计量经济学 案例分析
计量经济学模型案例
计量经济学模型案例计量经济学是经济学的一个重要分支，它运用数理统计和经济理论来研究经济现象。
在实际应用中，计量经济学模型可以帮助我们分析经济数据，预测经济变化，评估政策效果等。
下面我们将通过几个实际案例来展示计量经济学模型的应用。
首先，我们来看一个关于劳动力市场的案例。
假设我们想要研究教育水平对个体工资收入的影响。
我们可以建立一个计量经济学模型，以教育水平作为自变量，工资收入作为因变量，控制其他可能影响工资收入的因素，如工作经验、性别、地区等。
通过对大量的劳动力市场数据进行回归分析，我们可以得出教育水平对工资收入的影响程度，进而评估教育政策对经济的影响。
其次，我们来考虑一个关于消费行为的案例。
假设我们想要研究收入水平对消费支出的影响。
我们可以建立一个消费函数模型，以收入水平作为自变量，消费支出作为因变量，控制其他可能影响消费支出的因素，如家庭规模、价格水平、偏好等。
通过对消费者调查数据进行计量经济学分析，我们可以得出收入水平对消费支出的弹性，从而预测未来的消费趋势，指导政府制定经济政策。
最后，我们来看一个关于市场竞争的案例。
假设我们想要研究市场结构对企业利润的影响。
我们可以建立一个产业组织模型，以市场结构（如垄断、寡头、完全竞争）作为自变量，企业利润作为因变量，控制其他可能影响企业利润的因素，如生产成本、市场需求、技术创新等。
通过对不同产业的数据进行计量经济学分析，我们可以得出不同市场结构下的企业利润水平，为政府监管和产业政策提供依据。
通过以上案例的介绍，我们可以看到计量经济学模型在实际经济分析中的重要作用。
它不仅可以帮助我们理解经济现象的规律，还可以指导政策制定和企业决策。
当然，计量经济学模型的建立和分析也需要注意数据的质量、模型的假设条件等问题，只有在严谨的理论基础和丰富的实证分析基础上，我们才能得出可靠的经济结论。
综上所述，计量经济学模型在经济学研究中具有重要的地位和作用，它为我们提供了一种强大的工具来分析经济现象，预测经济变化，评估政策效果。
计量经济学案例分析
0.714371 0.600119 6386.730 6.12E+08 -219.7672 1.975920
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
-1.74E-11 10099.81 20.61520 20.96235 6.252598 0.001875
可以看出，n=22*0.714371=15.716162， 相伴概率为p=0.000387，因此在显著水 平α=0.05的条件下，拒绝无自相关的原
假设，即随机干扰项存在自相关。又 因为的回归系数显著不为0（P值为 0.0062），表明存在一阶自相关。又的 回归系数不为0，但是对应的P值 =0.1363>0.05，所以表明不存在二阶自
首先，一国进出贸易的发展程度很 大程度上依赖于这个国家的经济发展 水平，衡量一个国家经济发展水平的 最有效的指标就是GDP。国民经济越发 达，与国外的联系也会越紧密，从而 推动国家进出口贸易的发展。
其次，进出口额是指一国出口商品 所得收入和进口 商品的外汇支出的总 额。它直接产生的关税就是财政收入 。所以财政收入越多，进出口额也同 步增长。另一方面，财政支出若是增 多，我国则会减少多进出口贸易的投 资支出，所以财政支出与进出口额也 密切相关。
95539.1
159878.3
2005
116921.8
184937.4
2006
140974
216314.4
2007
166863.7
265810.3
2008
179921.4702
计量经济学案例
计量经济学案例计量经济学是经济学的一个重要分支，它运用数理统计和数学工具来分析经济现象，验证经济理论和检验经济政策的有效性。
在实际应用中，计量经济学常常通过案例研究来展示其理论和方法在解决实际问题中的应用。
下面，我们将通过一个实际的案例来说明计量经济学的应用。
某国家的一家汽车制造商希望了解汽车价格与销量之间的关系，以便制定合理的定价策略。
为了研究这一问题，他们收集了过去几年的汽车价格和销量数据，并进行了分析。
首先，他们利用计量经济学中的回归分析方法，建立了汽车价格和销量之间的数学模型。
