对中国经济增长影响因素的实证分析毕业论文

石河子大学商学院

对中国经济增长影响因素的实证分析

摘要 (3)

1.背景 (4)

2.数据收集和模型的建立 (5)

2.1理论模型的确定 (5)

2.2 建立初始模型——OLS (7)

2.3 建立修正模型——WLs (15)

3.模型经济意义分析与预测 (22)

4.结论 (22)

4.1主要结论 (22)

4.2政策建议 (22)

参考文献 (23)

摘要

自改革开放以来，中国的社会经济进行了三十多年的高速增长。本论文以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为数据，运用计量经济学、西方经济学和Eviews软件相关知识，以及时间序列数据模型和多元线性回归等分析方法。通过分析资本、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，定量分析，模型检验，最终得出结论，以论述对我国经济增长产生影响的种种因素。

关键词：投资、劳动力、消费、就业、经济增长、最小二乘法。

1.背景

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）水平的持续增加。经济增长率的高低体现了一个国家或地区在一定时期内经济总量的增长速度，也是衡量一个国家或地区总体经济实力增长速度的标志。决定经济增长的直接因素有投资量、劳动量、生产率水平。用现价计算的GDP，可以反映一个国家或地区的经济发展规模，用不变价计算的GDP可以用来计算经济增长的速度。

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。

为研究研究我国中国经济增长变动趋势及重要的影响因素，并依据结论提出建议。本文将中国国内生产总值与和其相关的经济变量联系，选择时间序列数据的计量经济学模型方法，建立多元线性回归模型。依据计量经济学的理论进行数据的分析，将计量经济的方法与经济增长分析相结合，得到更加有效的指标，做出更加有价值的预测与建议。

2.数据收集和模型的建立

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（Y ）这个经济指标作为研究对象；用总就业人员数（1X ）衡量劳动力；用固定资产投资总额(2X )衡量资本投入：用价格指数（3X ）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：

1X 代表社会就业人数， 2X 代表固定资产投资，

3X 代表消费价格指数，

μ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 Y ：国内生产总值, 解释变量 1X :代表社会就业人数，

2X :代表固定资产投资，

3X :代表消费价格指数，

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1980-2014数据

年份

国内生产总

值（现价）/

亿元

就业人员人数

/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 4551.60 42361.00 910.90 107.50 1981 4898.10 43725.00 961.00 102.50 1982 5333.00 45295.00 1230.40 102.00 1983 5975.60 46436.00 1430.10 102.00 1984 7226.30 48197.00 1832.90 102.70 1985 9039.90 49873.00 2543.20 109.30 1986 10308.80 51282.00 3120.60 106.50 1987 12102.20 52783.00 3791.70 107.30 1988 15101.10 54334.00 4753.80 118.80 1989 17090.30 55329.00 4410.40 118.00 1990 18774.30 64749.00 4517.00 103.10 1991 21895.50 65491.00 5594.50 103.40 1992 27068.30 66152.00 8080.10 106.40 1993 35524.30 66808.00 13072.30 114.70 1994 48459.60 67455.00 17042.10 124.10 1995 61129.80 68065.00 20019.30 117.10 1996 71572.30 68950.00 22913.50 108.30 1997 79429.50 69820.00 24941.10 102.80 1998 84883.70 70637.00 28406.20 99.20 1999 90187.70 71394.00 29854.70 98.60 2000 99776.30 72085.00 32917.70 100.40 2001 110270.40 72797.00 37213.50 100.70 2002 121002.00 73280.00 43499.90 99.20 2003 136564.60 73736.00 55566.60 101.20 2004 160714.40 74264.00 70477.40 103.90 2005 185895.80 74647.00 88773.60 101.80 2006 217656.60 74978.00 109998.20 101.50 2007 268019.40 75321.00 137323.94 104.80 2008 316751.70 75564.00 172828.40 105.90 2009 345629.20 75828.00 224598.77 99.30 2010 408903.00 76105.00 251683.77 103.30 2011 484123.50 76420.00 311485.13 105.40 2012 534123.00 76704.00 374694.74 102.60 2013 588018.80 76977.00 446294.09 102.60 2014 636462.70 77253.00 512760.70 102.00

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。

40,000

45,00050,00055,00060,00065,000

70,00075,00080,000

0100,000

300,000

500,000

700,000

X 1

图1：被解释变量Y 与解释变量1X 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1X 之间基本呈线性关系。

100,000

200,000

300,000

400,000

500,000

600,000

0100,000

300,000

500,000

700,000

X 2

图2：被解释变量Y 与解释变量2X 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2X 之间基本呈线性关系。

100

105

110

115

120

125

0100,000

300,000

500,000700,000

X 3

图3：被解释变量Y 与解释变量3X 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3X 之间基本呈线性关系。再通过变量之间的相关系数判断。

