计量经济学课程设计56871汇编

第一章引言我国经济经历了持续30多年的高速增长，增加了城乡居民的人均收入。

人们在满足最基本的生活需求的同时，追求高品质生活方式是一种必然趋势。

外出旅游是提高生活品质的重要方式，被长期压抑的居民旅游需求将伴随着其可支配收入的持续增长得到迅速释放。

我国旅游业发展的阶段性特征：我国旅游业起步较晚，但发展迅猛，在国民经济中的地位和作用日益加强。

新中国成立前，我国经济萧条，民生凋敝，旅游业发展基本停滞，旅游产业基本没有形成。

建国后到改革开放前的30年间，我国旅游业主要局限在为外交和民间往来活动服务的入境旅游，国内旅游基本是一张白纸。

1978年，我国接待入境旅游人数180万人，仅占世界的0.7%，居世界第41位；入境旅游收入2.6亿美元，仅占全球的0.038%，居世界第47位。

1978年党的十一届三中全会确立改革开放政策，旅游业才算真正起步。

邓小平非常重视旅游业，指出“旅游事业大有文章可做，要突出地搞，加快地搞。

”30多年来，随着我国经济持续快速发展和居民收入水平较快提高，我国旅游人数和旅游收入都以年均两位数以上的增速持续发展，已经成国民经济的重要产业，成为继住房、汽车之后增长最快的居民消费领域。

据有关资料，2010年，我国旅游业总收入1.57万亿元，对经济的直接贡献相当于GDP的2.5%，加上带动其他产业，旅游业对经济的直接和间接贡献总计相当于GDP的8.6%。

旅游业直接从业人员1350万人，加上带动其他就业，旅游业直接与间接就业总人数达7600余万人，约占全国就业总数的9.6%。

有研究表明，旅游对住宿业贡献率超过90%，对民航和铁路客运业贡献率超过80%，对文化娱乐业贡献率超过50%，对餐饮业和商品零售业贡献率超过40%，旅游消费对社会消费的贡献超过10%。

目前，我国已经跃居全球第四大入境旅游接待国和亚洲第一大出境旅游客源国。

第二章构建并分析模型2.1 相关数据表1 模型中所使用的相关数据时间国内游客（百万人次） 居民消费水平（元） 国民总收入（亿元） 就业人员（万人） 私人汽车拥有量（万辆 ） 2000 744 3721 98562.2 72085 625.33 2001 784 3987 108683.4 72797 770.78 2002 878 4301 119765 73280 968.98 2003 870 4606 135718.9 73736 1219.23 2004 1102 5138 160289.7 74264 1481.66 2005 1212 5771 184575.8 74647 1848.07 2006 1394 6416 217246.6 74978 2333.32 2007 1610 7572 268631 75321 2876.22 2008 1712 8707 318736.7 75564 3501.39 2009 1902 9514 345046.4 75828 4574.91 2010 2103 10919 407137.8 76105 5938.71 2011 2641 13134 479576.1 76420 7326.79 2012 2957 14699 532872.1 76704 8838.6 2013 3262 16190 583196.7 76977 10501.68 2014361117778636727.27725312339.362.2 构建模型对于已有数据，建立回归模型，假设如下：μβββββ+++++=443322110X X X X Y其中 Y 国内游客（百万人次） X1 居民消费水平（元） X2 国民总收入（亿元） X3 就业人员（万人) X4 私人汽车拥有量（万辆） 0β是常数项 μ是随即干扰项2.2.1 散点图对表1中的数据做散点图，如下：图1 相关数据的散点图2.2.2 最小二乘估计Dependent Variable: Y Method: Least Squares Date: 06/21/16 Time: 14:19 Sample: 2000 2014 Included observations: 15Variable Coefficient Std. Error t -Statistic Prob. X1 0.424976 0.133490 3.183591 0.0098 X2 -0.005297 0.002429 -2.180526 0.0542 X3 0.068559 0.031671 2.164730 0.0557 X4 -0.049983 0.062935 -0.794209 0.4455 C-5273.2422309.879-2.2829080.0456R -squared 0.998126 Mean dependent var 1785.467 Adjusted R -squared 0.997377 S.D. dependent var 943.6307 S.E. of regression 48.33183 Akaike info criterion 10.85526 Sum squared resid 23359.66 Schwarz criterion 11.09128 Log likelihood -76.41444 Hannan -Quinn criter. 10.85275 F -statistic 1331.653 Durbin -Watson stat 1.826495Prob(F -statistic)0.0000000100,000200,000300,000400,000500,000600,000700,000Y图2 相关数据的最小二乘估计模型的估计结果为：4321049983.0068559.0005297.0424976.0242.5273X X X X Y -+-+-=∧(-2.282908) （3.183591) （-2.180526） （2.164730) （-0.794209）2R =0.998126 2R =0.997377 F=1331.653 D.W=1.826495第三章 回归模型的检验与修正3.1 回归模型的统计检验3.1.1 拟合优度检验 由最小二乘估计的结果得到2R =0.998126 2R =0.997377 都接近1，拟合优度较好。

