计量经济学案例分析汇总

《计量经济学案例分析汇总》由会员分享，可在线阅读，更多相关《计量经济学案例分析汇总（36页珍藏版）》请在装配图网上搜索。

1、-计量经济学案例分析1一、研究的目的要求居民消费在社会经济的持续开展中有着重要的作用。居民合理的消费模式和居民适度的消费规模有利于经济持续安康的增长，而且这也是人民生活水平的具体表达。改革开放以来随着中国经济的快速开展，人民生活水平不断提高，居民的消费水平也不断增长。但是在看到这个整体趋势的同时，还应看到全国各地区经济开展速度不同，居民消费水平也有明显差异。例如，2002年全国城市居民家庭平均每人每年消费支出为6029.88元, 最低的省仅为人均4462.08元，最高的市达人均10464元，是的2.35倍。为了研究全国居民消费水平及其变动的原因，需要作具体的分析。影响各地区居民消费支出有明显差

2、异的因素可能很多，例如，居民的收入水平、就业状况、零售物价指数、利率、居民财产、购物环境等等都可能对居民消费有影响。为了分析什么是影响各地区居民消费支出有明显差异的最主要因素，并分析影响因素与消费水平的数量关系，可以建立相应的计量经济模型去研究。二、模型设定我们研究的对象是各地区居民消费的差异。居民消费可分为城市居民消费和农村居民消费，由于各地区的城市与农村人口比例及经济构造有较大差异，最具有直接比照可比性的是城市居民消费。而且，由于各地区人口和经济总量不同，只能用城市居民每人每年的平均消费支出来比拟，而这正是可从统计年鉴中获得数据的变量。所以模型的被解释变量Y选定为城市居民每人每年的平均消费

3、支出。因为研究的目的是各地区城市居民消费的差异，并不是城市居民消费在不同时间的变动，所以应选择同一时期各地区城市居民的消费支出来建立模型。因此建立的是2002年截面数据模型。影响各地区城市居民人均消费支出有明显差异的因素有多种，但从理论和经历分析，最主要的影响因素应是居民收入，其他因素虽然对居民消费也有影响，但有的不易取得数据，如居民财产和购物环境；有的与居民收入可能高度相关，如就业状况、居民财产；还有的因素在运用截面数据时在地区间的差异并不大，如零售物价指数、利率。因此这些其他因素可以不列入模型，即便它们对居民消费有*些影响也可归入随即扰动项中。为了与城市居民人均消费支出相对应，选择在统计年

4、鉴中可以获得的城市居民每人每年可支配收入作为解释变量*。从2002年中国统计年鉴中得到表2.5的数据:表2.5 2002年中国各地区城市居民人均年消费支出和可支配收入地区城市居民家庭平均每人每年消费支出(元) Y城市居民人均年可支配收入(元) *10284.607191.965069.284710.964859.885342.644973.884462.0810464.006042.608713.084736.526631.684549.325596.324504.685608.925574.728988.485413.445459.646360.245413.084598.285827.92

5、6952.445278.045064.245042.526104.925636.4012463.929337.566679.685234.356051.066524.526260.166100.5613249.808177.6411715.606032.409189.366334.647614.366245.406788.526958.5611137.207315.326822.727238.046610.805944.087240.568079.126330.846151.446170.526067.446899.64作城市居民家庭平均每人每年消费支出(Y)和城市居民人均年可支配收入(*)的

6、散点图，如图2.12：图2.12从散点图可以看出居民家庭平均每人每年消费支出(Y)和城市居民人均年可支配收入(*)大体呈现为线性关系，所以建立的计量经济模型为如下线性模型：三、估计参数假定所建模型及随机扰动项满足古典假定，可以用OLS法估计其参数。运用计算机软件EViews作计量经济分析十分方便。利用EViews作简单线性回归分析的步骤如下： 1、建立工作文件首先，双击EViews图标，进入EViews主页。在菜单一次点击FileNewWorkfile，出现对话框Workfile Range。在Workfile frequency中选择数据频率： Annual (年度) Weekly ( 周数

