计量经济学论文薪资微观影响因素的计量分析打印.docx
《计量经济学论文薪资微观影响因素的计量分析打印.docx》由会员分享，可在线阅读，更多相关《计量经济学论文薪资微观影响因素的计量分析打印.docx（18页珍藏版）》请在冰豆网上搜索。
计量经济学论文薪资微观影响因素的计量分析打印
计量经济学课程论文
某国薪资影响因素的
计量分析
［摘要］
本文主要运用OLS采取数据对工人工资的微观因素分析。
由此得出影响薪资最主要的因素是工作经验，以帮助大学生在择业就业时了解自己的优势劣势，及时增强自己的能力，增加工作经验，以求在职场中获得更高薪资和更好的表现。
Abstract
ThispapermainlyusestheOLS,taketheanalysisofdataonthemicrofactorsworkerswages.Conclusionthemaininflueneefactorsofsalaryisworkingexperience,tohelpstudentsunderstandtheirownadvantagesanddisadvantagesintheemployment,toenhancetheirability,workexperience,inordertogethigherpayandbetterperformaneeintheworkplace
［关键词］
薪资影响因素回归分析
一.弓I言
我国大学扩招后，大学生就业难的问题已经是一个不争的现象，且有可能越来越难的趋势。
这个方面和国际经济形式近3年来连遭打击，一方面和中国经济结构体制和教育改革落后有关，更和当今大学
生的就业观滞后有关。
据统计，2013年全国高校毕业生将超过700万，这些高校学子的就业问题成为社会和学校关注的焦点。
那么我们
通常关注的工作的薪水受自身的什么因素的影响呢？
就此问题我搜
集了关于薪水影响因素的数据，并且运用Eviews3.0进行多元回归分
二、数据搜集
本文所采用数据均来自于薛薇-《基于SPSS的数据分析Employeedata》，真实性和权威性很高。
三、计量经济模型
（一）模型的建立
Y=內+B2X2+（33X3+B4X4+B5X5+伍X6+P7X7++伍X&+U
其中：
Y现在薪资（美元/年），X2—性别X3—教育程度X4—年龄X5—初始工作工资X6—工作时间X7—工作经验X8—行业类别U—随机扰动项
夫一性别，1代表男性，2代表女性（虚拟变量）
X3—教育程度，以年为单位，表示学习时间的长短
X7—工作经验，以月为单位，表示过去工作的时间长短
X6—工作时间，从被雇佣开始工作的时间
X8—行业类别，1表示管理者，2表示非管理者（虚拟变量）
DependentVariable:
Y
Method:
LeastSquares
Date:
11/03/13Time:
15:
36
Sample:
1471
Includedobservations:
470
Excludedobservations:
1
Variable
Coefficient
Std.
Error
t-Statistic
Prob.
X2
2384.25
1
331.597
0-84.1361
3
1.33512
8
151.858
3
-9.13708
784.8212
3.037955
0.0025
X3
159.6873
2.076540
0.0384
X4
48.88423
-1.721130
0.0859
X5
0.074393
17.94707
0.0000
X6
32.57934
4.661185
0.0000
X7
5.630314
-1.62283
0.1053
8
8
X8
11488.0
7
-3936.15
0
1393.907
&241631
0.0000
C
3577.955
-1.100112
0.2719
R-squared
0.83816
Mean
34491.33
9
dependentvar
Adjusted
0.83571
S.D.
dependent
17119.69
R-squared
7
var
S.E.ofregression
6938.92
Akaikeinfo
20.54456
6
criterion
Sumsquared
2.22E+1
Schwarz
20.61524
resid
0
criterion
Loglikelihood
-4819.97
1
1.88828
F-statistic
341.8326
Durbin-Watson
Prob（F-statistic）
0.000000
stat
3
由上表，模型估计有以下结果
Y二-3936.150+2384.251X2+331.5970X3-84.13613X4+1・335128X5+151・8
583X6-9.137088X7+11488・O*8+U
se=（3577.955）（784.8212）（159.6873）（48.88423）（0.074393）
（32.57934）（5.630314）（1393.907）
t=（-1.100112）（3.037955）（2.076540!