在这个模型中，销量是因变量，而价格是自变量。
通过回归分析，他们得到了汽车价格对销量的影响程度，以及其他可能影响销量的因素。
接着，他们进行了统计检验，验证了他们建立的数学模型的有效性。
通过检验结果，他们确认了汽车价格对销量的影响，并排除了其他因素对销量的影响。
这为他们制定合理的定价策略提供了重要的依据。
最后，他们利用建立的数学模型，进行了一系列的预测和模拟。
他们可以通过调整汽车价格，来预测不同定价策略对销量的影响，以及对企业利润的影响。
这些预测和模拟结果为企业提供了重要的决策参考。
通过这个案例，我们可以看到计量经济学在实际应用中的重要性和价值。
它不仅可以帮助企业了解市场和消费者行为，还可以为企业决策提供科学的依据。
当然，计量经济学的方法和工具不仅局限于汽车制造业，它在其他行业和领域也有着广泛的应用。
总之，计量经济学案例的研究对于理论的验证和实证分析都具有重要的意义。
通过实际案例的研究，我们可以更好地理解计量经济学的方法和工具，以及它们在解决实际问题中的应用。
希望这个案例能够给大家带来一些启发，也希望大家能够更加重视计量经济学的学习和研究。
2019年南开大学《计量经济学》案例分析.doc
南开大学《计量经济学》案例分析案例一：用回归模型预测木材剩余物（file:b1c3）伊春林区位于黑龙江省东北部。
全区有森林面积218.9732万公顷，木材蓄积量为2.324602亿m3。
森林覆盖率为62.5%，是我国主要的木材工业基地之一。
1999年伊春林区木材采伐量为532万m3。
按此速度44年之后，1999年的蓄积量将被采伐一空。
所以目前亟待调整木材采伐规划与方式，保护森林生态环境。
为缓解森林资源危机，并解决部分职工就业问题，除了做好木材的深加工外，还要充分利用木材剩余物生产林业产品，如纸浆、纸袋、纸板等。
因此预测林区的年木材剩余物是安排木材剩余物加工生产的一个关键环节。
下面，利用一元线性回归模型预测林区每年的木材剩余物。
显然引起木材剩余物变化的关键因素是年木材采伐量。
给出伊春林区16个林业局1999年木材剩余物和年木材采伐量数据如表1.1。
散点图见图1.1。
观测点近似服从线性关系。
建立一元线性回归模型如下：y t = β0 + β1 x t + u t表1.1 年剩余物y t和年木材采伐量x t数据林业局名年木材剩余物y t（万m3）年木材采伐量x t（万m3）乌伊岭26.13 61.4 东风23.49 48.3 新青21.97 51.8 红星11.53 35.9 五营7.18 17.8 上甘岭 6.80 17.0 友好18.43 55.0 翠峦11.69 32.7 乌马河 6.80 17.0 美溪9.69 27.3 大丰7.99 21.5 南岔12.15 35.5 带岭 6.80 17.0 朗乡17.20 50.0 桃山9.50 30.0 双丰 5.52 13.8合计202.87 532.00图1.1 年剩余物y t和年木材采伐量x t散点图图1.2 EViews输出结果EViews估计结果见图1.2。
在已建立Eviews数据文件的基础上，进行OLS估计的操作步骤如下：打开工作文件，从主菜单上点击Quick键，选Estimate Equation 功能。
计量经济学案例分析汇总
计量经济学案例分析1一、研究的目的要求居民消费在社会经济的持续发展中有着重要的作用。
居民合理的消费模式和居民适度的消费规模有利于经济持续健康的增长, 而且这也是人民生活水平的具体体现。
改革开放以来随着中国经济的快速发展, 人民生活水平不断提高, 居民的消费水平也不断增长。
但是在看到这个整体趋势的同时, 还应看到全国各地区经济发展速度不同, 居民消费水平也有明显差异。
例如, 2002年全国城市居民家庭平均每人每年消费支出为6029.88元, 最低的黑龙江省仅为人均4462.08元, 最高的上海市达人均10464元, 上海是黑龙江的2.35倍。
为了研究全国居民消费水平及其变动的原因, 需要作具体的分析。
影响各地区居民消费支出有明显差异的因素可能很多, 例如, 居民的收入水平、就业状况、零售物价指数、利率、居民财产、购物环境等等都可能对居民消费有影响。
