计量经济学实践报告-影响电信业务量的主要因素分析VIP

略可以看出电信业务总量Y与各个解释变量间存在较强的线形关系，因此我用多元线性模型去拟合数据，设定的多元线性模型为：=+++++

t=1990、……、2005（其中，U为随机误差项，且服从正态分布）其中：代表电信业务总量（亿元）代表人均GDP（元）代表人均年消费额（元）代表固定电话用户数（万户）代表移动电话数（万户）参数的估计利用EVIEWS软件对,,,四个变量组成的式子进行拟合，得到如下结果：Y跟全部变量的回归DependentVariable:YTMethod:LeastSquaresDate:12/17/07Time:18:40Sample:19902005Includedobservations:16VariableCoefficientStd.Errort-StatisticProb.C-35.8998643.40342-0.8271210.4257X1T-0.2097220.051995-4.0334900.0020X2T0.5520160.1437353.8405090.0027X3T-0.0251800.016261-1.5484240.1498X4T0.0377930.0114113.3118780.0069R-squared0.984730Meandependentvar250.6669AdjustedR-squared0.979178S.D.dependentvar207.9079S.E.ofregression30.00080Akaikeinfocriterion9.890632Sumsquaredresid9900.529Schwarzcriterion10.13207Loglikelihood-74.12505F-statistic177.3474Durbin-Watsonstat2.483615Prob(F-statistic)0.000000根据上述结果，其拟合方程为：=-35.89986-0.209722+0.552016-0.025180+0.037793t=（-0.827）（-4.03350）（3.8405）（-1.5484）（3.31188）=0.984730=0.979178F=177.3474残差图如下：略统计检验：从回归的结果可以看出，拟合优度和F检验的效果都比较理想，但是解释变量的t检验不显著，而且解释变量和的符号与预期相反，有可能存在严重的多重共线性。多重共线性的检验①检验:由F=177.3474>F0.05(4,16)=3.04（查表可得，显著性水平α=0.05）表明模型从整体上看电信业务总量与解释变量间线形关系显著。用简单相关系数矩阵对其进行检验:变数间的相关系数表：X1TX2TX3TX4TX1T10.651565845250.9712199573180.913778593113X2T0.6515658452510.9431693086290.862972538617X3T0.9712199573180.94316930862910.979526240051X4T0.9137785931130.8629725386170.9795262400511由上图看出在我选定的4个解释变量间存在很严重的共线性，其中X3和X4相关系数达到0.979526240051,x1和x3间的相关系数也达到了0.971219957318，有必要对模型进行修正。从实际经济意义上说，这两者之间存在着相互替代性，说明模型的设定具有多重共线性，需要对模型进行修订。经过对各个解释变量的分析，我发现固定电话用户数、移动电话用户数、这两个解释变量相关性很大，且都属于通信装置，相互间有较大的替代性。于是决定尝试将这2个解释变变量相加成为新的解释变量记为X5。这样将原来的模型调整为：Yi=β0+β1+β2+β3+(其中为随机误差项，服从正态分布)，再次拟合：把和加总然后得出的回归结果：DependentVariable:YTMethod:LeastSquaresDate:12/18/07Time:15:30Sample:19902005Includedobservations:16VariableCoefficientStd.Errort-StatisticProb.C44.7400329.576731.5126770.1562X1T0.1249850.0425472.9376110.0124X2T0.2669680.0838523.1838110.0079X5T0.0119040.0018866.3127220.0000R-squared0.977439Meandependentvar250.6669AdjustedR-squared0.971799S.D.dependentvar207.9079S.E.ofregression34.91451Akaikeinfocriterion10.15600Sumsquaredresid14628.28Schwarzcriterion10.34915Loglikelihood-77.24800F-statistic173.2965Durbin-Watsonstat1.899505Prob(F-statistic)0.000000拟合方程为：=44.74003+0.124985+0.266968+0.011904t=（1.5127）（2.9376）（3.1838）（6.3127）=0.977439=0.971799F=173.2965统计检验：从模型修正后的回归结果可以看出，拟合优度和F检验的效果都很理想，各个解释变量的t检验也显著，而且解释变量和的符号与预期相符。异方差检验：考虑到获取的数据样本不大，采用的是时间序列数据,所以决定用ARCH检验法检验模型是否存在异方差。