税收收入的影响因素

我国税收收入影响因素

的实证分析姓名：班级：0331404学号目录TOC\o"1-5"\h\z\o"CurrentDocument"引言 2\o"CurrentDocument"文献综述 2\o"CurrentDocument"国外的相关研究 2\o"CurrentDocument"国内的相关研究 3\o"CurrentDocument"建立模型 4变量 4数据 4\o"CurrentDocument"描述性分析 5\o"CurrentDocument"税收收入虽年份变化的关系图 5\o"CurrentDocument"税收收入与各解释变量之间的关系图 6\o"CurrentDocument"模型 7\o"CurrentDocument"模型的参数估计与统计检验 8\o"CurrentDocument"参数估计 8\o"CurrentDocument"拟合优度检验 9\o"CurrentDocument"显著性检验（t检验） 9\o"CurrentDocument"总体显著性检验（F检验） .9\o"CurrentDocument"模型的计量经济检验 10\o"CurrentDocument"多重共线性检验 10\o"CurrentDocument"简单相关系数检验法 10\o"CurrentDocument"辅助回归法 10\o"CurrentDocument"逐步回归法修正模型 11\o"CurrentDocument"检验模型的异方差 14\o"CurrentDocument"图形法 14\o"CurrentDocument"White检验 15\o"CurrentDocument"加权最小二乘法修正异方差 15\o"CurrentDocument"模型的自相关检验 17\o"CurrentDocument"图形法检验自相关 17自相关DW检验 18\o"CurrentDocument"自相关问题的修正 19\o"CurrentDocument"结论和启示 21\o"CurrentDocument"模型的最终形式 21\o"CurrentDocument"启示 21\o"CurrentDocument"参考文献 231.引言税收是政府为了满足社会公共需要,凭借政治权力,强制、无偿地取得财政收入的一种形式。基于税收分配广度和深度的发展,税收对国民经济的发展和促进作用也越来越显著，经济决定税收,税收反映经济。对税收收入的主要影响因素加以分析，有助于我们运用政策工具对税收结构进行优化，从而使税收对经济发展发挥更大的促进作用为了研究影响中国税收增长的主要原因，分析我国税收收入的增长规律，以及预测中国税收未来的增长趋势，我们需要建立计量经济模型进行实证分析。本文将数据挖掘应用于税收预测中,通过对大量历史数据的记录和与之相关的各种数据的分析,运用计量经济学模型，以及Eviews软件，对税收收入情况进行了预测。并对各预测模型进行了实验结果的对比分析,得出双对数预测方法较简单回归预测方法能更好地进行税收收入预测,从而更好地指导税收计划的完成,为科学地建立税收计划进行了有效地探索,并为税收计划工作提供了重要的科学依据。文献综述2.1.国外的相关研究国外学者关于税收收入影响因素的研究涉及了很多方面。如在经济增长对税收收入的影响方面，有的文献表明，经济的发展会使公众对公共服务的需求不断提高，这就需要国家征集更多的收入来发展公共服务，因此制定有利于税收收入征集的税收制度，最终能够促进经济的发展。从税收角度看，使用人均收入作为经济发展的代理变量具有规范的意义(Bahl,1971和Ansari,1982),高收入反映了较高的经济发展水平和税收征纳潜力(Chelliah, 1971)。还有文献认为，公共支出和公债决定一个国家利用它的税收潜能的范围(Tanzi,1987)，负债的高低会影响税收标准的高低(Tanzi, 1992)。2.2.国内的相关研究我国学者对影响我国税收增长的因素展开了众多的研究，一般从传统的经济、政策、征管三因素、多因素和特殊因素入手进行研究。潘雷驰(2007)通过剔除1978-2005年GDP中的不可税部分，对此期间的可税GDP采用相关性分析和时间序列分析的方法，研究这期间我国税收收入与可税GDP的总量及增量之间的关系。得出结论:税收收入、可税GDP的总量和增量是协调的，并且具有高度的相关性。申嫦娥(2006)采用汉森一萨缪尔森模型，用实证分析的方法说明了当前区域税负主要受人均GDP、城市化程度和产业结构状况等因素的影响，改变目前区域税负差异的途径在于税收制度改革，削减以流转税为主的间接税的比重，提高直接税的比重。吕冰洋、李峰用Malmquist指数测算出我国税收征管效率，并将其引入面板数据模型，最终得出论，税收征管效率的提高是税收超常增长的主要原因。本文将重点研究影响税收收入的经济因素。根据文献研究、理论知识的剖析和中国国情的具体分析，本文从实证的角度，选取了若干具有代表性的指标，建立多元回归模型，并运用EViews软件对各个影响因素进行研究分析。建立模型3.1.变量影响税收收入的因素有很多，为了全面反映中国税收增长的全貌我们选用“国家财政收入”中的“各项税收”（即税收收入）作被解释变量Y，反映税收的增长；选择“国内生产总值”（即GDP）作解释变量XI,代表经济整体增长水平；选择“财政支出”作解释变量X2,代表公共财政需求；选择“商品零售价格指数”作解释变量X3,代表物价水平；选择“进出口总额”作为解释变量X4,代表对外贸易规模。3.2.数据本文以1985年到2014年的数据为样本，分析我国的税收收入。相关数据来自《年中国统计年鉴》。

