计量经济学Eviews操作案例集

PAGEPAGE18案例分析一关于计量经济学方法论的讨论

问题：利用计量经济学建模的步骤，根据相关的消费理论，刻画我国改革开放以来的边际消费倾向。第一步：相关经济理论。首先了解经济理论在这一问题上的阐述，宏观经济学中，关于消费函数的理论有以下几种：①凯恩斯的绝对收入理论，认为家庭消费在收入中所占的比例取决于收入的绝对水平。②相对收入理论，是由美国经济学家杜森贝提出的，认为人们的消费具有惯性，前期消费水平高，会影响下一期的消费水平，这告诉我们，除了当期收入外，前期消费也很可能是建立消费函数时应该考虑的因素。关于消费函数的理论还有持久收入理论、生命周期理论，有兴趣的同学可以参考相应的参考书。毋庸置疑，收入和消费之间是正相关的。第二步：数据获得。在这个例子中，被解释变量选择消费，用cs表示；解释变量为实际可支配收入，用inc表示（用GDP减去税收来近似，单位：亿元）；变量均为剔除了价格因素的实际年度数据，样本区间为1978～2002年。第三步：理论数学模型的设定。为了讨论的方便，我们可以建立下面简单的线性模型：

第四步：理论计量经济模型的设定。根据第三步数学模型的形式，可得式中：cs=CS/P，inc=(1-t)*GDP/P，其中GDP是当年价格的国内生产总值，CS代表当年价格的居民消费值，P代表1978年为1的价格指数，t=TAX/GDP代表宏观税率，TAX是税收总额。ut表示除收入以外其它影响消费的因素。第五步：计量经济模型的参数估计根据最小二乘法，可得如下的估计结果：常数项为正说明，若inc为0，消费为414.88，也就是自发消费。总收入变量的系数b为边际消费倾向，可以解释为城镇居民总收入增加1亿元导致居民消费平均增加0.51亿元。

另外，根据相对收入理论，我们可以得到下面的估计结果：

上述结果表明加入消费的上期值以后，边际消费倾向的数据发生了明显的变化，究竟选择哪一个模型，可以在以后的案例讨论中进行说明。第六步：假设检验。可以利用t检验和F检验来见模型参数的显著性。例如，在（1.2）式中，边际消费倾向估计量的标准差估计值是0.01，从而可以计算出t值为15，如果给定显著性水平为5%，查表得到临界值t0.025(21)=2.08，因此可以拒绝总收入系数为0的原假设，认为边际消费倾向的估计量是统计显著的。第七步：预测。