7、据 ) Quartrly (季度) Daily (5 day week ) ( 每周5天日数据 ) Semi Annual (半年) Daily (7 day week ) ( 每周7天日数据 ) Monthly (月度) Undated or irreqular (未注明日期或不规则的)在本例中是截面数据，选择Undated or irreqular。并在Start date中输入开场时间或顺序号，如1在end date中输入最后时间或顺序号，如31点击ok出现Workfile UNTITLED工作框。其中已有变量：c截距项resid剩余项。在Objects菜单中点击New Objects，

8、在New Objects对话框中选Group，并在Name for Objects上定义文件名，点击OK出现数据编辑窗口。假设要将工作文件存盘，点击窗口上方Save，在SaveAs对话框中给定路径和文件名，再点击ok，文件即被保存。2、输入数据在数据编辑窗口中，首先按上行键，这时对应的obs字样的空格会自动上跳，在对应列的第二个obs有边框的空格键入变量名，如Y，再按下行键，对因变量名下的列出现NA字样，即可依顺序输入响应的数据。其他变量的数据也可用类似方法输入。也可以在EViews命令框直接键入data * Y (一元时) 或 data Y (多元时)，回车出现Group窗口数据编辑框，在对

9、应的Y、*下输入数据。假设要对数据存盘，点击 fire/Save As，出现Save As对话框，在Drives点所要存的盘，在Directories点存入的路径文件名，在Fire Name对所存文件命名，或点已存的文件名，再点ok。假设要读取已存盘数据，点击fire/Open，在对话框的Drives点所存的磁盘名，在Directories点文件路径，在Fire Name点文件名，点击ok即可。3、估计参数方法一：在EViews主页界面点击Quick菜单，点击Estimate Equation，出现Equation specification对话框，选OLS估计，即选击Least Square

10、s，键入Y C *，点ok或按回车，即出现如表2.6那样的回归结果。表2.6在本例中，参数估计的结果为：287.2649 (0.036928) t=(0.982520) (20.54026) F=421.9023 df=29方法二：在EViews命令框中直接键入LS Y C *，按回车，即出现回归结果。假设要显示回归结果的图形，在Equation框中，点击Resids，即出现剩余项Residual、实际值Actual、拟合值Fitted的图形，如图2.13所示。图2.13四、模型检验1、经济意义检验所估计的参数，说明城市居民人均年可支配收入每相差1元，可导致居民消费支出相差0.758511元。

11、这与经济学中边际消费倾向的意义相符。2、拟合优度和统计检验用EViews得出回归模型参数估计结果的同时，已经给出了用于模型检验的相关数据。拟合优度的度量：由表2.6中可以看出，本例中可决系数为0.935685，说明所建模型整体上对样本数据拟合较好，即解释变量城市居民人均年可支配收入对被解释变量城市居民人均年消费支出的绝大局部差异作出了解释。对回归系数的t检验：针对和，由表2.6中还可以看出，估计的回归系数的标准误差和t值分别为：，；的标准误差和t值分别为：，。取，查t分布表得自由度为的临界值。因为，所以不能拒绝；因为，所以应拒绝。这说明，城市人均年可支配收入对人均年消费支出有显著影响。五、回归

12、预测由表2.5中可看出，2002年中国西部地区城市居民人均年可支配收入除了外均在8000以下，人均消费支出也都在7000元以下。在西部大开发的推动下，如果西部地区的城市居民人均年可支配收入第一步争取到达1000美元(按现有汇率即人民币8270元)，第二步再争取到达1500美元(即人民币12405元)，利用所估计的模型可预测这时城市居民可能到达的人均年消费支出水平。可以注意到，这里的预测是利用截面数据模型对被解释变量在不同空间状况的空间预测。用EViews作回归预测，首先在Workfile窗口点击Range，出现Change Workfile Range窗口，将End data由31”改为33”

13、，点OK，将Workfile中的Range扩展为133。在Workfile窗口点击sampl，将sampl窗口中的1 31”改为1 33”，点OK，将样本区也改为133。为了输入，在EViews命令框键入data * /回车, 在*数据表中的32”位置输入8270”，在33”的位置输入12405”，将数据表最小化。 然后在E框中，点击Forecast，得对话框。在对话框中的Forecast name(预测值序列名)键入， 回车即得到模型估计值及标准误差的图形。双击Workfile窗口中出现的，在数据表中的32”位置出现预测值，在33”位置出现。这是当和时人均消费支出的点预测值。为了作区间预测，

