收工具强制地、无偿地征收参与国民收入和社会产品的分配和再分配取得财政收入的一种形式。

取得财政收入的手段有多种多样，如税收、发行货币、发行国债、收费等等，而税收则由政府征收，取自于民、用之于民。

税收具有无偿性、强制性和固定性的形式特征。

具体来讲，影响中国税收收入增长的因素有很多，如经济的整体增长、公共财政的需求、物价水平、税收政策等因素。

在这次的分析里，将选用“国家财政收入”中的“税收收入”作为被解释变量，以反映税收的增长情况。

选取的解释变量有：

“国内生产总值”（即GDP）作为经济整体增长水平的代表；“财政支出”作为公共财政需求的代表；“商品零售价格指数”作为物价水平的代表。

这里特意去除改革开放初期因税收政策因素造成影响的数据。

三、模型设定

为了研究税收增长的因素分析，需要考虑以下几个方面：

1、被解释变量：

选择了能反映我们税收变动情况的“各项税收收入”（Y）；

2、解释变量：

选择“国内生产总值（X1）”表示会影响到税收收入的总宏观经济方面的因素；

3、解释变量：

选择“财政支出（X2）”表示公共财政的需求；

4、解释变量：

选择“商品零售价格指数（X3）”表示物价水平。

四、数据的收集

从《中国统计年鉴》收集到以下我国自1985以来与税收相关的数据。

年份

税收收入（亿元）（Y）

国内生产总值（亿元）（X1）

财政支出（亿元）（X2）

商品零售价格

指数（X3）

1985

2040.79

9039.9

2004.25

108.8

1986

2090.73

10308.8

2204.91

106.0

1987

2140.36

12102.2

2262.18

107.3

1988

2390.47

15101.1

2491.21

118.5

1989

2727.40

17090.3

2823.78

117.8

1990

2821.86

18774.3

3083.59

102.1

1991

2990.17

21895.5

3386.62

102.9

1992

3296.91

27068.3

3742.20

105.4

1993

4255.30

35524.3

4642.30

113.2

1994

5126.88

48459.6

5792.62

121.7

1995

6038.04

61129.8

6823.72

114.8

1996

6909.82

71572.3

7937.55

106.1

1997

8234.04

79429.5

9233.56

100.8

1998

9262.80

84883.7

10798.18

97.4

1999

10682.58

90187.7

13187.67

97.0

2000

12581.51

99776.3

15886.50

98.5

2001

15301.38

110270.4

18902.58

99.2

2002

17636.45

121002.0

22053.15

98.7

2003

20017.31

136564.6

24649.95

99.9

2004

24165.68

160714.4

28486.89

102.8

2005

28778.54

185895.8

33930.28

100.8

2006

34804.35

217656.6

40422.73

101.0

2007

45621.97

268019.4

49781.35

103.8

2008

54223.79

316751.7

62592.66

105.9

2009

59521.59

345629.2

76299.93

98.8

2010

73210.79

408903.0

89874.16

103.1

2011

89738.39

484123.5

109247.79

104.9

2012

100614.28

534123.0

125952.97

102.0

2013

110530.70

588018.8

140212.10

101.4

2014

119158.05

636138.7

151661.54

101.0

中国税收收入及相关数据

五、模型的估计与调整

（一）模型数学形式的确定（在Eviews8.0下操作）

为分析各项税收收入（Y）和国内生产总值（X1）、财政支出（X2）和商品零售价格指数（X3）的关系，作出Y与各个X的线性图，如图1——3。

（在Eviews软件中，选择Quick/Graph...,出现SeriesList对话框，点击OK，出现GraphOption，在Specific中选择Scatter，点击OK）

图1图2

图3

通过分析可以看出税收收入（Y）和国内生产总值（X1）和财政支出（X2）大体呈现为线性关系。

还可以看出Y、X1、X2都是逐年增长的，但是增长速率有所变动，而X3在多数年呈现出水平波动，说明变量间不一定是线性关系。

为分析各项税收收入（Y）随国内生产总值（X1）、财政支出（X2）和商品零售价格指数（X3）变动的数量的规律性，可以初步建立如下三元对数回归模型：

（二）确定参数估计值范围

由经济常识可知，国内生产总值（X1）、财政支出（X2）均会带动税收收入的增加，所以国内生产总值（X1）、财政支出（X2）与税收收入应为正相关的关系，所以可估计。

六、参数估计

利用Eviews软件，做lnY对lnX1、lnX2、X3的回归，回归结果如图4。

图4

根据图4中数据，模型估计结果为：

（-0.157394）（-2.271287）（32.24851）（3.053463）

七、模型检验及修正

（一）计量经济意义检验

1、多重共线性检验

计算各解释变量的相关系数，选择X1、X2、X3的数据，得到相关系数矩阵如图5。

（将解释变量X1、X2、X3选中，双击OpenGroup（或点击右键，选择Open\asGroup），然后再点击View\Covarianceanalysis\仅勾选Correlation，点击OK即可得出相关系数矩阵。

