论文题目 三大需求对我国经济增长的因素分析
学院: 安徽财经大学商学院
班级: 093财务管理一班
小组成员: 査莉莉(学号:20093069021)
罗翔(学号:20093069022)
三大需求对我国经济增长的因素分析
摘要:消费、投资和净出口是促进经济增长的强大动力,而经济增长又与三大需求有着密不可分的关系。本文采用 1978年至 2009 年的统计数据,通过建立多元线性回归模型,研究三大需求对我国经济增长的贡献,有利于我们深入考察宏观经济的实际应用效果。
关键字:三大需求;经济增长;宏观经济
一、引言
经济增长通常是指在一个较长的时间跨度上,一个国家人均产出(或人均收入)的持续增加。国内生产总值的增长体现一个国家或地区在一定时期内经济总量的增长,也是衡量一个国家或地区总体经济实力增长的标志。它构成了经济发展的物质基础,而深入考察宏观经济的实际应用效果对于经济增长乃至经济发展至关重要。
本文将影响国内生产总值的因素分为内生因素(最终消费和资本形成总额)和外生因素(货物和服务净出口),分别进行分析。
二、模型设定及数据说明
1、模型设定
按支出法统计的GDP是从需求角度衡量经济发展的总量指标,它由最终消费、资本形成总额、货物和服务净出口三部分构成,其公式为:
支出法国内生产总值=最终消费+固定资本投资总额+货物和服务净出口
通过对数据观察,根据搜集的1978年至 2009 年的统计数据,建立模型。其模型表达式为:
Yt=α+β1X1i+β2X2i+β3X3i+μi (i=1,2,3) (1)
其中,Yt表示支出法国内生产总值,X1i表示最终消费支出,X2i表示资本形成总额,X3i表示货物和服务净出口,μi表示随机扰动项,α,β1,β2,β3表示待估参数,i表示样本期数。
2、数据说明
表1 (本表按当年价格计算) 单位:亿元
年 份 | 支出法国内生产总值 | 最终消费 支 出 | 资本形成 总 额 | 货物和服务 净 出 口 |
1978 | 3605.6 | 2239.1 | 1377.9 | -11.4 |
1979 | 4092.6 | 2633.7 | 1478.9 | -20 |
1980 | 4592.9 | 3007.9 | 1599.7 | -14.7 |
1981 | 5008.8 | 3361.5 | 1630.2 | 17.1 |
1982 | 5590 | 3714.8 | 1784.2 | 91 |
1983 | 6216.2 | 4126.4 | 2039 | 50.8 |
1984 | 7362.7 | 4846.3 | 2515.1 | 1.3 |
1985 | 9076.7 | 5986.3 | 3457.5 | -367.1 |
1986 | 10508.5 | 6821.8 | 3941.9 | -255.2 |
1987 | 12277.4 | 7804.6 | 4462 | 10.8 |
1988 | 15388.6 | 9839.5 | 5700.2 | -151.1 |
19 | 17311.3 | 111.2 | 6332.7 | -185.6 |
1990 | 19347.8 | 12090.5 | 6747 | 510.3 |
1991 | 22577.4 | 14091.9 | 7868 | 617.5 |
1992 | 27565.2 | 17203.3 | 10086.3 | 275.6 |
1993 | 36938.1 | 219.9 | 15717.7 | -679.5 |
1994 | 50217.4 | 29242.2 | 20341.1 | 634.1 |
1995 | 63216.9 | 36748.2 | 25470.1 | 998.6 |
1996 | 74163.6 | 43919.5 | 28784.9 | 1459.2 |
1997 | 81658.5 | 48140.6 | 29968 | 3549.9 |
1998 | 86531.6 | 51588.2 | 31314.2 | 3629.2 |
1999 | 91125 | 55636.9 | 32951.5 | 2536.6 |
2000 | 98749 | 61516 | 34842.8 | 2390.2 |
2001 | 109028 | 66933.9 | 39769.4 | 2324.7 |
2002 | 120475.6 | 71816.5 | 45565 | 3094.1 |
2003 | 136634.8 | 77685.5 | 55963 | 2986.3 |
2004 | 160800.1 | 87552.6 | 69168.4 | 4079.1 |
2005 | 187131.2 | 99051.3 | 77856.8 | 10223.1 |
2006 | 222240 | 112631.9 | 92954.1 | 16654 |
2007 | 265833.9 | 131510.1 | 110943.2 | 23380.6 |
2008 | 314901.3 | 152346.6 | 138325.3 | 24229.4 |
2009 | 345023.6 | 165526.8 | 1463.5 | 15033.3 |
3、初步回归与参数估计
图 1
因此,初步回归函数为:
y=1.65E-10+X1+X2+X3 (2)
4、模型的检验
第一,经济意义检验。
第二,统计检验。
