我国居民储蓄影响因素的实证分析

PAGEPAGEI我国居民储蓄影响因素的实证分析摘要居民储蓄的增长，是国家经济实力不断增强的具体体现。随着我国经济的快速增长，居民生活水平不断提高一直处于高增长态势，居民储蓄在国民经济中的地位不断上升。尽管国家采取了多种措施来鼓励居民消费.完善社会福利制度等措施.但是成效均不明显。虽然高储蓄率总是会导致更高的收入及较高的经济增长率，但并非储蓄率越高越好，必然会存在一个最优的储蓄率。这使居民的消费和储蓄行为对于经济发展有越来越重要的意义。探讨中国居民储蓄行为的规律，找出主要决定因素，并在此基础上对储蓄的变化趋势做初步预测，成为确定本论文研究题目的宗旨之一。关键词：居民储蓄；影响因素；实证分析

目录摘要 I1前言 12文献综述 12.1国外研究综述 12.2国内研究综述 23数据说明和模型设定 33.1变量选取 33.1.1收入水平 33.1.2利率水平 33.1.3物价水平 33.1.4通货膨胀率 33.2数据收集 33.3计量经济模型的建立 44实证结果分析 54.1模型的求解和检验 54.2模型实证分析结论 175相关建议 18参考文献 20PAGE191前言居民储蓄是社会总储蓄的重要组成部分，一国经济循环过程中投资资金的重要来源。一个国家的经济增长过程中，资金是一个重要因素，而居民储蓄是其中数额最大、来源最稳定的一部分。居民储蓄可以转化为投资，直接拉动经济增长；居民储蓄通过影响居民消费影响到总需求，从而影响到经济增长。改革开放以来，随着我国经济的快速增长，居民生活水平不断提高，中国经济的飞速发展得到了世界各国的瞩目，但与此同时，也伴随着很多问题，特别是结构性矛盾问题。随着近年来全球经济的萎靡不振，我国居民高储蓄率的现象一直受到国内外政治层面的高度关注。因此，对我国居民储蓄率的影响因素进行分析，进而找到我国居民储蓄率居高不下的原因对我国经济发展具有重要意义。2文献综述2.1国外研究综述Carroll（1994）和Deaton（1992）提出了缓冲存货储蓄理论。该理论将预防性储蓄理论与流动性约束理论考虑进来，认为储蓄类似于一种缓冲存货，消费者在境况艰难时，可以利用之前的储蓄来进行消费，而在境况好转时可以增加储蓄。对于消费者对未来收入的不确定性，储蓄可以起到很好的调节作用。理论表示储蓄与持久收入之间存在一个合理的比率，当大于合理比率时，消费者对于储蓄缺乏耐心从而减少储蓄增加消费；当小于合理比率时，消费者对储蓄表现的更有耐心，从而增加预防性储蓄减少当期消费。Lu和McDonald（2005）运用模型通过对中国在1998-2050年期间居民储蓄和生活水平的最优水平进行模拟来判断中国储蓄率是否较高。研究得出如果现在的居民储蓄率处于社会最优水平的话，那么这段期间内的时间偏好率就为负值，这表明中国居民当期储蓄过高，而对未来的储备量过高，即中国当前的居民储蓄率是过高的。最后，文章尝试分析了中国储蓄结构和储蓄-投资的转化渠道，结果表明这种尝试是非常有效的。CharlesYujiHoriokaandJunminWan（2005）研究结果得出滞后储蓄率、利息率、通货膨胀率是导致中国居民储蓄率居高不下的主要因素，而人口结构的变迁对中国居民储蓄率影响是微弱的，二者之间不存在明显的相关性。Terada-Hagiwara（2012）对亚洲发展中国家在1966年-2007年间的数据进行研究，分析什么是影响国内储蓄率的主要因素。研究结果表明人口结构变迁（特别是老年抚养比率）、居民收入水平、金融业发展和收入水平是导致亚洲发展中国家居民储蓄率居高不下的主要因素。本文对亚洲发展中国家2011年-2030年间居民储蓄率进行预测，结果表明虽然有些国家在近些年将步入老龄化社会，但由于还有一些亚洲发展中国家步入老龄化社会的时间比较晚，所以综合考虑整个亚洲的储蓄率将不会发生太大变化。2.2国内研究综述贺菊煌（2006）运用世代交叠模型研究人口结构变迁对我国居民储蓄率的影响，模型选取幼儿抚养比率和老年抚养比率两个变量代表人口结构，研究得出计划生育政策导致的新生儿童的减少对居民储蓄率影响微弱，二者只存在微弱的正相关性。我国新生儿童数量的大量减少虽然导致经济增长缓慢，但是同时也促使居民人均消费永久性提高。研究还得出我国幼儿抚养比变动对居民储蓄率的影响程度远不及老年人口抚养比率的变动对居民储蓄率的影响。乔为国（2005）从边际消费倾向的角度对我国居民储蓄率居高不下的原因做出解释。研究收入分配制度对居民消费倾向的影响，研究得出我国居民消费倾向下降，居民储蓄率居高不下的重要原因是由于我国收入差距的不断扩大。所以要想降低居民储蓄率，增加居民消费量，需要通过完善收入分配制度，缩小收入差距这一渠道。董丽霞，赵文哲（2011）通过面板向量自回归模型对中国1982年-2008年省际面板数据进行实证研究，模型选取幼儿抚养比、老年抚养比、人均GDP作为变量，分析我国幼儿抚养比、老年抚养比和人均GDP对居民储蓄率的影响。研究得出幼儿抚养比和老年抚养比与居民储蓄率都存在负相关性；随着经济的增长，幼儿抚养比呈下降趋势，而老年抚养比呈上升趋势，但是老年抚养比的上升幅度要远高于幼儿抚养比的下降幅度，所以总抚养比呈现上升趋势，导致居民储蓄率提高；另外，随着我国老龄化程度的加剧，人均收入水平将呈现下降趋势。3数据说明和模型设定3.1变量选取3.1.1收入水平收入水平是影响储蓄的主要因素之一，由于居民可支配收入数据的不可获得性，本文将国内生产总值（GDP）作为衡量居民收入水平的指标。