结果如下:（P=1）ARCHTest:F-statistic4.209949Probability0.060897Obs*R-squared3.669345Probability0.055422TestEquation:DependentVariable:RESID^2Method:LeastSquaresDate:12/18/07Time:18:48Sample(adjusted):19912005Includedobservations:15afteradjustingendpointsVariableCoefficientStd.Errort-StatisticProb.C450.6817463.47550.9723960.3486RESID^2(-1)0.4992230.2433082.0518160.0609R-squared0.244623Meandependentvar937.4044AdjustedR-squared0.186517S.D.dependentvar1709.773S.E.ofregression1542.101Akaikeinfocriterion17.64324Sumsquaredresid30914974Schwarzcriterion17.73765Loglikelihood-130.3243F-statistic4.209949Durbin-Watsonstat1.484570Prob(F-statistic)0.060897ARCH检验结果（n-1）*=15*0.245=3.675<=3.841不拒绝原假设，异方差不明显由于异方差可能对模型的估计产生比较严重的后果，谨慎起见，对模型再进行WHITE检验设异方差与,,的一般关系为：WhiteHeteroskedasticityTest:F-statistic3.154904Probability0.059583Obs*R-squared10.84415Probability0.093314 TestEquation:DependentVariable:RESID^2Method:LeastSquaresDate:12/18/07Time:21:47Sample:19902005Includedobservations:16VariableCoefficientStd.Errort-StatisticProb.C-6530.4587758.332-0.8417350.4217X1T-21.6200217.29496-1.2500770.2428X1T^20.0020930.0011001.9026770.0895X2T53.3608845.102321.1831070.2671X2T^2-0.0123020.007442-1.6529840.1327X5T1.3523000.5995182.2556440.0505X5T^2-2.33E-058.09E-06-2.8817580.0181R-squared0.677759Meandependentvar914.2673AdjustedR-squared0.462932S.D.dependentvar1654.389S.E.ofregression1212.417Akaikeinfocriterion17.33826Sumsquaredresid13229604Schwarzcriterion17.67626Loglikelihood-131.7060F-statistic3.154904Durbin-Watsonstat2.261839Prob(F-statistic)0.059583可以证明，n*渐进地服从自由度为6的分布，给定5%的显著性水平，查分布表得临界值12.5916，而n*=16*0.678=10.848<=12.5916,所以不能拒绝原假设，表明模型中的随机误差项没有异方差。自相关检验：由于DW=1.899505，给定显著水平α=0.05，查Durbin-Watson表，n=16,k=3，得下限临界值Du=1.728，因为DW统计量为1.899505>Du，所以随机误差项不存在正的一阶自相关。模型解释=44.74003+0.124985+0.266968+0.011904从模型本身来看，在其它变量不变的情况下，人均GDP每增加1元，会使电信业务平均增加0.124985亿元；人均消费支出每增加1元，会使电信业务平均增加0.266968亿元；电话数量（包括固定电话和移动电话）每增加1万户，会使电信业务平均增加0.011904亿元。结合现阶段我国电信业的情况来解释：第一，过去几年是我国电信业大发展时期，电信收入平均每年增长约23%。电话用户总数与移动电话总数迅速增长，并在2001年超过美国，跃居世界第一。但是，过去的高增长并不必然带来明天的高增长，在2000年和2001年，我国电信收入已经呈现出稍高于GDP的中速增长态势。我国电信业发展水平已相当于人均GDP为我国2.5倍的国家。我国的电信收入占GDP之比例已高居世界前列。一般电信收入占GDP的比例是大致一定的，因此我国电信收入占GDP的比例继续快速提高的余地已十分有限。预计我国电信收入占GDP的比例从长期看也仍然有继续增长的空间。我国GDP增长率预期约为7%—7.5%，估计我国未来电信收入的平均增长率最高可以达到GDP增长率与电信收入超额增长率两者相迭加的水平，也就是年增长15%。但我国电信业发展较为超前，再有电信市场正面临继续的资费调整、电信业务同质与异质的竞争、运营商之间加剧的竞争以及由此引发的价格战，估计未来我国电信收入的长期平均增长率将低于这个水平。电信收入高增长时期已过去。在电信收入无法大幅度增长的情况下，迅速增长的电话普及率必然造成ARPU下降，，无论是通过提升电信服务质量，还是提供更多更好的内容服务，有限增长的总收入使得提升ARPU（所谓ARPU就是每用户平均收入(ARPU-AverageRevenuePerUser)。ARPU注重的是一个时间段内运营商从每个用户所得到的利润。很明显，高端的用户越多，ARPU越高。在这个时间段，从运营商的运营情况来看，ARPU值高说明利润高，这段时间效益好。）的难度大大加大。第二，电话用户数对电信业务总量有很大影响。这于我国固定电话用户数字居全球第一;2003年11月，我国移动电话用户数首次超过固定电话用户数，达到2.56亿户，这个数字也是全球各国移动电话用户数中最高的。当电话普及以后，也带来了电信业发展的蓬勃时机，使得电信业在GDP中的比重越来越大。第三