t统计量检验的是某个系数是否为0(即该变量是否不存在于该回归模型中)。由图1可以看出,常数C的t-Statistic的检验值为1.9560,这说明常数C的系数不显著,而其他变量系数很显著。常数C的p值为0.0605,大于0.05,故接受原假设。X1、X2、X3的p值均小于0.05,则其对应系数显著不为0。统计量是对回归式中的所有系数都为0的假设检验。显然,回归结果中统计量的p值为0.0000,小于0.05,说明至少有一个解释变量的回归系数不为0,方程(2)总体上的线性关系是显著的。回归结果显示,可决系数R2为1.0000,调整的可决系数也为1.0000,模型有极高的拟合优度。当D.W.值在2左右时,模型不存在一阶序列相关。初步回归结果显示=0.367600,存在一阶序列相关。
图2
图 3
图2、3、4为Gleiser检验。W=W1,W2,W3时,估计结果分别为:Y=-43465.03+2.34X (3)
(-27.6129) (215.2593)
R2=0.999959 p=0.0000
Y=63657.47+1.7397X (4)
(8.0676) (32.0378)
R2=0.9991 p=0.0000
Y=198783.5+3.9501X (5)
R2=0.9845 p=0.0415
图 4
二、模型的修正
(一)异方差
第一,异方差的检验。一是怀特(White)一般异方差检验。图5、6、7中Obs * R-squared的p值均小于0.05,可以认为存在异方差。
第二,Gleiser检验。先生成一个新序列aresid,是原始回归模型中的残差的绝对值。根据散点图,作残差的绝对值对Yi^(1/2)的回归,结果图8所示。
图 5
White Heteroskedasticity Test: | ||||
F-statistic | 11.50015 | Probability | 0.000210 | |
Obs*R-squared | 14.15395 | Probability | 0.000844 | |
Test Equation: | ||||
Dependent Variable: STD_RESID^2 | ||||
Method: Least Squares | ||||
Date: 12/21/11 Time: 00:14 | ||||
Sample: 1978 2009 | ||||
Included observations: 32 | ||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
C | -1187300. | 3541124. | -0.3352 | 0.7398 |
X1 | 680.4540 | 142.0614 | 4.7860 | 0.0000 |
X1^2 | -0.004286 | 0.000959 | -4.4666 | 0.0001 |
R-squared | 0.442311 | Mean dependent var | 11479466 | |
Adjusted R-squared | 0.403850 | S.D. dependent var | 15218497 | |
S.E. of regression | 11750320 | Akaike info criterion | 35.48572 | |
Sum squared resid | 4.00E+15 | Schwarz criterion | 35.62313 | |
Log likelihood | -5.7715 | F-statistic | 11.50015 | |
Durbin-Watson stat | 0.784627 | Prob(F-statistic) | 0.000210 |
White Heteroskedasticity Test: | ||||
F-statistic | 27.39036 | Probability | 0.000000 | |
Obs*R-squared | 20.92347 | Probability | 0.000029 | |
Test Equation: | ||||
Dependent Variable: STD_RESID^2 | ||||
Method: Least Squares | ||||
Date: 12/21/11 Time: 00:15 | ||||
Sample: 1978 2009 | ||||
Included observations: 32 | ||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
C | -63268669 | 1.65E+08 | -0.383617 | 0.7041 |
X2 | 6109.481 | 7795.857 | 0.783683 | 0.4396 |
X2^2 | 0.090383 | 0.054184 | 1.668083 | 0.1061 |
R-squared | 0.653858 | Mean dependent var | 4.00E+08 | |
Adjusted R-squared | 0.629986 | S.D. dependent var | 9.86E+08 | |
S.E. of regression | 6.00E+08 | Akaike info criterion | 43.35160 | |
Sum squared resid | 1.04E+19 | Schwarz criterion | 43.401 | |
Log likelihood | -690.6255 | F-statistic | 27.39036 | |