14、在*和Y的数据表中，点击View选Descriptive StatsCmmon Sample，则得到*和Y的描述统计结果，见表2.7: 表2.7根据表2.7的数据可计算:取,平均值置信度95%的预测区间为：时时即是说，当元时，平均值置信度95%的预测区间为6393.03，6717.23元。当元时，平均值置信度95%的预测区间为9292.33，10090.83元。个别值置信度95%的预测区间为：时时即是说，当第一步时，个别值置信度95%的预测区间为5694.81，7415.45元。当第二步时，个别值置信度95%的预测区间为8757.09，10626.07元。在E框中，点击Forecast可得预测

15、值及标准误差的图形如图2.14：图2.14案例分析2案例分析3一、研究的目的要求近年来，中国旅游业一直保持高速开展，旅游业作为国民经济新的增长点，在整个社会经济开展中的作用日益显现。中国的旅游业分为国旅游和入境旅游两大市场，入境旅游外汇收入年均增长22.6%，与此同时国旅游也迅速增长。改革开放20多年来，特别是进入90年代后，中国的国旅游收入年均增长14.4%，远高于同期GDP 9.76%的增长率。为了规划中国未来旅游产业的开展，需要定量地分析影响中国旅游市场开展的主要因素。二、模型设定及其估计经分析，影响国旅游市场收入的主要因素，除了国旅游人数和旅游支出以外，还可能与相关根底设施有关。为此，

16、考虑的影响因素主要有国旅游人数，城镇居民人均旅游支出，农村居民人均旅游支出，并以公路里程和铁路里程作为相关根底设施的代表。为此设定了如下对数形式的计量经济模型：其中 ：第t年全国旅游收入国旅游人数 万人城镇居民人均旅游支出 元农村居民人均旅游支出 元公路里程万公里铁路里程万公里 为估计模型参数，收集旅游事业开展最快的19942003年的统计数据，如表4.2所示：表4.2 1994年2003年中国旅游收入及相关数据年份国旅游收入Y亿元国旅游人数*2万人次城镇居民人均旅游支出*3元农村居民人均旅游支出*4 元公路里程 *5万公里铁路里程*6万公里19941023.552400414.754.911

17、1.785.9019951375.762900464.061.5115.705.9719961638.463900534.170.5118.586.4919972112.764400599.8145.7122.646.6019982391.269450607.0197.0127.856.6419992831.971900614.8249.5135.176.7420003175.574400678.6226.6140.276.8720013522.478400708.3212.7169.807.0120023878.487800739.7209.1176.527.1920033442.38700

18、0684.9200.0180.987.30数据来源:中国统计年鉴2004利用Eviews软件，输入Y、*2、*3、*4、*5、*6等数据，采用这些数据对模型进展OLS回归，结果如表4.3： 表4.3由此可见，该模型，可决系数很高，F检验值173.3525,明显显著。但是当时,不仅、系数的t检验不显著，而且系数的符号与预期的相反，这说明很可能存在严重的多重共线性。计算各解释变量的相关系数，选择*2、*3、*4、*5、*6数据，点view/correlations得相关系数矩阵如表4.4：表4.4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，证实确实存在严重多重共线性。三、消除多重共线

19、性采用逐步回归的方法，去检验和解决多重共线性问题。分别作Y对*2、*3、*4、*5、*6的一元回归，结果如表4.5所示：表4.5变量*2*3*4*5*6参数估计值0.08429.052311.667334.33242014.146t 统计量8.665913.15985.19676.46758.74870.90370.95580.77150.83940.9054按的大小排序为：*3、*6、*2、*5、*4。以*3为根底，顺次参加其他变量逐步回归。首先参加*6回归结果为： t=(2.9086) (0.46214) 当取时，*6参数的t检验不显著，予以剔除，参加*2回归得 t=(4.2839) (2

