计量经济学我国居民储蓄影响因素的实证分析.docx

计量经济学我国居民储蓄影响因素的实证分析.docx

《计量经济学我国居民储蓄影响因素的实证分析.docx》由会员分享，可在线阅读，更多相关《计量经济学我国居民储蓄影响因素的实证分析.docx（27页珍藏版）》请在冰豆网上搜索。

计量经济学我国居民储蓄影响因素的实证分析

计量经济学期末课程设计

南京审计学院2009级金融院

题目：

我国居民储蓄影响因素的实证分析_

学生姓名__学号

专业班级______

2011年12月12日

摘要：

自经济体制改革以后，我国国民收入分配的格局发生巨大变化。

变化之一是居民收入在国民收入中的比重迅速提高。

自1949年以来，中国储蓄率随着经济增长和收入水平提高呈不断上升趋势，因而高储蓄率也被认为是解释中国经济高速增长的一个主要因素。

虽然高储蓄率总是会导致更高的收入及较高的经济增长率，但并非储蓄率越高越好，必然会存在一个最优的储蓄率。

这使居民的消费和储蓄行为对于经济发展有越来越重要的意义。

探讨中国居民储蓄行为的规律，找出主要决定因素，并在此基础上对储蓄的变化趋势做初步预测，成为确定本论文研究题目的宗旨之一。

关键字：

居民储蓄CPIGDP存款利率股票市值物价指数

一，文献综述

居民储蓄的快速增长，成为我国经济发展的主要资金来源，但过高的储蓄，必然伴随着投资或消费的不足。

所以对影响居民储蓄的主要因素进行分析，才能在制定宏观政策上采取适当的措施，使储蓄率保持在一个适当的水平，促进经济增长。

据统计，我国近年来的实际ＧＤＰ平均每年增长９％左右，而资本的净边际产量即ＭＰＫ－δ，约为0.9%。

我国的资本收益ＭＰＫ－δ＝每年０.９％，大大低于经济的平均增长率（ｎ＋ｇ＝９％）。

可见，我国的资本存量已经远远超过了黄金律水平。

也就是说，当前我国的储蓄率和投资水平已经偏高，而消费率则偏低。

所以我们应该降低储蓄率，减少投资，把收入的更大份额用于消费，这样就会立即提高消费水平，并最终达到更高消费水平的稳定状态。

居民储蓄存款的变动直接受到可支配收入和储蓄率的影响，而储蓄率的变化受到以下因素的影响：

通货膨胀率以及通货膨胀预期造成实际利率的变化，居民消费支出、房地产投资、金融投资收益及渠道的变化。

我国居民的平均边际消费倾向是缓慢下降的，所以，个人可支配收入越大，储蓄存款增加越多；反之也成立。

实际利率。

我国居民存款对名义利率下调的利率弹性小，而对名义利率上调的弹性大；而样本期间的绝大多数时间里，我国名义利率是下降的且在调整以前名义利率是不变的，所以从实际情况来看，我国居民存款变化受到名义利率变化的影响很小，主要受到通货膨胀引起的实际利率变化的影响。

居民消费支出。

居民消费支出对储蓄存款的影响比较微妙：

当居民的收入不变时，消费支出增加了，可以用来储蓄的资金自然会减少；另一方面，居民消费支出也受到收入的影响，所以，把可支配收入和居民消费支出同时引进回归方程时，会引起复共线性；最后，居民消费支出还受到通货膨胀及其预期的影响。

总而言之，把居民消费支出引进方程时，要十分谨慎。

鉴于数据的可得性，本文用社会消费品零售总额表示居民消费支出。

关于金融投资渠道及收益，一方面，我国居民的金融投资意识越来越强；另一方面，随着我国证券市场的发展，可供居民选择的投资渠道越来越多，如股票、国债以及多种多样的基金等金融资产不断进入居民的资产组合之中。