Durbin-Watson stat | 2.4559 | Prob(F-statistic) | 0.000000 |
White Heteroskedasticity Test: | ||||
F-statistic | 24.35906 | Probability | 0.000001 | |
Obs*R-squared | 20.05941 | Probability | 0.000044 | |
Test Equation: | ||||
Dependent Variable: STD_RESID^2 | ||||
Method: Least Squares | ||||
Date: 12/21/11 Time: 00:16 | ||||
Sample: 1978 2009 | ||||
Included observations: 32 | ||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
C | -3.50E+09 | 3.48E+09 | -1.005144 | 0.3231 |
X3 | 4487047. | 1561823. | 2.872954 | 0.0075 |
X3^2 | -75.52570 | 70.82096 | -1.0632 | 0.2950 |
R-squared | 0.626857 | Mean dependent var | 8.61E+09 | |
Adjusted R-squared | 0.601123 | S.D. dependent var | 2.47E+10 | |
S.E. of regression | 1.56E+10 | Akaike info criterion | 49.86990 | |
Sum squared resid | 7.07E+21 | Schwarz criterion | 50.00731 | |
Log likelihood | -794.9184 | F-statistic | 24.35906 | |
Durbin-Watson stat | 1.232333 | Prob(F-statistic) | 0.000001 |
Dependent Variable: Y | ||||
Method: Least Squares | ||||
Date: 12/21/11 Time: 00:56 | ||||
Sample: 1978 2009 | ||||
Included observations: 32 | ||||
Weighting series: W4 | ||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
C | 2.46E-08 | 4.84E-09 | 5.084781 | 0.0000 |
X1 | 1.000000 | 1.48E-13 | 6.75E+12 | 0.0000 |
X2 | 1.000000 | 1.27E-13 | 7.90E+12 | 0.0000 |
X3 | 1.000000 | 3.80E-13 | 2.63E+12 | 0.0000 |
Weighted Statistics | ||||
R-squared | 1.000000 | Mean dependent var | 2022.5 | |
Adjusted R-squared | 1.000000 | S.D. dependent var | 782697.2 | |
S.E. of regression | 4.20E-09 | Akaike info criterion | -35.62421 | |
Sum squared resid | 4.93E-16 | Schwarz criterion | -35.44099 | |
Log likelihood | 573.9874 | F-statistic | 3.60E+29 | |
Durbin-Watson stat | 0.468135 | Prob(F-statistic) | 0.000000 | |
Unweighted Statistics | ||||
R-squared | 1.000000 | Mean dependent var | 81724.70 | |
Adjusted R-squared | 1.000000 | S.D. dependent var | 94834.29 | |
S.E. of regression | 1.73E-08 | Sum squared resid | 8.36E-15 | |
Durbin-Watson stat | 0.030653 |
由上述模型可以看出,影响中国国内生产总值的主要因素还是最终消费支出和资本形成总额,即内因还是中国经济发展的主要原因。而外因所占的比例非常小,并非净出口的增加对经济的发展有很大的影响。根据以上的分析,今后中国的经济发展还是要立足于扩大内需,即注重内因,促进消费和投资的健康发展。同时,深入考察宏观经济的实际应用效果。
参考文献:[1]李子纳.计量经济学[M].北京:高等教育出版社,2004.
[2]易丹辉.数据分析与EVIEWS应用[M].天津:南开大学出版社,2003.
[3]吴绪亮.国内生产总值、投资与消费的协整分析[J].统计与信息论坛,2002,(06).
[4]漆莉莉.国内生产总值预测模型与经济分析[J].当代财经,2005,(10)