中国经济增长影响因素实证分析复习过程

1、中国经济增长影响因素实证分析精品文档中国经济增长影响因素实证分析摘要：改革开放以来，我国的社会主义经济取得了突飞猛进的发展，经济增长速度更是举世瞩目。本文采用经济增长模型和多元线性回归分析方法对19932016年中国经济增长因素进行研究，分析了物质资本、劳动力、消费对国内生产总值的影响，建立计量模型，寻求这些变量与中国国民产出的数量关系，进行定量分析，对模型进行检验。关键词：消费、投资、经济增长、劳动力一、文献综述（一）经济增长理论经济增长是指一个国家生产商品和劳务能力的扩大。在实际核算中，常以一国生产的商品和劳务总量的增加来表示，即以国民生产总值和国内生产总值的（GDP）的增长来计算。经济增

2、长是经济学研究的永恒主题。古典经济增长理论以社会财富的增长为中心，指出生产劳动是财富增长的源泉。现代经济增长理论认为知识、人力资本、技术进步是经济增长的主要因素。（二）影响因素的分析从古典增长理论到新增长理论，都重视物质资本和劳动的贡献。物质资本是指经济系统运行中实际投入的资本数量.然而，由于资本服务流量难以测度，在这里我们用全社会固定资产投资总额（亿元）来衡量物质资本。中国拥有全世界近1/4的人口，为经济增长提供了丰富的劳动力资源。因此本文用总就业人数（万人）来衡量劳动力。居民消费需求也是经济增长的主导因素。经济增长问题既受各国政府和居民的关注，也是经济学理论研究的一个重要方面。在19782

3、008年的31中，我国经济年均增长率高达9.6%,综合国力大大增强,居民收入水平与生活水平不断提高，居民的消费需求的数量和质量有了很大的提高。但是，我国目前仍然面临消费需求不足问题。因此，研究消费需求对经济增长的影响，并对我国消费需求对经济增长的影响程度进行实证分析，可以更好的理解消费对我国经济增长的作用。、数据收集与模型的建立（一）数据收集表1中国经济增长影响因素模型时间序列表指标国内生产总值年末就业人员数全社会固定资产投资完成额居民消费价格指数（上年=100）地区全国全国全国全国频度年年年年单位亿元万人亿元-199335673.26680813072.3114.7199448637.567

4、45517042.1124.1199561339.96806520019.27117.1199671813.66895022974108.31997797156982024941.12102.8199885195.57063728406.1899.2199990564.47139429854.7298.6200010028074100.42001P110863491100.732002121717.47328043499.9199.252003一1374227373655566.61101.172004161840.27426470477.4

5、3103.882005187318.97464788773.61101.812006219438.574978109998.16101.472007270232.375321137323.94104.772008319515.575564172828.4105.862009349081.475828224598.7799.312010P413030.376105251683.771103.322011489300.676420311485.13105.392012P540367.476704374694.741102.652013595244.476977446294.09102.622014

6、64397477253512020.65101.992015689052.177451561999.83101.442016744127.277603606465.66102资料来源：中经网统计数据库（二）模型设计为了具体分析各要素对我国经济增长影响的大小，我们可以用国内生产总值（y）作为对经济发展的衡量，代表经济发展；用总就业人员数（x2）衡量劳动力；用固定资产投资总额（x3）衡量资本投入：用价格指数（x4）去代表消费需求。运用这些数据进行回归分析。采用的模型如下：Y?i2X23X34X4i其中，y代表国内生产总值，x2代表社会就业人数，x3代表固定资产投资，x4代表消费价格指数，i代表随机

7、扰动项。我们通过对该模型的回归分析，得出各个变量与我国经济增长的变动关系。三、模型估计和检验（一）模型初始估计表2模型初始估计结果DependentVariable:YMethod:LeastSquaresDate:12/02/17Time:21:55Sample:19932016Includedobservations:24VariableCoefficientStd.Errort-StatisticProb.C-1275271.219020.5-5.8226090.0000X215.836642.1838457.2517240.0000X30.9780160.03143931.108490

8、.0000X42050.542769.38612.6651660.0149R-squared0.995694Meandependentvar273572.7AdjustedR-squared0.995048S.D.dependentvar228431.4S.E.ofregression16074.20Akaikeinfocriterion22.35883Sumsquaredresid5.17E+09Schwarzcriterion22.55517Loglikelihood-264.3060Hannan-Quinncriter.22.41092F-statistic1541.649Durbin-

9、Watsonstat0.587012Prob(F-statistic)0.000000Y?127537115.83664X20.978016X32050.542X4t=(-5.822609)(7.251724)(31.10849)(2.665166)1541.649, DW 0. 5870122R20.99569,R20.99505,F（二）多重共线性检验表3相关系数矩阵被解释变量X2X3X4R20.7119540.9822820.088145VIF3.471756.43981.0967X2X21X30.7829237374353251X4-0.6097869809492669X30.7829

10、2373743532511-0.2549475574563468X4-0.6097869809492669-0.25494755745634681表4辅助回归的R2值根据多重共线性检验，解释变量之间存在着线性相关。通过采用剔除变量法，多重共线性的修正结果如下：剔除X4表5修正多重共线性后的模型DependentVariable:YMethod:LeastSquaresDate:12/02/17Time:22:02Sample:19932016Includedobservations:24VariableCoefficientStd.Errort-StatisticProb.C-776314.9