只有收入达到一定水平之后才能进行储蓄，而且根据凯恩斯的理论，边际消费倾向是递减的，收入水平越高，边际消费倾向越低，消费越少，储蓄越多。3.1.2利率水平利率作为消费的机会成本也会对储蓄产生影响，从理论上说利率水平越高，消费的机会成本就越大，居民就会压缩当前消费，增加储蓄。反之，利率水平越低，消费的机会成本就越小，当前消费就会增加，储蓄就会减少。本文采用一年期存款利率水平作为指标。3.1.3物价水平物价水平也可以影响储蓄和消费，物价水平越高，相同消费水平所支出的货币就越多，在货币收入一定的情况下，能供储蓄的货币就越少。同时，物价水平决定了实际利率，既定的名义利率下，物价水平与实际利率负相关。3.1.4通货膨胀率通货膨胀率是货币超发部分与实际需要的货币量之比,用以反映通货膨胀、货币贬值的程度;而价格指数则是反映价格变动趋势和程度的相对数。在实际中,一般不直接、也不可能计算通货膨胀,而是通过价格指数的增长率来间接表示。由于消费者价格是反映商品经过流通各环节形成的最终价格,它最全面地反映了商品流通对货币的需要量,因此,消费者价格指数是最能充分、全面反映通货膨胀率的价格指数。目前,世界各国基本上均用消费者价格指数(我国称居民消费价格指数),也即CPI来反映通货膨胀的程度。3.2数据收集年份居民储蓄（SAV）国内生产总值（GDP）一年期定期存款Rate（%）零售价格指数(RPI)消费物价指数（CPI）股票市价总市值(SMV)200029662.2059810.509.00114.80396.903474.4200138520.8070142.508.33106.10429.909842.4200246279.8078060.805.67100.80441.9017529.2200353407.5083024.304.5997.40438.4019505.7200459621.8088479.202.2597.00432.2026471.0200564332.3898000.502.2598.50434.0048091.0200673762.43108068.202.2599.20437.0043522.0200786910.65119095.701.9898.70433.5038329.02008103617.65135174.001.9899.90438.7042458.02009119555.39159586.702.25102.80455.8037056.02010141050.99185808.602.39100.80464.0032430.02011161587.30217522.702.52101.00471.0089404.02012172534.19267763.703.47103.80493.60327141.02013217885.35316228.803.22105.90522.70121366.02014260771.66343464.702.6398.80519.00243939.0本文采用的是2000年-2014年的数据，所有数据来源于国家统计局。虽然现在已经2016年底，但是国家统计局网站上的数据大多只更新到2014年，所以只截取到14年。3.3计量经济模型的建立结合我国近几年的经济发展特征，我国居民储蓄函数可以表示为：SAV=f(GDP,Rate,RPI,CPI,SMV,Ut)其中,SAV为居民储蓄总额,GDP为国内生产总值,Rate为一年期存款利率,RPI为零售物价指数,CPI为消费物价指数，SMV为各期股市市值,U为随机扰动项,t表示时期.所建立模型也可以表示为:SAV=C+β1GDP+β2Rate+β3RPI+β4CPI+β5SMV+Ut4实证结果分析4.1模型的求解和检验利用EVIEWS软件，用最小二乘法进行回归分析及统计检验，并对模型进行了自相关和异方差检验。表3.1自相关和异方差检验VariableCoefficientStd.Errort-StatisticProb.C477192.6108262.44.4077410.0017GDP1.1067470.07651014.465380.0000RATE1802.8411148.6911.5694740.1510RPI-2191.498568.8353-3.8526050.0039CPI-696.7002167.9047-4.1493780.0025SMV-0.1085270.023094-4.6993160.0011R-squared0.997406Meandependentvar108633.3AdjustedR-squared0.995964S.D.dependentvar69337.42S.E.ofregression4404.908Akaikeinfocriterion19.90800Sumsquaredresid1.75E+08Schwarzcriterion20.19122Loglikelihood-143.3100F-statistic691.9768Durbin-Watsonstat1.707178Prob(F-statistic)0.000000将回归结果整理如下：SAV=477192.6+1.106747GDP+1802.841Rate-2191.498RPI-696.7002CPI-0.108527SMV+Ut（108262.4）（0.076510）（1148.691）（568.8353）（167.9047）（0.023094）t=(4.407741)(14.46538)(1.569474)(-3.852605)(-4.149378)（-4.699316）R2=0.997406F=691.9768DW=1.707178（1）相关性检验：R2=0.997406表明方程拟和度很高，F统计量也明显显著表明模型，总体是显著的。