表3.11985-2014年影响中国税收收入因素数据表年忻1985各项稅收（Y）2040.79国内生产总值（XI）9039.9财政支岀(X2)2004.25商品零售悄格指数（X3）108.8进出口总额（X4）2066.T19862090.7310308.8220491106.02580.419872140.3612102.22262.18107.33084.219882390.4715101.1249121118.53821.819892727.4017090.32823.78117.84155.919902821.8618774.33083.59102.15560.119912990.1721895.53386.62102.9T££5.819923296.9127068.3374220105.49119.619932455.3035524.34642.30113.211271.019945126.8848459.65792.62121.720381.919956038.0461129.86823.72114.823499.9199669Er3.S271572.3T33T551U&.124133.S19978234.0479429.5923356100.826967.2199892B2.8084883.71UT98.1897.426849.7199910682.5890187.713187.6797.029896.2200012581.5199776.315886.5098.539273.2200115301.38110270.418902.5899.242183.620021763G.45121002.022053.15■38.751378.2200320017.31136564.624649.9599.970483.5200424165.68160714.428486.89102.895539.12005287T8.54185895.833930.28100.8116921.8200634304.35217656.640422.73101.01409T4.Li200745E21.9T268631.049T81.35103.8166863.T200854223.T9318736.762592.66105.91T9921.5200959521.59345046.476299.9398.8150648.1201073210.T9407137.8898T4.16103.12LHT22.1201189738.39479576.1109247.79104.9236402.02012100B14.28532872.1125952.97102.0244160.22013110530.70583169.7140212.10101.4258168.92014119175.31634043.4151785.56101.0264241.83.3.描述性分析3.3.1.税收收入虽年份变化的关系图图3.11985-2014年中国税收收入变化趋势从图3.1可以看出，1985-2014年间的税收收入的呈增长趋势税收收入随年份变化的曲线先是平稳上升，然后自2005年以来则急剧上升，表明其增长速度在逐年加快。

税收收入与各解释变量之间的关系图图3.2、图3.3和图3.5表明税收收入与GDP、财政支出、进出口总额之间存在很强的线性相关关系，但据图3.4来说，税收收入和商品零售价格指数之间的线性关系并不明显。

140,0003.3.3.模型根据上文分析，本文拟建立如下多元回归模型：Y=B+BX+BX+BX+BX+u011223344其中B-截距；B、B、B、B-参数的回归系数；卩为随机扰动0 12 3 4项；Y-税收收入；X-国内生产总值；X-财政支出；X-商品零售1 2 3价格指数；X-进出口总额。模型的参数估计与统计检验4.1.参数估计DependentVariable:YMethod;LeastSquaresDate;12/Q8；16Time;20;4&Sample:19852014Includedobservations:30vanauecoenicientwErrort-staiistieProD.