为了分析什么是影响各地区居民消费支出有明显差异的最主要因素, 并分析影响因素与消费水平的数量关系, 可以建立相应的计量经济模型去研究。
二、模型设定我们研究的对象是各地区居民消费的差异。
居民消费可分为城市居民消费和农村居民消费, 由于各地区的城市与农村人口比例及经济结构有较大差异, 最具有直接对比可比性的是城市居民消费。
而且, 由于各地区人口和经济总量不同, 只能用“城市居民每人每年的平均消费支出”来比较, 而这正是可从统计年鉴中获得数据的变量。
所以模型的被解释变量Y选定为“城市居民每人每年的平均消费支出”。
因为研究的目的是各地区城市居民消费的差异, 并不是城市居民消费在不同时间的变动, 所以应选择同一时期各地区城市居民的消费支出来建立模型。
因此建立的是2002年截面数据模型。
影响各地区城市居民人均消费支出有明显差异的因素有多种, 但从理论和经验分析, 最主要的影响因素应是居民收入, 其他因素虽然对居民消费也有影响, 但有的不易取得数据, 如“居民财产”和“购物环境”；有的与居民收入可能高度相关, 如“就业状况”、“居民财产”；还有的因素在运用截面数据时在地区间的差异并不大, 如“零售物价指数”、“利率”。
计量经济学案例分析
计量经济学案例分析姓名：学号：学院：管理学院专业： 10级工程管理计量经济学案例分析案例：研究从1989-2009年，影响我国国债发行总量的主要因素。
当年的国债发行总量(Y)，国内生产总值(X1)、城乡居民储蓄存款(X2)、国家财政收入(X3)、国家财政赤字(X4)、国债余额（X5）。
在这里，国债发行总量作为被解释变量，其余为解释变量。
数据如下：作散点图观察各变量的增长趋势，如图所示：从上面的散点图可以看出Y，X1，X2，X3，X4，X5都是逐年增长的，但增长速率并不相同，是曲线增长，为便于研究，将模型设置如下：lnY t=β0+β1lnX1t+β2lnX2t+β3lnX3t+β4lnX4t+β5lnX5t+μt其中，μ为随机误差项。
进行普通最小二乘回归，结果如下所示：lnY=−5.950463+3.204509lnX1−2.170162lnX2−2.007389lnX3+0.1876280lnX4 +1.976280lnX5模型估计结果说明，在假定其他条件不变的情况下，当年国内生产总值每增长1%，国债发行总量会增加3.204509%；在假定其他条件不变的情况下，当年城乡居民储蓄额每增长1%，国债发行总量会减少2.170162%；在假定其他条件不变的情况下，当年财政收入每增长1%，国债发行总量会减少2.007389%；在假定其他条件不变的情况下，当年财政赤字每增长1%，国债发行总量会增加0.1876280%；在假定其他条件不变的情况下，当年国债余额每增加1%，国债发行总量会增加1.976280%。
上述分析与实际不符，模型需要进一步调整。
多重共线性检验由普通最小二乘回归结果知R2=0.986336，修正后的可决系数为0.981782，这说明模型对样本的拟合较好。
F值为216.5585，很显著，即“国内生产总值”、“城乡居民储蓄额”、“财政收入”、“财政赤字”和“国债余额”5个变量联合起来对“国债发行总量”有显著影响。
计量经济学模型案例
计量经济学模型案例计量经济学是经济学的一个重要分支，它通过建立数学模型来研究经济现象，并利用实证数据对模型进行检验和估计。
在实际应用中，计量经济学模型可以帮助我们理解经济现象的规律，预测未来的经济走势，制定经济政策等。
下面，我们将通过几个实际案例来介绍计量经济学模型在经济分析中的应用。
首先，我们来看一个简单的线性回归模型的案例。
假设我们想研究劳动力市场的供求关系，我们可以建立一个简单的线性回归模型来分析劳动力市场的工资水平与就业率之间的关系。
我们收集了一些城市的数据，包括每个城市的平均工资水平、就业率、教育水平等变量，然后利用线性回归模型来估计工资水平与就业率之间的关系。
通过对模型的检验和估计，我们可以得出一些结论，比如工资水平的提高是否会影响就业率，教育水平对工资水平的影响等。
其次，我们来看一个时间序列模型的案例。
假设我们想预测未来几个季度的经济增长率，我们可以利用时间序列模型来进行预测。
我们收集了过去几年的经济增长率数据，然后利用时间序列模型来对未来的经济增长率进行预测。
