计量经济学课程论文我国公路客运量的研究报告.docx

1、计量经济学课程论文我国公路客运量的研究报告我国公路客运量的研究报告信息管理与信息系统 03 级指导老师：鲁万波白一佳 40311006陈华 40311028师群昌 40311020王一竹 40311062张斯蕊 40311043庄云 40311065我国公路客运量的研究报告白一佳 陈华 师群昌 王一竹 张斯蕊 庄云摘要：本文通过建立模型对影响我国公路客运量的因素进行了研究，通过Evies对七个变量进行回归拟合，通过建立模型Yt = 0 + 1 X 1 + 2 X 2 + 3 X 3 + 4 X 4 + 5 X 5 + 6 X 6 + 7 X 7 + ut 对样本数据进行回归，分析得到最终模型Y

2、t = 0 +1 X 2 + 2 X 6 +3 X 7 + ut ，并在此基础上细分变量优化模型，引入虚拟变量对城市农村的影响情况进行对比分析，由此提出了最终模型的改进模型Yt = 0 +1 X 2 +2 X 7 + ut ，通过样本回归分析得出一定的结论，提出进一步探讨的问题。关键词：公路客运量 OLS回归一背景综述改革开放后，我国国民经济持续高速发展，公路运输需求强劲增长，国家加大了公路基础设施的建设力度。随着道路环境的改善和城乡交流的日益频繁，公路客运量逐年提高。伴随着中国城市化的进程，城乡之间、城际之间的交流日益频繁，这直接支持了公路客运行业的发展。公路客运在我国综合运输体系客运市场中

3、发挥着举足轻重的作用，承担着90%以上的份额，因此对我国公路客运的研究就显得很有现实意义，通过研究我国从改革开放至今的公路客运量发展变化，可以从我国国民经济发展的一个侧面了解到我国二十多年来的交通运输、公共事业建设、人民生活水平、社会生产、流通、分配、消费各环节协调发展等诸多现实经济问题，对于提升个人对国家经济发展认识、研究分析的能力大有好处。因此，本文以1978年为课题研究的时间起点，纵观中国公路、人口、人均收入、客运汽车产量、铁路、民航、水路运输客运量等众多因素对我国公路客运量的推动作用和影响，通过建立多元线性回归方程，进行实证分析，得出对我国公路客运量的显著影响因素。二模型变量选择及预测

4、在模型建立之初，我们选择了七个对公路客运量可能造成影响的因素：客运汽车总量、年底总人口、铁路客运量、水运客运量、民用航空客运量、公路长度及全国总人均收入。从经济常识的角度，初步认为，人口、人均收入作为国民经济衡量的基本要素对公路客运量应该有一定的影响；铁路客运、水运客运、民航客运与公路客运存在替代的经济关系，其三者的客运量要么与公路客运量有负相关的关系，要么与公路客运量的相关关系不大；客运汽车作为公路客运的硬件条件我们也将其引入模型，去考察客运汽车总量与客运量规模间的解释关系；而客运- 1 -路线的丰富程度势必也将对公路客运量造成影响，在此我们用公路的长度去衡量客运路线的丰富程度。在以上分析的

5、基础上，进行主观的预测，对公路客运量可能造成影响的因素有：年底总人口、全国总人均收入、铁路客运量、客运汽车总量。三模型分析根据对经济现象的分析，建立如下模型描述：Yt = 0 + 1 X 1 + 2 X 2 + 3 X 3 + 4 X 4 + 5 X 5 + 6 X 6 + 7 X 7 + ut1其中：Yt - -公路客运量X4- -水运客运量X 1- -客运汽车总量X5 - -民用航空客运量X 2- - 年底总人口X6- -公路长度X 3- - 铁路客运量X7- -全国总人均收入（一）、对所选择的样本作散点图得个解释变量与被解释变量的关系如下系列图所示：1500000150000010000

6、001000000YY50000050000000010020030040050090000100000110000120000130000X1X21500000150000010000001000000YY5000005000000080000900001000001100001200001500020000250003000035000X3X4- 2 -1500000150000010000001000000YY500000500000000200040006000800010000801001201401601802001500000X5X61000000Y500000005001000

7、15002000X7从图形看出所选择的解释变量 x3 与 x4 样本数据与所选择的被解释变量的样本数据间没有明显的相关性，其余解释变量与被解释变量间有明显的线性相关性。所以推测所建模型中 x3 和x4 对 y 的解释可能不显著。（二）、样本模型的估计1、模型估计对所选择的样本数据运用 OLS 法回归得：Dependent Variable: YMethod: Least SquaresDate: 12/16/05 Time: 15:08Sample: 1 18Included observations: 18VariableCoefficientStd. Errort-StatisticPro

8、b.C-1810996.156801.2-11.549640.0000X1-18.56917178.2442-0.1041780.9191X216.031731.7781879.0157720.0000X33.7978611.1424343.3243600.0077X4-2.6284404.549093-0.5777940.5762X510.8877217.879220.6089590.5561X61357.762726.40071.8691640.0911X7349.150853.140406.5703460.0001R-squared0.998779Mean dependent var94

9、1880.1Adjusted R-squared0.997924S.D. dependent var413515.1S.E. of regression18842.03Akaike info criterion22.82667Sum squared resid3.55E+09Schwarz criterion23.22239Log likelihood-197.4400F-statistic1168.282Durbin-Watson stat2.666635Prob(F-statistic)0.000000- 3 -即：Y = -1810996-18.57 X 1 + 16.03 X 2+ 3

