计量经济大作业

计量经济学大作业

江西财经大学2012～2013第1学期课程论文考试评分表

注：教师提供选题者，选题项不予评分

任课教师：徐晔

我国税收收入的影响因素分析

学号：0102141 姓名：林梦茹专业：10国民经济管理

学号：0102118 姓名：林志良专业：10国民经济管理

学号：×××姓名：×××专业：×××

摘要：税收是国家取得财政收入的一种重要工具,也是影响我国经济发展的一个很重要的因素。通过对影响税收增长的主要因素进行分析,解释这些因素和税收收入之间存在的关系以及其对税收收入的影响程度的大小;在此基础上,提出相应的发展对策,以促进我国税收收入的增长以及我国经济的全面发展。

关键词 :税收收入;影响因素;税制改革

一、经济背景

税收来源于经济，又作用于经济。作为参与社会产品分配、实施宏观调控的重要手段，税收不仅能为政府筹集必要的资金，而且还可以改变和调整不同经济主体之间的利益分配。市场经济条件下，税收与经济发展的相互影响越来越显著，因此，对税收收入的经济性影响因素加以分析，有助于我们对税收结构进行优化，从而使税收对经济发展发挥更大的作用。经济决定税收,税收反映经济。经济规模决定税源规模,经济结构决定税收结构,经济增长速度影响和制约税收增长速度,反过来税收对经济发展也具有一定的乘数效应。要实现经济的持续发展,必须要使税收符合其发展的要求,建立与市场经济相适应的税收结构,即政府筹集的税收收入必须能够尽量满足其实现社会职能的需要。对税收收入的主要影响因素加以分析,从结构上对税收收入的影响作出一个很好的了解，有助于我们运用政策工具对税收结构进行优化，从而使税收对经济发展发挥更大的促进作用。改革开放以来，中国经济高速增长，1978-2008年的31年间，国内生产总值从3645.2亿元增长到314045亿元，一跃成为世界第二大经济体。随着经济体制改革的深化和经济的快速增长，中国的财政收支状况也发生了很大的变化，中央和地方的税收收入1978年为519.28亿元，到2008年已增长到54223.79亿元，31年间平均每年增长16.76%。税收作为财政收入的重要组成部分，在国民经济发展中扮演着不可或缺的角色。为了研究影响中国税收增长的主要原因，分析中央和地方税收收入的增长规律，以及预测中国税收未来的增长趋势，我们需要建立计量经济模型进行实证分析。本文将用计量经济学的有关方法来建立具体模型探究他们之间的具

体关系。

二、确认问题

1991-2011年中国税收收入与其影响因素数据统计：

三、建立多元线性回归模型

影响税收收入的因素有很多，为了全面反映中国税收增长的全貌，我们选用“国家财政收入”中的“各项税收”（即税收收入）作为被解释变量，反映税收的增

长；选择“国内生产总值”（即GDP）作为经济整体增长水平的代表；选择“财政支出”作为公共财政需求的代表；选择“商品零售价格指数”作为物价水平的代表。另外，由于财税体制的改革难以量化，而且从数据上看，1985年以后财税体制改革对税收增长影响不是很大，在此暂不考虑税制改革对税收增长的影响。设定模型为，

Y=β

0+β

1

X1+β

2

X2+β

3

X3+u

t

其中，

-截距项；Y—税收收入；X1—GDP；X2—财政支出；X3—商品零售价格指数；Ut-随机扰动项。

（一）模型估计

1.1 建立工作文件

首先，双击Eviews程序，进入Eviews主程序。在菜单项一次点击File\New\Workfile，出现“Workfile create”，在“Data frequency”中悬着数据频率：

Annual（年度数据） Semi- Annual（半年数据）Quarterly（季度数据） Monthly（月度数据）

Weekly（周数据） Daily(5-day week)（每周5天日数据）Daily(7-day week)（每周7天日数据） Integer data（整数数据）

在本例中我们选择Annual，并且在起始年份和终止年份输入“1991”和“2011”，如图

点击“OK”出现“Workfile UNTITLED”工作框。在工作框中已有的两个变量中“C”代表截距项；“resid”代表残差项。

1.2 数据的输入

使用输入命令，对组数据进行输入或编辑。命令格式为data<序列名1><序列名2>……<序列名n>，如图所示，本例中，可直接输入：data Y X1 X2 X3。并点击上图组对话框的“Edit+/-”，将数据进行输入。