通过对模型的估计和预测，我们可以得出一些结论，比如未来几个季度的经济增长率可能会呈现什么样的趋势，有助于政府制定经济政策和企业进行经营决策。
最后，我们来看一个面板数据模型的案例。
假设我们想研究不同地区的经济增长对环境污染的影响，我们可以利用面板数据模型来进行分析。
我们收集了不同地区的经济增长率和环境污染指标的数据，然后利用面板数据模型来估计经济增长与环境污染之间的关系。
通过对模型的检验和估计，我们可以得出一些结论，比如经济增长对环境污染的影响程度，不同地区之间的差异等。
综上所述，计量经济学模型在经济分析中具有重要的应用价值。
通过建立合适的模型并利用实证数据进行分析，我们可以更好地理解经济现象的规律，预测未来的经济走势，为政府制定经济政策和企业经营决策提供科学依据。
希望以上案例可以帮助大家更好地理解计量经济学模型在实际应用中的重要性和价值。
计量经济学案例分析第七章
第七章 案例分析【案例7.1】 为了研究1955—1974年期间美国制造业库存量Y 和销售额X 的关系，我们在例7.3中采用了经验加权法估计分布滞后模型。
尽管经验加权法具有一些优点，但是设置权数的主观随意性较大，要求分析者对实际问题的特征有比较透彻的了解。
下面用阿尔蒙法估计如下有限分布滞后模型：tt t t t t u X X X X Y +++++=---3322110ββββα将系数i β(i =0,1,2,3)用二次多项式近似，即00αβ=2101αααβ++=210242αααβ++= 210393αααβ++=则原模型可变为t t t t t u Z Z Z Y ++++=221100αααα其中3212321132109432---------++=++=+++=t t t t t t t t t t t t t X X X Z X X X Z X X X X Z在Eviews 工作文件中输入X 和Y 的数据，在工作文件窗口中点击“Genr ”工具栏，出现对话框，输入生成变量Z 0t 的公式，点击“OK ”；类似，可生成Z 1t 、Z 2t 变量的数据。
进入Equation Specification 对话栏，键入回归方程形式Y C Z0 Z1 Z2点击“OK ”，显示回归结果（见表7.2）。
表7.2表中Z0、 Z1、Z2对应的系数分别为210ααα、、的估计值210ˆˆˆααα、、。
将它们代入分布滞后系数的阿尔蒙多项式中，可计算出3210ˆˆˆˆββββ、、、的估计值为： -0.522)432155.0(9902049.03661248.0ˆ9ˆ3ˆˆ0.736725)432155.0(4902049.02661248.0ˆ4ˆ2ˆˆ 1.131142)432155.0(902049.0661248.0ˆˆˆˆ661248.0ˆˆ21012101210100=-⨯+⨯+=++==-⨯+⨯+=++==-++=++===αααβαααβαααβαβ从而，分布滞后模型的最终估计式为：32155495.076178.015686.1630281.0419601.6----+++-=t t t t t X X X X Y在实际应用中，Eviews 提供了多项式分布滞后指令“PDL ”用于估计分布滞后模型。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第二章 案例分析研究目的：分析各地区城镇居民计算机拥有量与城镇居民收入水平的关系，对更多规律的研究具有指导意义.一． 模型设定2011年年底城镇居民家庭平均每百户计算机拥有量Y 与城镇居民平均每人全年家庭总收入X 的关系图2.1 各地区城镇居民每百户计算机拥有量与人均总收入的散点图由图可知，各地区城镇居民每百户计算机拥有量随着人均总收入水平的提高而增加，近似于线性关系，为分析其数量性变动规律，可建立如下简单线性回归模型：Y t =β1+β2X t +u t5060708090100110120130140XY二．估计参数假定所建模型及其随机扰动项u i满足各项古典假设，用普通最小二乘法（OLSE）估计模型参数.