对我国工业生产总值与资产总额和职工人数之间的关系研究DOC.docx

对我国工业生产总值与资产总额和职工人数之间的关系研究DOC.docx

《对我国工业生产总值与资产总额和职工人数之间的关系研究DOC.docx》由会员分享，可在线阅读，更多相关《对我国工业生产总值与资产总额和职工人数之间的关系研究DOC.docx（11页珍藏版）》请在冰豆网上搜索。

对我国工业生产总值与资产总额和职工人数之间的关系研究DOC

西安电子科技大学

微观经济学个人作业

老师：

赵文平

题目：

对我国工业生产总值与资产总额和职工人数之间的关系研究

学生姓名：

雷双群学号：

1506122283

对我国工业生产总值与资产总额和职工人数之间的关系研究

摘要：

本文运用EVIEWS7.0软件对我国工业生产总值与工业资产总额以及职工人数进行时间序列分析，采用时间序列模型对这三者之间的关系进行研究。

得出这三者之间存在一定的相关关系，但不是线性关系，而且他们之间的这种关系具有一定的滞后性。

关键词：

实证检验平稳性检验时间序列分析滞后性

引言：

对工业生产总值以及资本总额和职工人数之间关系，不同的经济学家有不同的看法，有些经济学家认为他们之间存在线性关系，有些认为他们之间存在比例关系，而科布道格拉斯认为他们之间是C-D生产函数形式，也就是指数关系。

本文就此进行研究，探究我国的工业生产总值与资产总额以及职工人数之间的关系到底如何。

1、文献综述

黄伟以某年工业生产总值与工业资产总额以及职工人数，对三者之间进行研究，认为这三者之间的关系为非线性的而且该年的中国制造业基本呈现规模报酬不变的状态。

杨洁采用最小二乘法，对三者一年的数据之间进行回归分析，认为三者之间存在线性相关关系。

这两个人在分析的过程中，都运用的是一年的数据，数据太少，不够说明三者之间的关系，而且杨洁在分析三者之间关系的时候，没有对数据平稳性进行检验，简单的对三者进行回归，默认数据时平稳的，而且默认数据为线性相关的，所以最终结论为线性相关。

本文将运用我国十五年以来的数据进行分析，数据充足，足以进行分析，而且采用的是时间序列分析方法进行实证检验，并且对数据平稳性进行检验之后，才得出模型，研究表明，这三者之间虽然数学表达式上面满足多元回归条件，但是由于残差不平稳，数据没有意义，所以不认为三者之间是线性相关的，经过时间序列分析，认为三者之间存在滞后性，且与各自滞后数据相关。

二、对工业生产总值与工业资产总额、职工人数进行实证分析

（一）、数据的采集

本文数据都来源于《中国统计年鉴》，工业生产总值采用的是国内生产总值核算中的工增加值，而每年的工业增加值即为工业生产总值，工业资产总额采用的是按照行业来分的工业企业资产总额，而职工人数采用的是年平均就业人数。

所有数据均采用从2000年到2014年总共十五年的数据进行分析。

（二）、数据的处理

（一）、对数据作散点图

本文先通过对数据进行作图，分析三者之间的趋势，观察他们是否存在某种趋势，如果存在，根据这种趋势选择模型。

首先，对三者总值进行作图分析，得出图形如下所示：

图2.1三者15年趋势图

Y代表工业生产总额，B代表职工人数，A代表资产总额。

由该图形，我们不难发现，三者之间具有一定的趋同现象，符合多元线性回归模型，但是并不是数据存在趋同现象，他们就一定存在严格意义上面的线性函数关系，有可能存在伪回归现象，所以还需要对数据进行进一步研究分析，以确定采用哪种模型来分析这三者之间的关系。

（2）、对数据分别进行平稳性检验

数据变量的平稳性是传统的计量经济分析的基本要求之一。

只有模型中的变量满足平稳性要求时,传统的计量经济分析方法才是有效的,而在模型中含有非平稳时间序列时,基于传统的计量经济分析方法的估计和检验统计量将失去通常的性质,从而推断得出的结论可能是错误的。

因此,在建立模型之前有必要检验数据的平稳性。

而根据上图分析，本文将采用多元线性回归模型来对三者之间的关系进行进一步研究。

首先，对数据平稳性进行检验

1、对工业生产总值a进行ADF检验，运用EVIEWS7.0，得出结论如下：

图2.21对a平稳性检验结果图

根据t统计结果，t=-2.453362>t=-3.175352，即t在5%的置信水平下不显著，而且prob.大于0.05,说明该数据不平稳，需要进行一阶差分。

对数据进行一阶差分，得到结果如下：

图2.22对a平稳性检验结果图

根据t统计结果显示，t=-1.4963>t=t=-3.119，即t在5%的置信水平下不显著，而且prob.远大于0.05,所以该数据进行一阶差分后仍然不平稳，需要进行二阶差分。