如果要对此模型的预测功能进行评价，可以用1978～1999年的22年数据进行参数估计，用2000～2002年的数据作为检验性数据，考察实际值和预测值的差别。图1.1将因变量的实际值和预测值画在一起进行比较。第八步：利用模型进行控制或制定政策。案例分析二我国城市居民家庭消费函数——一元线性回归模型一、研究的目的要求居民消费在社会经济的持续发展中有着重要的作用。居民合理的消费模式和居民适度的消费规模有利于经济持续健康的增长，而且这也是人民生活水平的具体体现。改革开放以来随着中国经济的快速发展，人民生活水平不断提高，居民的消费水平也不断增长。但是在看到这个整体趋势的同时，还应看到全国各地区经济发展速度不同，居民消费水平也有明显差异。例如，2002年全国城市居民家庭平均每人每年消费支出为6029.88元,最低的黑龙江省仅为人均4462.08元，最高的上海市达人均10464元，上海是黑龙江的2.35倍。为了研究全国居民消费水平及其变动的原因，需要作具体的分析。影响各地区居民消费支出有明显差异的因素可能很多，例如，居民的收入水平、就业状况、零售物价指数、利率、居民财产、购物环境等等都可能对居民消费有影响。为了分析什么是影响各地区居民消费支出有明显差异的最主要因素，并分析影响因素与消费水平的数量关系，可以建立相应的计量经济模型去研究。二、模型设定我们研究的对象是各地区居民消费的差异。居民消费可分为城市居民消费和农村居民消费，由于各地区的城市与农村人口比例及经济结构有较大差异，最具有直接对比可比性的是城市居民消费。而且，由于各地区人口和经济总量不同，只能用“城市居民每人每年的平均消费支出”来比较，而这正是可从统计年鉴中获得数据的变量。所以模型的被解释变量Y选定为“城市居民每人每年的平均消费支出”。因为研究的目的是各地区城市居民消费的差异，并不是城市居民消费在不同时间的变动，所以应选择同一时期各地区城市居民的消费支出来建立模型。因此建立的是2002年截面数据模型。影响各地区城市居民人均消费支出有明显差异的因素有多种，但从理论和经验分析，最主要的影响因素应是居民收入，其他因素虽然对居民消费也有影响，但有的不易取得数据，如“居民财产”和“购物环境”；有的与居民收入可能高度相关，如“就业状况”、“居民财产”；还有的因素在运用截面数据时在地区间的差异并不大，如“零售物价指数”、“利率”。因此这些其他因素可以不列入模型，即便它们对居民消费有某些影响也可归入随即扰动项中。为了与“城市居民人均消费支出”相对应，选择在统计年鉴中可以获得的“城市居民每人每年可支配收入”作为解释变量X。从2002年《中国统计年鉴》中得到表2.5的数据:表2.52002年中国各地区城市居民人均年消费支出和可支配收入地区城市居民家庭平均每人每年消费支出(元)Y城市居民人均年可支配收入(元)X北京天津河北山西内蒙古辽宁吉林黑龙江上海江苏浙江安徽福建江西山东河南湖北湖南广东广西海南重庆四川贵州云南西藏陕西甘肃青海宁夏新疆10284.607191.965069.284710.964859.885342.644973.884462.0810464.006042.608713.084736.526631.684549.325596.324504.685608.925574.728988.485413.445459.646360.245413.084598.285827.926952.445278.045064.245042.526104.925636.4012463.929337.566679.685234.356051.066524.526260.166100.5613249.808177.6411715.606032.409189.366334.647614.366245.406788.526958.5611137.207315.326822.727238.046610.805944.087240.568079.126330.846151.446170.526067.446899.64作城市居民家庭平均每人每年消费支出(Y)和城市居民人均年可支配收入(X)的散点图，如图2.12：图2.12从散点图可以看出居民家庭平均每人每年消费支出(Y)和城市居民人均年可支配收入(X)大体呈现为线性关系，所以建立的计量经济模型为如下线性模型：三、估计参数假定所建模型及随机扰动项满足古典假定，可以用OLS法估计其参数。运用计算机软件EViews作计量经济分析十分方便。利用EViews作简单线性回归分析的步骤如下：1、建立工作文件首先，双击EViews图标，进入EViews主页。在菜单一次点击File\New\Workfile，出现对话框“WorkfileRange”。在“Workfilefrequency”中选择数据频率：Annual(年度)Weekly(周数据)Quartrly(季度)Daily(5dayweek)(每周5天日数据)SemiAnnual(半年)Daily(7dayweek)(每周7天日数据)Monthly(月度)Undatedorirreqular(未注明日期或不规则的)在本例中是截面数据，选择“Undatedorirreqular”。并在“Startdate”中输入开始时间或顺序号，如“1”在“enddate”中输入最后时间或顺序号，如“31”点击“ok”出现“WorkfileUNTITLED”工作框。其中已有变量：“c”—截距项“resid”—剩余项。在“Objects”菜单中点击“NewObjects”，在“NewObjects”对话框中选“Group”，并在“NameforObjects”上定义文件名，点击“OK”出现数据编辑窗口。若要将工作文件存盘，点击窗口上方“Save”，在“SaveAs”对话框中给定路径和文件名，再点击“ok”，文件即被保存。2、输入数据在数据编辑窗口中，首先按上行键“↑”，这时对应的“obs”字样的空格会自动上跳，在对应列的第二个“obs”有边框的空格键入变量名，如“Y”，再按下行键“↓”，对因变量名下的列出现“NA”字样，即可依顺序输入响应的数据。其他变量的数据也可用类似方法输入。也可以在EViews命令框直接键入“dataXY”(一元时)或“dataY…”(多元时)，回车出现“Group”窗口数据编辑框，在对应的Y、X下输入数据。若要对数据存盘，点击“fire/SaveAs”，出现“SaveAs”对话框，在“Drives”点所要存的盘，在“Directories”点存入的路径（文件名），在“FireName”对所存文件命名，或点已存的文件名，再点“ok”。若要读取已存盘数据，点击“fire/Open”，在对话框的“Drives”点所存的磁盘名，在“Directories”点文件路径，在“FireName”点文件名，点击“ok”即可。3、估计参数方法一：在EViews主页界面点击“Quick”菜单，点击“EstimateEquation”，出现“Equationspecification”对话框，选OLS估计，即选击“LeastSquares”，键入“YCX”，点“ok”或按回车，即出现如表2.6那样的回归结果。表2.6在本例中，参数估计的结果为：（287.2649）(0.036928)t=(0.982520)(20.54026)F=421.9023df=29方法二：在EViews命令框中直接键入“LSYCX”，按回车，即出现回归结果。若要显示回归结果的图形，在“Equation”框中，点击“Resids”，即出现剩余项（Residual）、实际值（Actual）、拟合值（Fitted）的图形，如图2.13所示。图2.13四、模型检验1、经济意义检验所估计的参数，说明城市居民人均年可支配收入每相差1元，可导致居民消费支出相差0.758511元。这与经济学中边际消费倾向的意义相符。2、拟合优度和统计检验用EViews得出回归模型参数估计结果的同时，已经给出了用于模型检验的相关数据。拟合优度的度量：由表2.6中可以看出，本例中可决系数为0.935685，说明所建模型整体上对样本数据拟合较好，即解释变量“城市居民人均年可支配收入”对被解释变量“城市居民人均年消费支出”的绝大部分差异作出了解释。对回归系数的t检验：针对和，由表2.6中还可以看出，估计的回归系数的标准误差和t值分别为：，；的标准误差和t值分别为：，。取，查t分布表得自由度为的临界值。因为，所以不能拒绝；因为，所以应拒绝。这表明，城市人均年可支配收入对人均年消费支出有显著影响。五、回归预测由表2.5中可看出，2002年中国西部地区城市居民人均年可支配收入除了西藏外均在8000以下，人均消费支出也都在7000元以下。在西部大开发的推动下，如果西部地区的城市居民人均年可支配收入第一步争取达到1000美元(按现有汇率即人民币8270元)，第二步再争取达到1500美元(即人民币12405元)，利用所估计的模型可预测这时城市居民可能达到的人均年消费支出水平。可以注意到，这里的预测是利用截面数据模型对被解释变量在不同空间状况的空间预测。用EViews作回归预测，首先在“Workfile”窗口点击“Range”，出现“ChangeWorkfileRange”窗口，将“Enddata”由“31”改为“33”，点“OK”，将“Workfile”中的“Range”扩展为1—33。在“Workfile”窗口点击“sampl”，将“sampl”窗口中的“131”改为“133”，点“OK”，将样本区也改为为了输入，在EViews命令框键入datax/回车,在X数据表中的“32”位置输入“8270”，在“33”的位置输入“12405然后在“E”框中，点击“Forecast”，得对话框。在对话框中的“Forecastname”(预测值序列名)键入“”，回车即得到模型估计值及标准误差的图形。双击“Workfile”窗口中出现的“”，在“”数据表中的“32”位置出现预测值，在“33”位置出现。这是当和时人均消费支出的点预测值。为了作区间预测，在X和Y的数据表中，点击“View”选“DescriptiveStats\CmmonSample”，则得到X和Y的描述统计结果，见表2.7:表2.7根据表2.7的数据可计算:取,平均值置信度95%的预测区间为：时时即是说，当元时，平均值置信度95%的预测区间为（6393.03，6717.23）元。当元时，平均值置信度95%的预测区间为（9292.33，10090.83）元。个别值置信度95%的预测区间为：时时即是说，当第一步时，个别值置信度95%的预测区间为（5694.81，7415.45）元。当第二步时，个别值置信度95%的预测区间为（8757.09，10626.07）元。在“E”框中，点击“Forecast”可得预测值及标准误差的图形如图2.14：图2.14案例分析三建筑行业工资差异制度因素的分析——一元线性回归模型一、引言我国目前正处在由计划经济向市场经济过渡的体制转型时期。在这一时期，各行业之间的职工工资差异在日趋扩大的同时，呈现出与计划经济时期完全不同的特征。本文试图通过考察体制转型时期行业（以建筑业为例）工资，以及行业垄断程度，提出基于体制转型这一特定时期的行业工资决定假说：行业相对工资差异的扩大是由于行业垄断程度的扩大引致的，并用回归方法分析对这一假说进行验证。二、数据定义与经济理论假说（一）数据定义1．建筑业工资水平建筑业相对工资水平定义为建筑业平均工资与全社会平均工资之比。本文之所以采用的是相对工资水平的概念，而没有采用绝对水平，因为我们更关注改革开放20多年来，建筑行业的工资相对于整个行业的变化，而不关心建筑业自身工资的发展趋势。部分年份建筑业相对工资水平的时序数据见表1。表1

