《金融发展程度的多元线性回归分析.doc》由会员分享，可在线阅读，更多相关《金融发展程度的多元线性回归分析.doc（5页珍藏版）》请在金锄头文库上搜索。
1、如何定义金融发展的程度（因变量），影响因素都有什么（自变量），收集数据，并做多元线性回归，解释回归结果以及真实的含义。金融相关比率(FIR)能够较为明显的反映金融的发展程度。此次分析选取金融相关比率(M2/GDP)做因变量，选取全国货币化程度（M2/GNP）、城市化水平（即城市化率，为非农业人口占总人口的比重）、人均GDP和工业增长率做自变量。本次分析选取 近十年年的数据，数据来源于2012年中国统计年鉴。原始数据如下：北京的金融业发展情况数据金融相关率Y人均GDP（元）X1城市化X2工业化增长率X3全国货币化程度X43.829583166090.7647580.0871.1656984.20
2、598191180.7688660.0871.258654.5843213970.7729080.1281.3550974.950829241220.7754470.1321.3735675.235487269980.7805930.1021.4648335.686185308400.9734270.0781.5534315.904932348920.7905110.1221.6365785.647593410990.7953370.1931.5866475.884655454440.8362160.1091.6171765.929619 504670.8433270.0951.631683S
3、PSS操作输出结果如下：模型汇总b模型RR 方调整 R 方标准 估计的误差1.995a.990.981.10489a. 预测变量: (常量), X4, X3, X2, X1。b. 因变量: Y分析：“模型汇总”表格给出了关于模型的拟合情况。从表中可以看出，所以模型的拟合情况非常好。Anovaa模型平方和df均方FSig.1回归5.18641.297117.858.000b残差.0555.011总计5.2419a. 因变量: Yb. 预测变量: (常量), X4, X3, X2, X1。分析：如图所示，ANOVA表格给出了回归拟合过程中每一步的方差分析结果。第2列中给出了模型2的回归和残差平方和
4、，其中回归平方和远大于残差平方和，说明线性模型解释了总平方和的绝大部分，拟合效果很好。当回归方程包含不同的自变量时，其显著性概率值p值（即sig）均为0.000，远小于0.001，所以模型是非常显著的，可以显著地拒绝总体回归系数为0的原假设。系数a模型非标准化系数标准系数tSig.B标准 误差试用版1(常量)-1.785.634-2.817.037X1-1.913E-006.000-.029-.276.793X2.526.786.044.669.533X3-.3511.333-.015-.263.803X44.537.5401.0028.398.000a. 因变量: Y分析：如图所示，“系数”
5、表格给出了所有模型的回归系数估计值，根据模型2建立的多元线性回归方程为：金融相关比率（FIR）=0.526+0.351全国货币化程度+4.537城市化率。自变量全国货币化程度的系数大于0，说明随着全国货币化程度的加深，FIR越大；城市化率的系数大于0，说明城市化率越高，FIR也越大。t检验中，全国货币化程度、城市化率的显著性P值都小于0.05，因而均有显著意义。残差统计量a极小值极大值均值标准 偏差N预测值3.84405.94685.1859.7591210残差-.09978.18823.00000.0781810标准 预测值-1.7681.002.0001.00010标准 残差-.9511.795.000.74510a. 因变量: Y分析：如图所示，给出了标准化残差的直方图，同时绘制了正态分布曲线经过以上多重线性回归分析可以发现，金融发展程度受到全国货币化程度和城市化率的影响。其中全国货币化程度对金融业发展的影响程度最大，城市化水平对金融业发展的影响一般，而工业增长率对金融业发展的影响非常小，解释水平有限。