Y X3X2X1Y 1.000000-0.291416 0.985479 0.675326X3-0.291416 1.000000-0.253522-0.250596X2 0.985479-0.253522 1.000000 0.579932X1

0.675326-0.250596 0.579932 1.000000

看到被解释变量Y 与解释变量1X ，2X ，3X 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：

μββββ++++=3423121X X X y

2.2 建立初始模型——OLS 2.2.1 使用OLS 法进行参数估计

Dependent Variable: Y Method: Least Squares

Date: 06/30/15 Time: 16:14Sample: 1 35

Included observations: 35

Variable Coefficient Std. Error t-Statistic Prob. C -29040.1572030.72-0.4031630.6896X1 2.4443200.389696 6.2723680.0000X2 1.2001610.03272036.679980.0000X3

-822.2026

608.5734

-1.351033

0.1865R-squared

0.988108 Mean dependent var 149841.8Adjusted R-squared 0.986957 S.D. dependent var 183380.5S.E. of regression 20942.89 Akaike info criterion 22.84420Sum squared resid 1.36E+10 Schwarz criterion 23.02195Log likelihood -395.7734 Hannan-Quinn criter.22.90556F-statistic

858.6093 Durbin-Watson stat 0.573627

Prob(F-statistic)

0.000000

得到初始模型为：

Y=-29040.15 + 2.444320 X1 +1.200161 X2 - 822.2026 X3 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1β=2.444320、2β=1.200161。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，3β=-822.2026，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：R 2检验，R-squared=0.988108；Adjusted R-squared=0.986957；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，

T 统计检验

Variable Coefficient Std. Error t-Statistic Prob. C -29040.1572030.72-0.4031630.6896X1 2.4443200.389696 6.2723680.0000X2 1.2001610.03272036.679980.0000X3

-822.2026

608.5734

-1.351033

0.1865

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1X 、2X 、3X 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。异方差检验

400,000,000

800,000,0001,200,000,0001,600,000,0002,000,000,000

2,400,000,0002,800,000,0003,200,000,000

40,000

50,00060,00070,00080,000

E 2

图4：初始模型的异方差性检验散点图

0400,000,000

800,000,0001,200,000,0001,600,000,0002,000,000,000

2,400,000,0002,800,000,0003,200,000,000

100,000

300,000500,000

E 2

图5：初始模型的异方差性检验散点图

0400,000,000

800,000,0001,200,000,0001,600,000,0002,000,000,000

2,400,000,0002,800,000,0003,200,000,000

100

105

110115

120

125

E 2

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

7.389277 Prob. F(3,31)

0.0007Obs*R-squared

14.59292 Prob. Chi-Square(3)0.0022Scaled explained SS

16.04356 Prob. Chi-Square(3)

0.0011

Test Equation:

Dependent Variable: RESID^2Method: Least Squares

Date: 06/30/15 Time: 21:21Sample: 1 35

Included observations: 35

Variable Coefficient Std. Error t-Statistic Prob. C -1.75E+089.08E+08-0.1924210.8487X1^20.0587460.0745670.7878260.4368X2^20.0064200.001696 3.7860560.0007X3^2

12409.06

69670.68

0.178110

0.8598R-squared

0.416941 Mean dependent var 3.88E+08Adjusted R-squared 0.360516 S.D. dependent var 6.60E+08S.E. of regression 5.28E+08 Akaike info criterion 43.11312Sum squared resid 8.63E+18 Schwarz criterion 43.29087Log likelihood -750.4796 Hannan-Quinn criter.43.17448F-statistic

7.389277 Durbin-Watson stat 1.621409

Prob(F-statistic)

0.000714

表6：带有交叉项的White 异方差检验结果

Heteroskedasticity Test: White F-statistic

7.389277 Prob. F(3,31)

0.0007Obs*R-squared

14.59292 Prob. Chi-Square(3)0.0022Scaled explained SS

16.04356 Prob. Chi-Square(3)

0.0011

Test Equation:

Dependent Variable: RESID^2Method: Least Squares

Date: 06/30/15 Time: 21:26Sample: 1 35

Included observations: 35

Variable Coefficient Std. Error t-Statistic Prob. C -1.75E+089.08E+08-0.1924210.8487X1^20.0587460.0745670.7878260.4368X2^20.0064200.001696 3.7860560.0007X3^2

12409.06

69670.68

0.178110

0.8598R-squared

7.389277 Durbin-Watson stat 1.621409

Prob(F-statistic)

0.000714

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Y 为被解释变量，逐个引入解释变量1X 、2X 、3X ，构成回归模型，进行模型估计。

被解释变量Y 与1X 最小二乘估计结果

Dependent Variable: Y Method: Least Squares

Date: 06/30/15 Time: 21:31Sample: 1 35

Included observations: 35

Variable Coefficient Std. Error t-Statistic Prob. C -561739.0137253.7-4.0927050.0003X1