部分年份建筑业相对工资水平时序数据年份建筑业平均工资(元)全社会平均工资(元)建筑业相对工资(%)1978714615116.11980855762112.2198513621148118.6198921661935111.9199023842140111.4199126492340113.2199230662711113.1199337793371112.1199448944538107.8199557855500105.2199662496210100.6199766556470102.919987456747999.719997982834695.620008735937193.2200194841087087.22002102791242282.7资料来源：《中国统计年鉴》（2004）第158页。2．垄断程度在西方国家，人们通常用一个行业中最大的几家厂商的销售收入的份额表示一个行业的垄断程度。然而这种方法在我国目前的情况下并不完全适用，因为目前影响（甚至决定）我国行业职工工资水平的并不是一般意义上的垄断，，而是体制转型时期一种特有的垄断，它并不是针对企业的规模而言的，而是针对所有制结构或国有经济成分对行业的控制程度而言的，，即所谓“所有制垄断”或“行政垄断”。在传统的计划经济体制下，我国经济属于典型的二元经济模式。如果撇开农村经济这一“元”而不论，城市经济这一“元”的大多数行业基本上都是由国有经济控制的，各行业间在这一点上没有显著性的差别。然而，随着计划经济体制向市场经济体制的过渡，这种国有经济一统天下的格局逐步被打破，呈现出所有制日趋多元化的的趋势。但是，不同行业所有制多元化的进程并不一致，由此产生了不同行业间所有制结构的差异。建筑业相对于电力、金融、房地产等行业，其非国有经济成分进入的门槛相对较低，竞争较为激烈，因此所有制多元化进展较快。因此，在体制转型时期，我国建筑行业的垄断程度的绝对水平可以在建筑行业的国有化程度上得到大致的体现。为了获取资料的方便，本文将建筑业国有化程度用建筑业国有单位职工人数占建筑业全部就业人数的比重来表示。由于不管什么行业，所有制结构多元化、国有经济比重下降是一个总的趋势，而且决定相对工资高低的不是个行业垄断程度的绝对数，而是行业垄断程度与其他行业垄断程度或社会平均水平相比较的相对水平，所以引入相对垄断程度的概念：相对垄断程度=行业所有制垄断度的绝对数/全社会所有制垄断度的平均数改革开放以来部分年份建筑业相对垄断度的时序数据见表2。表2

部分年份建筑业相对垄断度的时序数据年份建筑业国有位职工人数建筑业就业人数建筑业国有化程度全社会国有单位职工人数全社会职工人数全社会国有化程度建筑业国有化相对程度万人万人%万人万人%%(1)(2)(3)=(1)/(2)(4)(5)(6)=(4)/(5)(7)=(3)/(6)197844785452.374514015218.6282.1198047599347.880194236118.9252.71985545203526.889904987318.0148.61989541240722.5101095532918.3123.01990538242422.2103466474916.0138.91991557248222.4106646549116.3137.81992577266021.7108896615216.5131.81993663305021.7109206680816.3133.01994629318819.7108906745516.1122.21995605332218.2109556806516.1113.21996595340817.5109496895015.9109.91997577344916.7107666982015.4108.51998444332713.388097063712.5107.01999399341211.783367139411.7100.22000372355210.578787208510.995.8200133636699.274097302510.190.3200230238937.86924737409.482.6资料来源：《中国统计年鉴》（2004）第127页和第128页。

（二）体制转型期行业工资决定假说从表1的数据看出，经过20多年，作为具有高劳动强度、艰苦、危险等特征的传统高工资行业之一—建筑业逐渐被挤出高工资行业的行列，在市场经济下建筑业具有进入门槛低、竞争激烈的特征，其工资相对水平逐年下降，2003年建筑业工资只相当于全国平均工资的82%。而一些原来工资并不太高，但垄断程度至今仍保持较高水平的行业，如金融保险业、房地产业等则陆续进入最高工资行列。基于上述事实，我们提出如下关于体制转型这一特定时期行业决定的假说：从总体上看，我国行业相对工资差异的扩大是由于行业垄断程度差异的扩大引致的；建筑业相对工资水平已经逐渐地不再取决于该行业的拉动强度及艰苦危险程度，而是主要取决于行业的垄断程度。即建筑业相对工资水平的变化，可以由该行业垄断程度的相对变化所解释。三、模型设定、估计与检验将我国建筑业1978年至2002年的主要17个年份的工资相对水平与其垄断相对程度，建立一元计量模型，理论模型如下：

其中Y表示建筑业工资相对水平，X表示建筑业相对国有化程度。根据体制转型期行业工资决定假说，总体参数应该大于0，相对国有化程度越高，行业垄断程度越高，工资相对水平就越高。利用计量经济分析软件Eviews进行估计，结果如下：DependentVariable:建筑业工资相对水平YMethod:LeastSquaresSample:117Includedobservations:17VariableCoefficientStd.Errort-StatisticProb.

C2.93998411.782180.2495280.8063建筑业相对国有化程度X1.3110880.1508728.6900690.0000R-squared0.834286

Meandependentvar104.9118AdjustedR-squared0.823238

S.D.dependentvar10.40786S.E.ofregression4.375783

Akaikeinfocriterion5.900179Sumsquaredresid287.2121

Schwarzcriterion5.998204Loglikelihood-48.15152

F-statistic75.51731Durbin-Watsonstat0.930656

Prob(F-statistic)0.000000以上估计结果发现，可决系数为0.834286，修正的可决系数为0.823238，说明模型拟合优度较高。建筑业相对国有化程度对建筑业工资相对水平的回归系数为1.311088，t值达到8.690069，通过了变量的统计检验；并且该回归系数大于0，与理论模型总体参数的预期符号相一致，因此通过了经济意义检验。但截距项系数2.939984，t值只有0.249528，未通过统计检验，说明建筑业相对国有化程度对建筑业工资相对水平的总体回归直线是通过原点的。因此理论线性模型应设定为通过原点的回归直线模型，具体形式如下：

再利用计量经济分析软件Eviews进行估计，结果如下：DependentVariable:建筑业工资相对水平Method:LeastSquaresSample:117Includedobservations:17VariableCoefficientStd.Errort-StatisticProb.

