计量经济学论文
最终实验报告
实验名称:大中城市城镇居民人均消费支出及其影响因素分析。
姓氏:
学生编号:
班级级别:
讲师:
时间:
23个城市城镇居民人均消费支出
其影响因素分析
一、经济理论背景
近年来，我国经济保持快速发展势头，投资、出口、消费形成拉动经济发展的“三驾马车”，得到各界认可。通过建立计量经济模型，运用计量经济分析方法，对影响城镇居民人均消费支出的因素进行分析，找出关键影响因素，为政策制定者提供一些参考，最终推动消费需求的“马车”成为我国经济健康、快速、可持续发展的基石。
二、人均消费支出理论及其影响因素
我们主要从以下几个方面分析中国居民消费支出的影响因素:
(1)居民未来支出的预期增加影响了居民即期消费的增长。
居民的被动储蓄直接导致购买力的巨大分流，从而削弱对消费品的即期需求，严重影响居民即期消费的增长，导致有效需求不足，最终导致经济增长乏力。从上世纪90年代末开始，医疗、养老、失业保险、教育等一系列改革措施相继出台，原有制度被打破，但新的制度尚未建立和完善。因此，目前的医疗、养老、失业保险、教育制度对居民个人支出的压力很大，基本都是刚性支出，支出的不确定性也很大，导致居民对未来支出的预期增加。
②商品供求结构性矛盾依然突出。
从消费结构来看，我国消费品市场发生了新的根本性变化:居民低层次消费几近饱和，而更高层次消费尚未达到。经过20多年的改革开放，城乡居民已经走过了中档耐用消费品的普及阶段。目前，普通民众的收入消费还不足以形成以高端产品为内容的新的主导消费热点，如汽车、房子等，远未纳入大多数人的主流消费，居民现有的购买力也无法形成推动主导消费品升级的动力。
(3)、物价总水平持续低位运行，通货紧缩的压力较大，不利于消费的增长。
入世后，随着关税的降低和进口规模的扩大，国外产品对我国市场的冲击将进一步加大，国际价格紧缩将对国内价格变化产生负面影响。物价的持续下跌不利于居民的消费增长。因为从居民的消费心理来说，买涨不买跌是居民的习惯性心理。由于居民预期物价会进一步下跌，往往会推迟消费，不利于居民消费的增长。此外，从统计上看，由于物价下降，名义消费增长往往低于实际消费增长，这在一定程度上不利于消费增长的提高。
④目前国内没有大的消费热点，难以带动消费的快速增长。
经过近几年的培育和发展，我国形成了住房消费、居民汽车消费、通讯及电子产品消费、假日消费、旅游消费等一些消费亮点，可以促进消费的稳定增长，但始终没有形成大的消费热点，因此无法带动消费的快速增长。
三。相关数据收集
相关数据均来自2006年中国统计年鉴:
23个大中城市城镇居民家庭基本情况
地区平均每户就业人口(人)平均每户就业人口负担(人)平均每人每月实际收入(元)人均可支配收入(元)人均消费支出(元)
北京1.6 1.8 1865.1 1633.2 1187.9
天津1.4 2.0 2010.6 1889.8 939.8
石家庄1.4 2.0 1061.3 1010.0 722.9
太原1.3 2.2 1256.9 1159.9 789.5
呼和浩特1.5 1.9 1354.2 1279.8 772.7
沈阳1.3 2.1 1148.5 1048.7 812.5438+0
大连1.6 1.8 1269.8 1133.1.946 . 5
长春1.8 1.7 1156.1 1016.1 690.2
哈尔滨1.4 2.0 992.8 942.5 727.4
上海1.6 1.9 1884.0 1686.1 1505.3
南京1.4 2.0 1536.4 1394.0 920.6
杭州1.5 1.9 1695.0 1464.9 1264.2
宁波1.5 1.8 1759.4 1543.2 1271.4
合肥1.6 1.8 1042.5 950.1 686.9
福州1.7 1.9 1172.5 1059.4 942.8
厦门1.5 1.9 1631.7 1394.3 998.7
南昌1.4 1.8 1405.0 1321.1.665 . 4
济南1.7 1.7 1491.3 1356.8 1071.4
青岛1.6 1.8 1495.6 1378.5 1020.7
郑州1.4 2.1.1012.2 954.2 750.3
武汉1.5 2.0 1052.5 972.2 853.438+0
长沙1 . 42 . 1 1256.9 1148.9 986.8
广州1.7 1.8 1898.6 1591.1 1215.1