其结果如下：表2.1 回归结果Dependent Variable: YMethod: Least SquaresDate: 11/13/17 Time: 12:50Sample: 1 31Included observations: 31Variable Coefficient Std. Error t-Statistic Prob.C 11.95802 5.622841 2.126686 0.0421X 0.002873 0.000240 11.98264 0.0000R-squared 0.831966 Mean dependent var 77.08161 Adjusted R-squared 0.826171 S.D. dependent var 19.25503 S.E. of regression 8.027957 Akaike info criterion 7.066078 Sum squared resid 1868.995 Schwarz criterion 7.158593 Log likelihood -107.5242 Hannan-Quinn criter. 7.096236 F-statistic 143.5836 Durbin-Watson stat 1.656123 Prob(F-statistic) 0.000000由表2.1可得，β1=11.9580，β2=0.0029故简单线性回归模型可写为：^ YX tt=11.9580+0.0029其中：SE(β1)=5.6228, SE(β2)=0.0002R-squared=0.8320，F=143.5836，n=31三．模型检验1.经济意义参数β1=11.9580 ,β2=0.0029，说明城镇居民家庭人均总收入每增加1元，城镇居民每百户拥有量平均增加0.0029台，与预期经济意义相符.2.拟合优度和统计检验拟合优度的度量：因为R-squared=0.8320，说明所建模型在整体上对样本数据拟合较好，解释变量对被解释变量的解释程度较高.回归系数的t检验：原假设H0：β1=0及H0：β2=0.回归系数β1的标准误差和t值分别为：SE(β1)= 5.6228，t(β1)=2.1267；回归系数β2的标准误差和t值分别为：SE(β2)= 0.0002，t(β2)= 11.9826.取α=0.05，故临界值t0.025(29)= 2.045，因为t(β1)= 2.1267>t0.025(29)= 2.045，故拒绝H0：β1=0；t(β2)= 11.9826.>t0.025(29)= 2.045，故拒绝H0：β2=0.对斜率系数的显著性检验表明:城镇居民人均总收入对城镇居民每百户计算机拥有量有显著影响. 四．回归预测若西部地区某省城镇居民家庭人均收入能达到25000元/人，利用所估计模型预测城镇居民每百户计算机拥有量。
1. 点预测X f =25000, ^Y f =11.9580+0.0029*25000=83.7846(台) 2. 区间预测为作区间预测，取取α=0.05，平均置信度95%的预测区间为：^ Y f ∓t α2^ σ√1n +(X f −X ^)2∑x i 表2.2 X 和Y 的描述统计结果YXMean 77.08161 22666.97 Median 71.66000 20094.18 Maximum 137.7000 40532.29 Minimum 52.65000 16267.37 Std. Dev. 19.25503 6112.965 Skewness 1.185095 1.515854 Kurtosis 4.259649 4.384257 Jarque-Bera 9.305832 14.34708 Probability 0.009534 0.000767 Sum2389.530 702676.0 Sum Sq. Dev. 11122.691.12E+09Observations 3131其中， ^ Y f=83.7846，σx=6112.965, n=31, t α2=2.045, ^ σ=8.0280 ∑x i 2=∑(X i −X ^)2=σX 2(n −1)=6112.9652(31-1)=1121050233;(X f − - X )2=(25000-22666.97)^2=5443028.981; ^ Y f∓t α2σ^√1n +(X f −X ^)2∑x i 2=83.7846∓2.045*8.0280*√131+5443028.9811121050233=83.7846∓3.1627故平均置信度95%的预测区间为（80.6219,9473）台.