本文选取相应期间股票指数来反映金融投资对储蓄存款的影响。

居民储蓄存款总额是我国评价经济运行情况的一个重要总量指标，它与许多宏观经济指标之间都存在着密切联系。

为了解释居民储蓄变动的原因，有必要引进居民储蓄函数，从数量上分析相关变量对居民储蓄变动的影响。

二，经济理论陈述

1.收入水平：

收入水平是影响储蓄的主要因素之一，由于居民可支配收入数据的不可获得性，本文将国内生产总值（GDP）作为衡量居民收入水平的指标。

只有收入达到一定水平之后才能进行储蓄，而且根据凯恩斯的理论，边际消费倾向是递减的，收入水平越高，边际消费倾向越低，消费越少，储蓄越多。

2.利率水平：

利率作为消费的机会成本也会对储蓄产生影响，从理论上说利率水平越高，消费的机会成本就越大，居民就会压缩当前消费，增加储蓄。

反之，利率水平越低，消费的机会成本就越小，当前消费就会增加，储蓄就会减少。

本文采用一年期存款利率水平作为指标。

3.物价水平：

物价水平也可以影响储蓄和消费，物价水平越高，相同消费水平所支出的货币就越多，在货币收入一定的情况下，能供储蓄的货币就越少。

同时，物价水平决定了实际利率，既定的名义利率下，物价水平与实际利率负相关。

4.通货膨胀率：

是货币超发部分与实际需要的货币量之比,用以反映通货膨胀、货币贬值的程度;而价格指数则是反映价格变动趋势和程度的相对数。

在实际中,一般不直接、也不可能计算通货膨胀,而是通过价格指数的增长率来间接表示。

由于消费者价格是反映商品经过流通各环节形成的最终价格,它最全面地反映了商品流通对货币的需要量,因此,消费者价格指数是最能充分、全面反映通货膨胀率的价格指数。

目前,世界各国基本上均用消费者价格指数（我国称居民消费价格指数）,也即CPI来反映通货膨胀的程度。

5.其他投资渠道：

储蓄是一种投资行为，而除了银行储蓄外还有其他投资渠道，由于数据原因，本文只将股票市值作为其他投资渠道发达程度的衡量指标。

三，数据收集

年份

居民储蓄

（SAV）

国内生产

总值

（GDP）

一年期定期存款Rate（%）

零售价格指数

（RPI）

消费物价指数

（CPI）

股票市价总市值

（SMV）

1995

29662.20

59810.50

9.00

114.80

396.90

3474.4

1996

38520.80

70142.50

8.33

106.10

429.90

9842.4

1997

46279.80

78060.80

5.67

100.80

441.90

17529.2

1998

53407.50

83024.30

4.59

97.40

438.40

19505.7

1999

59621.80

88479.20

2.25

97.00

432.20

26471.0

2000

64332.38

98000.50

2.25

98.50

434.00

48091.0

2001

73762.43

108068.20

2.25

99.20

437.00

43522.0

2002

86910.65

119095.70

1.98

98.70

433.50

38329.0

2003

103617.65

135174.00

1.98

99.90

438.70

42458.0

2004

119555.39

159586.70

2.25

102.80

455.80

37056.0

2005

141050.99

185808.60

2.39

100.80

464.00

32430.0

2006

161587.30

217522.70

2.52

101.00

471.00

89404.0

2007

172534.19

267763.70

3.47

103.80

493.60

327141.0

2008

217885.35

316228.80

3.22

105.90

522.70

121366.0

2009

260771.66

343464.70

2.63

98.80

519.00

243939.0

本文采用的是1995年-2009年的数据，所有数据来源于国家统计局。

虽然现在已经2011年底，但是国家统计局网站上的数据大多只更新到2009年，所以只截取到09年。

介于中国的股市是20世纪90年代初才刚刚起步，上海证券交易所是1990年成立，深圳证券交易所是1991年成立，成立初期的股票市值未必能够真实反映实际的情况，因而选取1995年以后的数据。

四，计量经济模型的建立

结合我国近几年的经济发展特征，我国居民储蓄函数可以表示为：

SAV=f（GDP,Rate,RPI,CPI,SMV,Ut）

其中,SAV为居民储蓄总额,GDP为国内生产总值,Rate为一年期存款利率,RPI为零售物价指数,CPI为消费物价指数，SMV为各期股市市值,U为随机扰动项,t表示时期.

所建立模型也可以表示为:

SAV=C+β1GDP+β2Rate+β3RPI+β4CPI+β5SMV+Ut

五、模型的求解和检验

本人利用EVIEWS软件，用最小二乘法进行回归分析及统计检验，并对模型进行了自相关和异方差检验。

DependentVariable:

SAV

Method:

LeastSquares

Date:

12/07/11Time:

19:

47

Sample:

19952009

Includedobservations:

15

Variable

Coefficient

Std.Error

t-Statistic

Prob.