建筑业相对国有化程度1.3485820.013186102.27700.0000R-squared0.833598

Meandependentvar104.9118AdjustedR-squared0.833598

S.D.dependentvar10.40786S.E.ofregression4.245618

Akaikeinfocriterion5.786674Sumsquaredresid288.4043

Schwarzcriterion5.835687Loglikelihood-48.18673

Durbin-Watsonstat0.951702以上估计结果发现，修正的可决系数为0.833598，高于带截距项模型的修正可决系数，说明去掉截距项的模型拟合优度有了进一步改善。建筑业相对国有化程度对建筑业工资相对水平的回归系数为1.348582，t值高达102.2770，通过了变量的统计检验。但该模型的DW值很低，只有0.951702，说明模型的随机误差项之间存在正自相关，因此还需要处理模型的自相关问题。我们在模型中引入AR（1）来处理自相关。估计结果如下：DependentVariable:建筑业工资相对水平Method:LeastSquaresSample(adjusted):217Includedobservations:16afteradjustingendpointsConvergenceachievedafter4iterationsVariableCoefficientStd.Errort-StatisticProb.

建筑业相对国有化程度1.3601340.02084665.246160.0000AR(1)0.4267430.2085052.0466830.0599R-squared0.889110

Meandependentvar104.2125AdjustedR-squared0.881190

S.D.dependentvar10.32853S.E.ofregression3.560126

Akaikeinfocriterion5.493937Sumsquaredresid177.4429

Schwarzcriterion5.590511Loglikelihood-41.95150

Durbin-Watsonstat1.931114InvertedARRoots

.43经过处理，DW值已达到1.931114，很接近2这个理想水平，因此正自相关问题已得到较圆满的解决。同时模型修正的可决系数0.881190，又得以进一步提高。四、结果分析1．本文验证了我们提出的关于体制转型时期行业决定的假说，我国建筑业相对工资差异的扩大主要是由于该行业垄断程度差异的扩大引致的。2．建筑业相对国有化程度每下降1个百分点，建筑业工资相对水平将会平均下降1.360134个百分点。

