我国汽车销售量的影响因素及其计量分析
影响我国汽车销量因素的计量分析
影响我国汽车销量因素的计量分析摘要我国当今已然成为汽车产业大国，汽车销量无论对于研究产业发展还是消费变化都有着重大的意义，因此，本文在依据数据及以往理论分析的基础上，利用我国1994到2004年间的数据，探讨了影响汽车销量的五个因素，分别为：汽车产量、汽车进口量、原油价格、工业品出厂价格指数和人均国内生产总值，通过数据筛选，建立模型和模型修正，最终得到以下结论：汽车销量受汽车产量和原油价影响，且与汽车产量呈正相关，与原油价格呈负相关。
关键词：汽车产业，计量模型，政策建议一、引言近一百二十年前，第一辆进口汽车驶入上海，自此，汽车逐渐成为中国百姓生活中的一部分。
十九世纪六十年我国自主研发了第一辆汽车——解放CA1，它的诞生有着里程碑式的意义，我国的汽车工业也正是在这一时期起步，直到上世纪九十年代汽车才开始步入寻常百姓家中，直到今天，汽车已经成为居民生活不可或缺的一部分，汽车工业也成为我国的支付型产业之一。
2001年我国汽车千人保有量仅为14台, 2008年汽车千人保有量为49台; 2001年轿车千人保有量仅为7. 8台; 至2008年上升到34台。
2002年成为汽车工业发展的私车普及年, 其标志是轿车产销量占汽车市场的比例跃升到34%的高位, 结束了轿车发展连续5年徘徊在30%左右的局面。
从2002年轿车占汽车比例突破30%的平台到2006年突破50%的平台仅用了四年。
中国作为一个汽车大国，其市场在全世界范围内都有着举足轻重的地位，而对国内经济来说，汽车产业又是我国工业行业范围内的支柱性产业之一。
因此，对于汽车销量的分析成为进一步认识我国汽车产业的必然，本文通过建立多元回归的模型，运用计量的方法来分析影响我国汽车销量的各个因素。
二、理论背景与研究假说（一）汽车销量与产量在诸多影响汽车销量的因素中，本文首先选择的是汽车产量这个变量。
随着我国经济的发展和人民生活水平的提高，我国人均汽车量有了飞速的提高，但拥有量还远远落后于世界平均水平，市场空间依然很大，我国汽车市场目前400多万的销量仅仅相当于上世纪美国六七十年代的水平，并且我国的人口基数要比美国大得多，从收入最高的20%人口的收入水平来看，中国的汽车消费还远远未达到应有的水平，市场潜力依然存在；在经历了高速增长、价格大战等几次沉浮之后，中国汽车市场无论是厂商还是消费者都逐渐成熟，这种成熟会推动市场的稳定和平衡发展。
我国汽车销售量的影响因素及其计量分析
我国汽车销售量的影响因素及其计量分析摘要：汽车改变了人们的生活，延展了人类的脚步。
本文以分析我国汽车销量数量为主要目的，并提出个人可支配收入、GDP、恩格尔系数、居民消费指数、石油消耗量、汽车产量等指标，建立线性回归模型，分析汽车销售数量变化背后的原因。
汽车销售数量的上升，进一步说汽车在国民生活中普及，也说明国民生活质量和国家宏观经济发展之良好势头。
关键词：汽车销售量、影响因素、计量分析、政策提议1. 引言1901年，第一辆进口汽车登陆上海。
从此，中国有了汽车的概念。
但也有人说，慈禧乘坐过的一辆汽车是我国进口的第一辆汽车，现还有实物陈列在颐和园内。
[1] 1953年，解放CA1在长春第一汽车制造厂崭新的总装线下线，这里程碑式的时刻意味着中国自主制造的第一款汽车诞生，它的诞生不仅给我国不能制造汽车的历史划上句号，也将中国的名字浓墨重彩地写入世界汽车工业史。
改革开放以来，我国的汽车工业的发展取得了长足的进步。
我国的汽车工业是在50年代起步，但是到了90年代汽车这一“新鲜”的事物才逐渐走入老百姓的生活中，也是从那个时候汽车工业得到快速的发展。
汽车工业也逐渐成为国民经济中的主流力量，是国家工业的顶梁柱。
2001年我国汽车千人保有量仅为14台, 2008年汽车千人保有量为49台; 2001年轿车千人保有量仅为7. 8台; 至2008年上升到34台。
2002年成为汽车工业发展的私车普及年, 其标志是轿车产销量占汽车市场的比例跃升到34%的高位, 结束了轿车发展连续5年徘徊在30%左右的局面。
从2002年轿车占汽车比例突破30%的平台到2006年突破50%的平台仅用了四年。
[2]中国的汽车保有量增长令人刮目相看，在世界的汽车销售份额占据越来越重要的地位，中国市场向来就是各大汽车厂商的必争之地。
本文通过建立计量分析模型，分析各个提出的解释变量对汽车销售数量的影响。
2. 指标选择2.1 影响因素概述GDP：汽车的销售量反映了我国整体的经济走向，与经济走向具有一致性，可反映出我国宏观国民经济的情况。
车辆销售数据分析报告
车辆销售数据分析报告概述：本报告旨在通过对车辆销售数据进行深入分析，为公司决策提供准确的市场情报和可靠的数据支持。
本报告将从销售趋势、品牌竞争、市场份额和地域分布等方面进行分析，并总结出相应的结论和建议。
销售趋势分析：根据对过去一年的销售数据进行分析，我们可以得出以下结论：车辆销售数量呈现逐年增长的趋势，但增速逐渐放缓。