11、129136.0-6.0116050.0000X211.867971.8147766.5396370.0000X31.0158210.03187431.869690.0000R-squared0.994165Meandependentvar273572.7AdjustedR-squared0.993609S.D.dependentvar228431.4S.E.ofregression18261.19Akaikeinfocriterion22.57941Sumsquaredresid7.00E+09Schwarzcriterion22.72667Loglikelihood-267.9530Han

12、nan-Quinncriter.22.61848F-statistic1788.997Durbin-Watsonstat0.554622Prob(F-statistic)0.000000Y?776314.911.86797X21.015821X3it=(129136.0)(1.813776)22R20.994165,R20.993609,F1788.997,DW0.554622（三）自相关性检验1、残差图法20,00015,000,10,000.*5,000.0.*E-5,000_*-10,000_,.-15,000.-20,000_*-25,000!,-30,000-20,000-10,00

13、0010,00020,000E(-1)ResidualActual-Fitted2、回归检验法表6回归结果DependentVariable:EMethod:LeastSquaresDate:12/02/17Time:23:30Sample(adjusted):1424Includedobservations:11afteradjustmentsVariableCoefficientStd.Errort-StatisticProb.E(-1)0.0353470.3166090.1116420.9133R-squared-0.006486Meandependentvar-853.3129Adju

14、stedR-squared-0.006486S.D.dependentvar10172.61S.E.ofregression10205.54Akaikeinfocriterion21.38576Sumsquaredresid1.04E+09Schwarzcriterion21.42193Loglikelihood-116.6217Hannan-Quinncriter.21.36296Durbin-Watsonstat1.7616643、D惭验法取显著性水平为0.05,本例中k=3,n=24查DW表得临界值，di1.7616640.5546221.2070,du2.3163，而模型估计的DW值是

15、0.554622,DW值落入区域0DWdi,认为随机扰动项存在正的自相关。4、相关图和QB计量Series:R因口WorlcfileUNTrrLEDr:Untitled_BX|ProcObjectPropertieaPrintNameFreezeSampleGenrSheet0叩tiStatsICorrelogramofRESIDDate:12f03/17Time:00:01Sample:124Includedobservations;11AutccorrelationPartialCorrelationACPAOQ-StatProb1111J11。0490.0490C3410B5311111

16、12-Q39S-0402255720.27C1匚11匚130219-0.2043.40530.3331匚1I二14-0.12S-0.3443.74040.W1n115024000705.11660.40211匚160106-0.171543790.4SS1匚11匚17-0.205-0220594Q9口4351111300970.113739220.495111匚190000-0U37.39220.59C1111110004?-00307.C5730662残差相关系数图Breusch-Godfrey检验法表7BG检验结果Breusch-GodfreySerialCorrelationLMTest

17、:F-statistic0.849638 Prob. F(2,7)0.4674Obs*R-squared2.344024 Prob. Chi-Square(2)0.3097TestEquation:DependentVariable:RESIDMethod:LeastSquaresDate:12/02/17Time:23:22Sample:1324Includedobservations:12Presamplemissingvaluelaggedresidualssettozero.VariableCoefficientStd.Errort-StatisticProb.C155027.8146

18、0100.0.1061760.9184X2-2.08333219.58771-0.1063590.9183X30.0121730.1067170.1140710.9124RESID(-1)0.0950140.3607980.2633430.7999RESID(-2)-0.4843870.372710-1.2996350.2349R-squared0.195335Meandependentvar2.44E-09AdjustedR-squared-0.264473S.D.dependentvar10139.63S.E.ofregression11401.90Akaikeinfocriterion2

19、1.81528Sumsquaredresid9.10E+08Schwarzcriterion22.01733Loglikelihood-125.8917Hannan-Quinncriter.21.74048F-statistic0.424819Durbin-Watsonstat2.078170Prob(F-statistic)0.786883（四）自相关问题的处理CO迭代法估计参数表8CO迭代法结果DependentVariable:YMethod:LeastSquaresDate:12/03/17Time:00:08Sample(adjusted):224Includedobservatio

20、ns:23afteradjustmentsConvergenceachievedafter12iterationsVariableCoefficientStd.Errort-StatisticProb.C-1124646.775903.1-1.4494670.1635X216.6882110.560181.5802950.1305X30.9479700.0966069.8127070.0000AR(1)0.7588740.1904243.9851850.0008R-squared0.997169Meandependentvar283916.1AdjustedR-squared0.996721S

21、.D.dependentvar227746.3S.E.ofregression13040.42Akaikeinfocriterion21.94627Sumsquaredresid3.23E+09Schwarzcriterion22.14374Loglikelihood-248.3821Hannan-Quinncriter.21.99593F-statistic2230.435Durbin-Watsonstat1.603193Prob(F-statistic)0.000000InvertedARRoots.76上图表明，经过调整后的样本共包含23个观测值，迭代12次后收敛，AR(1)前面的系数为0.758874,即为p的估计值。从以上回归结果可知原模型的估计结果为：y?1124616.68821x20.9480x3t=(-1.4495)(1.5803)(9.8127)修正后的DW=1.603193,进行自相关检验，Q统计量如下图通过上图可以看