C

477192.6

108262.4

4.407741

0.0017

GDP

1.106747

0.076510

14.46538

0.0000

RATE

1802.841

1148.691

1.569474

0.1510

RPI

-2191.498

568.8353

-3.852605

0.0039

CPI

-696.7002

167.9047

-4.149378

0.0025

SMV

-0.108527

0.023094

-4.699316

0.0011

R-squared

0.997406

Meandependentvar

108633.3

AdjustedR-squared

0.995964

S.D.dependentvar

69337.42

S.E.ofregression

4404.908

Akaikeinfocriterion

19.90800

Sumsquaredresid

1.75E+08

Schwarzcriterion

20.19122

Loglikelihood

-143.3100

F-statistic

691.9768

Durbin-Watsonstat

1.707178

Prob（F-statistic）

0.000000

将回归结果整理如下：

SAV=477192.6+1.106747GDP+1802.841Rate-2191.498RPI-696.7002CPI-0.108527SMV+Ut

（108262.4）（0.076510）（1148.691）（568.8353）（167.9047）（0.023094）

t=（4.407741）（14.46538）（1.569474）（-3.852605）（-4.149378）（-4.699316）

R2=0.997406F=691.9768DW=1.707178

（1）相关性检验：

R2=0.997406表明方程拟和度很高，F统计量也明显显著表明模型，总体是显著的。

（2）经济意义上的检验：

由β1=1.106747，β2=1802.841，β3=-2191.498，β4=-696.7002β5=-0.108527可以看出，模型符合经济意义。

（3）显著性检验：

根据查询t分布表得：

t0.025（13）=2.160，可见GDP，RPI，CPI，SMV的t统计量绝对值均大于2.160，但是Rate的t统计量绝对值小于2.160。

所以推断模型中解释变量可能存在多重共线性。

（4）多重共线性检验：

利用简单相关系数检验法，通过Eviews构建简单相关系数矩阵，如下：

GDP

RATE

RPI

CPI

SMV

GDP

1.000000

-0.407213

-0.031380

0.964225

0.808037

RATE

-0.407213

1.000000

0.740752

-0.406719

-0.249296

RPI

-0.031380

0.740752

1.000000

-0.140537

-0.025438

CPI

0.964225

-0.406719

-0.140537

1.000000

0.765092

SMV

0.808037

-0.249296

-0.025438

0.765092

1.000000

由表易见，除了GDP和CPI之间的相关系数较高，其他参数之间的相关程度并不是很高，可以推定多重共线性并不严重。

运用逐步回归法对模型进行修正

第一步：

分别求SAV对GDP、RATE、RPI、CPI、SMV的一元回归。

1SAV对GDP的一元回归

DependentVariable:

SAV

Method:

LeastSquares

Date:

12/09/11Time:

14:

13

Sample:

19952009

Includedobservations:

15

Variable

Coefficient

Std.Error

t-Statistic

Prob.

C

-7710.388

4807.492

-1.603827

0.1328

GDP

0.748920

0.026874

27.86785

0.0000

R-squared

0.983536

Meandependentvar

108633.3

AdjustedR-squared

0.982270

S.D.dependentvar

69337.42

S.E.ofregression

9232.588

Akaikeinfocriterion

21.22243

Sumsquaredresid

1.11E+09

Schwarzcriterion

21.31684

Loglikelihood

-157.1682

F-statistic

776.6169

Durbin-Watsonstat

1.258600

Prob（F-statistic）

0.000000

2SAV对RATE的一元回归

DependentVariable:

SAV

Method:

LeastSquares

Date:

12/09/11Time:

14:

17

Sample:

19952009

Includedobservations:

15

Variable

Coefficient

Std.Error

t-Statistic

Prob.