其中，小型车的销量增长最为显著，而SUV和豪华车的销售增速略有下降。
这一趋势可能与消费者对节能环保、经济实用性和出行舒适性的不断追求有关。
品牌竞争分析：在车辆销售市场上，各大品牌竞争激烈。
根据销售数据，我们可以看出市场份额前五的品牌分别是A品牌、B品牌、C品牌、D品牌和E品牌。
其中，A品牌和B品牌一直处于市场占有率的领先地位，而C品牌和D品牌的市场份额则出现缓慢下滑。
E品牌在最近几年的市场份额增长较快，值得关注。
在品牌竞争中，产品质量和品牌声誉仍然是消费者购买决策的重要因素。
市场份额分析：根据销售数据，我们可以对不同车型的市场份额进行详细分析。
小型车市场份额最高，占总销售数量的50%以上，其次是中型车和SUV。
值得注意的是，豪华车虽然销量较小，但市场份额较高，说明了豪华车在高端市场上的竞争力。
此外，电动车市场份额逐渐上升，显示出消费者对清洁能源的需求。
地域分布分析：根据销售数据，我们可以对不同地区的销售情况进行分析。
在市场份额方面，东部地区占比最高，占总销售份额的40%以上。
其次是中部和西部地区，而北部地区的销售份额相对较低。
在销售趋势方面，东部和中部地区的销售数量呈现较为稳定的增长，而西部地区的销售增速较快，北部地区的销售增速相对较慢。
这一趋势可能与不同地区的经济发展状况和消费水平有关。
结论与建议：综合以上分析，我们得出以下结论和建议：1.小型车市场增长潜力巨大，公司应加大在该领域的投入和市场推广；2.品牌竞争形势良好，公司应继续加强产品质量和品牌声誉的提升，以增加市场份额；3.豪华车和电动车市场份额有所增长，公司可以考虑推出更多高端产品以满足市场需求；4.东部地区市场份额占比最高，公司可以加大对该地区的销售和服务网络建设；5.西部地区市场增速较快，公司可以加大对该地区的市场开拓和渠道建设。
汽车销量影响因素分析——基于综合熵权法和VAR
汽车销量影响因素分析——基于综合熵权法和VAR肖欣莹【摘要】对汽车销量影响因素进行了研究分析,基于传统的GRA和熵权法基础,对两种方法进行加权分析,选取出前5种主要影响因素,再构建VAR模型深入研究各个因素对汽车销售量的影响;结果表明各影响因素之间相互联系、牵制,其中GDP和钢材产量对汽车销售量影响更明显,且随着年份的增加,影响更加显著.【期刊名称】《重庆工商大学学报（自然科学版）》【年(卷),期】2018(035)005【总页数】7页(P71-77)【关键词】汽车销量;影响因素;综合熵权法;VAR模型【作者】肖欣莹【作者单位】重庆师范大学数学科学学院,重庆401331【正文语种】中文【中图分类】O212汽车己成为大部分人的必要需求，中汽协会的数据显示，2016年汽车销量已经达到了2 802.8万辆，比去年同期增加13.7%。
汽车工业在我国经济发展中有着不可或缺的地位，它促进了我国经济的发展，并带动石油、钢材等资源、商品的消费，也直接左右和反作用于国民收入。
本文选取汽车民用拥有量、钢材产量等8个主要影响因素和1978—2016年的样本数据，以综合熵权法为基础，选出前5个主要影响因素，建立VAR模型深入探讨这5个影响因素对汽车销量的影响。
1 基于综合熵权法的汽车销量影响因素分析1.1 基于GRA的汽车销量影响因素分析以汽车销量为参考序列，各影响因素作为比较序列，对原始数据进行标准化处理，并用灰色关联分析(GRA)研究各因素的影响程度，结果如表1。
表1 各影响因素之间的灰色关联度Table 1 Grey relational grade between the influencing factors影响因素国内生产总值城镇居民人均可支配收入民用汽车拥有量公路里程钢材产量居民消费价格指数(上年=100)美元兑人民币平均汇率汽油消费总量(实物量)关联度0.778 30.773 60.800 80.841 70.806 80.912 00.826 60.869 71.2 熵值法确定各因素变量权重客观指标熵值的信息熵公式：i=1，2，…，mj=1，2，…，q再根据各客观指标的熵来确定权重：ϖ其中，ϖ(uj)为第j个客观指标的熵权，运用Matlab得出8个影响因素的熵权见表2。
我国居民汽车保有量影响因素的计量分析
（ 北京科 技大 学 东凌经 济管理 学 院， 北京 １ ０ ０ ０ ８ ３ ）
［ 摘 要］ 我 国私 人 汽 车拥 有 量 呈现 持 续 上 升 的趋 势 ， 汽 车 产业 逐 渐成 为我 国的 支柱 产 业 。汽 车 销 售业 成 为热 门 ， 影 响 私人 汽 车拥 有 量 的 因素 引起 人 们 的 关 注 。本 文 选择 了 ２ ０ １ １ 年 中 国统 计年 鉴 中 １ ９ ９ １ － ２ ０ １ ０年 共 ２ ０年 的 相 关数 据 。 建 立 了计 量 经 济 学模 型 ， 并利用 Ｅ ｖ ｉ ｅ ｗ ｓ ６ ． ０软件 对 模 型 进行 参 数估 计 和 检 验 ， 对 最后 的 结 果进 行 经 济 意 义分 析 。 ［ 关键词 ］ 私人汽车拥有量 ； 计 量模 型 ； 单位根检验 ； 协 整 检 验