对数据进行二阶差分，得到结果如下：

图2.23对a二阶平稳性检验结果图

根据t统计量结果，t=-3.5712<-3.1449且prob.<0.05，说明数据在5%置信水平下显著，数据经过二阶差分之后平稳。

2、对b进行平稳性检验，运用EVIEWS7.0，得出结论如下：

图2.24对b平稳性检验结果图

根据t统计结果可知，t=-6.5318

3、对y进行平稳性检验，运用EVIEWS7.0，得出结论如下：

图2.25对y平稳性检验结果图

根据t统计结果，t=1.4526远大于10%de置信水平下的t的值，而且prob.远大于0.05，所以该数据为非平稳数据。

需要对数据进行一阶差分。

对数据进行一阶差分之后得到结果如下：

图2.26对y一阶平稳性检验结果图

根据t检验结果，t=-2.5107>t=-3.1199且prob.大于0.05，所以该数据进行一阶差分之后仍然为非平稳序列，所以需要对数据进行二阶差分。

对数据进行二阶差分得到结果如下：

图2.27对y二阶平稳性检验结果图

根据t检验结果，t=-3.9887<-2.7289且prob.小于0.05，所以该数据经过二阶差分之后为平稳数据。

由此可知，这些数据，a和y原本都是非平稳数据，经过二阶差分之后平稳，所以如果采取线性函数，可能存在一定的伪回归现象。

他们之间如果存在线性函数关系，判断是否是伪回归，还需对数据进一步分析。

（3）、假设这三者之间存在线性关系，对其进行多元回归分析

利用EVIEWS7.0对数据进行多元回归，回归结果如下：

图2.31三者多元回归结果图

由回归结果，R-squared为0.9947，可见他们之间的拟合度是相当的高的，而且Prob.为0.0000，说明他们之间存在严格意义上的数学关系式，且为线性的。

且其方程表达式为：

Y=0.269745667464*A+8.10593066086*B-572647.829951

但是，我们还需要对模型的残差平稳性进行分析，来看该表达式是否合理。

对模型残差进行平稳性检验，经过处理之后，发现该数据不平稳，进行一阶差分处理，得到结果如下：

图2.32对残差一阶平稳性检验结果图

根据结果可知，t=-2.921

对残差单位根进一步进行检验，得到图形如下：

由此图形，有两个残差数据在单位根之外，而只有当所有数据在单位根内的时候，数据才是平稳的且有意义的，如果存在数据在单位根之外，则数据之间非平稳，表明三者之间不存在这种有意义的线性函数关系。

综上分析，本文将不能采取多元线性回归模型对其进行分析。

本文将对所有数据取对数且进行时间序列分析，并得出相关时间序列模型。

（三）、时间序列分析

（1）、对数据取对数后，同样需要对他们进行平稳性检验。

1、对Lny进行平稳性检验，得到结果如下：

图3.11对Lny平稳性检验结果图

根据t统计结果可知，t=--1.1518>t=-2.6904且prob.远大于0.05，所以数据在10%的置信水平下不能通过检验，数据为非平稳数据，需要进行一阶差分。

对数据进行一阶差分后得到结果如下：

图3.12对Lny一阶平稳性检验结果图

根据t统计结果可知，t=--2.1348>t=-2.7011且prob.远大于0.05，所以数据在10%的置信水平下不能通过检验，数据为非平稳数据，需要进行二阶差分。

对数据进行二阶差分，得到结果如下：

图3.13对Lny二阶平稳性检验结果图

根据t统计量结果，t=-3.9009<-3.1753且prob.<0.05，说明数据在5%置信水平下显著，数据经过二阶差分之后平稳。

2、对Lna进行平稳性检验，得到结果如下：

图3.14对Lna平稳性检验结果图

根据t统计结果可知，t=--2.84235>t=-2.7289且prob.大于0.05，所以数据在10%的置信水平下不能通过检验，数据为非平稳数据，需要进行一阶差分。

对数据进行二阶差分之后，得到结果如下：

图3.15对Lna一阶平稳性检验结果图

根据t统计结果可知，t=0.4534>t=-2.7289且prob.远大于0.05，所以数据在10%的置信水平下不能通过检验，数据为非平稳数据，需要进行二阶差分。