-2691.5382921911-0.920527Ci.36S1-0.0063300.015466-0441633Ci.66260.6999460.04658815.02410d.ooao25.9219926.191830.9396980.33180.0653370.01165Q5.608109a.ooaoR-squared0.999586Meandependentvar2917101如jlustedR-squared0.999520S.D.dependentvar35795L2fi■S.E.ofr&greESion7B4B212Akaikeinfocriterion16.31929Sumsquaredr&sid15390760Sthwarzcriterion16.552S2Loglikelihood-23S.7S94Hannan-Quinncriter.16.39400F-statistic15083.07□urbin-Watsonstat1.525639Prob(F-statistic)0.000000图4.1最小二乘拟合结果根据图4.1的数据，模型估计结果为：Y=-2691.538-0.006830X+0.699946X+25.92199X+0.065337Xi 1 2 3 4(2923.911)(0.015466)(0.046588)(26.19183)(0.011650)t=(-0.920527)(-0.441633)(15.02410)(0.989698)(5.608109)R2=0.999586 瓦2=0.999520 F=15083.07模型估计结果说明，在假定其它变量不变的情况下，当年GDP每增长1亿元，税收就会减少0.006830亿元；在假定其它变量不变的情况下，当年财政支出每增长1亿元，税收收入会增长0.046588亿元；在假定其它变量不变的情况下，当年零售商品物价指数上涨一个百分点，税收收入就会增长26.19183亿元。在假定其它变量不变的情况下，当年进出口总额每增长1亿元，税收收入会增长0.011650亿元；4.2.拟合优度检验由图4.1中数据可以得到：可决系数R2=0.999586,修正的可决系数为R2=0.999520，这说明模型对样本的拟合很好。显著性检验（t检验）分别针对H：B=0B=0、B=0、B=0、B=0,给定显著性水平5%,1%,TOC\o"1-5"\h\z0 0 、 1 2 3 4查t分布表得自由度为26的临界t （25）=2.060,t（25）=2.787。由0.025 0.005表4.1中数据可得B、B、B、B,对应的t统计量分别为（-0.441633）1 2 3 4（15.02410）（0.989698）（5.608109）,其绝对值除了财政支出均大于t（26）=2.056,t（26）=2.779，这说明除国内生产总值X和财0.025 0.005 1政支出X分别都应当拒绝H:B=0、B=0,也就是说，当在其它解2 0 3 4释变量不变的情况下，解释变量“商品零售物价指数（X3）”“进出口总额（X4）”分别对被解释变量“税收收入（Y）”都有显著的影响。总体显著性检验（F检验）针对H:B=B=B=B=0，F值服从分子自由度为4，分母自由度25的01234F分布。查表得出临界值F （4，25）=2.76，F（4，25）=4.18。0.05 0.01由表4.1中得到F=15083.07,远远大于上面任何一个临界F值。因此拒绝零假设H:B=B=B=B=0，说明回归方程显著，即“国内生产总值”01234“财政支出”、“商品零售物价指数”等变量联合起来确实对“税收收入”有显著影响。模型的计量经济检验5.1.多重共线性检验5.1.1.简单相关系数检验法由表5.1相关系数矩阵可以看出：XI、X2的相关系数较高为0.995246，证实确实存在较严重的多重共线性。表5.1相关系数矩阵X1X2X3X4X11.0000000.995246-0.3423890.982600X20.9952461.000000-0.3119720.966701X3-0.342389-0.3119721.000000-0.334444X40.9826000.966701-0.3344441.0000005.1.2.辅助回归法DepenaenlVarisbleX2MelhodLeastSquaresDale1211^1GTime:17伯SaniB泄19652014Includedabser-cdinns30VananleDepenaenlVarisbleX2MelhodLeastSquaresDale1211^1GTime:17伯SaniB泄19652014Includedabser-cdinns30VananleCaefiiGienlSilEnart-SiaiisbcProb9200B79S23S8.S52.04075&0.00362396352D.16D92116.D1O900.0D00-701.71?43022575-2.3Z14900.0234D.62B2T3D.QB1502T.70364D0.0D00R-iquarefl]0.997455Meandep-andentvar173455.4.^justedR-squaredD997163SDdependentMar16&7902S.Eorregression9949245AlcsilkEIrrtacrrteflon2137155Sumsquaredresld257E+Q9SchurzcrNerian215田77LogHkBlIhaad-216.5792Harinari-duinnchtei2141171F-£laliGl1c3398226Dur^n-Waisonslat0.35*1640Pm?J(F-slH|l5l]CjOJDOOOOOVanaSleCoflRidentSidErrort-Sl3|l5t!CPro&-30395.381076B60-2.82259200090DJ194220.D1773513.0109BO.DODD23D.G94D100.5461229441D0.D301-U.1544BBD.Q1694D-4.452313D.DOD1R-gquared1995151Meandlependentvar3563310R-aquaredD9&4592S.D.dependeni!