式中 ， ａ ｌ 为随 机 误 差 项 。 运 用 最 小二 乘 法 估 计 模 型 参 数 ， 得 到
成为仅 低于美 国（ ２ ０ １ ０年 ２ － ４亿 辆 ） 的世界第二 大汽车 保有 国 。 回 归方 程 如 下 式 ： 业内预计 ， ２ ０ ２ ０年 我 国 汽 车保 有 量 将 突破 ２亿 辆 。 汽 车销 售 业 成 ｌ ｎ ｙ ＝一 ５ ． ８ ３ ３ ＋ ０ ． ２ ９ ４ １ ｎ ｘ ｌ ＋ ０ ． ４ ６ ２ １ ｎ ｘ ２ ＋ ０ ． ８ ４ ６ １ ｎ ｘ ３ ＋ Ｏ ． １ ３ ８ １ ｎ ｘ ４
利用 Ｅ ｖ ｉ ｅ ｗ ｓ ６ ． ０软 件 进 行 分 析 ， 采 用 最 小 二 乘 法 进 行 回归 分 析 和 统计 检 验 。 由散 点 图 观 察 变 量 间 的 关 系 ． 可 以 看 出 因变 量 和 自变量 呈 线 性 关 系 ， 因此 ， 设定模型为 ：
中国汽车销量分析报告、汽车销量预测及影响汽车销量的的主要因素分析报告
中国汽车销量分析、汽车销量预测及影响汽车销量的的主要因素分析一、2018年汽车行业景气度下行2018年1-11月汽车行业累计销量2542.0万辆，同比下降1.7%，较2017年同期小幅下降，其中乘用车销售2147.8万辆，同比下降2.8%；商用车销售394.1万辆，同比增长5.0%。
我们预计2018年全行业共销售汽车2,808万辆，同比下滑2.8%，其中乘用车2,377万辆，同比下滑3.8%；商用车431万辆，同比增长3.6%。
汽车行业景气度下行数据来源：公开资料整理月度销量同比增幅数据来源：公开资料整理受宏观经济增速放缓、中美贸易摩擦、消费者信心下降等因素影响，下半年乘用车市场景气度明显下行，加之去年同期由于购臵税优惠政策退出提前消费形成的较高基数，导致车市9至11月连续3月同比出现双位数下滑。
1-11月乘用车销量同比减少2.8%，其中SUV 与轿车销量小幅下滑，MPV与交叉型乘用车销量仍呈现较大幅度下滑。
卡车行业增势良好推动商用车销量小幅增长。
蓝天保卫战与重点省市陆续提前实行国六排放标准拉动重卡需求，重卡市场在较高基数下1-11月仍实现1.6%增长。
受益部分微卡需求转化为轻卡、皮卡在部分省市解禁需求释放，轻卡1-11月同比增长11.0%。
分阶段补贴政策导致上半年新能源客车销量有所透支，下半年销量较为低迷，1-11月客车销量同比下降7.0%。
1-11月乘用车景气度下降数据来源：公开资料整理1-11月商用车销量增势良好数据来源：公开资料整理轿车、SUV车型销量小幅下降，自主品牌市场份额有所下滑。
1-11月乘用车四类车型中均呈现不同程度的下滑，其中轿车和SUV销量小幅下滑，同比分别下降1.4%和0.8%，SUV 销量占狭义乘用车总销量比例继续提升至42.8%，MPV与交叉型乘用车销量下滑较大，分别下降16.1%和18.1%。
1-11月乘用车细分车型销量同比均现下滑数据来源：公开资料整理SUV销量占狭义乘用车总销量比例持续提升数据来源：公开资料整理随着小排量购臵税优惠政策退出与SUV车型逐渐进入低增长区间，加上低价车型滞销，2018年1-11月自主品牌乘用车市占率为41.9%，与上年同期相比下降了1.5个百分点，自主品牌市场份额有所缩减。
我国轿车市场的计量分析
２ 变 量 选 取 及 数 据 搜 集
被 解释 变量 ：
：轿 车 销 售 量 （ 万辆 ） 。每 年 我 国轿 车 的 销 售 调 整 ， 果 我 们 因势 利 导 ． 大 调 整 和 改 革力 度 ， 如 加 就 量 ， 车 属 于乘用 车 的一 种 ， 轿 而乘 用 车则 包含 在汽 车 会尽 快融 人 世界 汽 车市 场 的大 格局 中去 ．参 与 国际 大类 之 中 。 竞争 ， 进我 国汽 车工 业走 上健 康发 展 道路 。 促 解释 变量 ：
１ 关 税及 非关 税措 施 ． ４
尽 管加 入 ＷＴ Ｏ．我 国进 口产 品 关税 大 幅 下 降 ， 但 目前 我 国轿 车进 口关 税 水 平 仍 大 大 高 于 许 多 国
家 。而 国家 对轿 车工业 的发展 特别 的保 护， 高关 税 除 壁 垒外 ， 提 供 了各 种 非 关 税 壁 垒， 配额 、 可 证 、 还 如 许 外汇 管制 、 口数量 限制等 ： 进 这 关税 与 非关 税措 施
年 国家鼓 励 私人 轿 车 消费 以来 。轿 车价 格 呈稳 步 下 降趋势 。随着 中国加入 ＷＴ 汽 车 进 口关 税 大 幅度 Ｏ， 下 降 、 额 大 幅度增 加 、 部件 关税 下 降 使 国产车 成 配 零 本 下降 空 间增 加 。可预见 ， 未来 几年 轿车 价格 还将 继 续 保持 下降 。
中图分 类号 ：２ ４０ Ｆ２．