案例分析四中国税收增长的分析——多元线性回归模型的应用一、研究的目的要求改革开放以来，随着经济体制改革的深化和经济的快速增长，中国的财政收支状况发生很大变化，中央和地方的税收收入1978年为519.28亿元，到2002年已增长到17636.45亿元，25年间增长了33倍，平均每年增长%。为了研究影响中国税收收入增长的主要原因，分析中央和地方税收收入的增长规律，预测中国税收未来的增长趋势，需要建立计量经济模型。影响中国税收收入增长的因素很多，但据分析主要的因素可能有：（1）从宏观经济看，经济整体增长是税收增长的基本源泉。（2）公共财政的需求，税收收入是财政收入的主体，社会经济的发展和社会保障的完善等都对公共财政提出要求，因此对预算支出所表现的公共财政的需求对当年的税收收入可能会有一定的影响。（3）物价水平。我国的税制结构以流转税为主，以现行价格计算的GDP等指标和经营者的收入水平都与物价水平有关。（4）税收政策因素。我国自1978年以来经历了两次大的税制改革，一次是1984-1985年的国有企业利改税，另一次是1994年的全国范围内的新税制改革。税制改革对税收会产生影响，特别是1985年税收陡增215.42%。但是第二次税制改革对税收增长速度的影响不是非常大。因此，可以从以上几个方面，分析各种因素对中国税收增长的具体影响。二、模型设定为了全面反映中国税收增长的全貌，选择包括中央和地方税收的“国家财政收入”中的“各项税收”（简称“税收收入”）作为被解释变量，以反映国家税收的增长；选择“国内生产总值（GDP）”作为经济整体增长水平的代表；选择中央和地方“财政支出”作为公共财政需求的代表；选择“商品零售物价指数”作为物价水平的代表。由于财税体制的改革难以量化，而且1985年以后财税体制改革对税收增长影响不是很大，可暂不考虑税制改革对税收增长的影响。所以解释变量设定为可观测的“国内生产总值”、“财政支出”、“商品零售物价指数”等变量。从《中国统计年鉴》收集到以下数据（见表3.3）：表3.3中国税收收入及相关数据年份税收收入（亿元）（Y）国内生产总值（亿元）（X2）财政支出（亿元）（X3）商品零售价格指数（%）（X4）1978519.283624.11122.09100.71979537.824038.21281.79102.01980571.704517.81228.83106.01981629.894862.41138.41102.41982700.025294.71229.98101.91983775.595934.51409.52101.51984947.357171.01701.02102.819852040.798964.42004.25108.819862090.7310202.22204.91106.019872140.3611962.52262.18107.319882390.4714928.32491.21118.519892727.4016909.22823.78117.819902821.8618547.93083.59102.119912990.1721617.83386.62102.919923296.9126638.13742.20105.419934255.3034634.44642.30113.219945126.8846759.45792.62121.719956038.0458478.16823.72114.819966909.8267884.67937.55106.119978234.0474462.69233.56100.819989262.8078345.210798.1897.4199910682.5882067.513187.6797.0200012581.5189468.115886.5098.5200115301.3897314.818902.5899.2200217636.45104790.622053.1598.7设定的线性回归模型为：三、估计参数利用EViews估计模型的参数，方法是：1、建立工作文件：启动EViews，点击File\New\Workfile，在对话框“WorkfileRange”。在“Workfilefrequency”中选择“Annual”(年度)，并在“Startdate”中输入开始时间“1978”，在“enddate”中输入最后时间“2002”，点击“ok”，出现“WorkfileUNTITLED”工作框。其中已有变量：“c”—截距项“resid”—剩余项。在“Objects”菜单中点击“NewObjects”，在“NewObjects”对话框中选“Group”，并在“NameforObjects”上定义文件名，点击“OK2、输入数据：点击“Quik”下拉菜单中的“EmptyGroup”，出现“Group”窗口数据编辑框，点第一列与“obs”对应的格，在命令栏输入“Y”，点下行键“↓”，即将该序列命名为Y，并依此输入Y的数据。用同样方法在对应的列命名X2、X3、X4，并输入相应的数据。或者在EViews命令框直接键入“dataYX3 X4…”，回车出现“Group”窗口数据编辑框，在对应的Y、X2、X3、X4下输入响应的数据。3、估计参数：点击“Procs“下拉菜单中的“MakeEquation”，在出现的对话框的“EquationSpecification”栏中键入“YCX2X3X4”，在“EstimationSettings”栏中选择“LeastSqares”(最小二乘法)，点“ok”表3.4根据表3.4中数据，模型估计的结果为：(940.6128)(0.0056)(0.0332)(8.7363)t=(-2.7459)(3.9566)(21.1247)(2.7449)F=2717.238df=21四、模型检验1、经济意义检验模型估计结果说明，在假定其它变量不变的情况下，当年GDP每增长1亿元，税收收入就会增长0.02207亿元；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0.7021亿元；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23.9854亿元。这与理论分析和经验判断相一致。2、统计检验（1）拟合优度：由表3.4中数据可以得到：，修正的可决系数为，这说明模型对样本的拟合很好。（2）F检验：针对，给定显著性水平，在F分布表中查出自由度为k-1=3和n-k=21的临界值。由表3.4中得到F=2717.238，由于F=2717.238>，应拒绝原假设，说明回归方程显著，即“国内生产总值”、“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。（3）t检验：分别针对：，给定显著性水平，查t分布表得自由度为n-k=21临界值。由表3.4中数据可得，与、、、对应的t统计量分别为-2.7459、3.9566、21.1247、2.7449，其绝对值均大于，这说明分别都应当拒绝：，也就是说，当在其它解释变量不变的情况下，解释变量“国内生产总值”（）、“财政支出”（）、“商品零售物价指数”（）分别对被解释变量“税收收入”Y都有显著的影响。案例分析五中国A股新股抑价率多因素回归分析1、新股的抑价发行IPO抑价是指发行定价存在着低估现象，即新股发行定价低于新股的市场价值，表现为新股发行价格明显低于新股上市首日收盘价格，上市首日就能获得显著的超额回报。市场化的发行制度下，新股发行的定价过程是发行企业、承销商和投资者之间多次谈判的结果。一个有效的IPO市场是不应该存在超常收益率的。但国外许多学者研究发现，在一些发行市场化的市场中，尽管承销商通过努力平衡对发行股票的供给和需求来得到最佳发行价格。但首日收益率(即新股上市首日收盘价相对于发行价的收益率)仍然显著为正，即存在着显著的新股发行抑价现象。发行是证券市场运行的基础，而首次公开发行（InitialPublicOffering缩写为IPO）是股份公司由少数人持股向公众持股转变的重要步骤。发行定价是发行业务中的核心环节，定价是否合理不仅关系到发行人、投资者以及承销商的切身利益，而且关系到发行市场的监管乃至证券市场资源配置功能的发挥。IPO抑价率是衡量新股发行定价是否合理的重要指标。如果IPO抑价率小于0，即新股上市首日就跌破发行价，说明定价过高；如果IPO抑价率显著大于0，即上市首日就获得显著的超额收益，就说明新股存在定价过低的现象。从各国的发行实践看，新股发行定价适度低于二级市场上市价格是普遍存在的，这是由于股票市场IPO发行中特有的信息不对称和信息不确定性等多种因素造成的。2、中国IPO抑价率多因素模型分析多变量回归分析含义多变量回归分析是指因变量依赖两个或者更多个解释变量或回归元的模型的分析。