^r44512.99SEorregfesslGn1902914Akalk#inracrrt&rian1916656Sdnisquaredre^ld2H4E+MSchwarzcrflerion1925319Ld^IlkelihoDd-2934965Hannan-Ouinricrller.1922613F-slsdislic1770754Durbin-Walsonslnl0.312622ProtxF-slHlisticJ0.000000□spendentvanable:X3Melhcd:Le-3£tSquaresTime:17:20samp^:iga52DUinduedDDservabonE'3DDependlemVariableX4MelhadLeastSquaresDale12T13MBTime:17:21^mple196&2014Includedabser^alJonsMVariableC^efllcienlSidErroi1-SlHliSBCPrabCr1109679215299347.16960O.DDOOX10.0002450000105-2.32H900.02840.0007300.0003132.29«10Q.0301X40.0001^48.3BE^51474164Q.1&24R-&[juared0.2fl59fi7Mean^pondentvar104.7200Z*jdju^tei3R-&quarEd0.101271S.D.dependenier6.4923B2S.E.01ragrassicn5.B74995ZlKemrocrrtenon5.502351Sumsquaredresid397.40473crrwajzaltenon5.569560Loqlikelihood-93.542B0Hannan-Quinncrrier.6.562621F-stsflslic3.140257□urtun-WsrtsnnatslQ914791Prab(F-fit3lJslic)0.Q42293VariableC^elTicienl:SidError也也Prab-S1597294S545.2B-1.7530730.00141.107214014JS3377086400.0000-2.6303030590700-44528130.00016243S44423.551014741640.1&24R-squarefl0.980431MeandepenOenl^ir6196320A^uslEidR-square(J0.9781T3SDi^pendtinlvar09400.003.E.crrecresalon132O7.B4infocnterinn21.93357Sumsquaredre^ld4.54E^-09Schwarzcrrterlon2Z1254DLegHKelihoao-J25.07B5Hannan-aulnnalter.Z1.99334F-5t3ll5ttC434.21G3□urtun-WalsonstartD.4DB253Frot:<F-stalistic]iO.ODOODODependemVariable:X1MethodLeastSquaresDate:tSMariBTime171aSample196&2014indudedobser-^ions：30表5.2检验R2的显著性R值2F值F值是否显著X10.9974563398.226是X20.9951511778.751是X30.2659673.140257是X40.980431434.2163是查表得出临界值F (4,25)=2.76。根据表5.2得出结论：实确0.05实存在较严重的多重共线性。5・1・3・逐步回归法修正模型根据一元回归结果进行对比分析，依据调整后的可决系数忌最大原则，选取X作为进入回归模型的第一个解释变量，形成一元回归模1型。

DFpen底nruanabJEtMsfrodL阳討S肌申時□srtEW12J16TiffiS1322Sam^e19B52Q1J6induastlgfeorjaiiuns3&OtpernJartiVanaU*YMtlnilidLmlS^uH^iiD3i#1Jf12i16Tw1323Sample1965201^ludldedDt5EiVdbcfi&.30VariableCcefidertSM.Errar 卜Stafi幼tProbVaiiaD4eCoefldeMM.Error 厨渦毗Pi^b.C4討1鶴弓 -iJliSlfifi口dmc.BB21.S7@200.446 r2.B7^0S5-0.007SX10-^577110.012231 Q.E抽13制0MD1K1M9331D00D25&9 