C

160342.0

31779.97

5.045380

0.0002

RATE

-14159.00

7448.175

-1.901003

0.0797

R-squared

0.217519

Meandependentvar

108633.3

AdjustedR-squared

0.157328

S.D.dependentvar

69337.42

S.E.ofregression

63649.80

Akaikeinfocriterion

25.08375

Sumsquaredresid

5.27E+10

Schwarzcriterion

25.17815

Loglikelihood

-186.1281

F-statistic

3.613813

Durbin-Watsonstat

0.135596

Prob（F-statistic）

0.079700

③SAV对RPI的一元回归

DependentVariable:

SAV

Method:

LeastSquares

Date:

12/09/11Time:

14:

20

Sample:

19952009

Includedobservations:

15

Variable

Coefficient

Std.Error

t-Statistic

Prob.

C

253307.4

425251.5

0.595665

0.5616

RPI

-1422.557

4177.473

-0.340531

0.7389

R-squared

0.008841

Meandependentvar

108633.3

AdjustedR-squared

-0.067402

S.D.dependentvar

69337.42

S.E.ofregression

71636.05

Akaikeinfocriterion

25.32015

Sumsquaredresid

6.67E+10

Schwarzcriterion

25.41456

Loglikelihood

-187.9011

F-statistic

0.115961

Durbin-Watsonstat

0.082701

Prob（F-statistic）

0.738897

④SAV对CPI的一元回归

DependentVariable:

SAV

Method:

LeastSquares

Date:

12/09/11Time:

14:

23

Sample:

19952009

Includedobservations:

15

Variable

Coefficient

Std.Error

t-Statistic

Prob.

C

-749501.0

79407.69

-9.438645

0.0000

CPI

1890.552

174.4649

10.83629

0.0000

R-squared

0.900326

Meandependentvar

108633.3

AdjustedR-squared

0.892659

S.D.dependentvar

69337.42

S.E.ofregression

22716.99

Akaikeinfocriterion

23.02318

Sumsquaredresid

6.71E+09

Schwarzcriterion

23.11759

Loglikelihood

-170.6738

F-statistic

117.4253

Durbin-Watsonstat

1.192764

Prob（F-statistic）

0.000000

⑤SAV对SMV的一元回归

DependentVariable:

SAV

Method:

LeastSquares

Date:

12/09/11Time:

14:

24

Sample:

19952009

Includedobservations:

15

Variable

Coefficient

Std.Error

t-Statistic

Prob.

C

66814.17

15599.26

4.283163

0.0009

SMV

0.569972

0.134874

4.225954

0.0010

R-squared

0.578725

Meandependentvar

108633.3

AdjustedR-squared

0.546319

S.D.dependentvar

69337.42

S.E.ofregression

46702.81

Akaikeinfocriterion

24.46456

Sumsquaredresid

2.84E+10

Schwarzcriterion

24.55897

Loglikelihood

-181.4842

F-statistic

17.85869

Durbin-Watsonstat

1.570359

Prob（F-statistic）

0.000991

通过比较各个调整可决系数，选择GDP作为第一个解释变量，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。

①

DependentVariable:

SAV

Method:

LeastSquares

Date:

12/09/11Time:

14:

42

Sample:

19952009

Includedobservations:

15

Variable

Coefficient

Std.Error

t-Statistic

Prob.

C

4183.679

6892.780

0.606965

0.5552

GDP

0.725864

0.025900

28.02601

0.0000

RATE

-2276.130

1041.210

-2.186042

0.0494

R-squared

0.988225

Meandependentvar

108633.3

AdjustedR-squared

0.986263

S.D.dependentvar

69337.42

S.E.ofregression

8126.713

Akaikeinfocriterion

21.02056

Sumsquaredresid

7.93E+08

Schwarzcriterion

21.16217

Loglikelihood

-154.6542

F-statistic

503.5696

Durbin-Watsonstat

1.524263

Prob（F-statistic）

0.000000

②

DependentVariable:

SAV

Method:

LeastSquares

Date:

12/09/11Time:

14:

43

Sample:

19952009

Includedobservations:

15

Variable

Coefficient

Std.Error

t-Statistic

Prob.

C

89407.20

49997.99

1.788216

0.0990

GDP

0.747428

0.024387

30.64834

0.0000

RPI

-952.6625

488.5801

-1.949860

0.0749

R-squared

0.987497

Meandependentvar

108633.3

AdjustedR-squared

0.985414

S.D.dependentvar

69337.42

S.E.ofregression

8374.131

Akaikeinfocriterion

21.08054

Sumsquaredresid

8.42E+08

Schwarzcriterion

21.22215

Lo