文 献标识 码 ： Ａ
文章 编 号 ：６ ２ ２ １ （０ ８ ０ — ０ ３ ０ １７ — ９ ４ ２ ０ ）６ ０ ８ — ２
我 国加入 ＷＴ 扩 大 了对外 开 放 程度 对 于汽 使得 进 口轿 车 占中 国轿 车 的市场 分额 较低 。 Ｏ， 车市场来 说 ，加 入 ＷＴ Ｏ对我 国 汽车 工业 既是 挑 战 ． 又是机 遇 。 我 国汽车 工业 的影 响是深 刻 、 对 长期 和全 面的 。无 疑要 引起 我 国汽车 产 业政 策 、 则方 面 的 规
计量经济学关于我国汽车销售量影响因素的分析
计量经济学关于我国汽车销售量影响因素的分析摘要改革开放以来，中国经济实现了跨越式的发展，人民的生活水平有了极大提高，居民家庭可支配收入逐年上升，自九十年代初期以来，我国的汽车市场开始蓬勃的发展，汽车销量每年以高速增长，私人的汽车拥有量自90年代中期开始飞速提升，汽车由昔日的奢侈品变为了进入千家万户的必需品。
也正因为汽车产业的发展，拉动产业链上的其他行业发展，对国内经济起到了巨大的推动作用。
本文将采用计量经济学方法，根据我国1995年-2022年的汽车销售量及其重要影响因素的时间序列为样本，分析了国内平均工资水平、城乡居民存款、城乡居民恩格尔系数、物价指数和汽车产量对我国汽车私人销售量的影响。
进而可以更好的预期未来年份汽车的销售量，并为政策制定提供相关依据。
引言随着中国正式成为世界贸易组织成员以及在全球化的影响下，中国的汽车市场正在逐步对外开放，汽车产业也在迅猛发展。
国民经济的发展带来的不仅是生活水平的提高，还有消费需求的增加，汽车市场也由以前的公车消费为主转变为私人消费主导，国人对汽车消费的需求由潜在转变为现实。
纵观人类近代发展史，汽车产业早已成为世界经济的支柱产业之一，没有任何一种工业产品可以像汽车一样渗透到社会大众生活的各个层面。
正因为如此，在遭受到金融危机的冲击后，美国的汽车销量大幅萎缩并逐步下滑。
庆幸的是，作为汽车产业蓬勃发展的中国虽然也遭受到巨大的冲击，但也只是增速放缓，并未出现负增长的现象。
而且随着居民收入的逐步提高，居民够买汽车的意愿也越来越强烈。
然而，除了人民收入水平的不断提高以外，中国政府鼓励轿车进入家庭的政策以及信贷的发展也促进了汽车产业的发展。
汽车改变了人们的生活方式，提高了人们的生活质量当前，我国汽车产业正处于高速发展阶段，汽车的总销量收到多种因素的影响，这里，我们用EVIEWS软件来分析影响汽车销量的主要因素进行实证分析，为制定科学合理的发展战略提供基础。
研究背景一、汽车产业的地位汽车工业在我国已有50多年的发展历史，经过多年的发展现在汽车工业在我国经济中已占有很重要的地位，成为了拉动我国经济发展的“火车头”，汽车产业在国民经济中所占的地位是举足轻重的，汽车产业的发展对我国工业，乃至整个GDP的增长都具有决定性，2005年，汽车业产值达到1.2万亿元，汽车行业向国家纳税超过2000亿元。
- 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)。
我国汽车销售量的影响因素及其计量分析摘要：汽车改变了人们的生活，延展了人类的脚步。
本文以分析我国汽车销量数量为主要目的，并提出个人可支配收入、GDP、恩格尔系数、居民消费指数、石油消耗量、汽车产量等指标，建立线性回归模型，分析汽车销售数量变化背后的原因。
汽车销售数量的上升，进一步说汽车在国民生活中普及，也说明国民生活质量和国家宏观经济发展之良好势头。
关键词：汽车销售量、影响因素、计量分析、政策提议1. 引言1901年，第一辆进口汽车登陆上海。
从此，中国有了汽车的概念。
但也有人说，慈禧乘坐过的一辆汽车是我国进口的第一辆汽车，现还有实物陈列在颐和园内。
[1] 1953年，解放CA1在长春第一汽车制造厂崭新的总装线下线，这里程碑式的时刻意味着中国自主制造的第一款汽车诞生，它的诞生不仅给我国不能制造汽车的历史划上句号，也将中国的名字浓墨重彩地写入世界汽车工业史。
改革开放以来，我国的汽车工业的发展取得了长足的进步。
我国的汽车工业是在50年代起步，但是到了90年代汽车这一“新鲜”的事物才逐渐走入老百姓的生活中，也是从那个时候汽车工业得到快速的发展。
汽车工业也逐渐成为国民经济中的主流力量，是国家工业的顶梁柱。
2001年我国汽车千人保有量仅为14台, 2008年汽车千人保有量为49台; 2001年轿车千人保有量仅为7. 8台; 至2008年上升到34台。
2002年成为汽车工业发展的私车普及年, 其标志是轿车产销量占汽车市场的比例跃升到34%的高位, 结束了轿车发展连续5年徘徊在30%左右的局面。
从2002年轿车占汽车比例突破30%的平台到2006年突破50%的平台仅用了四年。
[2]中国的汽车保有量增长令人刮目相看，在世界的汽车销售份额占据越来越重要的地位，中国市场向来就是各大汽车厂商的必争之地。
本文通过建立计量分析模型，分析各个提出的解释变量对汽车销售数量的影响。