71.927370.0000减ossraesDJS1079 10^1271ocflocX31858514?rsi3ii 2血3閔D0.4234DtSH9W加ri血“m如te29171.01R-sqMsLrfl001995313Mean(Js?pgn(hi,illw&r2&i?101AdMLedR-sswarM090B87D5.Ddep$ndefll¥3r3579528D盟嘶SO(hpiMtolvw3S71UBS.Ednsgre&sion12B102^^in^ocrtenon17.11783£E£»rre^rtiiiain253Se^1Atiilttinrdditaiion1S61226Sum$gu$r?i3re5id韓坤就SO叭戊172炳gSumsadaweresrf174E-<]BSdiwarzoire«ln仃1S.7523BLoghjdihocd■253.7675hhnrian-Ouinncflter.17.16256L-ngHKelitoDd■276.183SMarmsn-aulnnenter19.65703F-vMbNcV2K205Durtin-Vi'afltojislsl110C631F^msUc;£HMD3DurtiMWEtsfflistalD.M捋19Prabi.F-siarti&iiej肿OOOflOo.cocmoSquaresDm1M釦肖Tims口若Sannpke1^5MUinujd诃dBMMaiiDh台虫]VanabitCoeFieienlShtfErrwProbG-3B5®Oi9570.249T-5.M2352仏如OS3C10.H414S0.D14293149929000000K4-Q.SHW12Q.D2W2-1.M2-W1"121omazcMean2517101碍ui皓：j疑Tqusied0.KMU3S.D.d岬MKknW酊3^795.28SEcl[■gr.MMDni歸绳MEtUukcnfcicnlEncci1S710MSums^uarfdresld192E邨Stfrw^fioitewn1405110Leglikdrhopd-277Jf4fiHannarb&jrnnciiter.U.755E0F-.51SI5MCDur6*MVafi5W!=Jlart0^5362Priz<>：F-^absUi：i图5.1二元回归结果通过观察比较图5.1二元回归结果，并根据逐步回归的思想，新加入变量X的二元回归方程2=0.998870最大，并且各参数的T检验2显著，参数的符号也符合经济意义，因此保留变量X。2口阳日讯旳!岸如由#TMettwd口阳日讯旳!岸如由#TMettwdLe诃现si於□atriznanewb：isz-sSarr«l&:悟眄2EH4IndudadDtEsr.-ahons'猫Meir^d.Lean忑如4『轉Date-iznaiftTmiHsuaiSSTiplE.19B52014IndudoddbAdniaiiGnE'MQYuri和Yuri和0Cflt*d?rn帥3Em1硼|狀Prgb„4Q銓£码跡牺旳-1.KA134O.OM7&M55110A125735.?1D536OOODOD迦CW0051WIB2131ftA6.7173237.D75191.7W14G0B35R-squsr-BdDlSWMBH汨ndependant.29171.01AdjusilfiJR^qpjnr«d$DifiigendafTl!/?r3«7«3SSEfl-Tr6flfe*siw115&135AjksiteeiitMenwnari1706712和歯£0U前中0阳$帕SCH*3u£UtWii55n17233WLn『i劇ihmd-K2.D-D6BHvinan-OLi^nentef.17125B9F-gtohjHCQurbn-Wgl1iJ54flO5Pr-Dt4F-5*a*¥liiC]O-.WWWVwWflCovldinl牝Error卜軸b日忙PtMc1t9.4tS0^<1345痕曲K1HS.0131710[H4iD7D-4t^36212D357BX?U.7153W0X2倾UJ9^OWfl.MW甜Q.0BS5190.011138U.126322O.DOMR-squar«diQ-.9995710[UE9J1Q沖妣诃阳『26T71.01Acjjuifili口R^squRrad皿瞒aedt-p+ndtntb^rWHS2&S.E704.3119AkaikeIntocrtlEHan162910BSim豹m闻□r岭旳SCFfwaiXtfiWndnWk啊SBLO0likelihood-24DME^IHani^an-GuinneriterF-5Bafli5HC烈H再3QOurtm-VTasijn测MW瓏Pro&；F-5tiis1lc：iQ.OCKHg图5.2图5.2三元回归结果通过图5.2三元回归结果可以看到，在X、X的基础上加入X123后，虽然的方程忌=0.998957〉0.998870，但增大程度并不理想。F统计量也相对较小，X变量系数对应的t二1.799514比较小，相应的P3值0.0836大于显著性水平0.05说明X对应变量的影响不显著。因此,3根据逐步回归思想，模型不应保留自变量X。3在X、X的基础上加入X后的方程月2=0.999520>0..998870。