中国粮食产量影响因素分析
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
——中国粮食产量影响因素分析
影响粮食总产量的因素有很多,有的影响因素可能会对粮食产量的预测产生直接的影响,而有些因素的影响可以忽略。对粮食产量影响显著的因素是必须要考虑的,影响不是很显著的可以忽略。下面主要选取农业机械总动力、有效灌溉面积、化肥施用量、农村用电量、粮食作物播种面积、受灾面积这六个因素来探讨他们对粮食总产量的影响。这些变量分别用下面的字母表示。
y:粮食总产量(万吨)
x1:农业机械总动力(万千瓦)
x2:有效灌溉面积(千公顷)
x3:化肥施用量(万吨)
x4:农村用电量(亿千瓦小时)
x5:粮食作物播种面积(千公顷)
x6:成灾面积(千公顷)
通过查阅各年的中国统计年鉴,搜集整理了从1991年到2010年的粮食总产量、农业机械总动力、有效灌溉面积、化肥施用量、农村用电量、农作物播种面积、成灾面积的数据。见下表(表一)
表一:各年的粮食总产量及相关指标数据
数据来源:中国统计年鉴
要想知道哪些因素对粮食总产量的影响显著,下面用一些模型方法和Eviews软件对数据进行分析。
1.多元线性回归:
1.1 最小二乘法对数据进行回归
用最小二乘法对数据进行回归,编写程序及相关结果如下。
编写程序:LS y c x1 x2 x3 x4 x5 x6
Eviews运行结果:
Dependent Variable: Y
Method: Least Squares
Date: 04/18/12 Time: 13:29
Sample: 1991 2010
Included observations: 20
Variable Coefficient Std. Error t-Statistic Prob.
C -59476.77 17101.57 -3.477854 0.0041
X1 -0.474401 0.194104 -2.444054 0.0295
X2 0.999522 0.549567 1.818744 0.0921
X3 5.260176 0.777593 6.764690 0.0000
X4 2.566848 1.123099 2.285504 0.0397
X5 0.495208 0.053717 9.218897 0.0000
X6 -0.134343 0.031293 -4.293066 0.0009
R-squared 0.984131 Mean dependent var 48136.30
Adjusted R-squared 0.976806 S.D. dependent var 3424.003
S.E. of regression 521.4577 Akaike info criterion 15.62035
Sum squared resid 3534935. Schwarz criterion 15.96886
Log likelihood -149.2035 Hannan-Quinn criter. 15.68838
F-statistic 134.3647 Durbin-Watson stat 2.566516
Prob(F-statistic) 0.000000
结果分析:从上面的运行结果可以看出方程的拟合优度R2=0.984,调整后的拟合优度为0.9768,说明模型拟合效果很好。F值较大,且P值<0.01,表明方程从整体上有较好的解释能力。但是在5%的显著水平下,x2(有效灌溉面积)没有通过t检验,另外y(粮食总产量)与x1(农业机械总动力)成负相关,这与经济意义上的是有矛盾的,说明变量之间可能存在多重共线性。
1.2 多重共线性的检验和处理
相关系数矩阵
通过对变量间简单相关系数的研究,发现各变量之间都存在相关关系。 方差扩大因子法检验多重共线性
将X1作为因变量与其他解释变量作回归的结果
Dependent Variable: X1 Method: Least Squares Date: 04/18/12 Time: 13:46 Sample: 1991 2010 Included observations: 20
Variable Coefficient Std. Error t-Statistic Prob. C -80523.42 9556.148 -8.426346 0.0000 X2 2.682415 0.242148 11.07759 0.0000 X3 -0.486127 1.062752 -0.457423 0.6544 X4 5.608573 0.380076 14.75645 0.0000 X5 -0.210536 0.048003 -4.385860 0.0006 X6
-0.001723
0.043085
-0.039988
0.9687
R-squared 0.999035 Mean dependent var 55313.35 Adjusted R-squared 0.998690 S.D. dependent var 19839.56 S.E. of regression 717.9924 Akaike info criterion 16.23412 Sum squared resid 7217184. Schwarz criterion 16.53284 Log likelihood -156.3412 Hannan-Quinn criter. 16.29243 F-statistic 2898.603 Durbin-Watson stat 1.783091
Prob(F-statistic)
0.000000
方差扩大因子:
==
=999
.0-11
-11
21
x R VIF 1000>20,说明解释变量
x1与其它解释变量存在
高度的线性相关。
结论:通过模型的R 2值和参数的t 检验及相应的经济意义,相关系数矩阵和方差扩大因子法的多重共线性检验,发现模型存在严重的多重共线性。 运用逐步回归法修正多重共线性
通过逐步回归法首先引入x3,接着引入x5,最后引入x6,得到最优模型如下。
逐步回归的最优模型
Dependent Variable: Y