第三章 案例分析研究目的：研究中国地方财政教育支出差异的主要原因，分析地方财政教育支出增长的规律，预测中国地方财政教育支出的增长趋势.一． 模型设定地方财政教育支出与各影响因素的关系图3.1 地方财政教育支出及影响因素数据图形其中，Y 为地方教育财政支出（/亿元）；X2为地区生产总值（/亿元）；X3为年末人口总数（/万人）；X4为居民平均每人教育现金消费；X5居民教育消费价格指数；X6为教育支出在地方财政支出的比重.分析上图可知，各地区地方财政教育经费支出及各影响因素的差异明显，其变动的方向基本一致，为探究其数量变动规律，建立如下线性回归模型：Y ii =β1+β2X 2i +β3X 3i +β4X 4i +β5X 5i +β6X 6i +u i10,00020,00030,00040,00050,00060,000二．估计参数假定所建模型及其随机扰动项u i满足各项古典假设，用普通最小二乘法（OLSE）估计模型参数.其结果如表3.1所示：表3.1 回归结果Dependent Variable: YMethod: Least SquaresDate: 11/15/17 Time: 21:06Sample: 1 31Included observations: 31Variable Coefficient Std. Error t-Statistic Prob.C -2416.491 935.8816 -2.582048 0.0161X2 0.011171 0.001768 6.316726 0.0000X3 0.039473 0.007951 4.964338 0.0000X4 0.146028 0.051660 2.826690 0.0091X5 22.81615 9.086687 2.510942 0.0189X6 866.4100 470.3214 1.842166 0.0773R-squared 0.973227 Mean dependent var 499.9448 Adjusted R-squared 0.967872 S.D. dependent var 275.3621 S.E. of regression 49.35657 Akaike info criterion 10.80800 Sum squared resid 60901.79 Schwarz criterion 11.08555 Log likelihood -161.5241 Hannan-Quinn criter. 10.89848 F-statistic 181.7539 Durbin-Watson stat 2.378747 Prob(F-statistic) 0.000000由表3.1可得：β1=-2416.491，β2=0.0112，β3=0.0395，β4=0.1460β5=22.8162，β6=866.4100故模型估计的结果为：^=−2416.491+0.0112X2+0.0395X3+0.1460X4 Yi+22.8162X5+866.4100X6R2=0.9732, - R2=0.9679，n=31t(β1)=-2.5820, t(β2)=6.3167, t(β3)=4.9643t(β4)=2.8267, t(β5)=2.5109, t(β6)=1.8421三．模型检验1.经济意义在假定其他变量不变的情况下，当地区生产总值每增长1亿元，地方财政教育支出将平均增长0.0112亿元；当地区年末人口每增长1万人，地方财政教育支出将平均增长0.0395亿元；当居民平均每人教育现金消费增加1元，地方财政教育支出将平均增长0.1460亿元；当居民教育消费价格指数增加1个百分点，地方财政教育支出将平均增长22.8162亿元。
当教育支出在地方财政支出中的比重增加1%，地方财政教育支出将平均增长866.41亿元。
这与理论分析和经验判断相一致。