而1 2 4且X变量系数对应的t二6.126322比较小，相应的P值为0。并且，F统计量为20126.30很大。因此，根据逐步回归思想，模型应保留自变量X。4综上所述，根据逐步回归的思想，说明X的出现引起严重多重共1线性。因此最后应保留的变量为X、x、x，相应的回归结果为：124Y=185.4880-0.013173X+0.718866X2+0.068539Xi 1 4（2514.411）（0.012493）（23.46563）（0.006327）t=（0.590492）（-0.936212）（16.92704）（6.126322）R2=0.999570瓦2=0.999520F=20126.30检验模型的异方差5.2.1.图形法3.200,000-2.SOO.OOO-2.-d90,000-2,000.030-启J,5OTrOOO-•2DOODO-800,000-^100.0DOfl020.0005Q.OOQ——fl020.0005Q.OOQ——100,0wJ4{J000图5.3残差平方e2对被解释变量的估计值卩的散点图i由图5.3可以看出，残差平方e2对被解释变量的估计值P的散点i图主要分布在图形中的下三角部分，大致可以看出残差平方e2随卩的i增大呈增大趋势，因此模型很可能存在异方差，但是否确实存在异方差还需要通过更进一步的检验。

5.2.2.White检验HeleroskeelasticityTest:WhiteF-statistic3.442933Prob.F(9,20}0.0102Obs*R-squared13.23216Prob.Chi-S-quare[9)0.0326ScaledexplainedSS13.38354Prob.Chi-S-quarefg}0.1271TestEquation:DependentVariable:RESIDEMeihod:LeastS-quares□ate:12/12^16Time:14:04Sample:19852014Includedobservations:30VariableCoefficientStd.Errort-statisticProb.C-195227.0422404.0-0.4621S10.648967.022910.7770930.U62X1A2-0.0011390.001568-0.7261160.+762X1*X20.0081710.0095060.8596500.4002X1^X40.0003940.00217S0.1S13470.3579X2-54.5163718S7749X2A2-0.0117410.014918-0.7070110.UQ5XTX4-0.0050050.006321-0.7917270.4378X4-5B47S6S66.181S0-0.8336220.3S74X4A20.0009680.0009311.03904303112R-squared0.607739Meandependentvar533125.7AdjustedR-squared0.431221S.D.dependsntvar771703.5S.E.ofregression5S1999.1Akaikeinfocriterian29.64753Sumsquaredr^sid6.77E+12Schwarzcri怕「ion30.11459Loglikelihood-434.7129Hannan-Quinncriter.29.79695F-statistie3L442S33Durbin-Watsonstat2.397395ProbtF-stati^tic)0.010193图5.4White检验结果根据图5.4White检验结果nR2=18.23216。在5%显著水平下,临界值入2 (9)=16.919。nR2＞入2 (9)则拒绝同方差假设，即存0.05 0.05在异方差。5.2.3.加权最小二乘法修正异方差以上两种检验方法均表明模型存在异方差，因此采用加权最小二乘法对原模型进行修正，以此来消除模型的异方差问题。用残差的绝对值的倒数作为权重，进行加权最小二乘估计。DependentVariable:YMetliod:LeastSquaresDate:12^12J16Time:15:42Sample:19352014Includledot>servaiions:3-0Weightingserie.s:1/ABS(RESID}Weighttype:Inversestandarddeviation[EViewsdefauliscaling)VariableCoefficientSMErrort-StatistieProbC2B9.6350B1.703313.5449610.0015X1-0.0150180.004045-3.7130140.0010X20.7319330.01272557.520060.0000X40.0656690.00239722.6713J0.0000WeightedStatisticsFl-sqjared0.999993Meandependentwar5216485AdjustedR-squared0.999992S.D.dependlentvar105757.9■S.E.ofregression165.S620Akaikeinfocriterion13.1S013■Sumsquaredresid7126S0.3Schwarzcriterion1336696Leglikelihood-193.7020Hannan-Quinncriter.13.23990F-statistic11S5342.