最为简单的多元回归模型，是含有一个因变量和两个解释变量的三变量回归模型。（1）在方程（1）中，是截距项，它代表了2和3均为零时的Y的均值，给出了所有未被包含到模型中来的变量对Y的影响。系数和被称为偏回归系数，度量着2的单位变化对Y均值的直接或者净影响，度量着3的单位变化对Y均值的直接或者净影响。（2）中国IPO抑价率多因素回归模型 在股票发行初级市场中，针对IPO的超额收益率，设定新股抑价率为AR=Pt-P0/P0，构建多因素回归模型，跟前文相对应，我们先设定两个回归元的回归模型，假定AR跟股票的发行规模有关，在本例中我们用其发行规模的对数值来替代设定为LGIPO，除此之外还有股票的中签率有关，则设定一个简单的三变量回归模型为（2）在本例中我们用的数据主要是1999年1月～2002年6月120只上海证券交易所上市的新股数据。则在eviews中回归得到下面数据：VariableCoefficientStd。Errort-StatisticProb。C4.6833940.9229715.0742570.0000LOGIPO-0.3744510.108545-3.4497240.0008RAT-0.3653810.123754-2.9524680.0038R-squared0.229802Meandependentvar1.270735AdjustedR-squared0.216636S.D.dependentvar0.815547S.E.ofregression0.721823Akaikeinfocriterion2.210610Sumsquaredresid60.96039Schwarzcriterion2.280297Loglikelihood-129.6366F-statistic17.45451Durbin-Watsonstat1.755679Prob(F-statistic)0.000000因为新股超额收益不仅只是跟上述两个因素有关，仅以此来说明多因素回归模型中结果的分析。在本例中，R或者调整的R比较小的原因是模型因素缺少，后面会有比较全面的多因素回归模型。从结果中可以看到超额收益率和股本的发行规模有负的相关关系，和中签率有负的相关关系。t值均大于2，F值也比较显著。进一步，我们来看一个比较复杂的多因素回归模型如下：(3)其中，LOGIPO为IPO发行额的对数值。RAT为中签率的100倍，E为收益率，PE为IPO发行市盈率，T为公司发布上市时间，P2是IPO的上市价格，I1是发行时的市场指数，I2是上市是的市场指数，P1是发行价格。模型回归结果如下：VariableCoefficientStd。Errort-StatisticProb。C2.3725930.6308673.7608430.0003P1-0.2159500.017987-12.005940.0000P20.0940650.00884510.634410.0000I10.0001570.0004150.3788730.7055I20.0003830.0004100.9326480.3530PE-0.0061370.005413-1.1338090.2593LOGIPO-0.2071570.071843-2.8834780.0047RAT-0.0126360.076383-0.1654240.8689T-0.0025510.001953-1.3060900.1942E0.2231010.2690620.8291820.4088R-squared0.778748Meandependentvar1.270735AdjustedR-squared0.760646S.D.dependentvar0.815547S.E.ofregression0.398997Akaikeinfocriterion1.079931Sumsquaredresid17.51187Schwarzcriterion1.312222Loglikelihood-54.79584F-statistic43.01898Durbin-Watsonstat1.632529Prob(F-statistic)0.000000从上面的回归分析可以看到，截距项不为零，超额收益和p1，p2，logipo三个因素显著相关，其余因素的影响不是很显著的。当然新股超额收益和很多的因素是相关的，我们在此仅说明多变量分析模型的应用。3、进一步思考问题此例中变量之间是否具有共线性？以及自相关性？如果变量之间具有多重共线性以及自相关性问题，应该怎么做？案例分析六影响中国旅游市场发展的主要因素——多重共线性问题一、研究的目的要求近年来，中国旅游业一直保持高速发展，旅游业作为国民经济新的增长点，在整个社会经济发展中的作用日益显现。中国的旅游业分为国内旅游和入境旅游两大市场，入境旅游外汇收入年均增长22.6%，与此同时国内旅游也迅速增长。改革开放20多年来，特别是进入90年代后，中国的国内旅游收入年均增长14.4%，远高于同期GDP9.76%的增长率。为了规划中国未来旅游产业的发展，需要定量地分析影响中国旅游市场发展的主要因素。二、模型设定及其估计经分析，影响国内旅游市场收入的主要因素，除了国内旅游人数和旅游支出以外，还可能与相关基础设施有关。为此，考虑的影响因素主要有国内旅游人数，城镇居民人均旅游支出，农村居民人均旅游支出，并以公路里程和铁路里程作为相关基础设施的代表。为此设定了如下对数形式的计量经济模型：其中：——第t年全国旅游收入——国内旅游人数（万人）——城镇居民人均旅游支出（元）——农村居民人均旅游支出（元）——公路里程（万公里）——铁路里程（万公里）为估计模型参数，收集旅游事业发展最快的1994—2003年的统计数据，如表4.2所示：表4.21994年—2003年中国旅游收入及相关数据年份国内旅游收入Y（亿元）国内旅游人数X2（万人次）城镇居民人均旅游支出X3（元）农村居民人均旅游支出X4（元）公路里程X5（万公里）铁路里程X6（万公里）19941023.552400414.754.9111.785.9019951375.762900464.061.5115.705.9719961638.463900534.170.5118.586.4919972112.764400599.8145.7122.646.6019982391.269450607.0197.0127.856.6419992831.971900614.8249.5135.176.7420003175.574400678.6226.6140.276.8720013522.478400708.3212.7169.807.0120023878.487800739.7209.1176.527.1920033442.387000684.9200.0180.987.30数据来源:《中国统计年鉴2004》利用Eviews软件，输入Y、X2、X3、X4、X5、X6等数据，采用这些数据对模型进行OLS回归，结果如表4.3：表4.3由此可见，该模型，可决系数很高，F检验值173.3525,明显显著。但是当时,不仅、系数的t检验不显著，而且系数的符号与预期的相反，这表明很可能存在严重的多重共线性。计算各解释变量的相关系数，选择X2、X3、X4、X5、X6数据，点”view/correlations”得相关系数矩阵（如表4.4）：表4.4由相关系数矩阵可以看出：各解释变量相互之间的相关系数较高，证实确实存在严重多重共线性。三、消除多重共线性采用逐步回归的办法，去检验和解决多重共线性问题。分别作Y对X2、X3、X4、X5、X6的一元回归，结果如表4.5所示：表4.5变量X2X3X4X5X6参数估计值0.08429.052311.667334.33242014.146t统计量8.665913.15985.19676.46758.74870.90370.95580.77150.83940.9054按的大小排序为：X3、X6、X2、X5、X4。以X3为基础，顺次加入其他变量逐步回归。首先加入X6回归结果为：t=(2.9086)(0.46214)当取时，，X6参数的t检验不显著，予以剔除，加入X2回归得t=(4.2839)(2.1512)X2参数的t检验不显著，予以剔除，加入X5回归得t=(6.6446)(2.6584)X3、X5参数的t检验显著，保留X5，再加入X4回归得t=(3.944983)(4.692961)（3.06767）F=231.7935DW=1.952587当取时，,X3、X4、X5系数的t检验都显著，这是最后消除多重共线性的结果。这说明，在其他因素不变的情况下，当城镇居民人均旅游支出和农村居民人均旅游支出分别增长1元时，国内旅游收入将分别增长4.21亿元和3.22亿元。在其他因素不变的情况下，作为旅游设施的代表，公路里程每增加1万公里时,国内旅游收入将增长13.63亿元。