影响我国农业总产值因素的实证分析

影响我国农业总产值因素的实证分析一、模型设定

为了分析我国农业总产值及其影响因素的关系，选择“农业总产值”（单位：亿元）为被解释变量Y；选择“农村居民家庭生产型投资”（单位：元/每户）为解释变量X1；选择“农作物总播种面积”（单位：千公顷）为解释变量X2；选择“农业从业人员数”（单位：万人）为解释变量X3。实验数据来自国家统计局公布的数据为样本：

根据以上数据，利用Eviews 生成Y 、X1、X2、X3的线性图：

由线形图可以看出，我国农业总产值及各影响因素的差异明显，其变动的方向基本相同，相互可能具有一定的相关性。将模型设定为线性回归模型形式：

Y i =β0+β1X 1i +β2X 2i +β3X 3i +u i

二、估计参数

利用Eviews 估计模型参数，回归结果如下：

Dependent Variable: Y Method: Least Squares Date: 05/30/15 Time: 20:54 Sample: 1989 2013 Included observations: 25

Variable Coefficient Std. Error t-Statistic Prob. C -29869.20 20836.69 -1.433491 0.1664 X1 1.709802 0.232338 7.359111 0.0000 X2

0.409578

0.140976

2.905305

0.0085

40,000

80,000

120,000

160,000

200,000

X3 -0.741504 0.197329 -3.757701 0.0012

R-squared 0.989559 Mean dependent var 19257.92

Adjusted R-squared 0.988067 S.D. dependent var 13261.48

S.E. of regression 1448.648 Akaike info criterion 17.54030

Sum squared resid 44070225 Schwarz criterion 17.73532

Log likelihood -215.2537 Hannan-Quinn criter. 17.59439

F-statistic 663.4221 Durbin-Watson stat 1.889115

Prob(F-statistic) 0.000000

根据上表数据，模型估计的初步结果为：

Y î=−29869.20+1.7095X1+0.4096X2−0.7415X3

（20837.69）（0.2323）（0.1410）（0.1973）

t= （-1.4335）（7.3591）（2.9053）（-3.7577）

R2=0.9896， R2̅̅̅̅=0.9881，F=663.4221，n=25初步判定：该模型R2=0.9896， R2̅̅̅̅=0.9881，可决系数很高，

(n−k)= F检验值为663.4221，明显显著。当α=0.05时，tα

2

t0.025(25−4)=2.080，各个解释变量对被解释变量的影响是显著的，但回归系数X3的符号为负，与实际经济比相符。由此可知，该方程可能存在多重共线性。

三、计量经济学检验

（一）多重共线性检验

1、相关系数矩阵

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，证实确实存在一定的多重共线性。

2、方差扩大（膨胀）因子法

经验表明，方差扩大因子VIF j≥10时，通常说明该解释变量与其余解释变量之间有严重的多重共线性，这里X1的方差扩大因子大于10，表明存在严重多重共线性问题。

3、对多重共线性的处理

（1）将各变量进行对数变换，利用Eviews软件对Y、X1、X2、X3分别取对数，分别生成序列：lny=log（y），lnX1=log（X1），lnX2=log（X2），lnX3=log（X3）的数据。再对以下模型进行估计：

lnY t=β0+β1lnX1t+β2lnX2t+β3X3t+εt

采用OLS方法估计模型参数，得到的回归结果如下：

Dependent Variable: LNY

Method: Least Squares

Date: 05/30/15 Time: 23:30

Sample: 1989 2013

Included observations: 25

Variable Coefficient Std. Error t-Statistic Prob.

C -5.256497 17.85737 -0.294360 0.7714

LNX1 0.782553 0.062125 12.59638 0.0000

LNX2 1.031607 1.450434 0.711241 0.4848

LNX3 -0.389359 0.272071 -1.431096 0.1671

R-squared 0.984575 Mean dependent var 9.637222

Adjusted R-squared 0.982371 S.D. dependent var 0.710208

S.E. of regression 0.094297 Akaike info criterion -1.739082

Sum squared resid 0.186732 Schwarz criterion -1.544061

Log likelihood 25.73852 Hannan-Quinn criter. -1.684991

F-statistic 446.7983 Durbin-Watson stat 1.019721

Prob(F-statistic) 0.000000

模型估计结果为：

lnŶ=−5.2565+0.7826lnX1+1.0316lnX2−0.3894X3

（17.8574）（0.0621）（1.4504）（0.2721）

t=（-0.2944）（12.5964）（0.7112）（-1.4311）

R2=0.9846，R2̅̅̅̅=0.9824，F=446.7983