20、.1512) *2参数的t检验不显著，予以剔除，参加*5回归得t=(6.6446) (2.6584) *3、*5参数的t检验显著，保存*5，再参加*4回归得t=(3.944983) (4.692961) 3.06767 F=231.7935 DW=1.952587当取时，,*3、*4、*5系数的t检验都显著，这是最后消除多重共线性的结果。这说明，在其他因素不变的情况下，当城镇居民人均旅游支出和农村居民人均旅游支出分别增长1元时，国旅游收入将分别增长4.21亿元和3.22亿元。在其他因素不变的情况下，作为旅游设施的代表，公路里程每增加1万公里时, 国旅游收入将增长13.63亿元。案例分析4一、问

21、题的提出和模型设定根据本章引子提出的问题，为了给制定医疗机构的规划提供依据，分析比拟医疗机构与人口数量的关系，建立卫生医疗机构数与人口数的回归模型。假定医疗机构数与人口数之间满足线性约束，则理论模型设定为5.31其中表示卫生医疗机构数，表示人口数。由2001年统计年鉴得到如下数据。表5.1 省2000年各地区医疗机构数与人口数地区人口数万人*医疗机构数个Y地区人口数万人*医疗机构数个Y1013.36304眉山339.9827315911508.51530103934438.61589463.71297达州620.12403德阳379.31085149.8866518.41616346.7122

22、3302.61021资阳488.413613711375阿坝82.9536江419.91212甘孜88.9594345.91132凉山402.41471 709.2 4064二、参数估计进入EViews软件包，确定时间围；编辑输入数据；选择估计方程菜单，估计样本回归函数如下表5.2估计结果为(5.32)括号为t统计量值。 三、检验模型的异方差本例用的是省2000年各地市州的医疗机构数和人口数，由于地区之间存在的不同人口数，因此，对各种医疗机构的设置数量会存在不同的需求，这种差异使得模型很容易产生异方差，从而影响模型的估计和运用。为此，必须对该模型是否存在异方差进展检验。一图形法1、EViews

23、软件操作。由路径：Quick/Qstimate Equation，进入Equation Specification窗口，键入y c *，确认并ok，得样本回归估计结果，见表5.2。1生成残差平方序列。在得到表5.2估计结果后，立即用生成命令建立序列，记为e2。生成过程如下，先按路径：Procs/Generate Series，进入Generate Series by Equation对话框，即 图5.4然后，在Generate Series by Equation对话框中如图5.4，键入e2=resid2”，则生成序列。2绘制对的散点图。选择变量名*与e2注意选择变量的顺序，先选的变量将在图形

24、中表示横轴，后选的变量表示纵轴，进入数据列表，再按路径view/graph/scatter，可得散点图，见图5.5。 图5.52、判断。由图5.5可以看出，残差平方对解释变量*的散点图主要分布在图形中的下三角局部，大致看出残差平方随的变动呈增大的趋势，因此，模型很可能存在异方差。但是否确实存在异方差还应通过更进一步的检验。二Goldfeld-Quanadt检验1、EViews软件操作。1对变量取值排序按递增或递减。在Procs菜单里选Sort Series命令，出现排序对话框，如果以递增型排序，选Ascenging，如果以递减型排序，则应选Descending，键入*，点ok。本例选递增型排序

25、，这时变量Y与*将以*按递增型排序。2构造子样本区间，建立回归模型。在本例中，样本容量n=21，删除中间1/4的观测值，即大约5个观测值，余下局部平分得两个样本区间：18和1421，它们的样本个数均是8个，即。在Sample菜单里，将区间定义为18，然后用OLS方法求得如下结果表5.3在Sample菜单里,将区间定义为1421，再用OLS方法求得如下结果表5.43求F统计量值。基于表5.3和表5.4中残差平方和的数据，即Sum squared resid的值。由表5.3计算得到的残差平方和为，由表5.4计算得到的残差平方和为，根据Goldfeld-Quanadt检验，F统计量为 5.334判断

26、。在下，式5.33中分子、分母的自由度均为6，查F分布表得临界值为，因为，所以拒绝原假设，说明模型确实存在异方差。三White检验由表5.2估计结果，按路径view/residual tests/white heteroskedasticityno cross terms or cross terms，进入White检验。根据White检验中辅助函数的构造，最后一项为变量的穿插乘积项，因为本例为一元函数，故无穿插乘积项，因此应选no cross terms，则辅助函数为 5.34经估计出现White检验结果，见表5.5。从表5.5可以看出，由White检验知，在下，查分布表,得临界值在5.34