第四，模型的建立
根据数据，我们建立多元线性回归方程的一般模型如下:
其中包括:
-人均消费支出
-常数项
-回归方程的参数
-每户平均就业人数
-每个就业人员的平均人数。
-人均实际月收入
-人均可支配收入
-随机误差项
动词 （verb的缩写）实验过程
(一)回归模型参数估计
根据数据建立多元线性回归方程；
首先，利用Eviews软件对模型进行OLS估计，得到样本回归方程。
使用Eviews，输出结果如下:
因变量:Y
方法:最小二乘法
日期:12/117时间:16:08
样品:1 23
包括的意见:23份
可变系数标准。误差t-统计量问题。
c-1682.180 1311.506-1.282633 0.2159
x 1 564.3490 395.2332 1.427889 0.1704
X2 569.1209 379.7866 1.498528 0.1513
X3 1.552510 0.629371 2.466766 0.0239
x4-1.180652 0.742107-1.590947 0.1290
r平方0.721234均值相关var 945.2913
调整后的R平方值为0.659286标准差，因变量为224.1711
回归的标准差130.8502赤池信息标准12.77564
残差平方和308191.9施瓦兹准则13.02249
对数似然-141.9199 F-统计量11.64259
德宾-沃森统计量2.047936先证者(F统计量)0.000076
根据Eviews多元线性回归的输出结果，可以得到参数的估计值如下:，，，，
因此，初步得到的回归方程为:
se =(1311.506)(395.2332)(379.7866)(0.629371)(0.742107)
t =(-1.282633)(1.427889)(1.498528)(2.466766)(-1.590947)
f = 11.64259 df = 18
模型检验:由于解释变量、、和的检验p值均大于0.05，变量不显著，说明模型中可能存在多重* * *线性，然后对模型进行修正。
(二)处理多重* * *线性
我们使用逐步回归方法来检验和处理模型的多重线性:
X1:
因变量:Y
方法:最小二乘法
日期:12/11/07时间:16:28
样品:1 23
包括的意见:23份
可变系数标准。误差t-统计量问题。
c 153.8238 518.6688 0.296574 0.7697
x 1 523.0964 341.4840 1.531833 0.1405
r平方0.100508均值相关var 945.2913
调整后的R平方值为0.057675标准差，因变量为224.1711
回归的标准差217.6105赤池信息标准13.68623
残差平方和994441.2施瓦兹准则13.78497
对数似然-155.3917 F-统计量2.346511
德宾-沃森统计量1.770750概率(F统计量)0.140491
X2:
因变量:Y
方法:最小二乘法
日期:12/11/07时间:16:29
样品:1 23
包括的意见:23份
可变系数标准。误差t-统计量问题。
c 1756.641 667.2658 2.63296 0.0156
X2-424.1146 347.9597-1.218861 0.2364
r平方0.066070平均因变量945.2913
调整后的R平方0.021597标准差相依风险值224.1711
回归的标准差221.7371赤池信息标准13.72380
残差平方和1032515。施瓦兹标准13.82254
对数似然-155.8237 F-统计量1.485623
德宾-沃森统计量1.887292概率(F统计量)0.236412
X3:
因变量:Y
方法:最小二乘法
日期:12/11/07时间:16:29
样品:1 23
包括的意见:23份
可变系数标准。误差t-统计量问题。
c 182.8827 137.8342 1.326831.1988
X3 0.540400 0.095343 5.667960 0.0000
r平方0.604712均值相关var 945.2913
调整后的R平方值为0.585888标准差，因变量为224.1711
回归的标准差144.2575赤池信息标准12.86402
残差平方和437014.5施瓦兹准则12.96276
