对中国经济增长因素的实证分析论文-毕业论文.doc

对中国经济增长影响因素的实证分析

摘 要：改革开放三十三年以来，中国的社会经济取得了飞速发展，经济增长速度更是举世瞩目。本文根据计量经济学、西方经济学和Eviews软件相关知识，采用时间序列数据模型和多元线性回归分析方法对1980-2009年（中国统计年鉴数据截止到2009年）三十年间中国经济增长因素进行研究，分析了物质资本、劳动力、消费对国内生产总值（GDP）的影响，建立计量经济学模型，寻求这些变量与国内生产总值的数量关系，进行定量分析，对模型进行检验，最终得出结论。
关键词：劳动力、投资、消费、经济增长、最小二乘法。
1.背景
经济增长是指一个国家生产商品和劳务能力的扩大。在实际核算中，常以一国生产的商品和劳务总量的增加来表示，即以国民生产总值（GDP）和国内生产总值的的增长来计算。
古典经济增长理论以社会财富的增长为中心，指出生产劳动是财富增长的源泉。现代经济增长理论认为知识、人力资本、技术进步是经济增长的主要因素。
从古典增长理论到新增长理论，都重视物质资本和劳动的贡献。物质资本是指经济系统运行中实际投入的资本数量.然而，由于资本服务流量难以测度，在这里我们用全社会固定资产投资总额（亿元）来衡量物质资本。中国拥有十三亿人口，为经济增长提供了丰富的劳动力资源。因此本文用总就业人数（万人）来衡量劳动力。居民消费需求也是经济增长的主要因素。
经济增长问题既受各国政府和居民的关注,也是经济学理论研究的一个重要方面。在1978—2008年的31年中,我国经济年均增长率高达9.6%,综合国力大大增强,居民收入水平与生活水平不断提高,居民的消费需求的数量和质量有了很大的提高。但是,我国目前仍然面临消费需求不足问题。
本文将以中国经济增长作为研究对象，选择时间序列数据的计量经济学模型方法，将中国国内生产总值与和其相关的经济变量联系起来，建立多元线性回归模型，研究我国中国经济增长变动趋势，以及重要的影响因素，并根据所得的结论提出相关的建议与意见。用计量经济学的方法进行数据的分析将得到更加具有说服力和更加具体的指标，可以更好的帮助我们进行预测与决策。因此，对我国经济增长的计量经济学研究是有意义同时也是很必要的。
2.模型的建立
为了具体分析各要素对我国经济增长影响的大小，我们可以用国内生产总值（）这个经济指标作为研究对象；用总就业人员数（）衡量劳动力；用固定资产投资总额()衡量资本投入：用价格指数（）去代表消费需求。运用这些数据进行回归分析。
这里的被解释变量是，Y：国内生产总值，
与Y-国内生产总值密切相关的经济因素作为模型可能的解释变量，共计3个，它们分别为：
代表社会就业人数，
代表固定资产投资，
代表消费价格指数，
代表随机干扰项。
模型的建立大致分为理论模型设置、参数估计、模型检验、模型修正几个步骤。如果模型符合实际经济理论并且通过各级检验，那么模型就可以作为最终模型，可以进行结构分析和经济预测。
2.1理论模型的确定
通过变量的试算筛选，最终确定以以下变量建立回归模型。
被解释变量 ：国内生产总值,
解释变量 :代表社会就业人数，
:代表固定资产投资，
:代表消费价格指数，
另外，从经济意义上来说，社会就业人数、固定资产投资和消费价格指数这三个宏观经济指标基本反映了我国经济发展状况，因此也就很大程度上决定了经济增长水平。单从经济意义上讲，变量的选择是正确的。而且，就直观上来说，解释变量与被解释变量都是相关的，这三个解释变量都是经济增长的“良性”变量，它们的增长都对我国经济增长起着积极的推动作用，这一点可以作为模型经济意义检验的依据。
表1： 被解释变量与解释变量1980-20009数据
年份
国内生产总值（现价）/亿元
年末从业人员数/万人
全社会固定资产投资总额/亿元
居民消费价格指数（上年=100）
1980
4545.623973
42361
910.9
107.5
1981
4889.461062
43725
961
102.5
1982
5330.450965
45295
1230.4
102
1983
5985.551568
46436
1430.1
102
1984
7243.751718
48197
1832.9
102.7
1985
9040.736581
49873
2543.2
109.3
1986
10274.37922
51282
3120.6
106.5
1987
12050.61513
52783
3791.7
107.3
1988
15036.82301
54334
4753.8
118.8
1989
17000.91911
55329
4410.4
118
1990
18718.32238
56909
4517
103.1
1991
21826.19941
58360
5594.5
103.4
1992
26937.27645
59432
8080.1
106.4
1993
35260.02471
60220
13072.3
114.7
1994
48108.45644
61470
17042.1
124.1
1995
59810.52921
67947
20019.3
117.1
1996
70142.49165
68850
22913.5
108.3
1997
78060.835
69600
24941.1
102.8
1998
83024.27977
69957
28406.2
99.2
1999
88479.15475
70586
29854.7
98.6
2000
98000.45431
72085
32917.7
100.4
2001
108068.2206
73025
37213.5
100.7
2002
119095.6893
73740
43499.9
99.2
2003
135173.9761
74432
55566.6
101.2
2004
159586.7479
75200
70477.4
103.9
2005
185808.559
75825
88773.6
101.8
2006
217522.6698
76400
109998.2
101.5
2007
267763.6588
76990
137323.9
104.8
2008
316228.8248
77480
172828.4
105.9
2009
343464.6903
77995
224598.8
99.3
资料来源：《中国统计年鉴》。
首先，检查被解释变量和解释变量之间的线性关系是否成立。观察被解释变量与解释变量之间的散点图。

