计量经济模型
计量经济学模型的核心内容
计量经济学模型的核心内容计量经济学是经济学的一个重要分支，旨在通过建立经济学模型来解释和预测经济现象。
计量经济学模型是计量经济学研究的核心内容，它能够帮助研究者对经济现象进行量化分析和预测。
下面将介绍计量经济学模型的核心内容。
一、模型的假设计量经济学模型建立在一系列假设的基础上，这些假设是为了简化和抽象经济现象，使得模型能够更好地描述实际情况。
常见的假设包括理性行为假设、市场均衡假设、完全竞争假设等。
这些假设为模型提供了基本的框架，使得研究者能够对经济问题进行具体的分析和预测。
二、模型的变量计量经济学模型中包含多个变量，这些变量代表了经济现象中的各个要素。
常见的变量包括经济产出、价格、就业率、利率等。
通过对这些变量的测量和分析，可以揭示它们之间的关系和相互影响，进而理解和解释经济现象的发生和演变。
三、模型的结构计量经济学模型的结构是指模型中各个变量之间的关系和相互作用方式。
常见的模型结构包括线性模型、非线性模型、动态模型等。
线性模型假设模型中的变量之间存在线性关系，非线性模型则允许变量之间存在非线性关系。
动态模型则考虑了时间的因素，使得模型能够更好地反映经济现象的变化和演化。
四、模型的估计计量经济学模型的估计是指通过实证分析来确定模型中的参数值。
估计模型参数的方法有很多种，常见的方法包括最小二乘法、极大似然法、广义矩估计法等。
通过对模型参数的估计，可以得到模型对经济现象的解释和预测结果。
五、模型的检验计量经济学模型的检验是指通过统计方法对模型的有效性和适用性进行检验。
常见的检验方法包括假设检验、拟合优度检验、残差分析等。
通过对模型的检验，可以评估模型在描述和预测经济现象方面的准确性和可靠性。
六、模型的应用计量经济学模型的应用范围广泛，可以用于解释和预测各种经济现象。
例如，可以利用计量经济学模型来研究货币政策对经济增长的影响，分析贸易政策对国际贸易的影响，预测股票市场的走势等。
通过应用计量经济学模型，可以更好地理解和解释经济现象，并为政策制定提供科学依据。
经济计量模型
经济计量模型经济计量模型是经济学中应用计量方法对经济现象进行建模和研究的工具。
它通过运用统计学和数学等方法来分析经济数据，从而对经济变量之间的关系进行定量描述和预测。
经济计量模型在经济学研究和政策分析中起着重要的作用，能够解释经济现象背后的规律和因果关系。
一、经济计量模型的类型经济计量模型可以分为线性模型和非线性模型两大类。
1. 线性模型线性模型假设经济变量之间的关系是线性的，通过线性代数的方法进行建模和推导。
它的最常见形式是多元线性回归模型，其中一个因变量由若干个自变量线性组合构成。
例如，经济学家常用的哈里斯-塔克（Harris-Todaro）模型和Cobb-Douglas生产函数都是线性模型的典型例子。
2. 非线性模型非线性模型则假设经济变量之间的关系是非线性的。
非线性模型在描述复杂的经济现象和行为方面往往更为准确。
例如，具有阈值效应的门槛模型和考虑非线性效应的VAR模型都是非线性模型的代表。
二、经济计量模型的建立经济计量模型的建立过程通常包括以下几个步骤：1. 数据收集构建经济计量模型首先需要收集与模型相关的经济数据。
数据的准确性和完整性对模型的建立和研究结果的可信度起到决定性的作用。
2. 模型设定模型设定是在理论和实证研究的基础上，根据经济变量之间的逻辑关系和经验判断，选择适当的变量和函数形式进行设定。
模型设定的合理性对模型的有效性有着重要影响。
3. 参数估计参数估计是指利用收集到的经济数据对模型中的未知参数进行估计。
常见的估计方法包括最小二乘法、极大似然法等。
参数估计的精确性和统计性质对模型的可靠性和可解释性至关重要。
4. 模型检验模型检验是对建立的模型进行严格检验，包括统计检验、经济意义检验和灵敏度分析等。
通过模型检验，可以评估模型的拟合度和稳健性，确保模型的有效性和合理性。
三、经济计量模型的应用经济计量模型的应用范围广泛，涵盖了宏观经济、微观经济、产业经济等多个领域。
1. 宏观经济领域宏观经济计量模型用于分析全球、国家或地区的宏观经济变量之间的关系，如国内生产总值、通货膨胀率、利率等。
计量经济学模型应用分析
计量经济学模型应用分析计量经济学是一门以数据为基础，运用数学、统计学和经济学等相关学科分析和解释经济现象的学科。
在实践中，计量经济学主要通过建立各种经济模型来分析和预测现实经济问题。
在本文中，我们将探讨计量经济学模型的应用分析。
一、单因素模型单因素模型是一种简单的计量经济学模型，其特点是只考虑一个因素对经济变量的影响。