案例分析七医疗机构数与人口数量的关系——异方差问题一、问题的提出和模型设定根据本章引子提出的问题，为了给制定医疗机构的规划提供依据，分析比较医疗机构与人口数量的关系，建立卫生医疗机构数与人口数的回归模型。假定医疗机构数与人口数之间满足线性约束，则理论模型设定为（5.31）其中表示卫生医疗机构数，表示人口数。由2001年《四川统计年鉴》得到如下数据。表5.1四川省2000年各地区医疗机构数与人口数地区人口数（万人）X医疗机构数（个）Y地区人口数（万人）X医疗机构数（个）Y成都1013.36304眉山339.9827自贡315911宜宾508.51530攀枝花103934广安438.61589泸州463.71297达州620.12403德阳379.31085雅安149.8866绵阳518.41616巴中346.71223广元302.61021资阳488.41361遂宁3711375阿坝82.9536内江419.91212甘孜88.9594乐山345.91132凉山402.41471南充709.24064二、参数估计进入EViews软件包，确定时间范围；编辑输入数据；选择估计方程菜单，估计样本回归函数如下表5.2估计结果为(5.32)括号内为t统计量值。三、检验模型的异方差本例用的是四川省2000年各地市州的医疗机构数和人口数，由于地区之间存在的不同人口数，因此，对各种医疗机构的设置数量会存在不同的需求，这种差异使得模型很容易产生异方差，从而影响模型的估计和运用。为此，必须对该模型是否存在异方差进行检验。（一）图形法1、EViews软件操作。由路径：Quick/QstimateEquation，进入EquationSpecification窗口，键入“ycx”，确认并“ok”，得样本回归估计结果，见表5.2。（1）生成残差平方序列。在得到表5.2估计结果后，立即用生成命令建立序列，记为e2。生成过程如下，先按路径：Procs/GenerateSeries，进入GenerateSeriesbyEquation对话框，即图5.4然后，在GenerateSeriesbyEquation对话框中（如图5.4），键入“e2=（resid）^2”，则生成序列。（2）绘制对的散点图。选择变量名X与e2（注意选择变量的顺序，先选的变量将在图形中表示横轴，后选的变量表示纵轴），进入数据列表，再按路径view/graph/scatter，可得散点图，见图5.5。图5.52、判断。由图5.5可以看出，残差平方对解释变量X的散点图主要分布在图形中的下三角部分，大致看出残差平方随的变动呈增大的趋势，因此，模型很可能存在异方差。但是否确实存在异方差还应通过更进一步的检验。（二）Goldfeld-Quanadt检验1、EViews软件操作。（1）对变量取值排序（按递增或递减）。在Procs菜单里选SortSeries命令，出现排序对话框，如果以递增型排序，选Ascenging，如果以递减型排序，则应选Descending，键入X，点ok。本例选递增型排序，这时变量Y与X将以X按递增型排序。（2）构造子样本区间，建立回归模型。在本例中，样本容量n=21，删除中间1/4的观测值，即大约5个观测值，余下部分平分得两个样本区间：1—8和14—21，它们的样本个数均是8个，即。在Sample菜单里，将区间定义为1—8，然后用OLS方法求得如下结果表5.3在Sample菜单里,将区间定义为14—21，再用OLS方法求得如下结果表5.4（3）求F统计量值。基于表5.3和表5.4中残差平方和的数据，即Sumsquaredresid的值。由表5.3计算得到的残差平方和为，由表5.4计算得到的残差平方和为，根据Goldfeld-Quanadt检验，F统计量为（5.33）（4）判断。在下，式（5.33）中分子、分母的自由度均为6，查F分布表得临界值为，因为，所以拒绝原假设，表明模型确实存在异方差。（三）White检验由表5.2估计结果，按路径view/residualtests/whiteheteroskedasticity（nocrosstermsorcrossterms），进入White检验。根据White检验中辅助函数的构造，最后一项为变量的交叉乘积项，因为本例为一元函数，故无交叉乘积项，因此应选nocrossterms，则辅助函数为（5.34）经估计出现White检验结果，见表5.5。从表5.5可以看出，，由White检验知，在下，查分布表,得临界值（在（5.34）式中只有两项含有解释变量，故自由度为2），比较计算的统计量与临界值，因为＞，所以拒绝原假设，不拒绝备择假设，表明模型存在异方差。表5.5四、异方差性的修正（一）加权最小二乘法（WLS）在运用WLS法估计过程中，我们分别选用了权数。权数的生成过程如下，由图5.4，在对话框中的EnterQuation处，按如下格式分别键入：；；，经估计检验发现用权数的效果最好。下面仅给出用权数的结果。表5.7表5.7的估计结果如下（5.36）括号中数据为t统计量值。可以看出运用加权小二乘法消除了异方差性后，参数的t检验均显著，可决系数大幅提高，F检验也显著，并说明人口数量每增加1万人，平均说来将增加2.953个卫生医疗机构，而不是引子中得出的增加5.3735个医疗机构。虽然这个模型可能还存在某些其他需要进一步解决的问题，但这一估计结果或许比引子中的结论更为接近真实情况。案例分析八中国农村居民消费模型——自相关问题一、研究目的2003年中国农村人口占59.47％，而消费总量却只占41.4%，农村居民的收入和消费是一个值得研究的问题。消费模型是研究居民消费行为的常用工具。通过中国农村居民消费模型的分析可判断农村居民的边际消费倾向，这是宏观经济分析的重要参数。同时，农村居民消费模型也能用于农村居民消费水平的预测。二、模型设定正如第二章所讲述的，影响居民消费的因素很多，但由于受各种条件的限制，通常只引入居民收入一个变量做解释变量，即消费模型设定为 （6.43）式中，Yt为农村居民人均消费支出，Xt为农村人均居民纯收入，ut为随机误差项。表6.3是从《中国统计年鉴》收集的中国农村居民1985-2003年的收入与消费数据。表6.31985-2003年农村居民人均收入和消费单位：元年份全年人均纯收入（现价）全年人均消费性支出（现价）消费价格指数（1985=100）人均实际纯收入（1985可比价）人均实际消费性支出（1985可比价）1985198619871988198919901991199219931994199519961997199819992000200120022003397.60423.80462.60544.90601.50686.30708.60784.00921.601221.001577.701923.102090.102162.002214.302253.402366.402475.602622.24317.42357.00398.30476.70535.40584.63619.80659.80769.701016.811310.361572.101617.151590.331577.421670.001741.001834.001943.30100.0106.1112.7132.4157.9165.1168.9176.8201.0248.0291.4314.4322.3319.1314.3314.0316.5315.2320.2397.60399.43410.47411.56380.94415.69419.54443.44458.51492.34541.42611.67648.50677.53704.52717.64747.68785.41818.86317.40336.48353.42360.05339.08354.11366.96373.19382.94410.00449.69500.03501.77498.28501.75531.85550.08581.85606.81注：资料来源于《中国统计年鉴》1986-2004。为了消除价格变动因素对农村居民收入和消费支出的影响，不宜直接采用现价人均纯收入和现价人均消费支出的数据，而需要用经消费价格指数进行调整后的1985年可比价格计的人均纯收入和人均消费支出的数据作回归分析。根据表6.3中调整后的1985年可比价格计的人均纯收入和人均消费支出的数据，使用普通最小二乘法估计消费模型得 （6.44） Se=(12.2238) (0.0214) t=(8.7332) (28.3067)R2=0.9788，F=786.0548，df=17，DW=0.7706该回归方程可决系数较高，回归系数均显著。对样本量为19、一个解释变量的模型、5%显著水平，查DW统计表可知，dL=1.18，dU=1.40，模型中DW<dL，显然消费模型中有自相关。