设计报告人口平均寿命.doc

课程设计(综合实验)报告( 2023-2023年度第二学期)名 称： 计量经济学课程设计 题 目： 我国人口平均预期寿命模型 院 系： 工商管理学院 班 级： 学 号： 学生姓名： 指导教师： 马昕 设计周数： 两周 成 绩： 日期：2023年6月26日一、课程设计(综合实验)的目的与规定 1.规定学生独立完毕一个实证分析的完整过程，得到计量分析的实践训练。2.培养学生获取信息和综合解决信息的能力、建立模型的能力、文字和语言表达的能力。二、设计（实验）正文1. 选题：随着经济和社会的不断发展，人们的寿命总体上有很大的提高，人们也越来越关心自己的寿命，长寿已经不再是神话了。就我国而言，在2023年人口普查中得出的数据表白我国人口平均预期寿命为71.40，比1990年的数据68.55有所提高。然而，在查看了2023年各地区人口平均寿命的截面数据后，发现不同地区仍然存在着较大差异，是什么因素导致了这种差异？因而这个话题吸引了我，于是便开始了我国人口平均寿命预期模型。2. 文献综述文献综述不够具体：曾毅专家著的“健康长寿影响因素的分析”一书中，运用系统的分析方法，指出了寿命的影响因素，可以总结为：受教育限度、经济、医疗保障等社会经济状况，以及个人的饮食、烟酒和生活方式。文献2“人口平均寿命影响因素分析”所提供的类似因素为我的建模提供了依据，再加上中国记录年鉴上的数据支持，使我感到此模型的可进行性。由于考察的是各地区总体的预期寿命，所以那些个人的因素不好放入模型中，因而，我只考虑社会经济状况的一些相关因素。3. 模型设定：起初我设想建立一个线性模型，模型如下：.其中lifespan表达人口的平均预期寿命（单位：岁），avegdp表达人均GDP（单位：元），eduexpense表达教育支出（单位：万元），hygieninst表达卫生机构数量（单位：个），polluratio表达单位面积污染比（其大小为：年环境污染量/该地区面积，并且，由于在水污染上的记录也许受地区地理位置的影响如上游和下游，下游的水污染较上游会更严重，所以这里重要考虑大气污染）（单位：亿立方米/万平方千米），u表达随机误差项。选择以上的解释变量，重要是处在各地区总体的考虑，如人均GDP的选取，人均GDP越高的地区，居民总体较为富有，更有能力去看病；教育支出越高，人们的知识越多，也就越懂得看病，而不像传统的想法小病不用治；卫生机构的数量越多，人们越有机会看病；环境因素也有影响，环境质量好应当有助于寿命提高。但是，当我观测了自变量与应变量的散点图（见附录二）之后，我发现自变量与应变量之间的关系并非呈线性关系，而是接近于对数模型，于是我便重新设计了对数模型，模型如下：。4. 数据收集：根据2023年的中国记录年鉴的有关截面数据（具体见附表），数据涉及了2023年各地区31个省市的截面数据。并运用Eviews对数据进行初步分析。在Eviews中，建立“group”对象，绘出散点图，见附录二，在第四个散点图中，发现了一个差异较大的点，于是将此点过滤掉。5. 参数估计：运用Eviews对模型进行参数估计。估计的结果为 Std.Error 0.09471 0.01234 0.01316 0.01218 0.00404 6. 模型检查：发现两个解释变量系数t检查均不显著，而F检查显著，不是很高，与我们常规不符，lneduexpense前的系数是负数。于是推测模型有多重共线性，也也许有无关变量，甚至有异方差，由于是截面数据，序列相关性存在较小，经检查无序列相关性，也无异方差。于是，模型也许存在多重共线性，也也许有无关变量使方差变大，系数不显著。7. 模型修正：做各解释变量之间的辅助回归，见附录三，计算各方差膨胀倍数VIF,发现VIF(lneduexpense)接近为7.7，其它变量的VIF不大，由此可以判断模型中出现了多重共线性，由于使用的是截面数据，不能用差分法，因而最佳剔除变量lneduexpense，变量相关性表来看，lneduexpense与应变量lnlifespan的相关系数只有0.557，不是很高，相应变量的影响不大。剔除变量lneduexpense后作新的回归，见附录三，结果如下： Std.Error 0.09253 0.00919 0.00540 0.00372 发现变量lnhygieninst前的系数仍不显著，在察看附录三种的散点图和相关系数表，lnhygieninst与lnlifespan的相关性太小，可认为是无关变量，在模型中应删除。于是作新回归，见附录三，结果如下： Std.Error 0.06684 0.008803 0.00353 模型中各系数均显著，F记录量显著，因而，这便是最终的模型。再进行异方差检查发现无异方差，也无序列相关。8. 模型解释：从最终的模型来看，影响我国人口寿命的因素重要是人均GDP和和环境情况，人均GDP的增长意味着人们生活水平的提高，并且人们也更有能力支付医疗费用；对于在最终模型中环境污染类指标，其前的系数为正，无我们常规盼望并不相符。我想也许的因素有两点：第一，现在的许多发达城市，经济比较好，这种好的经济是有以前尚未提倡可连续发展是以牺牲环境为代价换来的，这就意味着环境污染较严重地区，其以前积累的财富很多，地区居民很富裕，因而他们不仅在饮食健康上有很大提高，并且也越有看病的经济基础，。第二，从生物学角度，人的合用性会随着环境的变化而变化，污染严重地区，人们的抗病能力增强了，因而，会出现正的系数。当然，假如要真正地弄明白其中的因素，最佳是用1990年和2023年数据的差分模型，但苦于无法找全1990年的数据，所以，才有以上推测。