□urbin-Watsonstat1.3633S7ProtifF-statistic}0.000000Weightedmeandep.17407.48UnweightedStatist]csFl-squared0.999562Meandependentwar29171.01Adju^tedR-squared0.999512S.D.dependlentwar35795.28■S.E.ofregression790.9087Sumsquaredresid16263949Durbin-Watsonstat1.64+410图5.5加权最小二乘估计结果图5.5的估计结果如下：Y=289.6350-0.015018X+0.731933X+0.065669Xi124(81.70331)(0.004045)(0.012725)(0.002897)t=(3.544961)(-3.713014)(57.52006)(22.67133)R2=0.999993忌二0.0.999992 F=1185342可以看出运用加权最小二乘法消除异方差之后，参数t检验结果均显著，可决系数大幅度提高，F检验也显著。模型的自相关检验5.3.1.图形法检验自相关大多经济时间数据都有一个明显的特点，就是他的惯性，表现在时间序列数据不同时间的前后关联上，在不同的样本点之间，随机干扰项很容易出现相关，产生自相关性，由于模型的统计数据都是经济变量，在不同样本点上解释变量以外的其他因素在时间上的连续性，带来他们对被解释变量的影响的连续性，所以模型很有可能存在自相关性，因此需要对模型进行自相关性的检验。

RESID(-1)图5.7图5.6和图5.7是模型的残差序列图，可以看出残差的政府性与其上一期残差的正负性相关，因此初步可以判定模型存在自相关，而且是正序列相关性。5・3・2・自相关DW检验DW的检验结果表明，在5%的显著水平下，样本容量n=30，解释变量个数k=3,D=1.24,D=1.650,DW=1.421。D<D<D因此无法判断。LULU5.3.3.自相关问题的修正□ependeniVariable:EMethod:LeastSquare-sDate:12/13^16Time:17:51Sample(adjusled):19S62014Includedobservations:29afleradjustmentsVariableCoefficientStd.Error t-StatistieProb.E(-1)0.7915500.106570 7.427529a.oooaR-squared0.662413Meandependentvar473.4465AdjustedFi-squared0.662413S.D.dependentvar9216954S.E.ofregression5355.258Akaikeinfocriterion20.04342Sumsquaredreaid8.03E+08Schwarzcriterion20.09057Loglivelihood-289.6296Hannan-Quinncriter.20.05819Durbin-Watsonstat1.116069图5.8使用e滞后一期的自回归，可得回归方程:te=0.791550ett-1由图5.可得0=0.791550,对原模型进行广义拆分，得到广义拆分方程：Y-0.791550Y=B(1-0.791550)+B(X-0.791550X)+tt-1011t1tB(X-0.791550X)+B(X-0.791550X)+22t2t44t4t1DependentVariable:Y-0.791550*Y(--1)Method:LeastSquaresDate:12/13J16Time:1S:06Sample但djusted):19862014Includedobservations:29afteradjustmentsVariableCoefficientStd.Errort-StatisticProb.G-539.66972579221-2.09237500467X1-0791550^1(-1}0.053612C.0J29&81.6266740.11163X2-0.791550*X2(--1}0.4&73970.1059194.31S3660.0002^4-0.791550*7(4(-1}0.0690300.01S7773.6762600.0011R-squared0.996054Meandependentvar9472.373AdjustedR-squared0.995581S.D.dependentvar10390.&0SE.ofregression723.9923Akzaikzeinfocriterion16.13488Sumsquaredresid13104121S