（2）经济意义上的检验：由β1=1.106747，β2=1802.841，β3=-2191.498，β4=-696.7002β5=-0.108527可以看出，模型符合经济意义。（3）显著性检验：根据查询t分布表得：t0.025（13）=2.160，可见GDP，RPI，CPI，SMV的t统计量绝对值均大于2.160，但是Rate的t统计量绝对值小于2.160。所以推断模型中解释变量可能存在多重共线性。（4）多重共线性检验：利用简单相关系数检验法，通过Eviews构建简单相关系数矩阵，如下：表3.2相关系数矩阵表GDPRATERPICPISMVGDP1.000000-0.407213-0.0313800.9642250.808037RATE-0.4072131.0000000.740752-0.406719-0.249296RPI-0.0313800.7407521.000000-0.140537-0.025438CPI0.964225-0.406719-0.1405371.0000000.765092SMV0.808037-0.249296-0.0254380.7650921.000000由表易见，除了GDP和CPI之间的相关系数较高，其他参数之间的相关程度并不是很高，可以推定多重共线性并不严重。运用逐步回归法对模型进行修正第一步：分别求SAV对GDP、RATE、RPI、CPI、SMV的一元回归。=1\*GB3①SAV对GDP的一元回归表3.3SAV对GDP的一元回归表VariableCoefficientStd.Errort-StatisticProb.C-7710.3884807.492-1.6038270.1328GDP0.7489200.02687427.867850.0000R-squared0.983536Meandependentvar108633.3AdjustedR-squared0.982270S.D.dependentvar69337.42S.E.ofregression9232.588Akaikeinfocriterion21.22243Sumsquaredresid1.11E+09Schwarzcriterion21.31684Loglikelihood-157.1682F-statistic776.6169Durbin-Watsonstat1.258600Prob(F-statistic)0.000000②SAV对RATE的一元回归表3.4SAV对RATE的一元回归表VariableCoefficientStd.Errort-StatisticProb.C160342.031779.975.0453800.0002RATE-14159.007448.175-1.9010030.0797R-squared0.217519Meandependentvar108633.3AdjustedR-squared0.157328S.D.dependentvar69337.42S.E.ofregression63649.80Akaikeinfocriterion25.08375Sumsquaredresid5.27E+10Schwarzcriterion25.17815Loglikelihood-186.1281F-statistic3.613813Durbin-Watsonstat0.135596Prob(F-statistic)0.079700③SAV对RPI的一元回归表3.5SAV对RPI的一元回归VariableCoefficientStd.Errort-StatisticProb.C253307.4425251.50.5956650.5616RPI-1422.5574177.473-0.3405310.7389R-squared0.008841Meandependentvar108633.3AdjustedR-squared-0.067402S.D.dependentvar69337.42S.E.ofregression71636.05Akaikeinfocriterion25.32015Sumsquaredresid6.67E+10Schwarzcriterion25.41456Loglikelihood-187.9011F-statistic0.115961Durbin-Watsonstat0.082701Prob(F-statistic)0.738897④SAV对CPI的一元回归表3.6SAV对CPI的一元回归VariableCoefficientStd.Errort-StatisticProb.C-749501.079407.69-9.4386450.0000CPI1890.552174.464910.836290.0000R-squared0.900326Meandependentvar108633.3AdjustedR-squared0.892659S.D.dependentvar69337.42S.E.ofregression22716.99Akaikeinfocriterion23.02318Sumsquaredresid6.71E+09Schwarzcriterion23.11759Loglikelihood-170.6738F-statistic117.4253Durbin-Watsonstat1.192764Prob(F-statistic)0.000000⑤SAV对SMV的一元回归表3.7SAV对SMV的一元回归VariableCoefficientStd.Errort-StatisticProb.C66814.1715599.264.2831630.0009SMV0.5699720.1348744.2259540.0010R-squared0.578725Meandependentvar108633.3AdjustedR-squared0.546319S.D.dependentvar69337.42S.E.ofregression46702.81Akaikeinfocriterion24.46456Sumsquaredresid2.84E+10Schwarzcriterion24.55897Loglikelihood-181.4842F-statistic17.85869Durbin-Watsonstat1.570359Prob(F-statistic)0.000991通过比较各个调整可决系数，选择GDP作为第一个解释变量，形成一元回归模型。第二步：逐步回归。将剩余解释变量分别加入模型。①表3.8逐步回归（1）C4183.6796892.7800.6069650.5552GDP0.7258640.02590028.026010.0000RATE-2276.1301041.210-2.1860420.0494R-squared0.988225Meandependentvar108633.3AdjustedR-squared0.986263S.D.dependentvar69337.42S.E.ofregression8126.713Akaikeinfocriterion21.02056Sumsquaredresid7.93E+08Schwarzcriterion21.16217Loglikelihood-154.6542F-statistic503.5696Durbin-Watsonstat1.524263Prob(F-statistic)0.000000②表3.9逐步回归（2）VariableCoefficientStd.Errort-StatisticProb.C89407.2049997.991.7882160.0990GDP0.7474280.02438730.648340.0000RPI-952.6625488.5801-1.9498600.0749R-squared0.987497Meandependentvar108633.3AdjustedR-squared0.985414S.D.dependentvar69337.42S.E.ofregression8374.131Akaikeinfocriterion21.08054Sumsquaredresid8.42E+08Schwarzcriterion21.22215Loglikelihood-155.1040F-statistic473.9034Durbin-Watsonstat1.283649Prob(F-statistic)0.000000③表3.10逐步回归（3）VariableCoefficientStd.Errort-StatisticProb.C75610.52108026.20.6999270.4973GDP0.8255930.1029918.0161780.0000CPI-209.8054271.7363-0.7720920.4550R-squared0.984315Meandependentvar108633.3AdjustedR-squared0.981701S.D.dependentvar69337.42S.E.ofregression9379.435Akaikeinfocriterion21.30728Sumsquaredresid1.06E+09Schwarzcriterion21.44889Loglikelihood-156.8046F-statistic376.5429Durbin-Watsonstat1.246291Prob(F-statistic)0.000000④表3.11逐步回归（4）VariableCoefficientStd.Errort-StatisticProb.C-12370.744718.833-2.6215680.0223GDP0.8203310.04004220.486670.0000SMV-0.0876830.039728-2.2070850.0475R-squared0.988290Meandependentvar108633.3AdjustedR-squared0.986338S.D.dependentvar69337.42S.E.ofregression8104.419Akaikeinfocriterion21.01506Sumsquaredresid7.88E+08Schwarzcriterion21.15667Loglikelihood-154.6130F-statistic506.3770Durbin-Watsonstat1.643177Prob(F-statistic)0.000000观察得知SMV获得的调整后可决系数最大，作为第二个解释变量。