图1：被解释变量与解释变量的散点图

由图中趋势线可以判断，被解释变量Y与解释变量之间基本呈线性关系。

图2：被解释变量与解释变量的散点图

由图中趋势线可以判断，被解释变量与解释变量之间基本呈线性关系。

图3：被解释变量与解释变量的散点图
由图中趋势线可以判断，被解释变量Y与解释变量之间基本呈线性关系。再通过变量之间的相关系数判断。
表2：被解释变量与解释变量相关系数表
Covariance Analysis: Ordinary

Date: 1/7/15 Time: 13:05

Sample: 1980 2009

Included observations: 30

Covariance

Correlation
Y 
X1 
X2 
X3 
Y 
8.85E+09

1.000000

X1 
8.91E+08
1.33E+08

0.820679
1.000000

X2 
5.05E+09
4.52E+08
2.99E+09

0.981058
0.717394
1.000000

X3 
-197583.1
-20469.67
-102814.7
41.73889

-0.325058
-0.274607
-0.291137
1.000000

看到被解释变量Y与解释变量，，之间具有较高的相关性。
通过散点图和相关系数表的判断，可以判断被解释变量和解释变量之间具有明显的相关线性关系。同时通过被解释变量与解释变量的相关图形分析，设置理论模型为：

2.2 建立初始模型——OLS
2.2.1 使用OLS法进行参数估计
表3： 普通最小二乘法参数估计输出结果
Dependent Variable: Y

Method: Least Squares

Date: 1/7/15 Time: 14:23

Sample: 1980 2009

Included observations: 30

Coefficient
Std. Error
t-Statistic
Prob.  

X1
1.934840
0.215990
8.957997
0.0000
X2
1.382559
0.045823
30.17169
0.0000
X3
-379.2654
280.8999
-1.350180
0.1886
C
-49822.31
33676.59
-1.479434
0.1510

R-squared
0.991233
    Mean dependent var
85749.31
Adjusted R-squared
0.990221
    S.D. dependent var
95692.85
S.E. of regression
9462.951
    Akaike info criterion
21.27172
Sum squared resid
2.33E+09
    Schwarz criterion
21.45855
Log likelihood
-315.0758
    Hannan-Quinn criter.
21.33149
F-statistic
979.8468
    Durbin-Watson stat
1.178143
Prob(F-statistic)
0.000000

得到初始模型为：

2.2.2 对初始模型进行检验
要对建立的初始模型进行包括经济意义检验、统计检验、计量经济学检验、预测检验在内的四级检验。
(1)经济意义检验
解释变量的系数分别为=1.934840、=1.382559。两个解释变量系数均为正，符合被解释变量与解释变量之间的正相关关系，符合解释变量增长带动被解释变量增长的经济实际，=-379.2654，符合被解释变量与解释变量之间的负相关关系。与现实经济意义相符，所以模型通过经济意义检验。
(2)统计检验
①拟合优度检验：R2检验，R-squared=0.991233；Adjusted R-squared=0.990221；可见拟合优度很高，接近于1，方程拟和得很好。
②变量的显著性检验：t检验，
表4：模型系数显著性检验，t检验结果

Coefficient
Std. Error
t-Statistic
Prob.  