这一点残差图中也可从看出，点击EViews方程输出窗口的按钮Resids可得到残差图，如图6.6所示。图6.6 残差图图6.6残差图中，残差的变动有系统模式，连续为正和连续为负，表明残差项存在一阶正自相关，模型中t统计量和F统计量的结论不可信，需采取补救措施。三、自相关问题的处理为解决自相关问题，选用科克伦—奥克特迭代法。由模型（6.44）可得残差序列et，在EViews中，每次回归的残差存放在resid序列中，为了对残差进行回归分析，需生成命名为e的残差序列。在主菜单选择Quick/GenerateSeries或点击工作文件窗口工具栏中的Procs/GenerateSeries，在弹出的对话框中输入e=resid，点击OK得到残差序列et。使用et进行滞后一期的自回归，在EViews命今栏中输入lsee(-1)可得回归方程 et=0.4960et-1 （6.45）由式（6.45）可知=0.4960，对原模型进行广义差分，得到广义差分方程 （6.46）对式（6.46）的广义差分方程进行回归，在EViews命令栏中输入lsY-0.4960*Y(-1)cX-0.4960*X(-1)，回车后可得方程输出结果如表6.4。表6.4广义差分方程输出结果DependentVariable:Y-0.496014*Y(-1)Method:LeastSquaresDate:03/26/05Time:12:32Sample(adjusted):19862003Includedobservations:18afteradjustingendpointsVariableCoefficientStd.Errort-StatisticProb.C60.444318.9649576.7422870.0000X-0.496014*X(-1)0.5832870.02941019.833250.0000R-squared0.960914Meandependentvar231.9218AdjustedR-squared0.958472S.D.dependentvar49.34525S.E.ofregression10.05584Akaikeinfocriterion7.558623Sumsquaredresid1617.919Schwarzcriterion7.657554Loglikelihood-66.02761F-statistic393.3577Durbin-Watsonstat1.397928Prob(F-statistic)0.000000由表6.4可得回归方程为 （6.47）（0.0294）t=（6.7423） （19.8333）R2=0.9609F=393.3577df=16DW式中，，。 由于使用了广义差分数据，样本容量减少了1个，为18个。查5%显著水平的DW统计表可知dL=1.16，dU=1.39，模型中DW=1.3979>dU，说明广义差分模型中已无自相关，不必再进行迭代。同时可见，可决系数R2、t、F统计量也均达到理想水平。对比模型（6.44）和（6.47），很明显普通最小二乘法低估了回归系数的标准误差。[原模型中Se（）=0.0214，广义差分模型中为Se（）=0.0294。经广义差分后样本容量会减少1个，为了保证样本数不减少，可以使用普莱斯—温斯腾变换补充第一个观测值，方法是和。在本例中即为和。由于要补充因差分而损失的第一个观测值，所以在EViews中就不能采用前述方法直接在命令栏输入Y和X的广义差分函数表达式，而是要生成X和Y的差分序列X*和Y*。在主菜单选择Quick/GenerateSeries或点击工作文件窗口工具栏中的Procs/GenerateSeries，在弹出的对话框中输入Y*=Y-0.4960*Y(-1)，点击OK得到广义差分序列Y*，同样的方法得到广义差分序列X*。此时的X*和Y*都缺少第一个观测值，需计算后补充进去，计算得=345.236，=275.598，双击工作文件窗口的X*打开序列显示窗口，点击Edit+/-按钮，将=345.236补充到1985年对应的栏目中，得到X*的19个观测值的序列。同样的方法可得到Y*的19个观测值序列。在命令栏中输入LsY*cX*得到普莱斯—温斯腾变换的广义差分模型为 （6.48）（0.0297）t=（6.5178） （19.8079）R2=0.9585F=392.3519df=19DW对比模型（6.47）和（6.48）可发现，两者的参数估计值和各检验统计量的差别很微小，说明在本例中使用普莱斯—温斯腾变换与直接使用科克伦—奥克特两步法的估计结果无显著差异，这是因为本例中的样本还不算太小。如果实际应用中样本较小，则两者的差异会较大。通常对于小样本，应采用普莱斯—温斯腾变换补充第一个观测值。由差分方程（6.46）有 （6.49）由此，我们得到最终的中国农村居民消费模型为Yt=119.9292+0.5833Xt （6.50）由（6.50）的中国农村居民消费模型可知，中国农村居民的边际消费倾向为0.5833，即中国农民每增加收入1元，将增加消费支出0.5833元。案例分析九美国制造业库存量Y和销售额X的关系——分布滞后模型的应用1.美国制造业库存量Y和销售额X的关系为了研究1955—1974年期间美国制造业库存量Y和销售额X的关系，我们在例7.3中采用了经验加权法估计分布滞后模型。尽管经验加权法具有一些优点，但是设置权数的主观随意性较大，要求分析者对实际问题的特征有比较透彻的了解。下面用阿尔蒙法估计如下有限分布滞后模型：将系数(i=0,1,2,3)用二次多项式近似，即则原模型可变为其中在Eviews工作文件中输入X和Y的数据，在工作文件窗口中点击“Genr”工具栏，出现对话框，输入生成变量Z0t的公式，点击“OK”；类似，可生成Z1t、Z2t变量的数据。进入EquationSpecification对话栏，键入回归方程形式YCZ0Z1Z2点击“OK”，显示回归结果（见表7.2）。表7.2表中Z0、Z1、Z2对应的系数分别为的估计值。将它们代入分布滞后系数的阿尔蒙多项式中，可计算出的估计值为：从而，分布滞后模型的最终估计式为：在实际应用中，Eviews提供了多项式分布滞后指令“PDL”用于估计分布滞后模型。下面结合本例给出操作过程：在Eviews中输入X和Y的数据，进入EquationSpecification对话栏，键入方程形式YCPDL(X,3,2)其中，“PDL指令”表示进行多项式分布滞后（PolynomialDistributedLags）模型的估计，括号中的3表示X的分布滞后长度，2表示多项式的阶数。在EstimationSettings栏中选择LeastSquares(最小二乘法)，点击OK，屏幕将显示回归分析结果（见表7.3）。表7.3需要指出的是，用“PDL”估计分布滞后模型时，Eviews所采用的滞后系数多项式变换不是形如（7.4）式的阿尔蒙多项式，而是阿尔蒙多项式的派生形式。因此，输出结果中PDL01、PDL02、PDL03对应的估计系数不是阿尔蒙多项式系数的估计。但同前面分步计算的结果相比，最终的分布滞后估计系数式是相同的。2.货币供给的变化对物价具有滞后影响货币主义学派认为，产生通货膨胀的必要条件是货币的超量供应。物价变动与货币供应量的变化有着较为密切的联系，但是二者之间的关系不是瞬时的，货币供应量的变化对物价的影响存在一定时滞。有研究表明，西方国家的通货膨胀时滞大约为2—3个季度。在中国，大家普遍认同货币供给的变化对物价具有滞后影响，但滞后期究竟有多长，还存在不同的认识。下面采集1996－2005年全国广义货币供应量和物价指数的月度数据（见表7.4）对这一问题进行研究。表7.41996－2005年全国广义货币供应量及物价指数月度数据月度广义货币M2(千亿元）广义货币增长量M2z（千亿元）居民消费价格同比指数tbzs月度广义货币M2(千亿元）广义货币增长量M2z（千亿元）居民消费价格同比指数tbzsJan-9658.401Oct-00129.522-0.9518100Feb-9663.7785.377109.3Nov-00130.99411.4721101.3Mar-9664.5110.733109.8Dec-00134.61033.6162101.5Apr-9665.7231.212109.7Jan-01137.54362.9333101.2May-9666.881.157108.9Feb-01136.2102-1.3334100Jun-9668.1321.252108.6Mar-01138.74452.5343100.8Jul-9669.3461.214108.3Apr-01139.94991.2054101.6Aug-9672.3092.963108.1May-01139.