例如，研究公路通行费对公路使用量的影响，或者研究利率对消费者支出的影响。
在这种模型中，经济变量（因变量）被解释为一个单独的影响因素（自变量）的函数。
通常，单因素模型采用线性回归来描述变量之间的关系。
回归模型的基本形式为：Y= a + bX + ε其中，Y是因变量（例如，需求或价格），X是自变量（例如，收入或成本），a和b是常数，ε是误差项（通常性质是随机的）。
a反映了Y在X=0时的值，b反映了Y随X的变化。
单因素模型在经济学实践中应用广泛。
例如，研究收入水平对消费支出的影响，研究通货膨胀率对股票价格的影响，以及研究贸易政策对贸易流量的影响。
单因素模型提供了一个可靠的方法来评估影响因素对因变量的影响程度。
二、多重线性回归模型多重线性回归模型是一种计量经济学模型，它允许解释因变量在多个自变量（或因素）下的变化。
该模型的形式为：Y= a + b1X1 + b2X2 +......+ bnXn + ε在此模型中，Y是因变量，X1、X2、...、Xn是自变量（或因素），a、b1、b2等是回归系数，ε是观测误差。
回归系数反映了因变量与自变量之间的关系。
具体而言，回归系数越大，自变量对因变量的影响越大。
多重线性回归模型具有广泛的应用范围。
例如，它可以用于研究成本对价格的影响，对劳动力市场的影响以及对经济增长的影响。
此外，多重线性回归模型还可以用于评估因素之间的相互作用，这是单因素模型无法实现的。
三、时间序列模型时间序列模型是一种专门用于描述和预测时间序列数据的计量经济学模型。
时间序列数据是指按时间顺序收集的数据。
计量经济学GMM模型
计量经济学GMM模型计量经济学GMM模型是指基于计量经济学的Generalized Method of Moment(GMM)模型。
它是一种基于有限数学参数来解释经济现象的模型，它利用最优估计技术来拟合大量数据，预测和分析隐藏在它们背后的模式。
为了使用GMM模型来估计价格、需求、收入、消费、投资和其他宏观变量，需要对其进行调整和运行。
一、计量经济学GMM模型基本原理计量经济学GMM模型的基本原理建立在极大似然估计(MLE)的基础之上。
它假设某一经济现象的行为是由一个有限、可估计参数的定量模型来建模的，这些参数的估计值可以使模型的残差最小化。
模型除了参数之外，还规定了模型对应的经济现象的一般特征（比如相关性）。
因此，计量经济学GMM模型是通过最小化函数来拟合实验数据，以确定参数值的一种方法。
二、计量经济学GMM模型特点1.有效性：由于GMM模型能够在有限数据情况下得到准确估计，因此是一种十分可靠的估计方法。
2.准确性：与其他经济数据加工方法（如典型回归模型）相比，GMM的准确性要好得多，能够提供更精确的参数估计。
3.便捷性：GMM模型也是一种简单便捷的预测方法，可以轻易地从历史数据中抽取出参数，从而把它们应用到现实经济中。
4.减小噪音：GMM模型能够准确地对数据进行拟合，可以有效地压制测量误差的影响。
三、计量经济学GMM模型的应用1. 价格预测：GMM模型可以通过利用时间序列上的历史数据、均衡条件以及其他特征，预测出最终的物价变动情况；2. 投资分析：使用GMM模型，可以施行完整性的投资分析，以便估计未来对投资报酬的影响程度；3. 消费预测：使用此模型预测消费行为，可以估计预算支出，并调节它以达到给定的消费预算。
4. 估计协整模型：GMM模型可以被用来估计协整模型，这样可以用来衡量不同的经济变量是否存在协整关系。
总之，计量经济学GMM模型对于对数据拟合和通过数据估计市场变量都具有重要意义。
它具有有效性、准确性、便捷性和减少噪音的特点；并且可以被广泛用于价格预测、投资分析、消费预测和估计协整模型等领域。
计量经济模型及含义论文
计量经济模型及含义论文计量经济学是经济学中的一个重要分支，主要研究经济学中使用计量方法来分析经济现象和问题。
计量经济模型是计量经济学中应用最广泛的工具之一，它通过将经济学理论中的假设转化为数学形式，以便定量分析经济现象。
本文将详细介绍计量经济模型的基本概念、分类以及在经济学领域中的应用。
一、基本概念计量经济模型是对经济实际现象进行定量分析和预测的数学模型。
它基于经济学理论，使用统计学，数学和计算机科学方法，从数据中抽象出经济现象的本质特征和规律，以此提出有关经济变量之间关系的假设，并利用计量经济方法进行验证。
计量经济模型的基本假设包括结构假设、统计假设和函数假设。
二、分类计量经济模型按照变量的性质分为宏观经济模型和微观经济模型，按照观测随机性分为确定性模型和随机模型。
在计量经济学中应用较为广泛的主要模型包括线性回归模型、时间序列模型和面板数据模型。
