sdwfzm
计量经济学论文可以研究的问题有多种，期中比较简单的就是根据数据，建立方程，研究变量之间的关系，主要运用的工具就是计量经济学的初等知识和Eviews软件，思路、要求和注意事项我觉得这么说对你的帮助不大，所以给你一篇我的论文做参考，也许对你有帮助，如果你觉得看的不是很明白的话，可以再留言给我，我把什么思路等告诉你。 计量经济学 期末实验报告 实验名称：大中城市城镇居民人均消费支出与其影响因素的分析 姓 名： 学 号： 班 级： （）级统计学系（）班 指导教师： 时 间： （上面是论文封皮） 23个城市城镇居民人均消费支出与其影响因素的分析（题目） 一、 经济理论背景 近几年来，中国经济保持了快速发展势头，投资、出口、消费形成了拉动经济发展的“三架马车”，这已为各界所取得共识。通过建立计量模型，运用计量分析方法对影响城镇居民人均消费支出的各因素进行相关分析，找出其中关键影响因素，以为政策制定者提供一定参考，最终促使消费需求这架“马车”能成为引领中国经济健康、快速、持续发展的基石。 二、 有关人均消费支出及其影响因素的理论 我们主要从以下几个方面分析我国居民消费支出的影响因素： ①、居民未来支出预期上升，影响了居民即期消费的增长 居民的被动储蓄直接导致购买力的巨大分流， 从而减弱对消费品的即期需求，严重地影响了居民即期消费的增长，进而导致有效需求的不足，最终导致经济增长的乏力。90年代末期以来，我国的医疗、养老、失业保险、教育等一系列改革措施集中出台，原有的体制被打破，而新的体制尚未建立健全，因此目前的医疗、养老、失业保险、教育体制对居民个人支出的压力较大，而且基本上都是硬性支出，支出的不确定性也很大，导致居民目前对未来支出预期的上升。 ②、商品供求结构性矛盾依然突出 从消费结构上看，我国消费品市场已发生了新的根本性变化：居民低层次消费已近饱和，而更高水平的消费又未达到。改革开放20多年来，城乡居民经过了一个中档耐用消费品的普及阶段后，目前老百姓的收入消费还不足以形成一个新的、以高档产品为内容的主导性消费热点，如轿车、住房等还远不能纳入大多数人的消费主流，居民现有的购买力不能形成推动主导消费品升级的动力。 ③、物价总水平持续在低水平运行，通货紧缩的压力较大，不利于消费的增长 加入WTO之后，随着关税的降低和进口规模的扩大，国外产品对我国市场的冲击将进一步加大，国际价格紧缩对国内价格变化将产生负面影响。物价的持续下降，不利于居民的消费增长。因为从居民的消费心理上看，买涨不买降是居民购物的习惯心理。由于居民对物价有进一步下降的预期，因此往往推迟消费，不利于居民消费的增长。另外，从统计上分析，由于物价的下降，名义消费增长往往低于实际消费的增长，这在一定程度上也不利于消费增长幅度的提高。 ④、我国现阶段没有形成大的消费热点，难以带动消费的快速增长 经过近几年的培育和发展，我国目前已经形成了住房消费、居民汽车消费、通信及电子产品的消费、节假日消费及旅游消费等一些消费亮点，可以促进消费的稳定增长，但始终未能形成大的消费热点，因此不能带动消费的高速增长。 三、 相关数据收集 相关数据均来源于2006年《中国统计年鉴》： 23个大中城市城镇居民家庭基本情况（表格） 地区 平均每户就业人口（人） 平均每一就业者负担人数（人） 平均每人实际月收入（元） 人均可支配收入（元） 人均消费支出（元） 北京 6 8 1 2 9 天津 4 0 6 8 8 石家庄 4 0 3 0 9 太原 3 2 9 9 5 呼和浩特 5 9 2 8 7 沈阳 3 1 5 7 1 大连 6 8 8 1 5 长春 8 7 1 1 2 哈尔滨 4 0 8 5 4 上海 6 9 0 1 3 南京 4 0 4 0 6 杭州 5 9 0 9 2 宁波 5 8 4 2 4 合肥 6 8 5 1 9 福州 7 9 5 4 8 厦门 5 9 7 3 7 南昌 4 8 0 1 4 济南 7 7 3 8 4 青岛 6 8 6 5 7 郑州 4 1 2 2 3 武汉 5 0 5 2 1 长沙 4 1 9 9 8 广州 7 8 6 1 1 四、 模型的建立 根据数据，我们建立多元线性回归方程的一般模型为： 其中： ——人均消费支出 ——常数项 ——回归方程的参数 ——平均每户就业人口数 ——平均每一就业者负担人口数 ——平均每人实际月收入 ——人均可支配收入 ——随即误差项 五、实验过程 （一）回归模型参数估计 根据数据建立多元线性回归方程： 首先利用Eviews软件对模型进行OLS估计，得样本回归方程。 利用Eviews输出结果如下： Dependent Variable: Y Method: Least Squares Date: 12/11/07 Time: 16:08 Sample: 1 23 Included observations: 23 Variable Coefficient S Error t-Statistic P C -180 506 -282633 2159 X1 3490 2332 427889 1704 X2 1209 7866 498528 1513 X3 552510 629371 466766 0239 X4 -180652 742107 -590947 1290 R-squared 721234 Mean dependent var 2913 Adjusted R-squared 659286 SD dependent var 1711 SE of regression 8502 Akaike info criterion 77564 Sum squared resid 9 Schwarz criterion 02249 Log likelihood -9199 F-statistic 64259 Durbin-Watson stat 047936 Prob(F-statistic) 000076 根据多元线性回归关于Eviews输出结果可以得到参数的估计值为： ， ， ， ， 从而初步得到的回归方程为： Se= (506) (2332) (7866) (629371) (742107) T= (-282633) (427889) (498528) (466766) (-590947) F=64259 df=18 模型检验：由于在 的水平下，解释变量 、 、 的检验的P值都大于05，所以变量不显著，说明模型中可能存在多重共线性等问题，进而对模型进行修正。 （二）处理多重共线性 我们采用逐步回归法对模型的多重共线性进行检验和处理： X1： Dependent Variable: Y Method: Least Squares Date: 12/11/07 Time: 16:28 Sample: 1 23 Included observations: 23 Variable Coefficient S Error t-Statistic P C 8238 6688 296574 7697 X1 0964 4840 531833 1405 R-squared 100508 Mean dependent var 2913 Adjusted R-squared 057675 SD dependent var 1711 SE of regression 6105 Akaike info criterion 68623 Sum squared resid 2 Schwarz criterion 78497 Log likelihood -3917 F-statistic 346511 Durbin-Watson stat 770750 Prob(F-statistic) 140491 X2： Dependent Variable: Y Method: Least Squares Date: 12/11/07 Time: 16:29 Sample: 1 23 Included observations: 23 Variable Coefficient S Error t-Statistic P C 641 2658 632596 0156 X2 -1146 9597 -218861 2364 R-squared 066070 Mean dependent var 2913 Adjusted R-squared 021597 SD dependent var 1711 SE of regression 7371 Akaike info criterion 72380 Sum squared resid Schwarz criterion 82254 Log likelihood -8237 F-statistic 485623 Durbin-Watson stat 887292 Prob(F-statistic) 236412 X3： Dependent Variable: Y Method: Least Squares Date: 12/11/07 Time: 16:29 Sample: 1 23 Included observations: 23 Variable Coefficient S Error t-Statistic P C 8827 8342 326831 1988 X3 540400 095343 667960 0000 R-squared 604712 Mean dependent var 2913 Adjusted R-squared 585888 SD dependent var 1711 SE of regression 2575 Akaike info criterion 86402 Sum squared resid 5 Schwarz criterion 96276 Log likelihood -9362 F-statistic 12577 Durbin-Watson stat 064743 Prob(F-statistic) 000013 X4： Dependent Variable: Y Method: Least Squares Date: 12/11/07 Time: 16:30 Sample: 1 23 Included observations: 23 Variable Coefficient S Error t-Statistic P C 7094 8178 141465 2665 X4 596476 124231 801338 0001 R-squared 523300 Mean dependent var 2913 Adjusted R-squared 500600 SD dependent var 1711 SE of regression 4178 Akaike info criterion 05129 Sum squared resid 1 Schwarz criterion 15003 Log likelihood -0898 F-statistic 05284 Durbin-Watson stat 037087 Prob(F-statistic) 000096 由得出的数据可以看出， 的调整的判定系数最大，因此首先把 引入调整的方程中，然后在分别引入变量 、 、 进行OLS得： X1、X3 Dependent Variable: Y Method: Least Squares Date: 12/11/07 Time: 16:32 Sample: 1 23 Included observations: 23 Variable Coefficient S Error t-Statistic P C -8991 9081 -644388 5266 X1 8101 2070 275533 2167 X3 517213 095693 404899 0000 R-squared 634449 Mean dependent var 2913 Adjusted R-squared 597894 SD dependent var 1711 SE of regression 1510 Akaike info criterion 87276 Sum squared resid 2 Schwarz criterion 02087 Log likelihood -0368 F-statistic 35596 Durbin-Watson stat 032110 Prob(F-statistic) 000043 X2、X3 Dependent Variable: Y Method: Least Squares Date: 12/11/07 Time: 16:33 Sample: 1 23 Included observations: 23 Variable Coefficient S Error t-Statistic P C 5536 1435 451015 6568 X2 -00981 0392 -110678 9130 X3 536856 102783 223221 0000 R-squared 604954 Mean dependent var 2913 Adjusted R-squared 565449 SD dependent var 1711 SE of regression 7747 Akaike info criterion 95036 Sum squared resid 0 Schwarz criterion 09847 Log likelihood -9292 F-statistic 31348 Durbin-Watson stat 063247 Prob(F-statistic) 000093 X3、X4 Dependent Variable: Y Method: Least Squares Date: 12/11/07 Time: 16:34 Sample: 1 23 Included observations: 23 Variable Coefficient S Error t-Statistic P C 7015 5882 326290 0306 X3 766892 553402 192782 0046 X4 -473721 656624 -244390 0363 R-squared 684240 Mean dependent var 2913 Adjusted R-squared 652664 SD dependent var 1711 SE of regression 1157 Akaike info criterion 72634 Sum squared resid 0 Schwarz criterion 87445 Log likelihood -3529 F-statistic 66965 Durbin-Watson stat 111635 Prob(F-statistic) 000010 由数据结果可以看出，引入X4时方程的调整判定系数最大，且解释变量均通过了显著性检验，再分别引入X1、X2进行分析。 X1、X3、X4 Dependent Variable: Y Method: Least Squares Date: 12/11/07 Time: 16:37 Sample: 1 23 Included observations: 23 Variable Coefficient S Error t-Statistic P C 6693 8464 479562 6370 X1 29944 6512 366505 7180 X3 652622 646003 558228 0192 X4 -345001 757634 -775265 0919 R-squared 686457 Mean dependent var 2913 Adjusted R-squared 636950 SD dependent var 1711 SE of regression 0712 Akaike info criterion 80625 Sum squared resid 3 Schwarz criterion 00373 Log likelihood -2719 F-statistic 86591 Durbin-Watson stat 082104 Prob(F-statistic) 000050 X2、X3、X4 Dependent Variable: Y Method: Least Squares Date: 12/11/07 Time: 16:38 Sample: 1 23 Included observations: 23 Variable Coefficient S Error t-Statistic P C 60939 2088 127981 8995 X2 1557 9303 575948 5714 X3 886588 600027 144175 0053 X4 -596394 701018 -277251 0345 R-squared 689658 Mean dependent var 2913 Adjusted R-squared 640657 SD dependent var 1711 SE of regression 3798 Akaike info criterion 79599 Sum squared resid 8 Schwarz criterion 99347 Log likelihood -1539 F-statistic 07429 Durbin-Watson stat 143110 Prob(F-statistic) 000046 由输出结果可以看出，在 的水平下，解释变量 、 的检验的P值都大于05，解释变量不能通过显著性检验，因此可以得出结论模型中只能引入X3、X4两个变量。则调整后的多元线性回归方程为： Se= (5882) (553402) (656624) T= (326290) (192782) (-244390) F=66965 df=20 （三）异方差性的检验 对模型 进行怀特检验： White Heteroskedasticity Test: F-statistic 071659 Probability 399378 Obs*R-squared 423847 Probability 351673 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 12/11/07 Time: 16:53 Sample: 1 23 Included observations: 23 Variable Coefficient S Error t-Statistic P C 50 9 266460 7929 X3 9623 1924 