1.2.1估计参数

在命令窗口中键入：PLOT Y，则可以绘制变量Y的趋势图

从图中可以看出，1991—2011年间的税收收入的呈增长趋势。

1.2.2利用SCAT命令绘制X、Y的相关图

在命令窗口中依次键入： SCAT X1 Y，SCAT X2 Y，SCAT X3 Y。则可以初步观察变量之间的相关程度与相关类型，如下。

上图图表明税收收入与GDP、财政支出和商品零售价格指数水平相关，变量之间均存在较强的相关关系。

1.3 估计参数

用命令： LS Y C X1 X2 X3 ，即可出现回归结果。

将估计式以“eq01”为名保存。参数估计所建立的回归方程为：

Y

i =--10704.67+0.0812

i

X

1

+0.4804

i

X

2

+82.5983

i

X

3

t＝(-2.4282) (4.2860) （6.0120）（2.0441）

R2=0.9984 F=3595.999 DW=1.2173

（二）模型检验

2.1经济意义检验

模型估计结果说明，在假定其它变量不变的情况下，当年GDP每增长1亿元，税收就会增加0.009965亿元；在假定其它变量不变的情况下，当年财政支出每增长1亿元，税收收入会增长0.828234亿元；在假定其它变量不变的情况下，当年零售商品物价指数上涨一个百分点，税收收入就会增长52.17703亿元。这与理论分析和经验判断基本相一致。

2.2统计检验

（1）拟合优度：由表3.4中数据可以得到，2R =0.998427，修正的可决系数为

998149.02=R ，这说明模型对样本的拟合很好。

（2）F 检验：针对:0H 03

2

1

===βββ，给定显著性水平0.05α=，在F 分布

表中查出自由度为3和17的临界值1968.3)17,3(=F α。由表eq01中得到F=3595.999

由于

F=3595.999>

1968

.3)17,3(=F α，应拒绝原假设

:0

H 03

2

1

===ββ

β，说明回归方程显著，即“国内生产总值”、“财政支出”、

“商品零售物价指数”等变量联合起来确实对“税收收入”有显著影响。 （3）t 检验：分别针对0H ：)3,2,1,0(=j j

β，给定显著性水平0.05α=，查t

分布表得自由度为17临界值1098.2)17(2/=t α。由表eq01中数据可得，与

ββββ

ˆˆˆˆ3

2

1

对应的t 统计量分别为((-2.4282)、(4.2860)、（6.0120）、

（2.0441），其绝对值除了商品零售价格指数均大于1098.2)17(2/=t α，这说明除商品零售价格指数分别都应当拒绝0H ：0(1,2,3,4)j j β==，也就是说，当在其它解释变量不变的情况下，解释变量 “财政支出X2”、“GDP X1”分别对被解释变量“税收收入”Y 都有显著的影响。 2.3计量经济检验

1. 异方差检验 1.1 怀特检验

⑴建立回归模型：LS Y C X1 X2 X3，回归结果如图。

⑵在方程窗口上点击View\Residual Test\White Heteroskedastcity,即可以得到检验结果。下图是怀特检验中no cross terms的结果。

White Heteroskedasticity Test:

F-statistic 0.713421 Probability 0.645005

Obs*R-squared 4.917313 Probability 0.554461

Test Equation:

Dependent Variable: RESID^2

Method: Least Squares

Date: 12/15/12 Time: 05:19

Sample: 1991 2011

Included observations: 21

Variable Coefficient Std. Error t-Statistic Prob.

C 23149016 1.16E+08 0.199172 0.8450

X1 -99.81716 58.13777 -1.716907 0.1080

X1^2 0.000201 0.000177 1.130907 0.2771

X2 409.0208 242.9534 1.683536 0.1144

X2^2 -0.003697 0.002606 -1.418741 0.1779

X3 -374082.6 2129086. -0.175701 0.8630

X3^2 1711.416 9756.465 0.175414 0.8633

R-squared

0.234158 Mean dependent var 945767.9 Adjusted R-squared -0.094060 S.D. dependent var 1579063. S.E. of regression 1651657. Akaike info criterion 31.73366 Sum squared resid 3.82E+13 Schwarz criterion 32.08183 Log likelihood -326.2034 F-statistic 0.713421 Durbin-Watson stat

