计量作业模板

《计量经济学》课程论文

班级姓名学号

中国私人汽车拥有量影响因素实证分析

[内容摘要]：随着我国经济社会持续快速发展，群众购车刚性需求旺盛，汽车保有量继续呈快速增长趋势，2015年新注册登记的汽车达2385万辆，保有量净增1781万辆，均为历史最高水平。本文选取了1995年-2015年的相关数据进行分析，旨在找出近些年我国私人汽车拥有量变动的影响因素。首先，先找了四个解释变量（GDP、可支配收入、钢材产量、汽车产量），并搜集了相关数据，进而我们建立了理论模型，并利用EVIEWS软件对模型进行参数估计和检验，并加以校正。对最后的结果进行经济意义分析，并相应地提出了自己的看法。

从所做的回归结果看，我国私人汽车拥有量的影响因素主要还是来自经济方面，最主要的是国家的经济大环境，国家经济呈上升状态，居民的收入就会大幅增加，居民的可支配收入就会增长，会使汽车保有量增加。我们根据模型的回归结果作了经济意义的分析，并相应提出一些政策建议。

但是，鉴于水平有限，文中难免出现一些错误。另外还存在一些我们难以解决的问题，请老师多多包涵！

一、导论

随着市场经济的稳定繁荣和改革开放的深入发展，我国的经济经历了一个快速发展的时期，这为私人汽车提供了巨大的发展空间，同时私人汽车拥有量的大幅增加势必对土地、能源和环境带来巨大压力，这就需要对影响私人汽车发展的主要因素进行分析。在目前家用汽车日趋成为消费热点的大背景下，对我国家用汽车拥有量的研究分析和预测显得十分重要和必要，无论是对我国制定产业政策、发展国民经济还是对人民群众的日常生活都有深远的意义。

一模型的设定

私人汽车拥有量的影响因素与一个国家的社会经济发展的数据有着密切关系，所以我选取了GDP、可支配收入、钢材产量、汽车产量这四个对中国私人汽车拥有量有较大影响因素的时间序列数据来进行分析，希望通过建立一个合适的经济模型来从理论上找出影响中国私人汽车拥有量的影响因素，从而推动私人汽车消费。

我将“中国私人汽车拥有量”设为被解释变量，选取“GDP”、“可支配收入”、“钢材产量”、“汽车产量”作为解释变量”，构建多元线性回归模型：

Y=C+β1X1+β2X2+β3X3+β4X4+μi

其中：Y 中国私人汽车拥有量

X1 GDP

X2 居民可支配收入

X3 钢材产量

X4 汽车产量

μ随机干扰项

本文收集了1995年到2015年的数据，如下：

数据来源：国家统计局网站

三、参数估计

模型为Y=C+β1X1+β2X2+β3X3+β4X4+μi Y 中国私人汽车拥有量（万辆）

X1 GDP（亿元）

X2 居民可支配收入（亿元）

X3 钢材产量（万吨）

X4 汽车产量（万辆）

μ随机干扰项

用Eviews估计结果为：

初始模型为：

Y^=-1520.116+0.032166X1+0.035587X2-0.103277X3+1.269528X4 T:( -2.309511) （2.306663）（0.115451）（-3.853760）（1.003945）

R2=0.989336 R2=0.986670 F=371.0840

四、检验及修正

1．经济意义检验

从上表中可以看出，X3符号为负，但由经验得知，“中国私人汽车拥有量”与“钢材产量”关系紧密，故不应剔除，应保留。

2．统计推断检验

从回归结果可以看出，模型的拟和优度非常好(R2=0.989336),F 统计量的值在给定显著性水平α=0.05的情况下也较显著，说明各解释变量对Y的联合线性作用显著，但是X2的t值不显著（

X的t统计

3

量的值的绝对值小于2），说明X2这两个变量对Y的影响不显著，或者变量之间存在多重共线的影响使其t值不显著。

3．计量经济学意义检验 （１）多重共线性检验

①检验：F371.0840=>84.2)21,4(05.0=F （显著水平为05.0=α），表明中国私人汽车拥有量与解释变量间线性关系显著。

这里采用简单相关系数矩阵法对其进行检验：

X1 X2 X3 X4 X1 1.000000 0.999007 0.991910 0.992569 X2 0.999007 1.000000 0.992301 0.990357 X3 0.991910 0.992301 1.000000 0.991910 X4

0.992569

0.990357

0.991100

1.000000

从以上结果可以看出，4321,,,X X X X 之间存在高度线性相关。 ②修正：采用逐步回归法对其进行补救。

根据以上分析，由于2X 前的符号为负，但由经验得知，“中国私人汽车拥有量”与“居民可支配收入”关系紧密，故不应剔除。 分别作Y 与4321,,,X X X X 之间的回归：

回归模型基本变量的确定

1.

Y=-1603.465+0.019967X1 T:（-6.861834） (28.76753)

R^2=0.977557 R 2=0.976375 F=827.5710 2.

.

Y=-2622.908+0.471598X2

T:(-9.034944) (26.04208)

R^2=0.972748 R2==0.971313 F=678.1898 3.

Y=-1417.567+106517X3

T:(-3.617378) (16.64214)

R^2=0.935802 R2==0.0.932423 F=276.9607 4.

Y=-786.9713+4.895852X4

T:（-2.710410） (20.87140)

R^2=0.958206 R2==0.956007 F=435.6155

通过简单回归可以看出，X1的R²最高，即（X1）的影响最大，且与经验符合，因此选（1）为初始的回归模型。

逐步回归

Y=-832.4315+0.034747X1-0.350279X2

T:(-0.982367) （2.223800）（-0.946830）

R2=0.978261 R2=0.976246 F=411.9794

在初始模型中引入X2，模型调整后的拟合优度提高，但是X2的参数没有通过t检验，去掉X2。