1. 线性回归模型线性回归模型是计量经济学中最常见的模型之一，它通过建立经济变量之间的线性关系来描述经济现象。
线性回归模型可以分为单变量回归和多变量回归模型两种类型，多变量回归模型中又分为多元线性回归和多项式回归两种形式。
线性回归模型的应用范围广泛，可以用来研究成本、收入、价格、就业等方面的经济问题。
2. 时间序列模型时间序列模型主要用于研究时间序列数据的变化规律，其基本假设是时间序列数据具有一定的平稳性。
常用的时间序列模型包括自回归模型、移动平均模型和ARMA模型等。
3. 面板数据模型面板数据模型是一种使用面板数据对经济变量进行分析的方法。
面板数据是指对同一群体或人群在不同时间和不同地点上的数据进行的横向比较和纵向分析，可以通过面板数据模型进行经济变量之间的关系分析以及预测。
三、应用计量经济模型在经济学领域中应用广泛，可以用于分析生产、消费、出口、投资等各个方面的经济问题。
其中，线性回归模型被广泛应用于服务业、金融业、医疗保健等领域，用于预测市场需求、研究货币政策、分析医疗保健成本等问题；时间序列模型被广泛应用于宏观经济预测、股票价格预测等领域，用于研究货币政策、经济增长和就业等问题；面板数据模型被广泛应用于人口统计学、医学研究、教育研究等领域，用于分析人口增长、医疗保健政策和教育政策等问题。
计量经济学7经典计量经济学应用模型
四、几种主要生产函数模型旳参数估计措施 五、生产函数模型在技术进步分析中旳应用 六、建立生产函数模型中旳数据质量问题
一、几种主要概念
⒈ 生产函数 ⑴ 定义 • 描述生产过程中投入旳生产要素旳某种组协议
它可能旳最大产出量之间旳依存关系旳数学体 现式。
Y f ( A, K, L,)
• 投入旳生产要素 • 最大产出量
C-D生产函数 C-D生产函数旳改
C-D生产函数旳改
含体现型技术进步
1967年 Arrow等
两要素CES生产函数
1967年 Sato
二级CES生产函数
1968年 Sato, Hoffman VES生产函数
1968年 Aigner, Chu
边界生产函数
1971年 Revanker
VES生产函数
1973年 Christensen, Jorgenson 超越对数
• 退化为C-D生产函数。为何？
• 当a=1时，
1 bk
1
b
c
Y AK 1c ( L ( ) K) 1c
1 c
1 ( )m
b
c ( )m
Y AK 1c ( L ( ) K) 1c
1 c
为实际应用旳VES生产函数。
•为何是“变替代弹性”？
⒍ 超越对数生产函数模型 (Translog P.Fln K ln( L K)
生产函数
1980年
三级CES生产函数
⑶ 生产函数是经验旳产物 • 生产函数是在西方国家发展起来旳，作为西方经
济学理论体系旳一部分，与特定旳生产理论与环 境相联络。
• 西方国家发展旳生产函数模型能够被我们所应用 ：
生产函数反应旳是生产中投入要素与产出量 之间旳技术关系；
计量经济学理论的模型解释与预测
计量经济学理论的模型解释与预测引言计量经济学是经济学中一个重要的分支，其研究方法主要基于经济理论和数理统计学，旨在通过使用数学和统计方法来解释经济现象，并进行预测和政策分析。
计量经济学理论的模型是实现这一目标的核心工具。
本文将对计量经济学理论的模型进行解释，并探讨其在预测方面的应用。
一、计量经济学理论的模型解释1.1 常见的计量经济学模型计量经济学模型是对经济现象进行抽象和概括的数学表达式。
常见的计量经济学模型包括线性回归模型、时间序列模型、面板数据模型等。
线性回归模型是计量经济学中最基础且广泛应用的模型之一。
它假设变量之间存在线性关系，并通过估计各个变量的系数来解释经济现象。
时间序列模型是用于分析时间序列数据的模型，其中包括自回归模型、移动平均模型、ARMA模型等。
时间序列模型主要用于分析时间上的趋势和周期性。
面板数据模型是同时包含横截面和时间序列数据的模型，通常用于分析跨国或跨地区的经济现象。
面板数据模型可以同时考虑个体特征和时间特征，提高了模型的解释能力。
1.2 模型解释的基本步骤模型解释是对计量经济学模型进行参数估计和推断的过程。
基本的模型解释步骤包括模型设定、估计方法选择、参数估计和模型诊断。
模型设定是根据研究目的和数据特征选择适当的计量经济学模型，并确定模型中包含的变量和假设条件。
估计方法选择是根据模型的性质和数据的特点选择合适的估计方法，常见的估计方法包括最小二乘法、广义最小二乘法、极大似然估计等。
参数估计是利用选定的估计方法对模型的参数进行估计，通常使用计算机软件进行参数的数值计算。