2.893273 Prob(F-statistic)

0.645005

从上图中的怀特检验中我们可以发现P 值很大，那么也就意味着该模型不存在异方差。

1.2 Goldfeld-Quant 检验

A. 将样本按解释变量排序(SORT X1)并分成两部分(分别有1到10共10个样本合19到28共10个样本)

B. 利用样本1建立回归模型1，其残差平方和为1RSS =895534。

C. 利用样本2建立回归模型2，其残差平方和为2RSS =8271287。

D. 计算F 统计量：12/RSS RSS F =＝9.2362。

取05.0=α时，查F 分布表得39.6)48,48(05.0=--F ,39.624.905.0=>=F F ，所以存在异方差性。 1.3 park 检验

A. 建立回归模型。

B. 生成新变量序列：GENR LNE2=log(RESID^2)

GENR LNX1=log(X1) GENR LNX2=log(X2) GENR LNX3=log(X3)

C. 建立新残差序列对解释变量的回归模型：LS LNE 2 C LNX1 LNX2 LNX3，回归结果如

Dependent Variable: LNE2 Method: Least Squares Date: 12/21/12 Time: 19:18 Sample: 13 21

Included observations: 9

Variable Coefficient Std. Error t-Statistic Prob.

C -140.7097 143.2992 -0.981929 0.3712

LNX1 -11.31236 28.26318 -0.400251 0.7055

LNX2 9.469729 22.47073 0.421425 0.6909

LNX3 41.31118 44.37096 0.931041 0.3946

R-squared 0.249551 Mean dependent var 12.22358

Adjusted R-squared -0.200719 S.D. dependent var 1.689082

S.E. of regression 1.850850 Akaike info criterion 4.370270

Sum squared resid 17.12823 Schwarz criterion 4.457925

Log likelihood -15.66621 Hannan-Quinn criter. 4.181110

F-statistic 0.554226 Durbin-Watson stat 1.959886

Prob(F-statistic) 0.667410

D. 从上图所示的回归结果中可以看出，LNX1 LNX2 LNX3的系数估计值不为0但不能通过显著性检验，即随机误差项的方差与解释变量不是存在较强的相关关系，即认为不存在异方差性。

1.4Gleiser检验(Gleiser检验与Park检验原理相同)

A.建立回归模型。

B.生成新变量序列：GENR E=ABS(RESID)

C.分别建立新残差序列(E)对各解释变量的回归模型：LS E C X1;

LS E C X2;LS E C X3回归结果如下所示：

Dependent Variable: E

Method: Least Squares

Date: 12/21/12 Time: 19:23

Sample: 13 21

Included observations: 9

Variable Coefficient Std. Error t-Statistic Prob.

C 1.450207 0.727079 1.994566 0.0863

X1 -9.60E-07 2.45E-06 -0.392606 0.7063

R-squared 0.021546 Mean dependent var 1.184311

Adjusted R-squared -0.118234 S.D. dependent var 0.750408

S.E. of regression 0.793530 Akaike info criterion 2.568480

Sum squared resid 4.407833 Schwarz criterion 2.612308

Log likelihood -9.558160 Hannan-Quinn criter. 2.473900 F-statistic 0.154140 Durbin-Watson stat 2.739094 Prob(F-statistic) 0.706291

Dependent Variable: E

Method: Least Squares

Date: 12/21/12 Time: 19:25

Sample: 13 21

Included observations: 9

Variable Coefficient Std. Error t-Statistic Prob.

C 1.409742 0.605681 2.327530 0.0528

X2 -3.94E-06 9.52E-06 -0.413617 0.6915

R-squared 0.023857 Mean dependent var 1.184311 Adjusted R-squared -0.115592 S.D. dependent var 0.750408 S.E. of regression 0.792593 Akaike info criterion 2.566115 Sum squared resid 4.397421 Schwarz criterion 2.609943 Log likelihood -9.547518 Hannan-Quinn criter. 2.471535 F-statistic 0.171079 Durbin-Watson stat 2.750817 Prob(F-statistic) 0.691533

Dependent Variable: E

Method: Least Squares

Date: 12/21/12 Time: 19:24

Sample: 13 21

Included observations: 9

Variable Coefficient Std. Error t-Statistic Prob.