第三步：在保留GDP，SMV的基础上继续进行逐步回归分析①表3.12逐步回归（5）VariableCoefficientStd.Errort-StatisticProb.C-1427.5526553.071-0.2178450.8315GDP0.7911320.03761421.032750.0000SMV-0.0764550.035196-2.1722780.0526RATE-1979.967919.9040-2.1523630.0544R-squared0.991760Meandependentvar108633.3AdjustedR-squared0.989513S.D.dependentvar69337.42S.E.ofregression7100.615Akaikeinfocriterion20.79693Sumsquaredresid5.55E+08Schwarzcriterion20.98574Loglikelihood-151.9770F-statistic441.3232Durbin-Watsonstat1.974429Prob(F-statistic)0.000000②表3.13逐步回归（6）VariableCoefficientStd.Errort-StatisticProb.C84761.0141147.802.0599160.0639GDP0.8188480.03402524.066360.0000SMV-0.0876940.033752-2.5981990.0248RPI-952.8072401.7162-2.3718420.0370R-squared0.992252Meandependentvar108633.3AdjustedR-squared0.990139S.D.dependentvar69337.42S.E.ofregression6885.309Akaikeinfocriterion20.73535Sumsquaredresid5.21E+08Schwarzcriterion20.92416Loglikelihood-151.5151F-statistic469.5884Durbin-Watsonstat1.667134Prob(F-statistic)0.000000③表3.14逐步回归（7）VariableCoefficientStd.Errort-StatisticProb.C90069.5492690.260.9717260.3521GDP0.9179930.0967619.4872240.0000SMV-0.0916140.039521-2.3180910.0407CPI-258.4749233.5761-1.1065980.2921R-squared0.989463Meandependentvar108633.3AdjustedR-squared0.986589S.D.dependentvar69337.42S.E.ofregression8029.637Akaikeinfocriterion21.04284Sumsquaredresid7.09E+08Schwarzcriterion21.23166Loglikelihood-153.8213F-statistic344.3102Durbin-Watsonstat1.525700Prob(F-statistic)0.000000第四步：通过观察发现RATE，RPI，CPI的调整后可决系数均有提升，但是RPI的最高，所以作为第三个解释变量保留，并继续逐步回归分析。①表3.15逐步回归（8）VariableCoefficientStd.Errort-StatisticProb.C60096.6565099.210.9231550.3777GDP0.8077410.04163219.402050.0000SMV-0.0832500.036069-2.3080450.0437RPI-668.4038703.6183-0.9499520.3645RATE-783.16111562.384-0.5012600.6270R-squared0.992442Meandependentvar108633.3AdjustedR-squared0.989419S.D.dependentvar69337.42S.E.ofregression7132.325Akaikeinfocriterion20.84386Sumsquaredresid5.09E+08Schwarzcriterion21.07988Loglikelihood-151.3290F-statistic328.2815Durbin-Watsonstat1.769654Prob(F-statistic)0.000000②表3.16逐步回归（9）VariableCoefficientStd.Errort-StatisticProb.C351533.178022.004.5055640.0011GDP1.0273440.06145116.718020.0000SMV-0.0961210.023233-4.1373130.0020RPI-1416.955302.8799-4.6782720.