X1
1.934840
0.215990
8.957997
0.0000
X2
1.382559
0.045823
30.17169
0.0000
X3
-379.2654
280.8999
-1.350180
0.1886
C
-49822.31
33676.59
-1.479434
0.1510

从检验结果表中看到，包括常数项在内的所有解释变量系数的t检验的伴随概率均小于5%，所以，在5%的显著水平下、、的系数显著不为零，通过显著性检验，常数项也通过显著性检验，保留在模型之中。
③方程的显著性检验：F检验，方程总体显著性检验的伴随概率小于0.00000，在5%显著水平下方程显著成立，具有经济意义。
(3)计量经济学检验：
方程通过经济意义检验和统计检验，下面进行居于计量经济学模型检验核心的计量经济学检验。
①进行异方差性检验：
首先用图示法对模型的异方差性进行一个大致的判断。令X轴为方程被解释变量，Y轴为方程的残差项，做带有回归线的散点图。

图4：初始模型的异方差性检验散点图

图5：初始模型的异方差性检验散点图

图6：初始模型的异方差性检验散点图
通过图形看到，回归线向上倾斜，大致判断存在异方差性，但是，图示法并不准确，下面使用White异方差检验法进行检验，分别选择不带有交叉项和带有交叉项的White异方差检验法。得到下面的检验结果：
表5：不带有交叉项的White异方差检验结果
Heteroskedasticity Test: White

F-statistic
75.59849
    Prob. F(3,26)
0.0000
Obs*R-squared
26.91450
    Prob. Chi-Square(3)
0.0000
Scaled explained SS
52.75104
    Prob. Chi-Square(3)
0.0000

Test Equation:

Dependent Variable: RESID^2

Method: Least Squares

Date: 1/7/15 Time: 17:53

Sample: 1980 2009

Included observations: 30

Coefficient
Std. Error
t-Statistic
Prob.  

C
1.51E+08
1.08E+08
1.398492
0.1738
X1^2
-0.029775
0.009593
-3.103868
0.0046
X2^2
0.017419
0.001245
13.98776
0.0000
X3^2
-2715.996
8243.375
-0.329476
0.7444

R-squared
0.897150
    Mean dependent var
77607780
Adjusted R-squared
0.885283
    S.D. dependent var
1.80E+08
S.E. of regression
61075426
    Akaike info criterion
38.81668
Sum squared resid
9.70E+16
    Schwarz criterion
39.00351
Log likelihood
-578.2502
    Hannan-Quinn criter.
38.87645
F-statistic
75.59849
    Durbin-Watson stat
1.947056
Prob(F-statistic)
0.000000

表6：带有交叉项的White异方差检验结果
Heteroskedasticity Test: White

F-statistic
33.57944
    Prob. F(9,20)
0.0000
Obs*R-squared
28.13789
    Prob. Chi-Square(9)
0.0009
Scaled explained SS
55.14882
    Prob. Chi-Square(9)
0.0000

Test Equation:

Dependent Variable: RESID^2

Method: Least Squares

Date: 1/7/15 Time: 17:54

Sample: 1980 2009

Included observations: 30

Coefficient
Std. Error
t-Statistic
Prob.  

C
-2.08E+09
4.06E+09
-0.512912
0.6136
X1
-34576.99
39720.32
-0.870512
0.3943
X1^2
0.189719
0.224091
0.846615
0.4072
X1*X2
-0.297299
0.442472
-0.671906
0.5093
X1*X3
127.5161
329.2824
0.387254
0.7027
X2
29147.14
35662.29
0.817310
0.4234
X2^2
0.033135
0.007760
4.270053
0.0004
X2*X3
-97.11637
96.87489
-1.002493
0.3281
X3
55473498
68538734
0.809374
0.4278
X3^2
-283697.5
290382.6
-0.976978
0.3403

R-squared
0.937930
    Mean dependent var
77607780
Adjusted R-squared
0.909998
    S.D. dependent var
1.80E+08
S.E. of regression
54097636
    Akaike info criterion
38.71168
Sum squared resid
5.85E+16
    Schwarz criterion
39.17875
Log likelihood
-570.6752
    Hannan-Quinn criter.
38.86110
F-statistic
33.57944
    Durbin-Watson stat
2.262413
Prob(F-statistic)
0.000000

使用White检验法不论是否带有交叉项，所得的检验伴随概率均小于5%，均在5%的显著水平下拒绝方程不存在异方差性的原假设，认为模型具有比较严重的异方差性。需要对模型进行修正。
②多重共线性检验：
用逐步回归法检验如下
以为被解释变量，逐个引入解释变量、、，构成回归模型，进行模型估计。
表7： 被解释变量与最小二乘估计结果
Dependent Variable: Y

Method: Least Squares

Date: 1/7/15 Time: 18:32

Sample: 1980 2009

Included observations: 30

Coefficient
Std. Error
t-Statistic
Prob.  