C 15.64669 10.99407 1.423194 0.1977

X3 -0.141322 0.107405 -1.315783 0.2297

R-squared 0.198285 Mean dependent var 1.184311 Adjusted R-squared 0.083755 S.D. dependent var 0.750408 S.E. of regression 0.718296 Akaike info criterion 2.369259 Sum squared resid 3.611639 Schwarz criterion 2.413086 Log likelihood -8.661664 Hannan-Quinn criter. 2.274679 F-statistic 1.731285 Durbin-Watson stat 2.690820 Prob(F-statistic) 0.229699

由上述各回归结果可知，各回归模型中解释变量的系数估计值显著不为0且均能通过显著性检验。所以认为存在异方差性。

D . 由F 值或2R 确定异方差类型

Gleiser 检验中可以通过F 值或2R 值确定异方差的具体形式。 (3) 调整异方差性 ① 确定权数变量

根据Gleiser 检验，可以取以下三种形式作为权数变量：

2432~1~11

i

i i e W e W X W === 生成权数变量：GENR W1=1/X1^0.5 GENR W2=1/X2^0.5 GENR W3=1/X3^0.5

GENR W4=1/ABS(RESID ） GENR W5=1/ RESID ^2

② 利用加权最小二乘法估计模型 在Eviews 命令窗口中依次键入命令：

LS(W=i W ) Y C X1 X2 X3

Dependent Variable: Y Method: Least Squares Date: 12/21/12 Time: 19:39 Sample: 13 21

Included observations: 9 Weighting series: W1

Variable Coefficient Std. Error t-Statistic Prob. C -35745.78 18509.48 -1.931215 0.1113 X1 0.127272 0.035439 3.591297 0.0157 X2 0.291195 0.136844 2.127928 0.0866 X3 308.9713

195.5354

1.580130 0.1749

Weighted Statistics

R-squared

0.999075 Mean dependent var 43490.05 Adjusted R-squared

0.998520 S.D. dependent var

12813.75

S.E. of regression 830.0411 Akaike info criterion 16.58193 Sum squared resid 3444841. Schwarz criterion 16.66959 Log likelihood -70.61868 Hannan-Quinn criter. 16.39277 F-statistic 1800.478 Durbin-Watson stat 1.999883 Prob(F-statistic) 0.000000

LS(W=

W) Y C X1 X2 X3

2

Dependent Variable: Y

Method: Least Squares

Date: 12/21/12 Time: 19:44

Sample: 13 21

Included observations: 9

Weighting series: W2

Variable Coefficient Std. Error t-Statistic Prob.

C -32944.61 18525.88 -1.778302 0.1355

X1 0.131223 0.034694 3.782248 0.0129

X2 0.276088 0.134632 2.050693 0.0956

X3 279.3597 195.2762 1.430588 0.2120

Weighted Statistics

R-squared 0.999035 Mean dependent var 42578.71 Adjusted R-squared 0.998456 S.D. dependent var 10509.73 S.E. of regression 817.1371 Akaike info criterion 16.55059 Sum squared resid 3338565. Schwarz criterion 16.63825 Log likelihood -70.47767 Hannan-Quinn criter. 16.36143 F-statistic 1725.117 Durbin-Watson stat 1.996676 Prob(F-statistic) 0.000000

Unweighted Statistics

R-squared 0.999021 Mean dependent var 47786.93 Adjusted R-squared 0.998434 S.D. dependent var 23582.57 S.E. of regression 933.1263 Sum squared resid 4353624. Durbin-Watson stat 1.748834

W) Y C X1 X2 X3

LS(W=

3

Dependent Variable: Y

Method: Least Squares

Date: 12/21/12 Time: 19:45

Sample: 13 21

Included observations: 9

Weighting series: W3

Variable Coefficient Std. Error t-Statistic Prob.

C -44033.06 18642.29 -2.361999 0.0646

X1 0.117363 0.039025 3.007397 0.0298

X2 0.329795 0.147510 2.235741 0.0756

X3 395.1662 199.3679 1.982095 0.1043

Weighted Statistics

R-squared 0.999107 Mean dependent var 47675.04 Adjusted R-squared 0.998571 S.D. dependent var 23275.24 S.E. of regression 889.2037 Akaike info criterion 16.71963 Sum squared resid 3953416. Schwarz criterion 16.80729 Log likelihood -71.23834 Hannan-Quinn criter. 16.53047 F-statistic 1864.539 Durbin-Watson stat 2.045831 Prob(F-statistic) 0.000000

Unweighted Statistics

R-squared 0.999100 Mean dependent var 47786.93 Adjusted R-squared 0.998560 S.D. dependent var 23582.57 S.E. of regression 894.9356 Sum squared resid 4004549. Durbin-Watson stat 2.057822

W) Y C X1 X2 X3

LS(W=4

Dependent Variable: Y

Method: Least Squares

Date: 12/21/12 Time: 19:46

Sample: 13 21

Included observations: 9

Weighting series: W4

Variable Coefficient Std. Error t-Statistic Prob.