2.拟合优度和统计检验拟合优度的度量：因为R-squared=0.9732，Adjusted R-squared=0.9679，说明所建模型在整体上对样本数据拟合较,好.回归系数的t检验：原假设H0：β2=β3=β4=β5=β6=0，取α=0.05，故临界值t0.025(25)=2.060;α=0.10，临界值t0.025(25)=1.708. 回归系数β1t值为：t(β1)=-2.5820>−t0.025(25)=-2.060, 故拒绝H0：β1=0；回归系数β2t值为：t(β2)=6.3167>t0.025(25)=2.060, 故拒绝H0：β2=0；回归系数β3t值为：, t(β3)=4.9643>t0.025(25)=2.060, 故拒绝H0：β3=0；回归系数β4t值为：t(β4)=2.8267>t0.025(25)=2.060, 故拒绝H0：β4=0；回归系数β5t 值为：t(β5)=2.5109>t 0.025(25)= 2.060, 故拒绝H 0：β5=0； 回归系数β6t 值为：t(β6)=1.8421t 0.025(25)= 2.060, 故不能拒绝H 0：β6=0； 综上所述,结论如下：在显著性水平α=0.05时，当在其他变量不变的情况下，解释变量“地区生产总值X 2”、“年末人口数X 3”、“居民平均每人教育现金消费X 4”、“居民教育消费指数X 5”分别对“地方财政教育支出Y ”都有显著影响.此时“教育支出在地方财政支出中的比重X 6”对“地方财政教育支出Y ”无显著影响. 在显著性水平α=0.10时, “教育支出在地方财政支出中的比重X 6”对“地方财政教育支出Y ”有显著影响，即解释变量“地区生产总值X 2”、“年末人口数X 3”、“居民平均每人教育现金消费X 4”、“居民教育消费指数X 5”、“教育支出在地方财政支出中的比重X 6”对“地方财政教育支出Y ”都有影响.第四章 案例分析研究目的：为规划中国未来旅游产业发展，需要定量地分析影响中国旅游市场发展的主要因素.一． 模型设定国内旅游收入与各影响因素的关系图4.1 国内旅游收入与各影响因素关系图40,00080,000120,000160,000200,000240,000280,000分析图4.1可知，国内旅游人数（X2/万人次）、城镇居民人均旅游花费（X3/元）、农村居民人均旅游花费（X4/元）、铁路里程（X5/万公里）与国内旅游收入(Y/亿元)具有正相关关系.二．估计参数采用普通最小二乘法（OLS法）估计模型参数，其结果如表4.1所示.表4.1 回归结果Dependent Variable: YMethod: Least SquaresDate: 11/18/17 Time: 13:01Sample: 1 18Included observations: 18Variable Coefficient Std. Error t-Statistic Prob.C 450.9799 3932.314 0.114686 0.9104X2 0.073021 0.009533 7.659772 0.0000X3 -6.655505 2.675543 -2.487534 0.0272X4 14.15019 3.482846 4.062824 0.0013X5 -230.9844 822.5258 -0.280823 0.7833R-squared 0.985814 Mean dependent var 5567.064 Adjusted R-squared 0.981449 S.D. dependent var 4702.188 S.E. of regression 640.4485 Akaike info criterion 15.99235 Sum squared resid 5332266. Schwarz criterion 16.23967 Log likelihood -138.9311 Hannan-Quinn criter. 16.02645 F-statistic 225.8475 Durbin-Watson stat 1.378830 Prob(F-statistic) 0.000000由表4.1可得：β1=450.9799，β2=0.0730，β3=-6.6555，β4=14.1502，β5=-230.9844 R2=0.9858, - R2=0.9814，F=225.8475，n=18分析可知，该模型的拟合度很好，明显显著。