模型诊断是对估计结果进行评价和检验，包括残差分析、假设检验等。
模型诊断可以用于判断模型的拟合程度和参数的显著性。
1.3 模型解释的应用领域计量经济学模型的解释应用广泛，包括实证研究、政策评估和预测分析等。
实证研究是计量经济学模型应用的基本领域，通过对模型进行解释，可以验证和检验经济理论的有效性，并提供实证证据支持。
计量经济模型与经济预测
计量经济模型与经济预测引言计量经济学是应用数学和统计学原理来分析经济理论和实证的分支学科。
它通过建立经济模型，使用统计方法对模型进行实证分析，并用模型进行经济预测。
本文将介绍计量经济模型的基本概念及其在经济预测中的应用。
计量经济模型的基本概念计量经济模型是描述经济变量之间关系的数学模型。
它通常基于经济理论假设和观察到的经济数据，用数学形式来表示经济变量之间的关系。
计量经济模型有多种形式，常见的包括线性回归模型、时间序列模型和面板数据模型等。
线性回归模型是最常用的计量经济模型之一。
它假设经济变量之间存在线性关系，通过最小化观测数据与模型预测值之间的差距来估计模型参数。
线性回归模型可以用以下数学形式表示：Y = β0 + β1X1 + β2X2 + ... + βnXn + ε其中，Y表示被解释变量，X1、X2、…、Xn表示解释变量，β0、β1、β2、…、βn分别表示模型的截距和系数，ε表示随机干扰项。
时间序列模型是用于分析时间序列数据的计量经济模型。
它假设数据中存在随机变化和趋势性，并通过建立数学模型来描述时间序列数据之间的关系。
常见的时间序列模型包括ARMA模型、ARIMA模型和VAR模型等。
面板数据模型是用于分析面板数据（即同时包含多个个体和多个时间点的数据）的计量经济模型。
它可以用来分析个体之间的差异和时间变动对经济变量的影响。
面板数据模型的常见形式包括固定效应模型和随机效应模型等。
经济预测的方法经济预测是利用统计方法和计量经济模型对未来经济变量进行预测的过程。
经济预测可以根据数据的特点分为宏观经济预测和行业经济预测。
常用的经济预测方法包括时间序列分析、结构方程模型和机器学习等。
时间序列分析是一种用于预测具有时间依赖性的经济变量的方法。
它基于时间序列模型，通过分析过去的时间序列数据，利用模型对未来的趋势和周期性变化进行预测。
时间序列分析常用的方法包括移动平均法、指数平滑法和ARIMA模型等。
- 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)。
关于我国影响税收增长因素的实证分析【摘要】：税收是我国财政收入的重要组成部分，对维持社会稳定和促进经济增长有很大的作用。
影响税收收入的因素来自于很多方面，从国内生产总值，财政支出和物价这三个方面进行研究，得出税收与三者的关系，为现行政策提供参考。
【关键词】：国内生产总值财政支出零售商品物价水平税收计量模型检验一、问题的提出改革开放以来，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。
而且从进入21世纪以来，我国的经济发展面临着巨大的挑战与机遇，在新的经济背景下，基于知识和信息的产业发展迅速，全球一体化日渐深入，中国已是WTO的一员。
新形势的经济发展是经济稳定和协调增长的结果，由于税收具有敛财与调控的重要功能，因而它在现实的经济发展中至始至终都发挥着非常重要的作用，所以研究影响我国税收收入的主要原因具非常重要的作用。
二、模型设定（一）为了具体分析各要素对提高我国税收收入的影响大小，选择能反映我们税收变动情况的“各项税收收入”为被解释变量（用Y表示），选择能影响税收收入的“国内生产总值（用X1表示）”、“财政支出(用X2表示)”和“商品零售价格指数（用X3表示）”为解释变量。
计量经济学模型的设定lnY= β0+ β1 lnX1+ β2 lnX2 + β3 X3 + u i（二）确定参数估计值X围由经济常识知，因为国内生产总值（X1）、财政支出(X2)和商品零售价格指数（X3）的增加均会带动税收收入的增加，所以国内生产总值（X1）、财政支出(X2)和商品零售价格指数（X3）与税收收入应为正相关的关系，所以可估计0＜β1＜1 ,0＜β2＜1, 0＜β3＜1。
表1为由《中国统计年鉴》得到的1990-2009年的有关数据。