2. 指标选择2.1 影响因素概述GDP：汽车的销售量反映了我国整体的经济走向，与经济走向具有一致性，可反映出我国宏观国民经济的情况。
大多数的情况下，我们一般使用GDP来衡量某一时间段内国家的宏观经济情况。
而且GDP是计算一国一年内生产的最终产品的价值，所以GDP的增长应该是与汽车销售量的增长是一致的。
恩格尔系数：恩格尔系数是食品支出总额占个人消费支出总额的比重。
一个家庭收入越少，家庭收入中（或总支出中）用来购买食物的支出所占的比例就越大，随着家庭收入的增加，家庭收入中（或总支出中）用来购买食物的支出比例则会下降。
推而广之，一个国家越穷，每个国民的平均收入中（或平均支出中）用于购买食物的支出所占比例就越大，随着国家的富裕，这个比例呈下降趋势。
所以我们可以推断恩格尔系数越低，家庭可支配收入越高，那么汽车的购买能力越强，若有意愿，则我们可以说当恩格尔系数越低，汽车的销售数量越高，与汽车销售数量增长呈反向变动。
消费价格指数：消费物价指数英文缩写为CPI，是根据与居民生活有关的产品及劳务价格统计出来的物价变动指标，通常作为观察通货膨胀水平的重要指标。
我们可以推断消费价格指数与汽车销售数量的增长呈正向变动。
石油消耗量：石油是工业的血液，汽车也是，汽车赖以驱动的汽油和柴油是石油的工业制成品，而石油的消耗量也会反映出汽车的销售量，当汽车销售量越大时，石油的消耗量也越大。
我们可以推断出石油的消耗量与汽车销售数量的增长呈正向变动。
汽车产量：汽车产量是汽车销售数量的重要反映指标，所有的消费品都必须先生产出来才可以拿去销售。
生产是销售的前提和反映。
汽车厂商也不会过量生产，以免造成库存，会根据当前的销售状况来调整当前的生产规模。
所以汽车的产量与汽车的销售数量的增长呈正向变动。
2.2 相关数据及其数据来源数据来源：中国国家统计局，2012年《中国统计年鉴》和《中国汽车产销量明细》数据缺陷：由于中国汽车的产销量只有记录到1994年的，所以我们本篇文章收集的是1994年到2011年间的18年的数据。
3. 模型估计及检验修正3.1 模型估计我们在建立参数模型之前。
先利用上表的数据, 先对汽车销售数量和解释变量之间做散点图，观察分布大致趋势, 以便于选择建立合适的模型。
根据上述散点图初步建立回归模型：Date: 01/17/13 Time: 14:13Sample: 1994 2011Included observations: 18Variable Coefficient Std. Error t-Statistic Prob.C 353.3294 367.7166 0.960874 0.3556X1 0.000259 7.93E-05 3.261235 0.0068LOG(X2) -31.87323 38.45873 -0.828765 0.4234LOG(X3) 11.32506 31.22668 0.362673 0.7232LOG(X4) -29.12749 22.81531 -1.276665 0.2259X5 0.949696 0.013632 69.66790 0.0000R-squared 0.999934 Mean dependent var 598.6611Adjusted R-squared 0.999907 S.D. dependent var 563.6701S.E. of regression 5.443817 Akaike info criterion 6.488039Sum squared resid 355.6217 Schwarz criterion 6.784830Log likelihood -52.39236 F-statistic 36449.65Durbin-Watson stat 1.182306 Prob(F-statistic) 0.000000初步回归的模型为：Y=353.3294+0.000259X1-31.87323LOG(X2)+11.32506LOG(X3)-29.12749LOG(X4)+ 0.949696X5t (0.960874) (3.261235) (-0.828765) (0.362673) (-1.276665) (69.66790)R^2=0.999934 R^2=0.999907DW=1.182306 F=36449.653.2 模型检验①经济意义检验：从模型中可得知，LOG(X3)和LOG(X4)和系数符号没有通过经济意义的检验。
②R^2检验：无论是模型中判定系数R^2=0.999934，或者是校正判定系数R^2=0.999907，其值都比较高，表明该模型拟合度较高。
③t检验：从六个参数的t检验值看，六个t检验值分别为t1=0.960874，t2=3.261235，t3=-0.828765，t4=0.362673，t5=-1.276665，t6=69.66790，而在5%显著性水平下自由度为n-k=18-6=12的t分布双边检验临界值为2.179，则得知某些解释变量的系数t检验值不显著，不能通过检验。