再点击顶部的Freeze按钮，可以得到一个Table类型独立的Object）

图5

由图5的相关系数矩阵可以看出，解释变量X1、X2相关系数较高，可认为模型存在多重共线性，下面采用逐步回归法来减少共线性的严重程度。

第一步：

运用OLS方法分别求lnY对lnX1、lnX2、X3进行一元回归。

回归结果详见图6——图8，再结合经济意义和统计检验选出拟合效果好的一元线性回归方程。

图6图7

图8

通过图6——图8进行对比分析，依据调整可决系数最大原则，选择作为X2进入回归模型的第一个解释变量，形成一元回归模型。

第二步：

逐步回归。

将剩余解释变量分别加入模型，得到分别如图9——图10所示的二元回归结果。

图9

图10

通过观察比较图9——图10所示结果，并根据逐步回归的思想，我们可以看到，新加入变量X3的二元回归方程最大，并且各参数的检验显著，参数符号也符合经济意义，因此，保留变量X3。

但是由图4知引入X1后变为0.999264，这说明引入X3这个解释变量对整体模型都有改善作用，所以我们选择保留原来的方程。

2.异方差检验

在图4窗口点击View\ResidualDiagnostics\HeteroskedasticityTest...，在TestType窗口中选择White，点击OK。

经过估计出现White检验结果如图11。

图11

从图11可以看出：

由White检验知，White统计量，同时t值均比较小，因此在5%显著水平下接受同方差性的原假设，说明模型不存在异方差。

3.序列相关性检验

对数据进行DW检验，由图4可得。

对样本量为37、3个解释变量的模型、5%的显著水平，查DW统计表可知，，，模型中，且该模型含有被解释变量的滞后期作为解释变量，显然该模型中有正自相关。

可通过拉格朗日乘数检验法进行检验，步骤如下：

在图4选择：

View\ResidualTests\SerialCorrelationLMTest，在弹出对话框中输入：

1，点击OK，得到图12所示结果。

图12

从统计量对应的伴随概率容易看出，在5%的显著水平下，原模型存在一阶序列相关性。

那么原模型是否存在更高阶的序列相关性呢？

可同样地通过拉格朗日乘数法进行检验，只需在弹出对话框中输入“2”“3”等数值即可。

可以检验出，本模型存在二、三、四、五、六阶相关性，不存在七阶相关性。

以下采用广义最小二乘估计原模型：

点击主界面菜单Quick\EstimateEquation，在弹出的对话框中输入log（Y）Clog（X1）log（X2）X3AR

（1）AR

（2）AR（3）AR（4）AR（5）AR（6），点击确定即可得到回归结果，如图13。

图13

容易看出，经广义最小二乘估计的模型已经不存在1阶序列相关性，LM检验如图14所示。

图14

由此可得最终的回归模型为

（-2.599599）（3.31912003）（4.76347265）（-0.1658444）

（二）经济意义检验

从回归结果可以看出：

所估计的参数，，，，且，符合变量参数中确定的参数范围。

模型估计结果说明，在假定其他变量不变的情况下，当年国内生产总值每增长1%，平均来说税收收入会增加0.471833%；在假定其他变量不变的情况下，当年财政支出每增长1%，平均来说税收收入会增加0.573937%；在假定其他变量不变的情况下，当年商品零售价格指数上涨1%，平均来说税收收入会下降0.000214%。

可以说，理论分析和经验判断是相一致的。

（三）统计推断检验

可决系数，这说明所建模型整体上对样本数据拟合很好，即解释变量“国内生产总值（X1）”、“财政支出（X2）”和“商品零售价格指数（X3）”可以解释被解释变量“各项税收收入（Y）”的99.9605%的变化。

在5%的显著性水平下，F统计量的临界值为，表明模型的线性关系显著成立