27、式中只有两项含有解释变量，故自由度为2，比拟计算的统计量与临界值，因为，所以拒绝原假设，不拒绝备择假设，说明模型存在异方差。表5.5 四、异方差性的修正 一加权最小二乘法WLS在运用WLS法估计过程中，我们分别选用了权数。权数的生成过程如下，由图5.4，在对话框中的Enter Quation处，按如下格式分别键入：；，经估计检验发现用权数的效果最好。下面仅给出用权数的结果。表5.7表5.7的估计结果如下 5.36括号中数据为t统计量值。可以看出运用加权小二乘法消除了异方差性后，参数的t检验均显著，可决系数大幅提高，F检验也显著，并说明人口数量每增加1万人，平均说来将增加2.953个卫生医疗机构

28、，而不是引子中得出的增加5.3735个医疗机构。虽然这个模型可能还存在*些其他需要进一步解决的问题，但这一估计结果或许比引子中的结论更为接近真实情况。案例分析5一、问题的提出和模型设定根据本章引子提出的问题，为了给制定医疗机构的规划提供依据，分析比拟医疗机构与人口数量的关系，建立卫生医疗机构数与人口数的回归模型。假定医疗机构数与人口数之间满足线性约束，则理论模型设定为5.31其中表示卫生医疗机构数，表示人口数。由2001年统计年鉴得到如下数据。表5.1 省2000年各地区医疗机构数与人口数地区人口数万人*医疗机构数个Y地区人口数万人*医疗机构数个Y1013.36304眉山339.9827315

29、911508.51530103934438.61589463.71297达州620.12403德阳379.31085149.8866518.41616346.71223302.61021资阳488.413613711375阿坝82.9536江419.91212甘孜88.9594345.91132凉山402.41471 709.2 4064二、参数估计进入EViews软件包，确定时间围；编辑输入数据；选择估计方程菜单，估计样本回归函数如下表5.2估计结果为(5.32)括号为t统计量值。 三、检验模型的异方差本例用的是省2000年各地市州的医疗机构数和人口数，由于地区之间存在的不同人口数，因此，对

30、各种医疗机构的设置数量会存在不同的需求，这种差异使得模型很容易产生异方差，从而影响模型的估计和运用。为此，必须对该模型是否存在异方差进展检验。一图形法1、EViews软件操作。由路径：Quick/Qstimate Equation，进入Equation Specification窗口，键入y c *，确认并ok，得样本回归估计结果，见表5.2。1生成残差平方序列。在得到表5.2估计结果后，立即用生成命令建立序列，记为e2。生成过程如下，先按路径：Procs/Generate Series，进入Generate Series by Equation对话框，即 图5.4然后，在Generate S

31、eries by Equation对话框中如图5.4，键入e2=resid2”，则生成序列。2绘制对的散点图。选择变量名*与e2注意选择变量的顺序，先选的变量将在图形中表示横轴，后选的变量表示纵轴，进入数据列表，再按路径view/graph/scatter，可得散点图，见图5.5。 图5.52、判断。由图5.5可以看出，残差平方对解释变量*的散点图主要分布在图形中的下三角局部，大致看出残差平方随的变动呈增大的趋势，因此，模型很可能存在异方差。但是否确实存在异方差还应通过更进一步的检验。二Goldfeld-Quanadt检验1、EViews软件操作。1对变量取值排序按递增或递减。在Procs菜单

32、里选Sort Series命令，出现排序对话框，如果以递增型排序，选Ascenging，如果以递减型排序，则应选Descending，键入*，点ok。本例选递增型排序，这时变量Y与*将以*按递增型排序。2构造子样本区间，建立回归模型。在本例中，样本容量n=21，删除中间1/4的观测值，即大约5个观测值，余下局部平分得两个样本区间：18和1421，它们的样本个数均是8个，即。在Sample菜单里，将区间定义为18，然后用OLS方法求得如下结果表5.3在Sample菜单里,将区间定义为1421，再用OLS方法求得如下结果表5.43求F统计量值。基于表5.3和表5.4中残差平方和的数据，即Sum s