C -41293.70 19862.84 -2.078942 0.0922

X1 0.120675 0.037543 3.214344 0.0236

X2 0.310310 0.142104 2.183688 0.0807

X3 370.7943 213.0039 1.740786 0.1422

R-squared 0.998900 Mean dependent var 46721.17 Adjusted R-squared 0.998240 S.D. dependent var 22102.73 S.E. of regression 911.0924 Akaike info criterion 16.76827 Sum squared resid 4150447. Schwarz criterion 16.85592 Log likelihood -71.45721 Hannan-Quinn criter. 16.57911 F-statistic 1513.526 Durbin-Watson stat 2.127479 Prob(F-statistic) 0.000000

Unweighted Statistics

R-squared 0.999003 Mean dependent var 47786.93 Adjusted R-squared 0.998404 S.D. dependent var 23582.57 S.E. of regression 942.0843 Sum squared resid 4437614. Durbin-Watson stat 1.856697

W) Y C X1 X2 X3

LS(W=5

Dependent Variable: Y

Method: Least Squares

Date: 12/21/12 Time: 19:46

Sample: 13 21

Included observations: 9

Weighting series: W5

Variable Coefficient Std. Error t-Statistic Prob.

C -39204.90 19240.41 -2.037633 0.0972

X1 0.126106 0.033338 3.782712 0.0129

X2 0.283912 0.127855 2.220580 0.0771

X3 350.0404 205.5793 1.702702 0.1494

Weighted Statistics

R-squared 0.998886 Mean dependent var 44488.70 Adjusted R-squared 0.998218 S.D. dependent var 24145.09 S.E. of regression 845.8792 Akaike info criterion 16.61973 Sum squared resid 3577558. Schwarz criterion 16.70739 Log likelihood -70.78880 Hannan-Quinn criter. 16.43057 F-statistic 1495.034 Durbin-Watson stat 2.360020 Prob(F-statistic) 0.000000

R-squared 0.998800 Mean dependent var 47786.93

Adjusted R-squared 0.998080 S.D. dependent var 23582.57

S.E. of regression 1033.411 Sum squared resid 5339686.

Durbin-Watson stat 1.569813

经估计检验发现用权数W3的效果最好。下面仅给出用权数W3的结果。

③对所估计的模型再进行White检验，观察异方差的调整情况

对所估计的模型再进行White检验，其结果对应图所示。所对应的White 检验显示，P值较大，所以接受不存在异方差的原假设，即认为已经消除了回归模型的异方差性。

2.自相关检验

（1）图示法

由图可知，残差的图形成循环型的，因此存在正相关。

（2）杜宾—瓦森检验法

D.W.检验结果表明，在5%的显著性水平下，n=15，k=4查表得82.0=l d ，75.1=u d ，由于4-l d =3.18>D.W=2.893273>25.24=-u d ,所以无法判断是否存在自相关。

（3）拉格朗日乘数检验法

在方程窗口上点击View\Residual Test\ serial correlation LM test,点击后就会出现对话框），在空处填写1或2或3等，数字代表着几阶自相关。如此循环去检验。无论是一阶还是2阶或是4阶，该模型的P 值都很小，说明该模型都存在自相关。下图是2阶时的数据模型。

Breusch-Godfrey Serial Correlation LM Test:

F-statistic

3.807478 Probability 0.045996 Obs*R-squared

7.071165 Probability

0.029142

Test Equation:

Dependent Variable: RESID Method: Least Squares Date: 12/15/12 Time: 05:34

Presample missing value lagged residuals set to zero.

Variable Coefficient Std. Error t-Statistic Prob.

C -1629.987 4035.894 -0.403873 0.6920 X1 -0.005341 0.016631 -0.321152 0.7525 X2 0.023162 0.070103 0.330394 0.7457 X3 17.18314 37.47232 0.458555 0.6531 RESID(-1) 0.459768 0.229153 2.006376 0.0632 RESID(-2) -0.575582

0.245028

-2.349045

0.0329

R-squared

0.336722 Mean dependent var -3.71E-12 Adjusted R-squared 0.115630 S.D. dependent var 996.5221 S.E. of regression 937.1391 Akaike info criterion 16.75850 Sum squared resid 13173445 Schwarz criterion 17.05693 Log likelihood -169.9642 F-statistic 1.522991 Durbin-Watson stat

1.729152 Prob(F-statistic)

0.241391

(4) 自相关的修正