X1
6.692086
0.880526
7.600101
0.0000
C
-334986.1
56283.70
-5.951743
0.0000

R-squared
0.673513
    Mean dependent var
85749.31
Adjusted R-squared
0.661853
    S.D. dependent var
95692.85
S.E. of regression
55645.78
    Akaike info criterion
24.75574
Sum squared resid
8.67E+10
    Schwarz criterion
24.84915
Log likelihood
-369.3361
    Hannan-Quinn criter.
24.78562
F-statistic
57.76153
    Durbin-Watson stat
0.096883
Prob(F-statistic)
0.000000

表8： 被解释变量与最小二乘估计结果
Dependent Variable: Y

Method: Least Squares

Date: 1/7/15 Time: 18:34

Sample: 1980 2009

Included observations: 30

Coefficient
Std. Error
t-Statistic
Prob.  

X2
1.688594
0.063011
26.79831
0.0000
C
19746.45
4234.328
4.663420
0.0001

R-squared
0.962474
    Mean dependent var
85749.31
Adjusted R-squared
0.961134
    S.D. dependent var
95692.85
S.E. of regression
18865.38
    Akaike info criterion
22.59239
Sum squared resid
9.97E+09
    Schwarz criterion
22.68580
Log likelihood
-336.8858
    Hannan-Quinn criter.
22.62227
F-statistic
718.1495
    Durbin-Watson stat
0.402624
Prob(F-statistic)
0.000000

表9： 被解释变量与最小二乘估计结果
Dependent Variable: Y

Method: Least Squares

Date: 1/7/15 Time: 18:36

Sample: 1980 2009

Included observations: 30

Coefficient
Std. Error
t-Statistic
Prob.  

X3
-4733.789
2602.669
-1.818821
0.0797
C
586426.4
275788.7
2.126361
0.0424

R-squared
0.105663
    Mean dependent var
85749.31
Adjusted R-squared
0.073722
    S.D. dependent var
95692.85
S.E. of regression
92097.98
    Akaike info criterion
25.76343
Sum squared resid
2.37E+11
    Schwarz criterion
25.85685
Log likelihood
-384.4515
    Hannan-Quinn criter.
25.79332
F-statistic
3.308109
    Durbin-Watson stat
0.120717
Prob(F-statistic)
0.079650

由图可以看出，与的拟合优度是最大的，R-squared=0.962474。再做与和的回归模型。

表10： 被解释变量与和的最小二乘估计结果
Dependent Variable: Y

Method: Least Squares

Date: 1/7/15 Time: 18:47

Sample: 1980 2009

Included observations: 30

Coefficient
Std. Error
t-Statistic
Prob.  

X1
1.963607
0.218188
8.999617
0.0000
X2
1.391253
0.046055
30.20878
0.0000
C
-92084.42
12611.85
-7.301423
0.0000

R-squared
0.990618
    Mean dependent var
85749.31
Adjusted R-squared
0.989923
    S.D. dependent var
95692.85
S.E. of regression
9606.088
    Akaike info criterion
21.27282
Sum squared resid
2.49E+09
    Schwarz criterion
21.41294
Log likelihood
-316.0923
    Hannan-Quinn criter.
21.31765
F-statistic
1425.411
    Durbin-Watson stat
0.956357
Prob(F-statistic)
0.000000

再做与和、的回归模型。

表11： 被解释变量与和、的最小二乘估计结果
Dependent Variable: Y

Method: Least Squares

Date: 1/7/15 Time: 18:51

Sample: 1980 2009

Included observations: 30

Coefficient
Std. Error
t-Statistic
Prob.  