0009CPI-553.7253151.0105-3.6668010.0043R-squared0.996695Meandependentvar108633.3AdjustedR-squared0.995374S.D.dependentvar69337.42S.E.ofregression4716.183Akaikeinfocriterion20.01659Sumsquaredresid2.22E+08Schwarzcriterion20.25261Loglikelihood-145.1244F-statistic754.0229Durbin-Watsonstat1.621632Prob(F-statistic)0.000000通过观察可知加入CPI的调整后可决系数上升至0.9954，F统计量也很大，可以作为第四个解释变量，而加入RATE的调整后可决系数由0.990139下降至0.989419，F统计量也没有那么大，t值也很小，显示出RATE对因变量的解释作用不是特别明显，因而产生了轻微的多重共线性。从实际情况出发，结合数据分析结果，应该还是可以保留RATE这一解释变量的。（5）异方差性检验：进行WHITE检验表3.17逐步回归（10）F-statistic54.56052Probability0.000779Obs*R-squared14.02083Probability0.136093VariableCoefficientStd.Errort-StatisticProb.C-2.67E+084.40E+09-0.0605740.9546GDP-92.641501032.704-0.0897080.9328GDP^20.0009890.0032390.3054240.7753RATE9305867.255916160.3636300.7345RATE^2-1347150.2775160.-0.4854310.6528RPI2.27E+08888501802.5509380.0632RPI^2-1107043.429435.6-2.5779010.0615CPI-4934498516020776-3.0800620.0369CPI^253657.6117485.323.0687230.0373SMV-321.1577475.5241-0.6753760.5365SMV^20.0002740.0011430.2397770.8223R-squared0.992722Meandependentvar36773201AdjustedR-squared0.974527S.D.dependentvar75566626S.E.ofregression12060592Akaikeinfocriterion35.59370Sumsquaredresid5.82E+14Schwarzcriterion36.11293Loglikelihood-255.9527F-statistic54.56052Durbin-Watsonstat2.748851Prob(F-statistic)0.000779由分析表可知：nR2=14.02083，由White检验知，在α=0.05下，X20.05（6）=14.0671，因此不存在异方差性（6）自相关检验H0：ρ＝0，即Ut不存在一阶自回归;H1：ρ≠0,即Ut存在一阶自回归。因为DW＝1.707178查表得，当n＝15，k＝5时dL＝0.562，dU＝2.220，4－dU＝1.78，4－dL=3.438,可见dU<DW<4-dU,表明不存在一阶自相关。（7）因果关系检验表18因果关系检验NullHypothesis:ObsF-StatisticProbabilityGDPdoesnotGrangerCauseSAV133.926530.06485SAVdoesnotGrangerCauseGDP14.77360.00206RATEdoesnotGrangerCauseSAV130.598900.57230SAVdoesnotGrangerCauseRATE0.939790.42994RPIdoesnotGrangerCauseSAV132.026420.19409SAVdoesnotGrangerCauseRPI5.566610.03056CPIdoesnotGrangerCauseSAV131.962550.20254SAVdoesnotGrangerCauseCPI17.10730.00129SMVdoesnotGrangerCauseSAV136.629010.02006SAVdoesnotGrangerCauseSMV3.311050.08960RATEdoesnotGrangerCauseGDP131.623200.25604GDPdoesnotGrangerCauseRATE1.378170.30599RPIdoesnotGrangerCauseGDP131.580870.26390GDPdoesnotGrangerCauseRPI3.311280.08959CPIdoesnotGrangerCauseGDP137.102160.01685GDPdoesnotGrangerCauseCPI20.77110.00068SMVdoesnotGrangerCauseGDP1342.83475.3E-05GDPdoesnotGrangerCauseSMV4.921220.04042