（-1.721130）（17.94707）
（4.661185（-1.622838）（&241631）
R2=0.838169AdjustedR2=0.835717F-statistic二341.8326,
n=471
（2）参数估计的检验与修正
由上表，该模型的可决系数较高，F检验值=341.8326,明显显著。
除X7所有变量的符号也和预期效果一致，说明，但a=0.05时，
t（471-7）=1.9,，只有X2和X8的系数的t检验显著，这表明很可能存在多重共线性。
尽管回归拟合的很好，但是解释变量的t统计量多个不显著，X7工作经验的系数符号和经济意义相反，也表明模型中解释变量确实存在多重共线性。
（1）多重共线性的检验
Stepl.计算各变量的相关系数。
相关系数矩阵
X2
X3
X4
X5
X6
X7
X8
X2
1
0.35507640
-0.04479129
0.45676985
0.07362059
0.16961910
0.31687198
0133
18967
4254
27055
2618
3659
X3
0.35507640
1
-0.28115964
0.63319464
0.04915221
-0.2512佃54
0.60718718
0133
8898
9462
01777
2248
873
X4
-0.04479129
-0.28115964
1
-0.00788948
0.05279832
0.80394398
-0.08576624
18967
8898
989874
72354
2422
14236
X5
0.45676985
0.63319464
-0.00788948
1
-0.02265064
0.04645023
0.78238443
4254
9462
989874
69899
30923
8487
X6
0.07362059
0.04915221
0.05279832
-0.02265064
1
0.00064724
-0.00430182
27055
01777
72354
69899
788327
574373
X7
0.16961910
-0.2512佃54
0.80394398
0.04645023
0.00064724
1
-0.08180297
2618
2248
2422
30923
788327
94078
X8
0.31687198
0.60718718
-0.08576624
0.78238443
-0.00430182
-0.08180297
1
3659
873
14236
8487
574373
94078
可以看出多个变量之间存在多重共线性。
Step2.采用逐步回归法，来检验和解决多重共线性问题。
分别做Y对
x2-x8的一元回归，结果如下
元回归结果
变量
X2
X3
X4
X5
X6
X7
X8
参数估计
15482.9
3909.69
-209.5382
1.907769
133.443
-15.8490
35885.4
值
3
4
1
6
5
T统计量
10.9565
19.0798
-3.146268
40.13644
1.69609
-2.11388
29.2939
5
6
7
2
8
可决系数
0.20379
0.43700
0.020714
0.774512
0.00609
0.00943
0.64660
7
2
6
8
8
修正可决系数
0.20210
0.43580
0.018621
0.774031
0.00397
0.00732
0.64585
0
2
7
6
4
其中，加入X5的修正的可决系数最大，以X5为基础，顺次加入其他变量逐次回归。
加入新变量的回归结果1
变量
X5
X5X2
0.776619
X5X2X3
0.7929
X5X2X3X
4
0.8020
X5
X2X3X4X
6
0.81032
X5X2X3X
4X6X7
0.811971
X5X2X3X
4X6X7X8
0.835717
经比较，新加入变量X3后，方程的修正的可决系数为改进最大，且各参数t检验显著，所以选择保留X3X8再加入其他新变量逐步回归。
加入新变量的回归结果2
变
量
X5
X3
X8
X2
X4
X6
X7
Adjust
edR2
X5,
X3,
X8
1.2906
76736.2
5501751.1
6---
---
—
---
0.818020
X5
X3,
X8
X2
1.220
554
681.53
39
12188.
17
2292.5
55
---
---
0.819954
X5
X3,
X8
X2
X4
1.290
785
442.22
72
11807.
88
2243.6
06
-134.82
29
—
0.8199
54
X5
X3,
X8
X2
X4
X6
1
.3252
21
369.55
71
11700.
96
1925.5
69
-147.60
2
156.74
27
---
0.8351
37
X5
X3,
X8
X2
X4
X6
X7
1.335
128
331.59
70
11488.
07
2384.2
51
-84.136
13
151.85
83
---
0.8357
17
经比较，新加入变量后，尽管方程的修正的可决系数都有较大改进，参数X4,X7t检验不显著，且使原有变量的t检验值也向不显著方向发展，所以说明X4X7、X2引起了严重的多重共线性，应予剔除，使模型得到改善。
Step3.因此，剔除了多重共线性后的模型为
丫=价+B3X3+B5X5+血X8+[36X6+U
再次经过回归，结果为
DependentVariable:
丫
Method:
LeastSquares
Date:
11/03/13Time:
20:
40
Sample:
1471
Ineludedobservations:
471
VariableCoeffieieStd.Errort-StatistieProb.
nt
X3
684.2104
152.2828
4.493024
0.0000
X5
1.309164
0.071122
18.40724
0.0000
X8
11702.43
1421.733
8.231101
0.0000
X6
150.2387
33.16864
4.529539
0.0000
C
-11332.3
5
3224.420
-3.514538
0.0005
R-squared
0.825694
Mean
dependent
34492.3
var
0
AdjustedR-squared
0.824198
S.D.dependentvar
17101.4
8
20.6038
S.E.ofregression
7170.430
Akaike
info
criterion
8
Sumsquaredresid
2.40E+10
Schwarzcriterion
20.6479
8
551.866
Loglikelihood
-4847.21
F-statistic
3
6
Durbin-Watsonstat
1.857537
Prob（F-statistic）
0.00000
0
Y=-11332.35+684.2104*X3+1.309164*X5+11702.43*X8
+150.2387*X6
（-3.514538）（4.493024）（18.40724）（8.231101）
（4.529539）
R2=0.825694DW=1.857537F=551.866
（2）异方差的检验（White检验）
Stepl.相关图形分析
10
15
Q00204皿OfM
H
□
□
从这两个图可以粗略看出，随X3和X5的增加，Y的离散程度有稍微逐步变大的趋势，是否存在异方差还不能判断。
Step2.