④F检验：该初步回归的模型的F值为F=36449.65，在5%显著水平下自由度为k-1=5,n-k=12的F临界值F（5,12）=3.11，模型中的F值远大于F的临界值，说明模型在整体上是高度显著的。
3.3 模型的检验与修正3.3.1 多重共线性的检验X1和X5，LOG(X2)和LOG(X4)，LOG(X4)和LOG(X2)，LOG(X4)和X5之间。
3.3.2 多重共线性的修正3.3.2.1 逐步回归处理：运用OLS方法分别求y对各个解释变量的回归。
结合经济意义和统计检验选出拟合效果最好的线性回归方程。
用Eviews进行处理：①Y对X1进行回归Dependent Variable: YMethod: Least SquaresDate: 01/17/13 Time: 16:54Sample: 1994 2011Included observations: 18Variable Coefficient Std. Error t-Statistic Prob.C -184.5491 42.37789 -4.354844 0.0005X1 0.004349 0.000194 22.43907 0.0000R-squared 0.969202 Mean dependent var 598.6611Adjusted R-squared 0.967277 S.D. dependent var 563.6701S.E. of regression 101.9652 Akaike info criterion 12.19158Sum squared resid 166350.3 Schwarz criterion 12.29051Log likelihood -107.7242 F-statistic 503.5117Durbin-Watson stat 1.499149 Prob(F-statistic) 0.000000Y=-184.5491+0.004349X1t (-4.354844) (22.43907)R^2=0.969202 F=503.5117 DW=1.499149②Y对LOG(X2)进行回归Dependent Variable: YMethod: Least SquaresDate: 01/17/13 Time: 17:00Sample: 1994 2011Included observations: 18Variable Coefficient Std. Error t-Statistic Prob.C 11614.54 3228.981 3.596969 0.0024LOG(X2) -2983.745 874.1415 -3.413343 0.0036R-squared 0.421357 Mean dependent var 598.6611 Adjusted R-squared 0.385192 S.D. dependent var 563.6701 S.E. of regression 441.9720 Akaike info criterion 15.12481 Sum squared resid 3125428. Schwarz criterion 15.22374 Log likelihood -134.1233 F-statistic 11.65091 Durbin-Watson stat 0.141613 Prob(F-statistic) 0.003559Y=11614.54-2983.745LOG(X2)t (3.596969) (-3.413343)R^2=0.421357 F=11.65091 DW=0.141613③Y对LOG(X3)回归Dependent Variable: YMethod: Least SquaresDate: 01/17/13 Time: 18:28Sample: 1994 2011Included observations: 18Variable Coefficient Std. Error t-Statistic Prob.C 7026.824 10794.17 0.650983 0.5243LOG(X3) -1383.721 2323.361 -0.595568 0.5598R-squared 0.021688 Mean dependent var 598.6611 Adjusted R-squared -0.039456 S.D. dependent var 563.6701 S.E. of regression 574.6827 Akaike info criterion 15.64995Sum squared resid 5284164. Schwarz criterion 15.74888 