表1 税收收入模型的时间序列表资料来源：《中国统计年鉴2009》；三、参数估计模型为：lnY= β0+ β1 lnX1+ β2 lnX2 + β3 X3 + u i Y=税收收入 (亿元)X1=国内生产总值 (亿元)X2=财政支出 (亿元)X3=零售商品物价指数（%）用Eviews估计结果为：表2Dependent Variable: LOG(Y)Method: Least SquaresDate: 06/12/11 Time: 10:53 Sample: 1990 2009Included observations: 20VariableCoefficientStd.Errort-StatisticProb.C-0.347503 0.284342-1.222128 0.2394LOG(X1)-0.005218 0.073387-0.071101 0.9442LOG(X2) 0.987878 0.064427 15.33321 0.0000X3 0.003543 0.001748 2.027193 0.0596R-squared0.998444 Meandependent var9.405915Adjusted R-squared0.998152 S.D.dependent var0.972567 S.E.of regression0.041805 Akaikeinfocriterion-3.334744Sumsquared resid0.027963 Schwarzcriterion -3.135598Log likelihood37.34744F-statistic 3422.460Durbin-Watson stat 0.986881 Prob(F-statistic)0.000000根据表中数据，模型设计的结果为：X 0.003543 X ln 0.987878 ln )-0.005218(3475.0ln 321+++-=ΛΛΛX Y (-1.222128)(-0.071101) (15.33321) (2.027193)R 2=0.998444 2=0.998152 DW=0.986881 F=3422.460 n=20 四、检验及修正 （一）经济意义检验经济意义检验主要检验模型参数估计量在经济意义上的合理性。
所估计的参数= -0.005218，=0.987878， =0.003543，且<0, 0＜＜1 , 0＜＜1 ，不符合变量参数中确定的参数X 围，、符合变量参数中确定的参数X 围。
模型估计结果说明，在假定其他变量不变的情况下，当年国内生产总值每增长1%，平均来说税收收入会减少0.005218%；在假定其他变量不变的情况下，当年财政支出每增长1%，平均来说税收收入会增加0.987878%；在假定其他变量不变的情况下，当年商品零售价格指数上涨1%，平均来说税收收入会增加0.003543%。
这里与理论分析和经验判断相一致，符合中国现实的国情具有经济意义应保留，符号为负不符合经济检验不具有经济意义，应剔除。
（二）统计意义检验 1、拟合优度检验（R 2检验）拟合优度检验，顾名思义，是检验模型对样本观测值的拟合程度。
从回归估计的结果看模型拟合较好：可绝系数 R 2=0.998444 2=0.998152 ，这说明所建模型整体上与样本观测值拟合的很好说明“解释变量”国内生产总值财政支出商品零售价格指数对“被解释变量”税收收入的绝大部分差异作了解释。
2、F检验假设：=0，=0，=0 ：（j=1,2,3）不全为零给定显著性水平α=0.05，在F分布表中查出自由度为F(k=3,n-k-1=16)的临界值(3,16）＝3.24，由表2中得到F＝3422.460＞（3，16）＝3.24，应拒绝原假设：=0，=0，=0 ，接受：（j=1,2,3）不全为零说明回归方程显著，即表明模型的线性关系在95%的置信水平下成立，即列入模型的解释变量“解释变量”国内生产总值财政支出商品零售价格指数联合起来确实对“被解释变量”税收收入有显著影响。
3、t检验分别针对：=0，=0，=0 ，给定显著性水平α＝0.05，查t分布表的自由度为n-k-1＝16的临界值＝2.120。
由表2中的数据可得，与、、、对应的t统计量分别为(-1.222128)(-0.071101)(15.33321) (2.027193)其绝对值不全大于＝2.120，这说明在显著水平α＝0.05下，只有能拒绝：=0，=0，=0 ，也就是说，当在其他解释变量不变的情况下，各个解释变量“国内生产总值（X1）”、“财政支出(X2)”和“商品零售价格指数（X3）”分别对被解释变量“各项税收收入（Y）”不全都有显著影响，这可能是由于多重共线性或自相关性的影响。
（三）计量经济意义检验1、多重共线性检验让lnY分别对lnX1、lnX2、X3做回归。