对于在模型中被剔除的变量：对于卫生机构数而言，它对我国人口的平均寿命影响不大，因素就出在，传统的百姓观念是：医疗费用太高，小病不用就医自己会好的，这就导致了卫生机构在百姓中不是那么流行。对于教育支出而言，由于出现了共线性，其实，一个地区越发达，其教育上的支出就越多，人均GDP高的地区，对教育重视限度高，由于它们有支出的经济基础。三、课程设计（综合实验）总结或结论1.结论：由上述模型可以得出，目前影响中国人口平均寿命的因素重要是人均GDP和环境指标。从最终模型来看，在污染水平不变的情况下，人均GDP每增长一个百分点，寿命平均增长0.035个百分点，在人均GDP不变的情况下，污染每增长一个百分点，寿命平均增长0.0148个百分点。 2.建议：尽管从模型中看，污染似乎与人均寿命呈正相关，但是这毕竟是有限度的，当污染达成一定限度时，会对人均寿命产生负的影响，因而在追求GDP的增长的同时也要考虑到环境污染，坚持可连续发展之路，政府应加大教育支出的力度，提高人们的总体文化水平，提高人们的卫生保健意识，在医疗上加大支出，使医疗费用显著降下来是很有必要的，使国家朝着社会主义和谐社会的目的而奋斗，才干最终地实现国家的富裕和人口寿命的提高。四、参考文献1 曾毅，健康长寿影响因素分析，北京大学出版社 第一版 2023.5.12 陈崇帼; 周天枢; 陈桂冬;人口平均寿命影响因素分析 数理医药学杂志 1997年10卷一期，p17-183 中国记录年鉴附录（设计流程图、程序、表格、数据等）附录一：1.地 区预期寿命人均国内生产总值（元）教育支出(万元)卫生机构合计(个)单位面积污染比(亿立方米/万平方千米)北 京76.122460250306861761971.289天 津74.911799368550029831506.979河 北72.547663155908420663518.8421山 西71.65513779462413736424.2843内蒙古69.875872580862785240.30431辽 宁73.3411226146331512564646.4702吉 林73.168479029425544164.4610黑龙江72.3785621175133803895.28634上 海78.1434547202386551369126.229江 苏73.9111773290567712813899.2392浙 江74.713461220235017034637.8558安 徽71.85486711299546705280.9889福 建72.551160112257549807233.1410江 西68.9548517527778048132.6942山 东73.929555246277617118791.8726河 南71.545444170918110764445.2695湖 北71.087188170641611065305.2179湖 南70.665639152303724678168.0178广 东73.2712885360972113499470.1723广 西71.29431993471813707194.5433海 南72.9268942230932689127.7259重 庆71.7351576987219375231.1635四 川71.2478416199883335198.67647贵 州65.9626625284878992220.2528云 南65.4946379761751335669.77157西 藏64.3745598155012370.12211陕 西70.074549101458410737115.7101甘 肃67.473838535287719169.14349青 海66.03508712817818478.416528宁 夏70.1748391486491361217.6205新 疆67.417470702243670511.70802注:上表出自中国记录局有关数据。附录二：起初模型散点图对数模型散点图附录三：1. Dependent Variable: LNLIFESPANMethod: Least SquaresDate: 06/20/08 Time: 16:57Sample: 1 31 IF LNPOLLURATIO0Included observations: 30VariableCoefficientStd. Errort-StatisticProb.LNAVEGDP0.0377130.0123363.0570320.0053LNEDUEXPENSE-0.0026850.013156-0.2041230.8399LNHYGIENINST0.0049080.0121820.4028530.6905LNPOLLURATIO0.0146010.0040423.6117920.0013C3.8458860.09437140.752940.0000R-squared0.795099Mean dependent var4.268475Adjusted R-squared0.762315S.D. dependent var0.041913S.E. of regression0.020434Akaike info criterion-4.792231Sum squared resid0.010439Schwarz criterion-4.558698Log likelihood76.88347F-statistic24.25253Durbin-Watson stat1.131585Prob(F-statistic)0.0000002.