Log likelihood -138.8496 F-statistic 0.354702 Durbin-Watson stat 0.093602 Prob(F-statistic) 0.559794Y=7026.824-1383.721LOG(X3)t (0.650983) (-0.595568)R^2=0.021688 F=0.354702 DW=0.093602④Y对LOG(X4)回归Dependent Variable: YMethod: Least SquaresDate: 01/17/13 Time: 18:32Sample: 1994 2011Included observations: 18Variable Coefficient Std. Error t-Statistic Prob.C -14331.43 2053.912 -6.977626 0.0000LOG(X4) 1415.544 194.6339 7.272855 0.0000R-squared 0.767761 Mean dependent var 598.6611 Adjusted R-squared 0.753246 S.D. dependent var 563.6701 S.E. of regression 279.9996 Akaike info criterion 14.21189 Sum squared resid 1254397. Schwarz criterion 14.31082 Log likelihood -125.9070 F-statistic 52.89442 Durbin-Watson stat 0.248673 Prob(F-statistic) 0.000002Y=-14331.43+1415.544LOG(X4)t (-6.977626) (7.272855)R^2=0.767761 F=52.89442 DW=0.248673⑤Y对X5进行回归Dependent Variable: YMethod: Least SquaresDate: 01/17/13 Time: 18:35Sample: 1994 2011Included observations: 18Variable Coefficient Std. Error t-Statistic Prob.C 0.030248 2.325389 0.013008 0.9898X5 0.995603 0.002853 348.9367 0.0000R-squared 0.999869 Mean dependent var 598.6611Adjusted R-squared 0.999860 S.D. dependent var 563.6701S.E. of regression 6.660000 Akaike info criterion 6.734555Sum squared resid 709.6896 Schwarz criterion 6.833485Log likelihood -58.61100 F-statistic 121756.8Durbin-Watson stat 2.170360 Prob(F-statistic) 0.000000Y=0.030248+0.995603X5t (0.013008) (348.9367)R^2=0.999869 F=121756.8 DW=2.170360由上面数表中可得，Y对X5的线性相关最强：R^2=0.999869>0.969202>0.767761>0.421357>0.021688，即X5>X1>X4>X2>X3 用X5时拟合程度最高，有回归方程：Y=0.030248+0.995603X5R^2=0.9998603.3.2.2 逐步回归，将其余解释变量逐一代入1）逐步回归①引入X1Dependent Variable: YMethod: Least SquaresDate: 01/17/13 Time: 18:56Sample: 1994 2011Included observations: 18Variable Coefficient Std. Error t-Statistic Prob.C -8.098629 3.223894 -2.512064 0.0239X5 0.957144 0.012619 75.84882 0.0000X1 0.000174 5.60E-05 3.099650 0.0073R-squared 0.999920 Mean dependent var 598.6611Adjusted R-squared 0.999909 S.D. dependent var 563.6701S.E. of regression 5.370288 Akaike info criterion 6.350652Sum squared resid 432.5998 