计量经济学及软件应用课程小论文中国经济增长影响因素的分析小组成员学号雨呵呵庞晓雅晓锐指导教师：西超目录1.背景 (4)2.模型的建立 (5)2.1理论模型的确定 (5)2.2建立初始模型——OLS (9)2.2.1使用OLS法进行参数估计 (9)2.2.2对初始模型进行检验 (9)2.3建立修正模型——WLS (18)2.3.1使用WLS法进行参数估计 (18)2.3.2对修正模型进行检验 (19)3.模型经济意义分析与检测 (23)3.1模型的经济意义分析——结构分析 (23)3.2利用模型进行预测 (23)3.2.1被解释变量Y的点预测 (23)4.结论 (26)4.1主要结论 (26)4.2政策建议 (26)5.参考文献 (27)中国经济增长影响因素的分析摘要：改革开放三十三年以来，中国的社会经济取得了飞速发展，经济增长速度更是举世瞩目。
本文根据计量经济学、西方经济学和Eviews软件相关知识，采用时间序列数据模型和多元线性回归分析方法对1980-2009年（中国统计年鉴数据截止到2009年）三十年间中国经济增长因素进行研究，分析了物质资本、劳动力、消费对国生产总值（GDP）的影响，建立计量经济学模型，寻求这些变量与国生产总值的数量关系，进行定量分析，对模型进行检验，最终得出结论。
关键词：劳动力、投资、消费、经济增长、最小二乘法。
1 背景经济增长是指一个国家生产商品和劳务能力的扩大。
在实际核算中，常以一国生产的商品和劳务总量的增加来表示，即以国民生产总值（GDP）和国生产总值的的增长来计算。
古典经济增长理论以社会财富的增长为中心，指出生产劳动是财富增长的源泉。
现代经济增长理论认为知识、人力资本、技术进步是经济增长的主要因素。
从古典增长理论到新增长理论，都重视物质资本和劳动的贡献。
物质资本是指经济系统运行中实际投入的资本数量.然而，由于资本服务流量难以测度，在这里我们用全社会固定资产投资总额（亿元）来衡量物质资本。
中国拥有十三亿人口，为经济增长提供了丰富的劳动力资源。
因此本文用总就业人数（万人）来衡量劳动力。
居民消费需求也是经济增长的主要因素。
经济增长问题既受各国政府和居民的关注,也是经济学理论研究的一个重要方面。
在1978—2008年的31年中,我国经济年均增长率高达9.6%,综合国力大大增强,居民收入水平与生活水平不断提高,居民的消费需求的数量和质量有了很大的提高。
但是,我国目前仍然面临消费需求不足问题。
本文将以中国经济增长作为研究对象，选择时间序列数据的计量经济学模型方法，将中国国生产总值与和其相关的经济变量联系起来，建立多元线性回归模型，研究我国中国经济增长变动趋势，以及重要的影响因素，并根据所得的结论提出相关的建议与意见。
用计量经济学的方法进行数据的分析将得到更加具有说服力和更加具体的指标，可以更好的帮助我们进行预测与决策。
因此，对我国经济增长的计量经济学研究是有意义同时也是很必要的。
2 模型的建立为了具体分析各要素对我国经济增长影响的大小，我们可以用国生产总值（Y ）这个经济指标作为研究对象；用总就业人员数（1X ）衡量劳动力；用固定资产投资总额(2X )衡量资本投入：用价格指数（3X ）去代表消费需求。
运用这些数据进行回归分析。
这里的被解释变量是，Y ：国生产总值，与Y-国生产总值密切相关的经济因素作为模型可能的解释变量，共计3个，它们分别为：1X 代表社会就业人数，2X 代表固定资产投资， 3X 代表消费价格指数，μ代表随机干扰项。
模型的建立大致分为理论模型设置、参数估计、模型检验、模型修正几个步骤。
如果模型符合实际经济理论并且通过各级检验，那么模型就可以作为最终模型，可以进行结构分析和经济预测。
2.1理论模型的确定通过变量的试算筛选，最终确定以以下变量建立回归模型。
被解释变量：Y 代表国生产总值,解释变量：1X 代表社会就业人数，2X 代表固定资产投资，3X 代表消费价格指数。
另外，从经济意义上来说，社会就业人数、固定资产投资和消费价格指数这三个宏观经济指标基本反映了我国经济发展状况，因此也就很大程度上决定了经济增长水平。
单从经济意义上讲，变量的选择是正确的。
而且，就直观上来说，解释变量与被解释变量都是相关的，这三个解释变量都是经济增长的“良性”变量，它们的增长都对我国经济增长起着积极的推动作用，这一点可以作为模型经济意义检验的依据。
表1：被解释变量与解释变量1980-20009数据资料来源：《中国统计年鉴》。
首先，检查被解释变量和解释变量之间的线性关系是否成立。
观察被解释变量与解释变量之间的散点图。
图1：被解释变量Y与解释变量1X的散点图X之间基本呈线性关系。
由图中趋势线可以判断，被解释变量Y与解释变量1X的散点图图2：被解释变量Y与解释变量2X之间基本呈线性关系。