对数似然-145.9362 F-统计量32.12577
德宾-沃森统计量2.064743先证者(F统计量)0.000013
X4:
因变量:Y
方法:最小二乘法
日期:12/117时间:16:30
样品:1 23
包括的意见:23份
可变系数标准。误差t-统计量问题。
c 184.7094 161.8178 1.141465 0.2665
x4 0.596476 0.124231 4.801338 0.0001
r平方0.523300平均因变量945.2913
调整后的R平方0.500600标准差依赖风险值224.1711
回归的标准差158.4178赤池信息标准13.05129
残差平方和527020.1施瓦兹准则13.15003
对数似然-148.0898 F-统计量23.05284
德宾-沃森统计量2.037087先证者(F统计量)0.000096
从得到的数据可以看出，调整的决定系数最大，所以首先引入调整方程，然后分别引入、和变量，OLS得到:
X1、X3
因变量:Y
方法:最小二乘法
日期:12/11/07时间:16:32
样品:1 23
包括的意见:23份
可变系数标准。误差t-统计量问题。
c-222.8991 345.9081-0.644388 0.5266
x 1 289.8101 227.2070 1.275533 0.2167
X3 0.517213 0.095693 5.404899 0.0000
r平方0.634449平均因变量945.2913
调整后的R平方值为0.597894标准差，因变量为224.1711
回归的标准差142.1510赤池信息标准12.87276
残差平方和404138.2施瓦兹准则13.02087
对数似然-145.0368 F-统计量17.35596
德宾-沃森统计2.032110概率(F统计)0.000043
X2、X3
因变量:Y
方法:最小二乘法
日期:12/11/07时间:16:33
样品:1 23
包括的意见:23份
可变系数标准。误差t-统计量问题。
c 239.5536 531.1435 0.451015 0.6568
X2-27.00981 244.0392-0.110678 0.9130
X3 0.536856 0.102783 5.223221 0.0000
r平方0.604954平均因变量945.2913
调整后的R平方值为0.565449标准差，因变量为224.1711
回归的标准差147.7747赤池信息标准12.95036
残差平方和436747.0施瓦兹标准13.09847
对数似然-145.9292 F-统计量15.31348
德宾-沃森统计2.063247先证者(F统计)0.000093
X3、X4
因变量:Y
方法:最小二乘法
日期:12/11/07时间:16:34
样品:1 23
包括的意见:23份
可变系数标准。误差t-统计量问题。
c 331.7015 142.5882 2.326290 0.0306
X3 1.766892 0.553402 3.192782 0.0046
x4-1.473721 0.656624-2.244390 0.0363
r平方0.684240平均因变量945.2913
调整后的R平方0.652664标准差相依风险值224.1711
回归的标准差132.1157赤池信息标准12.72634
残差平方和349091.0施瓦兹准则12.87445
对数似然-143.3529 F-统计量21.66965
德宾-沃森统计2.111635概率(F统计)0.000010
从数据结果可以看出，引入X4时方程的调整决定系数最大，解释变量均通过显著性检验，然后分别引入X1和X2进行分析。
X1、X3、X4
因变量:Y
方法:最小二乘法
日期:12/117时间:16:37
样品:1 23
包括的意见:23份
可变系数标准。误差t-统计量问题。
c 193.6693 403.8464 0.479562 0.6370
x 1 89.29944 243.6512 0.366505 0.7180
X3 1.652622 0.646003 2.558228 0.0192
x4-1.345001.757634-1.775265 0.0919
r平方0.686457平均因变量945.2913
调整后的R平方值为0.636950标准差，因变量为224.1711
回归的标准差135.0712赤池信息标准12.80625