辅助回归（1）Dependent Variable: LNAVEGDPMethod: Least SquaresDate: 06/23/08 Time: 09:19Sample: 1 31 IF LNPOLLURATIO0Included observations: 30VariableCoefficientStd. Errort-StatisticProb.LNEDUEXPENSE0.6939480.1588044.3698420.0002LNHYGIENINST-0.6539850.145112-4.5067650.0001LNPOLLURATIO0.0887680.0618621.4349320.1632C4.7572281.1748704.0491540.0004R-squared0.705515Mean dependent var8.892796Adjusted R-squared0.671536S.D. dependent var0.566805S.E. of regression0.324846Akaike info criterion0.712635Sum squared resid2.743647Schwarz criterion0.899461Log likelihood-6.689518F-statistic20.76323Durbin-Watson stat2.635874Prob(F-statistic)0.000000（2）Dependent Variable: LNEDUEXPENSEMethod: Least SquaresDate: 06/20/08 Time: 17:01Sample: 1 31 IF LNPOLLURATIO0Included observations: 30VariableCoefficientStd. Errort-StatisticProb.LNAVEGDP0.6101980.1396394.3698420.0002LNHYGIENINST0.8262240.08202310.075080.0000LNPOLLURATIO0.1066330.0565171.8867280.0704C0.3058221.4055310.2175840.8295R-squared0.870967Mean dependent var13.81189Adjusted R-squared0.856079S.D. dependent var0.802947S.E. of regression0.304614Akaike info criterion0.584021Sum squared resid2.412527Schwarz criterion0.770847Log likelihood-4.760314F-statistic58.49971Durbin-Watson stat2.035411Prob(F-statistic)0.000000（3）Dependent Variable: LNHYGIENINSTMethod: Least SquaresDate: 06/23/08 Time: 09:25Sample: 1 31 IF LNPOLLURATIO0Included observations: 30VariableCoefficientStd. Errort-StatisticProb.LNAVEGDP-0.6706230.148804-4.5067650.0001LNEDUEXPENSE0.9635280.09563510.075080.0000LNPOLLURATIO-0.0648910.063821-1.0167760.3186C2.0840201.4632041.4242860.1663R-squared0.811887Mean dependent var9.073892Adjusted R-squared0.790181S.D. dependent var0.718142S.E. of regression0.328952Akaike info criterion0.737756Sum squared resid2.813445Schwarz criterion0.924583Log likelihood-7.066343F-statistic37.40485Durbin-Watson stat2.220507Prob(F-statistic)0.000000（4）Dependent Variable: LNPOLLURATIOMethod: Least SquaresDate: 06/23/08 Time: 09:26Sample: 1 31 IF LNPOLLURATIO0Included observations: 30VariableCoefficientStd. Errort-StatisticProb.LNAVEGDP0.8266750.5761071.4349320.1632LNEDUEXPENSE1.1293450.5985741.8867280.0704LNHYGIENINST-0.5893270.579603-1.0167760.3186C-12.138443.910723-3.1038850.0046R-squared0.558289Mean dependent var5.463924Adjusted R-squared0.507323S.D. dependent var1.412329S.E. of regression0.991328Akaike info criterion2.944022Sum squared resid25.55099Schwarz criterion3.130849Log likelihood-40.16034F-statistic10.95402Durbin-Watson stat2.440950Prob(F-statistic)0.0000783.