33、quared resid的值。由表5.3计算得到的残差平方和为，由表5.4计算得到的残差平方和为，根据Goldfeld-Quanadt检验，F统计量为 5.334判断。在下，式5.33中分子、分母的自由度均为6，查F分布表得临界值为，因为，所以拒绝原假设，说明模型确实存在异方差。三White检验由表5.2估计结果，按路径view/residual tests/white heteroskedasticityno cross terms or cross terms，进入White检验。根据White检验中辅助函数的构造，最后一项为变量的穿插乘积项，因为本例为一元函数，故无穿插乘积项，因此应选n

34、o cross terms，则辅助函数为 5.34经估计出现White检验结果，见表5.5。从表5.5可以看出，由White检验知，在下，查分布表,得临界值在5.34式中只有两项含有解释变量，故自由度为2，比拟计算的统计量与临界值，因为，所以拒绝原假设，不拒绝备择假设，说明模型存在异方差。表5.5 四、异方差性的修正 一加权最小二乘法WLS在运用WLS法估计过程中，我们分别选用了权数。权数的生成过程如下，由图5.4，在对话框中的Enter Quation处，按如下格式分别键入：；，经估计检验发现用权数的效果最好。下面仅给出用权数的结果。表5.7表5.7的估计结果如下 5.36括号中数据为t统计

35、量值。可以看出运用加权小二乘法消除了异方差性后，参数的t检验均显著，可决系数大幅提高，F检验也显著，并说明人口数量每增加1万人，平均说来将增加2.953个卫生医疗机构，而不是引子中得出的增加5.3735个医疗机构。虽然这个模型可能还存在*些其他需要进一步解决的问题，但这一估计结果或许比引子中的结论更为接近真实情况。案例分析6【案例7.1】为了研究19551974年期间美国制造业库存量Y和销售额*的关系，我们在例7.3中采用了经历加权法估计分布滞后模型。尽管经历加权法具有一些优点，但是设置权数的主观随意性较大，要求分析者对实际问题的特征有比拟透彻的了解。下面用阿尔蒙法估计如下有限分布滞后模型：将

36、系数(i=0,1,2,3)用二次多项式近似，即则原模型可变为其中在Eviews工作文件中输入*和Y的数据，在工作文件窗口中点击Genr工具栏，出现对话框，输入生成变量Z0t的公式，点击OK；类似，可生成Z1t、Z2t变量的数据。进入Equation Specification 对话栏，键入回归方程形式Y C Z0Z1 Z2点击OK，显示回归结果见表7.2。表7.2表中Z0、Z1、Z2对应的系数分别为的估计值。将它们代入分布滞后系数的阿尔蒙多项式中，可计算出的估计值为：从而，分布滞后模型的最终估计式为：在实际应用中，Eviews提供了多项式分布滞后指令PDL用于估计分布滞后模型。下面结合本例给出

37、操作过程：在Eviews中输入*和Y的数据，进入Equation Specification 对话栏，键入方程形式Y C PDL(*, 3, 2)其中，PDL指令表示进展多项式分布滞后Polynomial Distributed Lags模型的估计，括号中的3表示*的分布滞后长度，2表示多项式的阶数。在Estimation Settings栏中选择Least Squares(最小二乘法)，点击OK，屏幕将显示回归分析结果见表7.3。表7.3需要指出的是，用PDL估计分布滞后模型时，Eviews所采用的滞后系数多项式变换不是形如7.4式的阿尔蒙多项式，而是阿尔蒙多项式的派生形式。因此，输出结果中

38、PDL01、PDL02、PDL03对应的估计系数不是阿尔蒙多项式系数的估计。但同前面分步计算的结果相比，最终的分布滞后估计系数式是一样的。【案例7.2】货币主义学派认为，产生通货膨胀的必要条件是货币的超量供给。物价变动与货币供给量的变化有着较为密切的联系，但是二者之间的关系不是瞬时的，货币供给量的变化对物价的影响存在一定时滞。有研究说明，西方国家的通货膨胀时滞大约为23个季度。在中国，大家普遍认同货币供给的变化对物价具有滞后影响，但滞后期终究有多长，还存在不同的认识。下面采集19962005年全国广义货币供给量和物价指数的月度数据见表7.4对这一问题进展研究。表7.4 19962005年全国广