由图中趋势线可以判断，被解释变量Y与解释变量2X的散点图图3：被解释变量Y与解释变量3X之间基本呈线性关系。
由图中趋势线可以判断，被解释变量Y与解释变量3再通过变量之间的相关系数判断。
表2：被解释变量与解释变量相关系数表Covariance Analysis: OrdinaryDate: 5/25/16 Time: 8:58Sample: 1980 2009Included observations: 30Covariance看到被解释变量Y 与解释变量1X ，2X ，3X 之间具有较高的相关性。
通过散点图和相关系数表的判断，可以判断被解释变量和解释变量之间具有明显的相关线性关系。
同时通过被解释变量与解释变量的相关图形分析，设置理论模型为：μββββ++++=3423121X X X y2.2 建立初始模型——OLS 2.2.1 使用OLS 法进行参数估计表3： 普通最小二乘法参数估计输出结果Dependent Variable: Y Method: Least Squares Date: 5/25/16 Time: 9:00 Sample: 1980 2009Included observations: 30CoefficientStd. Error t-Statistic Prob.X1 1.934840 0.215990 8.957997 0.0000 X2 1.382559 0.045823 30.17169 0.0000 X3 -379.2654 280.8999 -1.350180 0.1886 C-49822.3133676.59-1.4794340.1510R-squared0.991233 Mean dependent var 85749.31 Adjusted R-squared 0.990221 S.D. dependent var95692.85 S.E. of regression 9462.951 Akaike infocriterion21.27172 Sum squared resid 2.33E+09 Schwarz criterion21.45855 Log likelihood -315.0758 Hannan-Quinncriter.21.33149 F-statistic 979.8468 Durbin-Watson stat 1.178143 Prob(F-statistic)0.000000得到初始模型为：3212654.379382559.1934840.131.49822X X X y -++-=2.2.2 对初始模型进行检验要对建立的初始模型进行包括经济意义检验、统计检验、计量经济学检验、预测检验在的四级检验。
(1)经济意义检验解释变量的系数分别为1β=1.934840、2β=1.382559。
两个解释变量系数均为正，符合被解释变量与解释变量之间的正相关关系，符合解释变量增长带动被解释变量增长的经济实际，3β=-379.2654，符合被解释变量与解释变量之间的负相关关系。
与现实经济意义相符，所以模型通过经济意义检验。
(2)统计检验①拟合优度检验：R2检验，R-squared=0.991233；Adjusted R-squared=0.990221；可见拟合优度很高，接近于1，方程拟和得很好。
②变量的显著性检验：t 检验，表4：模型系数显著性检验，t 检验结果CoefficientStd. Error t-Statistic Prob.X1 1.934840 0.215990 8.957997 0.0000 X2 1.382559 0.045823 30.17169 0.0000 X3 -379.2654 280.8999 -1.350180 0.1886 C -49822.3133676.59 -1.479434 0.1510从检验结果表中看到，包括常数项在的所有解释变量系数的t 检验的伴随概率均小于5%，所以，在5%的显著水平下1X 、2X 、3X的系数显著不为零，通过显著性检验，常数项也通过显著性检验，保留在模型之中。
③方程的显著性检验：F 检验，方程总体显著性检验的伴随概率小于0.00000，在5%显著水平下方程显著成立，具有经济意义。
(3)计量经济学检验：方程通过经济意义检验和统计检验，下面进行居于计量经济学模型检验核心的计量经济学检验。
①进行异方差性检验：首先用图示法对模型的异方差性进行一个大致的判断。
令X 轴为方程被解释变量，Y 轴为方程的残差项，做带有回归线的散点图。
图4：初始模型的异方差性检验散点图图5：初始模型的异方差性检验散点图图6：初始模型的异方差性检验散点图通过图形看到，回归线向上倾斜，大致判断存在异方差性，但是，图示法并不准确，下面使用White异方差检验法进行检验，分别选择不带有交叉项和带有交叉项的White异方差检验法。
