《2021年国民生产总值和进口额的关系国民生产总值与产业结构的关系新编精选.DOC》由会员分享，可在线阅读，更多相关《2021年国民生产总值和进口额的关系国民生产总值与产业结构的关系新编精选.DOC（8页珍藏版）》请在金锄头文库上搜索。
1、不问收获，但问耕耘，最好的资料给最好的自己！国民生产总值和进口额的关系 国民生产总值与产业结构的关系 时间：20XX年X月X日国民生产总值和进口额的关系 国民生产总值与产业结构的关系 时间：2021-07-21 09:24:12 国民生产总值与产业结构的关系一、经济背景推动我国经济社会又好又快发展，根本出路之一是提高国民总收入，提高居民消费能力，全面扩大国内消费需求量大力增强消费对经济的拉动作用。同时由于我国是一个人口大国，虽然说地大物博，但人均却很少，所以我国的产业结构对国民的生活水平的调高，国民的总收入的提高有着至关重要的作用。二、实验项目数据注：1.1980年以后国民总收入(原称国民生产
2、总值) 与国内生产总值的差额为国外净要素收入。2.2021-2021年数据在第二次经济普查后作了修订。 3. 数据来自中国统计局网三、实验过程利用EViews 软件，生成Yt、X1、X2、X3、X4等数据，采用这些数据对模型进行OLS 回归，结果如图OLS 回归结果Dependent Variable: Y Method: Least Squares Date: 07/03/11 Time: 09:42 Sample: 1978 2021 Included observations: 32Variable C X1 X2 X3 X4R-squaredAdjusted R-squared S.E
3、. of regression Sum squared resid Log likelihood Durbin-Watson statCoefficient 845.4085 1.108974 1.419640 1.194270 -3.801612Std. Error 226.3306 0.327668 0.184656 0.158157 2.446987t-Statistic 3.735281 3.384446 7.688015 7.551161 -1.553589Prob. 0.0009 0.0022 0.0000 0.0000 0.13190.999983 Mean dependent
4、var 80630.86 0.999980 S.D. dependent var 419.3736 Akaike info criterion 4748604. Schwarz criterion -235.9280 F-statistic 0.593024 Prob(F-statistic)94720.64 15.05800 15.28702 395349.6 0.000000（一）多重共线性分析2=0.999980可决系数很高，由上图可见，该模型R2=0.999983, RF 检验值395349.6，明显显著。但是当=0.05时，t 2 nk =t0.025 325 =2.05, X4的系
5、数t 检验不显著，而且X4系数的符号与预期相反，这表明可能存在严重的多重共线性。计算个解释变量的相关系数，选择X1、X2、X3、X4的数据。相关系数矩阵变量 X1 X2 X3 X4X110.1*7X2 X3 X40.1*0.1*7 0.1*110.1*3 0.1*210.1*110.1*1 0.1*3 0.1*0.1*2 0.1*1由相关系数矩阵可以看出，各解释变量相互之间的相关系数较高，正是确定存在严重的多重共线性。 修正多重共线性采用逐步回归法，去检验和解决多重共线性问题。分别作Yt对X1、X2、X3、X4的一元回归，结果如表一元回归估计结果变量 参数估计值 t 统计量X19.430853
6、 27.17066 0.960950X22.136291 263.6278 0.999569X32.354594 124.7173 0.998075X413.40040 207.0753 0.999301R22 R0.959648 0.999554 0.998011 0.999278其中，加入X2的方程的R2最大，以X2为基础，顺次加入其它变量逐步回归。结果如表加入新变量的回归结果（一）2=0.999867，改进最大，而且各参数的t 检验都显著，经比较，新加入的X3的方程R选择保留X3，在加入其他变量逐步回归，结果如表2有所增加，当加入X4时，RX3的参数t 检验显著性下降，X2的参数t 检验
7、显著性上升，从相关系数也可看出，与其他变量高度相关，这就说明主要是X4引起的多重共线性，予以剔除。最后修正严重的多重共线性影响后的回归结果为Y = 591.0029919 + 1.139730888*X2 + 0.9555463758*X3 + 0.6051508553*X1 （3.690685） （27.48452） （24.89492） （12.59363）2=0.999979 F=501797.7 R2=0.999981 R（二）异方差性分析 1、对异方差的检验在模型不存在多重共线性的前提下，来检验模型是否存在异方差问题，常用的方法为White 检验法。如表White Heteroske
8、dasticity Test:F-statistic Obs*R-squaredTest Equation:6.064554 Probability 18.96799 Probability0.000505 0.004218Dependent Variable: RESID Method: Least Squares Date: 07/03/11 Time: 12:57 Sample: 1978 2021 Included observations: 32Variable C X2 X2 X3 X3 X1Coefficient -76332.51 -64.35814 8.32E-05 57.5