3.1.2 方程总体线性的显著性检验（F 检验）当显著性水平α=0.05时，05.0F (4,10)=3.48 < 1331.653,模型的线性关系在95%的显著性水平下显著成立。

3.1.3 变量的显著性检验（T 检验）当显著性水平α=0.05时，025.0T (10)=2.2281，只有变量X1的T 检验值 的绝对值3.183591>025.0T (10)=2.2281,所以四个变量中只有X1 是显著的。

3.2 多重共线性的检验与修正3.2.1 简单相关系数 表2X1 X2X3X4X1 10.996303 0.850484 0.988825X2 0.996303 10.879407 0.974283X3 0.850484 0.879407 10.790268X40.988825 0.974283 0.790268 1变量之间相关系数较高，说明存在多重共线性。

3.2.2 多重共线性的修正采用逐步回归法：首先对Y 分别与X1,X2,X3,X4 做回归，结果如下：Dependent Variable: YMethod: Least SquaresDate: 06/21/16 Time: 14:40Sample: 2000 2014Included observations: 15Variable Coefficient Std. Error t-Statistic Prob.X10.2001000.00312064.128890.0000C18.5451930.993500.5983570.5599R-squared0.996849Mean dependent var1785.467 Adjusted R-squared0.996606S.D. dependent var943.6307 S.E. of regression54.97016Akaike info criterion10.97502 Sum squared resid39282.34Schwarz criterion11.06943 Log likelihood-80.31268Hannan-Quinn criter.10.97402 F-statistic4112.515Durbin-Watson stat 1.473655 Prob(F-statistic)0.000000图3XY=18.54519+0.2001001(0.598357) (64.12889)2R=0.996849 2R=0.996606 F=4112.515 D.W=1.473655Dependent Variable: YMethod: Least SquaresDate: 06/21/16 Time: 14:41Sample: 2000 2014Included observations: 15Variable Coefficient Std. Error t-Statistic Prob.X20.0051250.00013039.472710.0000C214.791845.96015 4.6734360.0004 R-squared0.991726Mean dependent var1785.467Adjusted R-squared0.991089S.D. dependent var943.6307S.E. of regression89.07685Akaike info criterion11.94044Sum squared resid103150.9Schwarz criterion12.03485Log likelihood-87.55331Hannan-Quinn criter.11.93944F-statistic1558.095Durbin-Watson stat0.985650Prob(F-statistic)0.000000图4∧XY=214.7918+0.0051252(4.673436) (39.47271)2R=0.991726 2R=0.991089 F=1558.095 D.W=0.985650Dependent Variable: YMethod: Least SquaresDate: 06/21/16 Time: 14:42Sample: 2000 2014Included observations: 15Variable Coefficient Std. Error t-Statistic Prob.X30.5545360.0628108.8287410.0000C-39840.174715.757-8.4483100.0000R-squared0.857059Mean dependent var1785.467 Adjusted R-squared0.846064S.D. dependent var943.6307S.E. of regression370.2309Akaike info criterion14.78970Sum squared resid1781922.Schwarz criterion14.88410Log likelihood-108.9227Hannan-Quinn criter.14.78869F-statistic77.94667Durbin-Watson stat0.260036Prob(F-statistic)0.000001图5∧Y=-39840.17+0.5545363X(-8.448310) (8.828741)2R=0.857059 2R=0.846064 F=77.94667 D.W=0.260036 Dependent Variable: YMethod: Least Squares Date: 06/21/16 Time: 14:43 Sample: 2000 2014 Included observations: 15Variable Coefficient Std. Error t -Statistic Prob. X4 0.246312 0.008112 30.36212 0.0000 C715.733946.1553315.507070.0000R -squared 0.986094 Mean dependent var 1785.467 Adjusted R -squared 0.985024 S.D. dependent var 943.6307 S.E. of regression 115.4764 Akaike info criterion 12.45958 Sum squared resid 173352.3 Schwarz criterion 12.55398 Log likelihood -91.44681 Hannan -Quinn criter. 12.45857 F -statistic 921.8582 Durbin -Watson stat 0.783083Prob(F -statistic)0.000000图6Y =715.7339+0.2463124X (15.50707) (30.36212)2R =0.986094 2R =0.985024 F=921.8582 D.W=0.783083 其中1X 对Y 的拟合优度最高，保留1X 作为基变量。