394723 6977 X3^2 -071268 187278 -380548 7080 X4 -6779 3390 -467114 6460 X4^2 121138 229933 526841 6047 R-squared 192341 Mean dependent var 87 Adjusted R-squared 012861 SD dependent var 54 SE of regression 59 Akaike info criterion 12207 Sum squared resid 60E+09 Schwarz criterion 36892 Log likelihood -9038 F-statistic 071659 Durbin-Watson stat 968939 Prob(F-statistic) 399378 由检验结果可知， ，由White检验知，在 时，查 分布表，得临界值 (20)=1435，因为 < (5)= 1435，所以模型中不存在异方差。 （四）自相关的检验 由模型的输出结果可知，估计结果都比较满意，无论是回归方程检验，还是参数显著性检验的检验概率，都显著小于05，D-W值为111635，显著性水平 =05下查Durbin-Watson表，其中n=23，解释变量的个数为2，得到下限临界值 ，上限临界值 ， =543
农村居民消费主要影响因素分析200822119 081国贸4 张辉一，引言 经济危机以来，中国经济遭遇增长上的瓶颈。一直以来中国经济的增长主要靠投资、出口和消费三驾马车的拉动，而其中又以投资和出口的拉动作用最大。虽然我国一直在强调要扩大内需，但经济危机中由于出口减少而引起经济下滑还是说明国内对出口的依赖还是很大的。 中国幅员辽阔，是一个巨大的市场，但是为什么这么多年中国的市场都没有完全开发出来，我个人认为是方向没有选择准确。中国是一个农业大国，农民占总人口的大部分，由次可见中国巨大的消费市场隐藏在农村中，那么如何挖掘农村的消费潜力就成了至关重要的问题。 西方经济学中有很多关于需求、消费等的理论。微观经济学中供求与均衡价格理论中的需求定理中阐述了需求的定义及其影响因素。需求是指在某一特定时期内，在各种可能的价格水平下，消费者愿意而且能够购买的某种商品的数量。影响需求的主要因素包括商品本身的价格、其他商品的价格、消费者偏好、消费者收入以及人们对未来的预期等等。 由于数据的可获行及影响的重要性，对于农村居民的消费水平主要选取了以下二个影响因素：农村居民家庭人均纯收入及商品零售价格指数。二，文献综述 中国是一个农业大国，农民占总人口的大部分，农村的居民的消费在国民消费中占有很大比重，农村居民的消费水平对整个国民经济的发展有很大的作用。随着改革开放的深入发展及各项支农惠农政策的实施，农村居民的收入水平有了很大的提高，面对农村这个巨大的消费市场，如何提高农村居民的消费水平就成了扩大内需、拉动经济发展所面对的重大问题。本文运用了计量经济学的方法，就农村居民的消费水平的主要影响因素进行了简单分析。 ●1989年到2008年农村居民的消费水平及其影响因素的统计数据（表1）年份 农村居民消费水平Y 农村居民家庭人均纯收入X1 商品零售价格指数X21989 549 5 81990 560 3 11991 602 6 91992 688 784 41993 805 6 21994 1038 1221 71995 1313 7 81996 1626 1 11997 1722 1 81998 1730 2162 41999 1766 3 972000 1860 4 52001 1969 4 22002 2062 6 72003 2103 2 92004 2301 6 82005 2560 2 82006 2847 1 1012007 3265 1 82008 3756 7 7数据来源：《中国统计年鉴》国家统计局网站三，建立模型 由数据分析，初步建立模型Y=b0+b1*x1+b2*x2+uib0表示在没有任何因素影响下的农村居民消费水平；b1表示农村居民家庭人均纯收入对农村居民消费水平的影响；b2表示商品零售价格指数对农村居民消费水平的影响；ui为随机扰动项。四，模型的检验及修正（一）模型的参数估计及经济意义、统计意义上的检验利用EVIEWS软件，做Y对X1 、X2的回归，回归结果如下表1：参数估计由上表可知各系数回归估计值：Se(b0)=1351 Se(b1)=027251 Se(b2)=8188901，经济意义上的检验 该模型可初步通过经济意义上的检验，系数符号均符合经济意义，农村居民家庭人均纯收入及商品零售价格指数均能在数量上增加居民消费。2，统计意义上的检验 当n=20 ，α =05时，t检验值为740。由数据可以看出，X1、X2的t检验值的绝对值大于740，符合t检验。F=8554符合F检验，R-squared=955580 Adjusted R-squared=950354，模型拟合度较好。因此这些因素对农村居民的消费水平有较大的影响。二，计量经济学检验1，异方差检验 样本数为20，且模型为二元线形回归模型，利用怀特检验对异方差进行检验，利用OLS课的残差ei，求残差平方和eiˆ2并将其对X1/、X2/、x1ˆ2、x2ˆ2和x1*x2做回归，可得结果如下表2：且xii 为xiˆ2，xi为xi*xj 由表2可以看出，nR²=237706，由怀特检验知，在α =05时，查χ²分布表 得临界值χ （5）=0705，由于nR²<χ （5），所以接受原假设，表明残差是同方差的，不存在异方差性。有下面的散点图也可以得出不存在异方差的结论。 2，序列相关性检验根据表2得D-W检验，durbin-walson=569439，查表dl=13，du=54而DW值小于dl，存在正序列相关。利用迭代法对序列相关进行处理，一次迭代结果（表3） 经过一次迭代，可从表中看出DW=913490，仍然小于dl值，可见一次迭代对模型影响不显著，再进行二次迭代如（表4） 经过二次迭代后收敛，ρ1、ρ2的 估计值分别为039001、-500703，并且t检验显著，说明原模型确实存在一阶、二阶序列相关性、DW=302138，n=18 k=2，查表得dl=05，du=53，可知du