得到下面的检验结果：表5：不带有交叉项的White异方差检验结果Heteroskedasticity Test: WhiteF-statistic 75.59849 Prob. F(3,26) 0.0000Obs*R-squared 26.91450 Prob. Chi-Square(3) 0.0000Scaled explained SS 52.75104 Prob. Chi-Square(3) 0.0000Test Equation:Dependent Variable: RESID^2Method: Least SquaresDate: 5/25/16 Time: 9:15Sample: 1980 2009Included observations: 30Coefficient Std. Error t-Statistic Prob.C 1.51E+08 1.08E+08 1.398492 0.1738X1^2 -0.029775 0.009593 -3.103868 0.0046X2^2 0.017419 0.001245 13.98776 0.0000X3^2 -2715.996 8243.375 -0.329476 0.7444R-squared 0.897150 Mean dependent var 77607780Adjusted R-squared 0.885283 S.D. dependent var 1.80E+08S.E. of regression 61075426 Akaike infocriterion 38.81668 Sum squared resid 9.70E+16 Schwarz criterion 39.00351Log likelihood -578.2502 Hannan-Quinncriter. 38.87645 F-statistic 75.59849 Durbin-Watson stat 1.947056 Prob(F-statistic) 0.000000表6：带有交叉项的White异方差检验结果Heteroskedasticity Test: WhiteF-statistic 33.57944 Prob. F(9,20) 0.0000 Obs*R-squared 28.13789 Prob. Chi-Square(9) 0.0009 Scaled explained SS 55.14882 Prob. Chi-Square(9) 0.0000Test Equation:Dependent Variable: RESID^2 Method: Least Squares Date: 5/25/16 Time: 9:18 Sample: 1980 2009 Included observations: 30CoefficientStd. Error t-Statistic Prob.C -2.08E+09 4.06E+09 -0.512912 0.6136 X1 -34576.99 39720.32 -0.870512 0.3943 X1^2 0.189719 0.224091 0.846615 0.4072 X1*X2 -0.297299 0.442472 -0.671906 0.5093 X1*X3 127.5161 329.2824 0.387254 0.7027 X2 29147.14 35662.29 0.817310 0.4234 X2^2 0.033135 0.007760 4.270053 0.0004 X2*X3 -97.11637 96.87489 -1.002493 0.3281 X3 55473498 68538734 0.809374 0.4278 X3^2-283697.5290382.6-0.9769780.3403R-squared0.937930 Mean dependent var 77607780 Adjusted R-squared 0.909998 S.D. dependent var1.80E+08 S.E. of regression 54097636 Akaike infocriterion38.71168 Sum squared resid 5.85E+16 Schwarz criterion39.17875 Log likelihood -570.6752 Hannan-Quinncriter.38.86110 F-statistic 33.57944 Durbin-Watson stat 2.262413 Prob(F-statistic)0.000000使用White 检验法不论是否带有交叉项，所得的检验伴随概率均小于5%，均在5%的显著水平下拒绝方程不存在异方差性的原假设，认为模型具有比较严重的异方差性。