对数据进行二阶差分，可得到结果如下：

图3.16对Lna二阶平稳性检验结果图

根据t统计量结果，t=-5.1295<-3.1753且prob.<0.05，说明数据在5%置信水平下显著，数据经过二阶差分之后平稳。

3、对Lnb进行平稳性检验，得到结果如下：

图3.17对Lnb二阶平稳性检验结果图

根据t统计结果可知，t=-6.9193

（2）建立时间序列模型

综上分析可知，三者之间数据关系存在一定的滞后性，对数据建立时间序列模型，得到结果如下：

LNY=0.213335512599*LNY（-1）+0.0270896732089*LNY（-2）-19.6681435071*LNB（-1）+25.1644441087*LNB（-2）+0.902419689927*LNA（-1）-0.493372923595*LNA（-2）-57.8438996198

对该模型残差进行平稳性检验，得到结果如下：

图3.21模型的残差平稳性检验结果图

根据t统计结果可知，t=-3.8536

而且对其单位根进行检验，得到结果如下：

单位根都在单位圆内，该结果进一步说明残差序列平稳，该模型有一定意义。

（3）对多元回归模型不可行证明

1、进一步研究取对数后的数值是否具有线性关系。

根据下图也可以得出：

图3.11取对数后的三者之间的趋势图

由此图可知，取对数后的工业生产总值也工业资产总额之间有一定的正相关性，但是与职工人数之间没有明显的相关性。

假设三者之间有线性相关性，利用EVIEWS7.0进行线性回归得到结果如下：

图3.12取对数后的三者之间的多元回归结果图

回归模型为：

LNY=3.26713846937*LNB+0.77208154624*LNA-34.7441020605

由此结果可知，虽然他们之间的拟合度很高，但是Prob.为0.2466，无法通过检验，所以拒绝该假设，那么他们之间并不存在严格意义上的线性函数关系。

2、对LnA与LnB进行多重共线性检验

利用EVIEWS7.0对LnA与LnB进行回归，得到结果如下：

图2.32对LnA与LnB回归结果图

根据该结果可知，LnA与LnB线性相关，拟合度高达0.97，且Prob.为0，这说明模型

LNY=3.26713846937*LNB+0.77208154624*LNA-34.7441020605存在多重共线性，该模型也不可行。

（4）小结

所以，最终模型为以下时间序列模型:

LNY=0.213335512599*LNY（-1）+0.0270896732089*LNY（-2）-19.6681435071*LNB（-1）+25.1644441087*LNB（-2）+0.902419689927*LNA（-1）-0.493372923595*LNA（-2）-57.8438996198

三、结论

由该模型我们可以知道，一、我国工业生产总值自身存在一定的滞后性，所以它自身存在一定的相关性，工业生产总值也与工业资产总额以及职工人数之间存在一定的相关性，且都带有滞后性，滞后阶数最大为二。

二、根据系数，我们可以看到，工业生产总值与自身滞后一阶以及二阶数据之间存在正的相关性，与职工人数以及工业资产总额滞后一阶数据之间存在正的相关性，而与职工人数以及工业资产总额滞后二阶数据存在负相关性。

三、工业生产总值的变动与职工人数、工业资产总额之间存在相关性，但并不是理论上说的那种严格的线性函数关系。

需要说明的是这个结果可能与我国统计数据采集存在统计误差以及数据并不是严格的按照生产函数所需要的数据搜集得到，所以最终会出现这样的结果。

本来想按照老师课上讲的的科布道格拉斯函数关系进行研究，因为当时老师讲到那里，引发了我对我国的生产函数关系的研究，结果最后发现数据不平稳，最终与实际构思有偏差。

4、参考文献

[1]滋维.博迪．投资学[M]．机械工业出版社，第八版.

[2]李心愉．应用经济统计学[M]．北京：

清华大学出版社，第二版.

[3]古扎拉蒂．计量经济学[M]．中国人民大学出版社，2005.

[4]（美）蔡著．金融时间序列分析[M]．机械工业出版社，2006.

[5]杨洁．工业生产总值与资产总额和职工人数的实证研究．[N]．理论探究

[6]吕光明．对数据平稳性检验方法的比较研究．[N]．财经问题研究，第6期（总第247期

2004年6月

5、致谢

感谢赵老师一直以来给我们精彩的讲述微观经济学，老师讲述得很透彻也很容易理解，还会与实际生活相结合，激发我们将所学的知识联系和运用到实际生活中。

非常感谢老师对我们的引导。