9、6226 9.59E-05 122.9346Std. Error 82021.52 32.48058 0.000164 26.80218 0.000157 45.59709t-Statistic -0.930878 -1.981435 0.508180 2.147671 0.611282 2.696107Prob. 0.3608 0.0586 0.6158 0.0416 0.5465 0.0124X1R-squaredAdjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
10、-0.004940 0.001798 -2.747488 0.01100.592750 Mean dependent var 161659.4 0.495010 S.D. dependent var 147119.5 Akaike info criterion 5.41E+11 Schwarz criterion -422.2243 F-statistic 1.999296 Prob(F-statistic)207027.9 26.82652 27.14715 6.064554 0.000505White 统计量为18.97，P 值为0.0042用加权最小二乘法对异方差性进行修正，重新进行回归
11、估计，如下:Dependent Variable: Y Method: Least Squares Date: 07/03/11 Time: 13:27 Sample: 1978 2021 Included observations: 32 Weighting series: WVariable C X2 X3 X1Coefficient 563.7303 1.130448 0.960552 0.627904Std. Error 23.12909 0.027184 0.025609 0.023349t-Statistic 24.37321 41.58543 37.50824 26.89251P
12、rob. 0.0000 0.0000 0.0000 0.0000Weighted Statistics R-squaredAdjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Unweighted Statistics R-squaredAdjusted R-squared S.E. of regression Durbin-Watson stat1.000000 Mean dependent var 44275.18 1.000000 S.D. dependent v
13、ar 65.07131 Akaike info criterion 118559.7 Schwarz criterion -176.8850 F-statistic 0.792021 Prob(F-statistic)101268.5 11.30531 11.48853 26627690 0.0000000.999981 Mean dependent var 80630.86 0.999979 S.D. dependent var 434.0380 Sum squared resid 0.57469894720.64 5274892.White Heteroskedasticity Test:
14、 F-statistic Obs*R-squared0.857917 Probability 5.463805 Probability0.538692 0.485842得到加权后消除异方差型的估计结果回归表达式为：Y = 563.7302685 + 1.130448032*X2 + 0.9605520217*X3 + 0.6279040845*X1 （24.37321） （41.58543） （37.50824） （26.89251） 2=1 RSS=118559.7 R2=1 R（三) 自相关性分析在检验模型是否存在自相关所用方法为图形法或D-W 检验法。 1、自相关图示法检验从下图可以看出
15、，随机干扰项呈现正序列相关性。2、自相关DW 检验在5%的显著性水平下，n=32，k=3，查表得dl=1.244, du =1.650,由于DW=0.79运用广义差分法进行自相关的处理采用科克伦奥科特迭代法。 1阶广义差分的估计 结果如下：Dependent Variable: YMethod: Least Squares Date: 07/03/11 Time: 14:04 Sample(adjusted): 1979 2021Included observations: 31 after adjusting endpoints Convergence achieved after 25 iterationsVariable C X2 X3 X1 AR(1)R-squaredAdjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted AR RootsCoefficient 4.812330 1.045064 1.027800 0.765039 0.879453Std. Error 694.1465 0.031463 0.027804 0.074683 0.105436t-Statistic 0.006933 33.21578