由于是多元的回归，
所以采取含交叉项的White检验
WhiteHeteroskedasticityTest:
F-statistic
Obs*R-squared
5.541532
64.13656
Probability
Probability
0.000000
0.000000
TestEquation:
DependentVariable:
RESIDA2
Method:
LeastSquares
Date:
11/03/13Time:
21:
05
Sample:
1471
Ineludedobservations:
471
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
3.17E+08
6.53E+08
0.485059
0.6279
X5
-15447.03
16063.10
-0.961647
0.3367
X5A2
-0.337330
0.109760
-3.073335
0.0022
X5*X3
204.9039
1021.540
0.200583
0.8411
X5*X8
15068.24
6389.625
2.358235
0.0188
X5*X6
329.9374
174.8829
1.886620
0.0598
X3
11482926
38127255
0.301174
0.7634
X3A2
63893.82
1258502.
0.050770
0.9595
X3*X8
-33996606
23420222
-1.451592
0.1473
X3*X6
-154541.3
336894.1
-0.458724
0.6467
X8
4.04E+08
4.41E+08
0.914519
0.3609
X8*X6
-1548520.
3236506.
-0.478454
0.6326
X6
-7964860.
13481353
-0.590806
0.5549
X6A2
34842.58
78728.46
0.442566
0.6583
R-squared
0.136171
Meandependentvar
50869257
AdjustedR-squared
0.111598
S.D.dependentvar
1.65E+08
S.E.ofregression
1.55E+08
Akaikeinfocriterion
40.58625
Sumsquaredresid
1.10E+19
Schwarzcriterion
40.70974
Loglikelihood
-9544.061
F-statistic
5.541532
Durbin-Watsonstat
1.847878
Prob（F-statistic）
0.000000
由上表，Obs*R-squared概率＜0.05，拒绝原假设，表明模型存在
异方差。
Step3.消除异方差
采用加权最小二乘法（WLS对异方差进行修正。
经过尝试，选
用的权数为w=1/x5最为合理。
用权数的回归结果为
再次回归的结果为:
DependentVariable:
Y
Method:
LeastSquares
Date:
11/04/13Time:
21:
14
Sample:
1471
Includedobservations:
471
Weightingseries:
W2
Variable
Coefficie
nt
Std.Error
t-Statistic
Prob.
X5
1.687270
0.095090
17.74400
0.0000
X3
398.3359
97.81543
4.072322
0.0001
X8
9654.836
1904.611
5.069191
0.0000
X6
114.8461
21.59313
5.318643
0.0000
C
-10179.17
2233.259
-4.557986
0.0000
WeightedStatistics
R-squared
0.741192
Meandependentvar
27948.3
4
AdjustedR-squared
0.738970
S.D.dependentvar
9809.63
7
19.8875
S.E.ofregression
5011.848
Akaikeinfo
criterion
6
Sumsquaredresid
1.17E+10
Schwarzcriterion
19.9316
6
333.640
4
0.00000
0
Loglikelihood
-4678.519
F-statistic
Durbin-Watsonstat
1.931204
Prob（F-statistic）
Unweighted
Statistics
R-squared
0.809798
Meandependentvar
34492.3
0
17101.4
8
2.61E+1
AdjustedR-squared
0.808165
S.D.dependentvar
S.E.ofregression
7490.273
Sumsquaredresid
再进行含交叉项的
WhiteHeteroskedast
White检验
icityTest:
F-statistic
0.783391
Probability
0.67808
6
Obs*R-squared
10.26727
Probability
0.67194
6
Durbin-Watsonstat
1.909834
TestEquation:
DependentVariable:
STD_RESIDA2
Method:
LeastSquares
Date:
11/04/13Time:
21:
15
Sample:
1471
Ineludedobservations:
471
Variable
Coefficie
nt
Std.Error
t-Statistic
Prob.
C
-2.12E+0
Q
3.67E+08
-0.577426
0.5639
X5
8
-5553.861
9033.223
-0.614826
0.5390
X5A2
0.017838
0.061725
0.289001
0.7727
X5*X3
126.7006
574.4718
0.220551
0.8255
X5*X8
2056.025
3593.261
0.572189
0.5675
X5*X6
-7.813604
98.34690
-0.079449
0.9367
X3
1712651.
21441195
0.079877
0.9364
X3A2
274770.0
707729.9
0.388241
0.6980
X3*X8
-9847646.
13170567
-0.747701
0.4550
X3*X6
-83172.82
189455.4
-0.439010
0.6609
X8
1.36E+08
2.48E+08
0.549826
0.5827
X8*X6
-185780.5
1820077.
-0.102073
0.9187
X6
6262947.
7581357.
0.826098
0.4092
X6A2
-28416.50
44273.64
-0.641838
0.5213
R-squared
0.021799
Meandependentvar
2485197
0
8695731
2
39.4350
AdjustedR-squared
-0.006027
S.D.dependentvar
升级会员 