10、.80 X 3-2.62 X 4 + 10.88 X 5 + 1357.76 X 6 + 349.15 X 7t(156801.2)(178.24)(1.78)(1.42)(4.55)(17.88)(726.40)(53.14)t = ( -11.55)( -0.10)(9.02)(3.32) ( -0.58)(0.61)(1.87)(6.57)R 2 = 0.9987F = 1168.28R 2 = 0.9979DW = 2.667从回归的样本模型的统计量 R=0.998779 可以看出，模型的拟合优度非常好，从 F=1168.282可知解释变量对模型的整体解释显著，然而通过样本数据所得的解

11、释变量 x1、x4、x5 参数估计值的 t 值明显不显著，据此推测模型解释变量间可能存在多重共线性。2、多重共线性的检验运用相关系数矩阵检验，相关系数矩阵为：X1X2X3X4X5X6X7X11.0000000.8828920.407131-0.7025490.9739720.9605790.907679X20.8828921.0000000.504735-0.5046760.9202240.8193370.924883X30.4071310.5047351.0000000.2761740.3303930.3599010.295472X4-0.702549-0.5046760.2761741.0

12、00000-0.751790-0.739402-0.722706X50.9739720.9202240.330393-0.7517901.0000000.9338920.974145X60.9605790.8193370.359901-0.7394020.9338921.0000000.863272X70.9076790.9248830.295472-0.7227060.9741450.8632721.000000从相关系数矩阵中可以看出，解释变量 x1 与 x2、x5、x6、x7，x2 与 x5、x6、x7，x5 与x6、x7，x6 与 x7 高度相关，说明模型存在多重共线性。3、多重共线性

13、的消除运用逐步回归法消除多重共线性：第一步：Dependent Variable: YMethod: Least SquaresDate: 12/16/05 Time: 15:25Sample: 1 18Included observations: 18VariableCoefficientStd. Errort-StatisticProb.C224417.043625.735.1441430.0001X7759.698140.5134618.751750.0000R-squared0.956478Mean dependent var941880.1Adjusted R-squared0.95

14、3758S.D. dependent var413515.1S.E. of regression88922.47Akaike info criterion25.73336Sum squared resid1.27E+11Schwarz criterion25.83229Log likelihood-229.6002F-statistic351.6280Durbin-Watson stat0.528434Prob(F-statistic)0.000000第二步：X2 x7Dependent Variable: YMethod: Least SquaresDate: 12/16/05 Time:

15、15:27Sample: 1 18Included observations: 18VariableCoefficientStd. Errort-StatisticProb.C-1905953.296654.0-6.4248360.0000- 4 -X7406.146652.954207.6697710.0000X220.835102.8937677.1999910.0000R-squared0.990233Mean dependent var941880.1Adjusted R-squared0.988931S.D. dependent var413515.1S.E. of regressi

16、on43506.46Akaike info criterion24.35022Sum squared resid2.84E+10Schwarz criterion24.49861Log likelihood-216.1520F-statistic760.3815Durbin-Watson stat0.787593Prob(F-statistic)0.000000第三步：x2 x6 x7Dependent Variable: YMethod: Least SquaresDate: 12/16/05 Time: 15:29Sample: 1 18Included observations: 18V

17、ariableCoefficientStd. Errort-StatisticProb.C-1956629.196460.9-9.9593800.0000X7328.316939.038748.4100300.0000X62111.153468.41224.5070420.0005X219.710071.92948810.215180.0000R-squared0.996015Mean dependent var941880.1Adjusted R-squared0.995161S.D. dependent var413515.1S.E. of regression28765.19Akaike

18、 info criterion23.56485Sum squared resid1.16E+10Schwarz criterion23.76271Log likelihood-208.0836F-statistic1166.384Durbin-Watson stat1.807779Prob(F-statistic)0.000000第四步：通过加入剩余变量后剔除不显著的变量后得：x2 x3 x6 x7Dependent Variable: YMethod: Least SquaresDate: 12/16/05 Time: 15:31Sample: 1 18Included observatio

19、ns: 18VariableCoefficientStd. Errort-StatisticProb.C-1877325.121383.9-15.466010.0000X7393.156427.2833414.410130.0000X215.968811.40413211.372720.0000X61957.836288.53886.7853460.0000X33.2002030.6488084.9324360.0003R-squared0.998612Mean dependent var941880.1Adjusted R-squared0.998185S.D. dependent var4

20、13515.1S.E. of regression17616.05Akaike info criterion22.62114Sum squared resid4.03E+09Schwarz criterion22.86847Log likelihood-198.5903F-statistic2338.575Durbin-Watson stat2.590139Prob(F-statistic)0.000000但从回归后所得的统计量看，加入 x3 后模型的整体拟合优度改善并不明显，说明 x3 对 y的解释能力不大；同时从经济意义上看，从我们先前的预测得铁路的客运量与公路客运量间应该存在负相关性，然

21、而所估计的系数为正，与经济意义相违背。所以剔除 x3，故最后的模型为：- 5 -Yt = -1956629+328.32 X 2 + 2111.15 X 6 +19.71 X 7 （196460.9）(39.04 ) (468.41) (1.93)t= (9.96)(8.41)(4.51)(10.22)R 2 = 0.996015F = 1166.384R 2 = 0.995161DW = 1.8077794、异方差检验运用 arch 检验得：ARCH Test:F-statistic0.000226Probability0.988210Obs*R-squared0.000256Probability0.987238Test Equation:Dependent Variable: RESID2Method: Least SquaresDate: 12/20/05 Time: 20:07Sample(adjusted): 2 18Included observations: 17 after adjusting endpoints