(1)将lnY与lnX1做回归得到结果如表3：表 3Dependent Variable: LOG(Y)Method: Least SquaresDate: 06/12/11 Time: 19:53Sample: 1990 2009Included observations: 20Variable CoefficientStd.Error t-Statistic Prob.C -3.425298 0.499347 -6.859556 0.0000LOG(X1) 1.123575 0.04325.76417 0.0000610R-squared 0.973599Mean dependentvar 9.405915AdjustedR-squared 0.972132S.D. dependentvar 0.972567S.E.of regression 0.162357Akaike infocriterion -0.703402Sum squared resid 0.474475Schwarzcriterion -0.603829Log likelihood 9.034023 F-statistic 663.7926Durbin-Watson stat 0.204663Prob(F-statistic) 0.000000R2=0.973599 D.W.=0.204663(2)将lnY与lnX2做回归得到结果如表4：表 4Dependent Variable: LOG(Y)Method: Least SquaresDate: 06/12/11 Time: 20:05 Sample: 1990 2009Included observations: 20Variable CoefficientStd.Errort-Statistic Prob.C 0.088902 0.098794 0.899876 0.3801 LOG(X2) 0.974373 0.010279 94.79376 0.0000R-squared 0.998001Mean dependentvar 9.405915Adjusted R-squared 0.997890S.D. dependentvar 0.972567S.E. of regression 0.044677Akaike infocriterion -3.284085Sum squared resid 0.035928Schwarzcriterion -3.184512Log likelihood 34.84085 F-statistic 8985.857Durbin-Watsonstat 0.835853Prob(F-statistic) 0.000000(0.899876) (94.79376) R2=0.998001 D.W.=0.835853 (3)将lnY与X3做回归得到结果如表5：表 5Dependent Variable: LOG(Y)Method: Least SquaresDate: 06/12/11 Time: 20:07Sample: 1990 2009Included observations: 20Variable CoefficientStd.Errort-StatisticProb.C 15.42325 3.444161 4.478085 0.0003X3 -0.058116 0.033204 -1.750261 0.0971R-squared 0.145438 Mean dependent var 9.405915 Adjusted R-squared 0.097962 S.D. dependent var 0.972567S.E. of regression 0.923702Akaike infocriterion 2.773786Sum squared resid 15.35807 Schwarz criterion 2.873359 Log likelihood -25.73786 F-statistic 3.063413 Durbin-Watson stat 0.129252 Prob(F-statistic) 0.097100(4.478085) (-1.750261)R2=0.145438 D.W.=0.129252计算各解释变量的相关系数，选择lnX1、lnX2、X3的数据，得到相关系数矩阵如表6：表6 相关系数表LOG(X1) LOG(X2) X3 LOG(X1) 1.0000 0.8606 -0.2941LOG(X2) 0.8606 1.0000 -0.6979 X3 -0.2941 -0.6979 1.0000可见财政支出对税收收入的影响最大，与经验相符合，因此选（2）得出的回归形式为初始的回归模型。