39、义货币供给量及物价指数月度数据月度广义货币M2 (千亿元广义货币增长量M2z千亿元居民消费价格同比指数tbzs 月度广义货币M2 (千亿元广义货币增长量M2z千亿元居民消费价格同比指数tbzs Jan-9658.401Oct-00129.522-0.9518100Feb-9663.7785.377109.3Nov-00130.99411.4721101.3Mar-9664.5110.733109.8Dec-00134.61033.6162101.5Apr-9665.7231.212109.7Jan-01137.54362.9333101.2May-9666.881.157108.9Feb-01

40、136.2102-1.3334100Jun-9668.1321.252108.6Mar-01138.74452.5343100.8Jul-9669.3461.214108.3Apr-01139.94991.2054101.6Aug-9672.3092.963108.1May-01139.0158-0.9341101.7Sep-9669.643-2.666107.4Jun-01147.80978.7939101.4Oct-9673.15223.5092107Jul-01149.22871.419101.5Nov-9674.1420.9898106.9Aug-01149.94180.7131101

41、Dec-9676.09491.9529107Sep-01151.82261.880899.9Jan-9778.6482.5531105.9Oct-01151.4973-0.3253100.2Feb-9778.9980.35105.6Nov-01154.08832.59199.7Mar-9779.8890.891104Dec-01158.30194.213699.7Apr-9780.8180.929103.2Jan-02159.63931.337499May-9781.1510.333102.8Feb-02160.93561.2963100Jun-9782.7891.638102.8Mar-02

42、164.06463.12999.2Jul-9783.460.671102.7Apr-02164.57060.50698.7Aug-9784.7461.286101.9May-02166.0611.490498.9Sep-9785.8921.146101.8Jun-02169.60123.540299.2Oct-9786.6440.752101.5Jul-02170.85111.249999.1Nov-9787.590.946101.1Aug-02173.25092.399899.3Dec-9790.99533.4053100.4Sep-02176.98243.731599.3Jan-9892.

43、21141.2161100.3Oct-02177.29420.311899.2Feb-9892.024-0.187499.9Nov-02179.73632.442199.3Mar-9892.015-0.009100.7Dec-02185.00735.27199.6Apr-9892.6620.64799.7Jan-03190.48835.481100.4May-9893.9361.27499Feb-03190.1084-0.3799100.2Jun-9894.6580.72298.7Mar-03194.48734.3789100.9Jul-9896.3141.65698.6Apr-03196.1

44、3011.6428101Aug-9897.2990.98598.6May-03199.50523.3751100.7Sep-9899.7952.49698.5Jun-03204.93145.4262100.3Oct-98100.87521.080298.9Jul-03206.19311.2617100.5Nov-98102.2291.353898.8Aug-03210.59194.3988100.9Dec-98104.49852.269599Sep-03213.56712.9752101.1Jan-99105.51.001598.8Oct-03214.46940.9023101.8Feb-99

45、107.7782.27898.7Nov-03216.35171.8823103Mar-99108.4380.6698.2Dec-03221.22284.8711103.2Apr-99109.2180.7897.8Jan-04225.101933.87913103.2May-99110.0610.84397.8Feb-04227.050721.94879102.1Jun-99111.3631.30297.9Mar-04231.65464.60388103Jul-99111.4140.05198.6Apr-04233.627861.97326103.8Aug-99112.8271.41398.7M

46、ay-04234.84241.21454104.4Sep-99115.0792.25299.2Jun-04238.427493.58509105Oct-99115.390.31199.4Jul-04234.8424-3.58509105.3Nov-99116.5591.16999.1Aug-04239.729194.88679105.3Dec-99119.8983.33999Sep-04243.7574.02781105.2Jan-00121.221.32299.8Oct-04243.74-0.017104.3Feb-00121.58340.3634100.7Nov-04247.135583.