X1
1.934840
0.215990
8.957997
0.0000
X2
1.382559
0.045823
30.17169
0.0000
X3
-379.2654
280.8999
-1.350180
0.1886
C
-49822.31
33676.59
-1.479434
0.1510

R-squared
0.991233
    Mean dependent var
85749.31
Adjusted R-squared
0.990221
    S.D. dependent var
95692.85
S.E. of regression
9462.951
    Akaike info criterion
21.27172
Sum squared resid
2.33E+09
    Schwarz criterion
21.45855
Log likelihood
-315.0758
    Hannan-Quinn criter.
21.33149
F-statistic
979.8468
    Durbin-Watson stat
1.178143
Prob(F-statistic)
0.000000

观察与和最小二乘估计的拟合优度（R-squared =0.990618），与与最小二乘估计的拟合优度（R-squared =0.673513）比较，变化明显，说明对y的影响显著。观察与和、最小二乘估计的拟合优度（R-squared =0.991233），与与和最小二乘估计的拟合优度（R-squared =0.990618）比较，变化不明显，说明对y影响不显著。
③序列相关性检验：
方程含有截距项，因此，可以使用DW检验法来检验方程是否具有序列相关性。
该模型中，样本量n=30，解释变量的个数为3个，查DW检验表知5%的上下界为dl=1.28，4-dl=2.72，du=1.57，4-du=2.43，；1%的上下界为dl=1.07，4-dl=2.93，du=1.34，4-du=2.66。
本模型的DW检验值为：DW=1.178143，在5%的水平下，0<DW<dl，落在正自相关区；在1%的水平下，dl<DW<du，落在无结论区，无法判断。

图7

图8
由于DW值在5%的上下界条件下正自相关，说明模型存在序列相关性，所以需要对模型进行修正。
(4)预测检验

图9：模型预测检验结果图

预测误差MAPE=28.52734%，MAPE大于10，预测效果。
通过参数估计和四级检验，得到的初始模型是：

t=（-1.479434）（8.957997）（30.17169）（-1.350180）
p=（0.1510） （0.0000） （0.0000） （0.1886）
R-squared=0.991233 Adjusted R-squared=0.990221
2.3 建立修正模型——WLS
加权最小二乘法估计模型系数建立模型能够有效地消除模型的异方差性，同时也可以在一定程度上克服序列相关性，因此，使用WLS方法估计模型参数是修正模型的常用方法。
2.3.1 使用WLS法进行参数估计
表12：加权最小二乘法估计模型参数结果输出表

Dependent Variable: Y

Method: Least Squares

Date: 1/8/15 Time: 13:09

Sample: 1980 2009

Included observations: 30

Weighting series: 1/RESID^2

Coefficient
Std. Error
t-Statistic
Prob.  

X1
1.708496
0.075998
22.48069
0.0000
X2
1.574969
0.058315
27.00773
0.0000
X3
-332.6186
13.90237
-23.92532
0.0000
C
-43825.71
2255.915
-19.42702
0.0000

Weighted Statistics

R-squared
0.999841
    Mean dependent var
14463.34
Adjusted R-squared
0.999823
    S.D. dependent var
31652.85
S.E. of regression
253.3304
    Akaike info criterion
14.03083
Sum squared resid
1668584.
    Schwarz criterion
14.21766
Log likelihood
-206.4625
    Hannan-Quinn criter.
14.09060
F-statistic
54656.07
    Durbin-Watson stat
1.063337
Prob(F-statistic)
0.000000

Unweighted Statistics

R-squared
0.980555
    Mean dependent var
85749.31
Adjusted R-squared
0.978311
    S.D. dependent var
95692.85
S.E. of regression
14092.91
    Sum squared resid
5.16E+09
Durbin-Watson stat
0.708654

2.3.2 对修正模型进行检验
要对使用加权最小二乘法估计参数建立的新模型进行包括经济意义检验、统计检验、计量经济学检验、预测检验在内的四级检验。
(1)经济意义检验
解释变量的系数分别为β1=1.708496、β2=1.574969。两个解释变量系数均为正，符合被解释变量与解释变量之间的正相关关系，符合解释变量增长带动被解释变量增长的经济实际，与现实经济意义相符；β3=-332.6186，符合被解释变量与解释变量之间的正相关关系，所以模型通过经济意义检验。对于常数项的意义将在模型经济意义的分析中讨论。
(2)统计检验（显著水平1%）
①拟合优度检验：R2检验，R-squared=0.999841；Adjusted R-squared=0.999823；可见拟合优度较初始使用OLS法估计建立的模型有所改善，拟和优度相当高，新方程拟和得很理想。
②变量的显著性检验：t