10.85155

2.062978

5.260138

0.0000R-squared

0.456065 Mean dependent var 149841.8Adjusted R-squared 0.439582 S.D. dependent var 183380.5S.E. of regression 137280.6 Akaike info criterion 26.55289Sum squared resid 6.22E+11 Schwarz criterion 26.64176Log likelihood -462.6755 Hannan-Quinn criter.26.58357F-statistic

27.66905 Durbin-Watson stat 0.055431

Prob(F-statistic)

0.000009

被解释变量Y 与2X 最小二乘估计结果

Dependent Variable: Y Method: Least Squares

Date: 06/30/15 Time: 21:32Sample: 1 35

Included observations: 35

Variable Coefficient Std. Error t-Statistic Prob. C 33329.166383.827 5.2208740.0000X2

1.328518

0.039847

33.34054

0.0000R-squared

0.971169 Mean dependent var 149841.8Adjusted R-squared 0.970295 S.D. dependent var 183380.5S.E. of regression 31605.85 Akaike info criterion 23.61552Sum squared resid 3.30E+10 Schwarz criterion 23.70439Log likelihood -411.2716 Hannan-Quinn criter.23.64620F-statistic

1111.591 Durbin-Watson stat 0.222343

Prob(F-statistic)

0.000000

被解释变量Y 与3X 最小二乘估计结果

Dependent Variable: Y Method: Least Squares

Date: 06/30/15 Time: 21:34Sample: 1 35

Included observations: 35

Variable Coefficient Std. Error t-Statistic Prob. C 1065014.523816.0 2.0331820.0501X3

-8683.079

4961.716

-1.750015

0.0894R-squared

0.084923 Mean dependent var 149841.8Adjusted R-squared 0.057194 S.D. dependent var 183380.5S.E. of regression 178059.2 Akaike info criterion 27.07307Sum squared resid 1.05E+12 Schwarz criterion 27.16194Log likelihood -471.7786 Hannan-Quinn criter.27.10375F-statistic

3.062554 Durbin-Watson stat 0.093261

Prob(F-statistic)

0.089410

由图可以看出，Y 与2X 的拟合优度是最大的，R-squared=0.971169。再做

Y 与1X 和2X 的回归模型。

被解释变量Y 与1X 和2X 的最小二乘估计结果

Dependent Variable: Y Method: Least Squares

Date: 06/30/15 Time: 21:35Sample: 1 35

Included observations: 35

Variable Coefficient Std. Error t-Statistic Prob. C -120767.224367.00-4.9561810.0000X1 2.5135150.391266 6.4240560.0000X2

1.206225

0.032826

36.74635

0.0000R-squared

0.987408 Mean dependent var 149841.8Adjusted R-squared 0.986621 S.D. dependent var 183380.5S.E. of regression 21211.23 Akaike info criterion 22.84427Sum squared resid 1.44E+10 Schwarz criterion 22.97758Log likelihood -396.7746 Hannan-Quinn criter.22.89029F-statistic

1254.644 Durbin-Watson stat 0.419642

Prob(F-statistic)

0.000000

被解释变量Y 与1X 和2X 、3X 的最小二乘估计结果

Dependent Variable: Y Method: Least Squares

Date: 06/30/15 Time: 21:37Sample: 1 35

Included observations: 35

Variable Coefficient Std. Error t-Statistic Prob. C -29040.1572030.72-0.4031630.6896X1 2.4443200.389696 6.2723680.0000X2 1.2001610.03272036.679980.0000X3

-822.2026

608.5734

-1.351033

0.1865R-squared

858.6093 Durbin-Watson stat 0.573627

Prob(F-statistic)

0.000000

观察Y 与1X 和2X 最小二乘估计的拟合优度（R-squared =0.987408），与

Y 与1X 最小二乘估计的拟合优度（R-squared =0.456065）比较，变化明显，说明1X 对y 的影响显著。观察Y 与1X 和2X 、3X 最小二乘估计的拟合优度（R-squared =0.988108），与Y 与1X 和2X 最小二乘估计的拟合优度（R-squared =0.987408）比较，变化不明显，说明3X 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=35，解释变量的个数为3个，查DW 检验表知5%的上下界为dl=1.283，4-dl=2.717，du=1.653，4-du=2.347，；1%的上下界为dl=1.085，

4-dl=2.915，du=1.439，4-du=2.561。

本模型的DW 检验值为：DW=0.573627，在5%的水平下，0

-60,000

-40,000

-20,000

20,000

40,000

60,000

35RESID

-40,000

-30,000

-20,000

-10,000

10,000

20,000

-20,000

-10,0000

10,00020,000

RESID1

R E S I D

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。 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

加权最小二乘法估计模型参数结果输出表