RPIdoesnotGrangerCauseRATE131.327530.31779RATEdoesnotGrangerCauseRPI1.614510.25763CPIdoesnotGrangerCauseRATE130.944750.42822RATEdoesnotGrangerCauseCPI1.610280.25840SMVdoesnotGrangerCauseRATE130.316920.73713RATEdoesnotGrangerCauseSMV0.130580.87941CPIdoesnotGrangerCauseRPI130.356380.71079RPIdoesnotGrangerCauseCPI0.852920.46156SMVdoesnotGrangerCauseRPI136.876100.01830RPIdoesnotGrangerCauseSMV0.020370.97988SMVdoesnotGrangerCauseCPI135.951940.02610CPIdoesnotGrangerCauseSMV3.382600.08618由该检验结果表明，在α=0.05的水平下，F(5,9)=3.48，而F11=3.9265>F(5,9)=3.48，所以拒绝原假设，认为GDP变量对SAV有显著性影响；F12=14.7736>F(5,9)=3.48,所以拒绝原假设，认为SAV变量对GDP有显著性影响；F21=0.5989<F(5,9)=3.48，所以接受原假设，认为RATE变量对SAV影响不显著；F22=0.9398<F(5,9)=3.48，所以接受原假设，认为SAV变量对RATE影响不显著；F31=2.0264<F(5,9)=3.48，所以接受原假设，认为RPI变量对SAV有影响不显著；F32=5.5666>F(5,9)=3.48,所以拒绝原假设，认为SAV变量对RPI有显著性影响；F41=1.9626<F(5,9)=3.48，所以接受原假设，认为CPI变量对SAV有显著性影响；F42=17.1073>F(5,9)=3.48,所以拒绝原假设，认为SAV变量对CPI有显著性影响；F51=6.6290>F(5,9)=3.48，所以拒绝原假设，认为SMV变量对SAV有显著性影响；F52=3.3111<F(5,9)=3.48,所以接受原假设，认为SAV变量对SMV影响不显著；F61=1.6232<F(5,9)=3.48,所以接受原假设，认为RATE变量对GDP影响不显著；F62=1.3782<F(5,9)=3.48,所以接受原假设，认为GDP变量对RATE影响不显著；F71=1.5809<F(5,9)=3.48,所以接受原假设，认为RPI变量对GDP影响不显著；F72=3.3113<F(5,9)=3.48,所以接受原假设，认为GDP变量对RPI影响不显著；F81=0.9448<F(5,9)=3.48,所以接受原假设，认为CPI变量对GDP影响不显著；F82=20.7711>F(5,9)=3.48,所以拒绝原假设，认为GDP变量对CPI有显著影响；F91=42.8347>F(5,9)=3.48,所以拒绝原假设，认为SMV变量对GDP有显著影响；F92=4.9212>F(5,9)=3.48,所以拒绝原假设，认为GDP变量对SMV有显著影响；F101=1.3275<F(5,9)=3.48,所以接受原假设，认为RPI变量对RATE影响不显著；F102=1.6145<F(5,9)=3.48,所以接受原假设，认为RATE变量对RPI有显著影响；F111=0.9448>F(5,9)=3.48,所以拒绝原假设，认为CPI变量对RATE有显著影响；F112=1.6103>F(5,9)=3.48,所以拒绝原假设，认为RATE变量对CPI有显著影响；F121=0.3169<F(5,9)=3.48,所以接受原假设，认为SMV变量对RATE影响不显著；F122=0.1306<F(5,9)=3.48,所以接受原假设，认为RATE变量对SMV影响不显著；F131=0.3564<F(5,9)=3.48,所以接受原假设，认为CPI变量对RPI影响不显著；F132=0.8529<F(5,9)=3.48,所以接受原假设，认为RPI变量对CPI影响不显著；F141=6.8761>F(5,9)=3.48,所以拒绝原假设，认为SMV变量对RPI有显著影响；F142=0.0204<F(5,9)=3.48,所以接受原假设，认为RPI变量对SMV有显著影响；F151=5.9519>F(5,9)=3.48,所以拒绝原假设，认为SMV变量对CPI有显著影响；F152=3.3826<F(5,9)=3.48,所以接受原假设，认为CPI变量对SMV影响不显著。（8）综上所述,我们最终得到居民储蓄的模型:此时的回归结果整理如下：SAV=477192.6+1.106747GDP+1802.841Rate-2191.498RPI-696.7002CPI-0.108527SMV+Ut（108262.4）（0.076510）（1148.691）（568.8353）（167.9047）（0.023094）t=(4.407741)(14.46538)(1.569474)(-3.852605)(-4.149378)（-4.699316）R2=0.997406F=691.9768DW=1.707178 模型拟合情况图如下：图3.1模型拟合情况图4.2模型实证分