Schwarz criterion 6.499047Log likelihood -54.15587 F-statistic 93635.18Durbin-Watson stat 1.283169 Prob(F-statistic) 0.000000②引入LOG(X2)Dependent Variable: YMethod: Least SquaresDate: 01/17/13 Time: 19:01Sample: 1994 2011Included observations: 18Variable Coefficient Std. Error t-Statistic Prob.C 21.11095 67.31113 0.313632 0.7581X5 0.994819 0.003858 257.8304 0.0000 LOG(X2) -5.582190 17.81277 -0.313381 0.7583R-squared 0.999869 Mean dependent var 598.6611 Adjusted R-squared 0.999852 S.D. dependent var 563.6701 S.E. of regression 6.856011 Akaike info criterion 6.839141 Sum squared resid 705.0734 Schwarz criterion 6.987536 Log likelihood -58.55226 F-statistic 57447.24 Durbin-Watson stat 2.190355 Prob(F-statistic) 0.000000③引入LOG(X3)Dependent Variable: YMethod: Least SquaresDate: 01/17/13 Time: 19:02Sample: 1994 2011Included observations: 18Variable Coefficient Std. Error t-Statistic Prob.C -7.100962 130.8867 -0.054253 0.9574X5 0.995627 0.002979 334.2053 0.0000 LOG(X3) 1.531960 28.11296 0.054493 0.9573R-squared 0.999869 Mean dependent var 598.6611 Adjusted R-squared 0.999851 S.D. dependent var 563.6701 S.E. of regression 6.877738 Akaike info criterion 6.845468 Sum squared resid 709.5492 Schwarz criterion 6.993864 Log likelihood -58.60922 F-statistic 57084.82 Durbin-Watson stat 2.165364 Prob(F-statistic) 0.000000④引入LOG(X4)Dependent Variable: YMethod: Least SquaresDate: 01/17/13 Time: 19:03Sample: 1994 2011Included observations: 18Variable Coefficient Std. Error t-Statistic Prob.C -62.61317 99.83750 -0.627151 0.5400X5 0.992297 0.006017 164.9066 0.0000LOG(X4) 6.127785 9.763359 0.627631 0.5397R-squared 0.999872 Mean dependent var 598.6611Adjusted R-squared 0.999855 S.D. dependent var 563.6701S.E. of regression 6.789841 Akaike info criterion 6.819744Sum squared resid 691.5291 Schwarz criterion 6.968139Log likelihood -58.37770 F-statistic 58572.55Durbin-Watson stat 2.134693 Prob(F-statistic) 0.000000从上数图中可看出，只有在加入解释变量X1是能提高R^2 （R^2=0.999909>0.999860），其余的加入解释变量LOG(X2)，LOG(X3)，LOG(X4)的R^2（0.999860（原）>0.999855(LOG(X4))>0.999852(LOG(X2))>0.999851(LOG(X3))都比原来的下降了。