变量间相关性表LNAVEGDPLNEDUEXPENSELNHYGIENINSTLNPOLLURATIOLNLIFESPANLNAVEGDP10.50680.0006350.6020.7926LNEDUEXPENSE0.506810.1340.71940.439LNHYGIENINST0.0006350.13410.40620.081LNPOLLURATIO0.6020.71940.406210.8232LNLIFESPAN0.79260.4390.0810.82321 4.剔除变量lneduexpense后的新回归Dependent Variable: LNLIFESPANMethod: Least SquaresDate: 06/23/08 Time: 09:50Sample: 1 31 IF LNPOLLURATIO0Included observations: 30VariableCoefficientStd. Errort-StatisticProb.LNAVEGDP0.0360740.0091933.9241240.0006LNHYGIENINST0.0026890.0053990.4980700.6226LNPOLLURATIO0.0143140.0037213.8471510.0007C3.8450650.09253141.554340.0000R-squared0.794757Mean dependent var4.268475Adjusted R-squared0.771076S.D. dependent var0.041913S.E. of regression0.020234Akaike info criterion-4.857233Sum squared resid0.010456Schwarz criterion-4.670406Log likelihood76.85849F-statistic33.55980Durbin-Watson stat1.117558Prob(F-statistic)0.0000005.剔除lnhygieninst后的新回归Dependent Variable: LNLIFESPANMethod: Least SquaresDate: 06/20/08 Time: 16:59Sample: 1 31 IF LNPOLLURATIO0Included observations: 30VariableCoefficientStd. Errort-StatisticProb.LNAVEGDP0.0349840.0088033.9739570.0005LNPOLLURATIO0.0148130.0035334.1928950.0003C3.8764320.06684157.995230.0000R-squared0.792799Mean dependent var4.268475Adjusted R-squared0.777451S.D. dependent var0.041913S.E. of regression0.019773Akaike info criterion-4.914403Sum squared resid0.010556Schwarz criterion-4.774284Log likelihood76.71605F-statistic51.65419Durbin-Watson stat1.137552Prob(F-statistic)0.0000006.怀特异方差检查White Heteroskedasticity Test:F-statistic2.823429Probability0.046306Obs*R-squared9.335266Probability0.053244Test Equation:Dependent Variable: RESID2Method: Least SquaresDate: 06/23/08 Time: 10:22Sample: 1 31 IF LNPOLLURATIO0Included observations: 30VariableCoefficientStd. Errort-StatisticProb.C0.0823800.0305122.6999700.0123LNAVEGDP-0.0185280.007117-2.6033470.0153LNAVEGDP20.0010310.0004072.5335300.0179LNPOLLURATIO0.0006530.0005241.2461940.2242LNPOLLURATIO2-8.53E-055.91E-05-1.4449450.1609R-squared0.311176Mean dependent var0.000352Adjusted R-squared0.202364S.D. dependent var0.000608S.E. of regression0.000543Akaike info criterion-12.04635Sum squared resid7.38E-06Schwarz criterion-11.81282Log likelihood185.6953F-statistic2.823429Durbin-Watson stat0.991721Prob(F-statistic)0.046306