残差平方和346640.3施瓦兹标准13.00373
对数似然-143.2719 F-统计量13.6691
德宾-沃森统计量2.082104概率(F统计量)0.000050
X2、X3、X4
因变量:Y
方法:最小二乘法
日期:12/11/07时间:16:38
样品:1 23
包括的意见:23份
可变系数标准。误差t-统计量问题。
c 62.60939 489.2088 0.127981 0.8995
X2 134.1557 232.9303
X3 1.886588 0.600027 3.144175 0.0053
x4-1.596394 0.701018-2.277251 0.0345
r平方0.689658平均因变量945.2913
调整后的R平方值为0.640657标准差，因变量为224.1711
回归的标准差134.3798赤池信息标准12.79599
残差平方和343100.8施瓦兹准则12.99347
对数似然-143.1539 F-统计量14.07429
德宾-沃森统计2.143110概率(F统计)0.000046
从输出结果可以看出，在的水平上，解释变量的p值和的检验都大于0.05，解释变量无法通过显著性检验，因此可以得出结论，模型中只能引入X3和X4两个变量。调整后的多元线性回归方程为:
se =(142.5882)(0.553402)(0.656624)
t =(2.326290)(3.192782)(-2.244390)
F=21.66965 df=20
(三)。异方差检验
模型上的白色测试:
白色异方差测试:
f统计量1.071659概率0.399378
Obs*R平方4.423847概率0.351673
测试方程:
因变量:RESID^2
方法:最小二乘法
日期:12/11/07时间:16:53
样品:1 23
包括的意见:23份
可变系数标准。误差t-统计量问题。
c 34247.50 128527.9 0.266460 0.7929
X3 247.9623 628.1924 0.394723 0.6977
x3^2-0.071268 0.187278-0.380548 0.7080
x4-333.6779 714.3390-0.467114 0.6460
x4^2 0.121138 0.22933 0.526846538+0 0.6047
r平方0.192341均值因变量15177.87
调整后的R平方0.012861标准差因变量23242.54
回归的标准差23092.59赤池信息标准23.12207
残差平方和9.60E+09施瓦兹准则23.36892
对数似然-260.9038 F-统计量1.071659
德宾-沃森统计值1.968939概率(F统计值)0.399378
从检验结果可以知道，从白色检验，when，查分布表得到临界值(20)=30.1435，因为<(5)= 30.1435，所以模型不存在异方差。
(四)。自相关检验
从模型的输出结果来看，估计结果令人满意，回归方程检验和参数显著性检验的检验概率都显著小于0.05。当D-W值为2.111635时，在显著性水平为0.05时检查德宾-沃森表，其中n=23，解释变量个数为。d-W = 2.111635 & lt；4.根据DW检验的决策规则，该模型不存在自相关问题。
6.分析并解释模型的经济意义。
回归方程的意义是:在每人平均实际月收入不变的情况下，人均可支配收入每增加一个单位，人均消费支出将减少1.438+0个单位；在人均可支配收入不变的情况下，人均实际月收入每增加一个单位，人均消费支出就会增加1.766892个单位。
七、对模型反映的问题给出有针对性的政策建议或结论。
从中国人均消费支出的分析可以看出，过去几年中国经济稳步发展，但由于各种原因，中国经济现状存在一些问题，如社会保障制度不完善导致消费结构不合理；储蓄存款过多影响居民消费倾向；消费品生产行业投资方向错误，效率低下，造成国内市场消费受阻；保守的消费观念和消费政策的制约；教育支出比重过大影响居民消费倾向。对此，我国应从以下几个方面研究居民消费中存在的问题。
(一)建立和完善社会保障体系，增强消费信心。
(2)培育新的消费热点，扩大居民消费领域。
(C)促进商品消费从自我积累转向信贷支持。
(D)促进不同层次的家庭消费。
(五)解决影响消费结构优化的政策约束。
(6)解决有效供给不足和产品相对过剩的矛盾。