47、39558102.8Mar-00122.58070.997399.8Dec-04253.20776.07212102.4Apr-00124.12191.541299.7Jan-05257.752834.54513101.9May-00124.0533-0.0686100.1Feb-05259.35611.60327103.9Jun-00126.60532.552100.5Mar-05264.58895.2328102.7Jul-00126.3239-0.2814100.5Apr-05266.992662.40376101.8Aug-00127.791.4661100.3May-05269.22

48、942.23674101.8Sep-00130.47382.6838100数据来源：中国经济统计数据库，db.cei.gov./。为了考察货币供给量的变化对物价的影响，我们用广义货币M2的月增长量M2Z作为解释变量，以居民消费价格月度同比指数TBZS为被解释变量进展研究。首先估计如下回归模型得如下回归结果表7.5。表7.5Dependent Variable: TBZSMethod: Least SquaresDate: 07/03/05 Time: 17:10Sample(adjusted): 1996:02 2005:05Included observations: 112 after a

49、djusting endpointsVariableCoefficientStd. Errort-StatisticProb. C101.43560.397419255.23580.0000M2Z0.0683710.1518720.4501900.6535R-squared0.001839 Mean dependent var101.5643Adjusted R-squared-0.007235 S.D. dependent var2.911111S.E. of regression2.921623 Akaike info criterion4.999852Sum squared resid9

50、38.9472 Schwarz criterion5.048396Log likelihood-277.9917 F-statistic0.202671Durbin-Watson stat0.047702 Prob(F-statistic)0.653460从回归结果来看，M2Z的t统计量值不显著，说明当期货币供给量的变化对当期物价水平的影响在统计意义上不明显。为了分析货币供给量变化影响物价的滞后性，我们做滞后6个月的分布滞后模型的估计，在Eviews工作文档的方程设定窗口中，输入TBZS C M2Z M2Z(-1) M2Z(-2) M2Z(-3) M2Z(-4) M2Z(-5) M2Z(-6)

51、结果见表7.6。表7.6Dependent Variable: TBZSMethod: Least SquaresDate: 07/03/05 Time: 17:09Sample(adjusted): 1996:08 2005:05Included observations: 106 after adjusting endpointsVariableCoefficientStd. Errort-StatisticProb. C100.04920.584318171.22400.0000M2Z-0.0110370.140613-0.0784930.9376M2Z(-1)0.0161690.137

52、9980.1171660.9070M2Z(-2)0.0530440.1368080.3877230.6991M2Z(-3)0.0286790.1431550.2003330.8416M2Z(-4)0.1308250.1391830.9399510.3496案例分析7改革开放以来，随着经济的开展中国城乡居民的收入快速增长，同时城乡居民的储蓄存款也迅速增长。经济学界的一种观点认为，20世纪90年代以后由于经济体制、住房、医疗、养老等社会保障体制的变化，使居民的储蓄行为发生了明显改变。为了考察改革开放以来中国居民的储蓄存款与收入的关系是否已发生变化，以城乡居民人民币储蓄存款年底余额代表居民储蓄Y，以

53、国民总收入GNI代表城乡居民收入，分析居民收入对储蓄存款影响的数量关系。表8.1为1978-2003年中国的国民总收入和城乡居民人民币储蓄存款年底余额及增加额的数据。表8.1 国民总收入与居民储蓄存款 单位：亿元年 份国民总收入GNI城乡居民人民币储蓄存款年底余额Y城乡居民人民币储蓄存款增加额YY年 份国民总收入GNI城乡居民人民币储蓄存款年底余额Y城乡居民人民币储蓄存款增加额YY19783624.1 210.6NA199121662.5 9241.62121.80019794038.2 281.070.4199226651.9 11759.42517.80019804517.8 399.51

54、18.5199334560.5 15203.53444.10019814860.3 532.7124.2199446670.0 21518.86315.30019825301.8 675.4151.7199557494.9 29662.38143.50019835957.4 892.5217.1199666850.5 38520.88858.50019847206.7 1214.7322.2199773142.7 46279.87759.00019858989.1 1622.6407.9199876967.2 53407.57615.400198610201.4 2237.6615.0199980579.4 59621.86253.000198711954.5 3073.3835.7200088254.0 64332.44976.700198814922.3 3801.5728.2200195727.9 73762.49457.600198916917.8 5146.9 1374.22002103935.3 86910.613233.20199018598.4 7119.81923.