《我国财政收入影响因素分析》,计量经济学论文(eviews分析)

　 《我国财政收入影响因素分析》

　班级：

　姓名：

　学号：

　指导教师：

　完成时间：

　 摘要：对我国财政收入影响因素进行了定量分析，建立了数学模型，并提出了提高我国财政收入质量的政策建议。

　关键词：财政收入

　实证分析

　影响因素

　 一、 引言

　财政收入对于国民经济的运行及社会发展具有重要影响。首先，它是一个国家各项收入得以实现的物质保证。一个国家财政收入规模大小往往是衡量其经济实力的重要标志。其次，财政收入是国家对经济实行宏观调控的重要经济杠杆。宏观调控的首要问题是社会总需求与总供给的平衡问题，实现社会总需求与总供给的平衡，包括总量上的平衡和结构上的平衡两个层次的内容。财政收入的杠杆既可通过增收和减收来发挥总量调控作用，也可通过对不同财政资金缴纳者的财政负担大小的调整，来发挥结构调整的作用。此外，财政收入分配也是调整国民收入初次分配格局，实现社会财富公平合理分配的主要工具。在我国，财政收入的主体是税收收入。因此，在税收体制及政策不变的情况下，财政收入会随着经济繁荣而增加，随着经济衰退而下降。

　我国的财政收入主要包括税收、国有经济收入、债务收入以及其他收入四种形式，因此，财政收入会受到不同因素的影响。从国民经济部门结构看，财政收入又表现为来自各经济部门的收入。财政收入的部门构成就是在财政收入中，由来自国民经济各部门的收入所占的不同比例来表现财政收入来源的结构，它体现国民经济各部门与财政收入的关系。我国财政收入主要来自于工业、农业、商业、交通运输和服务业等部门。

　因此，本文认为财政收入主要受到总税收收入、国内生产总值、

　其他收入和就业人口总数的影响。

　二、 预设模型 令财政收入 Y（亿元）为被解释变量，总税收收入 X1（亿元）、国内生产总值 X2（亿元）、其他收入 X3（亿元）、就业人口总数为X4（万人）为解释变量，据此建立回归模型。

　二、 数据收集 从《2010 中国统计年鉴》得到 1990--2009 年每年的财政收入、总税收收入、国内生产总值工、其他收入和就业人口总数的统计数据如下：

　obs 财政收入Y 总税收收入X1 国内生产总值X2 其他收入X3 就业人口总数X4 1990 2937.1 2821.86 18667.8 299.53 64749 1991 3149.48 2990.17 21781.5 240.1 65491 1992 3483.37 3296.91 26923.5 265.15 66152 1993 4348.95 4255.3 35333.9 191.04 66808 1994 5218.1 5126.88 48197.9 280.18 67455 1995 6242.2 6038.04 60793.7 396.19 68065 1996 7407.99 6909.82 71176.6 724.66 68950 1997 8651.14 8234.04 78973 682.3 69820 1998 9875.95 9262.8 84402.3 833.3 70637 1999 11444.08 10682.58 89677.1 925.43 71394 2000 13395.23 12581.51 99214.6 944.98 72085 2001 16386.04 15301.38 109655.2 1218.1 73025 2002 18903.64 17636.45 120332.7 1328.74 73740 2003 21715.25 20017.31 135822.8 1691.93 74432 2004 26396.47 24165.68 159878.3 2148.32 75200 2005 31649.29 28778.54 184937.4 2707.83 75825 2006 38760.2 34804.35 216314.4 3683.85 76400 2007 51321.78 45621.97 265810.3 4457.96 76990 2008 61330.35 54223.79 314045.4 5552.46 77480 2009 68518.3 59521.59 340506.9 7215.72 77995 三、 模型建立 1、 散点图分析

　0500001000001500002000002500003000003500000 10000 30000 50000 70000YX1X2X3X4 2、 单因素或多变量间关系分析

　 Y X1 X2 X3 X4 Y 1 0.998913461147853 0.993479045290804 0.877014488679564 0.983602719841508 X1 0.998913461147853 1 0.993740267718469 0.855637734744782 0.984935296593492 X2 0.993479045290804 0.993740267718469 1 0.856183580228471 0.986241165680459 X3 0.877014488679564 0.855637734744782 0.856183580228471 1 0.810940334650381 X4 0.983602719841508 0.984935296593492 0.986241165680459 0.810940334650381 1 由散点图分析和变量间关系分析可以看出被解释变量财政收入Y 与解释变量总税收收入 X1、国内生产总值 X2、其他收入 X3、就业人口总数 X4 呈线性关系，因此该回归模型设为：

　           4 4 3 3 2 2 1 1 0X X X X Y

　3、 模型预模拟 由 eviews 做 ols 回归得到结果：

　Dependent Variable: Y

　 Method: Least Squares

　 Date: 11/14/11

　 Time: 17:51

　 Sample: 1990 2009

　 Included observations: 20

　 Variable Coefficient Std. Error t-Statistic Prob.

　 C 7299.523 1691.814 4.314614 0.0006 X1 1.062802 0.021108 50.34972 0.0000 X2 0.001770 0.004528 0.391007 0.7013 X3 0.873369 0.119806 7.289852 0.0000 X4 -0.115975 0.026580 -4.363160 0.0006 R-squared 0.999978

　 Mean dependent var 20556.75 Adjusted R-squared 0.999972

　 S.D. dependent var 19987.03 S.E. of regression 106.6264

　 Akaike info criterion 12.38886 Sum squared resid 170537.9

　 Schwarz criterion 12.63779 Log likelihood -118.8886

　 F-statistic 166897.9 Durbin-Watson stat 1.496517

　 Prob(F-statistic) 0.000000 4 3 2 1115975 . 0 873369 . 0 001770 . 0 062802 . 1 523 . 7299 X X X X Y     

　 (4.314614)

　 ( 50.34972 )

　 ( 0.391007)

　( 7.289852)

　( -4.363160) 999978 . 02 R

　 999972 . 02 R

　9 . 166897  F

　496517 . 1 .  W D

　四、 模型检验 1.计量经济学意义检验 ⑴多重共线性检验与解决 求相关系数矩阵，得到：

　Correlation Matrix

　Y X1 X2 X3 X4 1 0.998913461147853 0.993479045290804 0.877014488679564 0.983602719841508 0.998913461147853 1 0.993740267718469 0.855637734744782 0.984935296593492 0.993479045290804 0.993740267718469 1 0.856183580228471 0.986241165680459 0.877014488679564 0.855637734744782 0.856183580228471 1 0.810940334650381 0.9836027198 0.9849352965 0.9862411656 0.8109403346 1

　41508 93492 80459 50381 发现模型存在多重共线性。接下来运用逐步回归法对模型进行修正: ①将各个解释变量分别加入模型,进行一元回归:

　作 Y 与 X1 的回归，结果如下: Dependent Variable: Y

　 Method: Least Squares

　 Date: 11/22/11

　 Time: 23:02

　 Sample: 1990 2009

　 Included observations: 20

　 Variable Coefficient Std. Error t-Statistic Prob.

　 C -755.6610 145.2330 -5.203094 0.0001 X1 1.144994 0.005760 198.7931 0.0000 R-squared 0.999545

　 Mean dependent var 20556.75 Adjusted R-squared 0.999519

　 S.D. dependent var 19987.03 S.E. of regression 438.1521

　 Akaike info criterion 15.09765 Sum squared resid 3455590.

　 Schwarz criterion 15.19722 Log likelihood -148.9765

　 F-statistic 39518.70 Durbin-Watson stat 0.475046

　 Prob(F-statistic) 0.000000 作 Y 与 X2 的回归，结果如下: Dependent Variable: Y

　 Method: Least Squares

　 Date: 11/22/11

　 Time: 23:06

　 Sample: 1990 2009

　 Included observations: 20

　 Variable Coefficient Std. Error t-Statistic Prob.

　 C -5222.077 861.2067 -6.063674 0.0000 X2 0.207689 0.005548 37.43267 0.0000 R-squared 0.987317

　 Mean dependent var 20556.75 Adjusted R-squared 0.986612

　 S.D. dependent var 19987.03 S.E. of regression 2312.610

　 Akaike info criterion 18.42478 Sum squared resid 96267005

　 Schwarz criterion 18.52435 Log likelihood -182.2478

　 F-statistic 1401.205 Durbin-Watson stat 0.188013

　 Prob(F-statistic) 0.000000

　作 Y 与 X3 的回归，结果如下: Dependent Variable: Y

　 Method: Least Squares

　 Date: 11/22/11

　 Time: 23:08

　 Sample: 1990 2009

　 Included observations: 20

　 Variable Coefficient Std. Error t-Statistic Prob.

　 C 2607.879 773.9988 3.369358 0.0034 X3 10.03073 0.294311 34.08209 0.0000 R-squared 0.984740

　 Mean dependent var 20556.75 Adjusted R-squared 0.983893

　 S.D. dependent var 19987.03 S.E. of regression 2536.645

　 Akaike info criterion 18.60971 Sum squared resid 1.16E+08

　 Schwarz criterion 18.70929 Log likelihood -184.0971

　 F-statistic 1161.589 Durbin-Watson stat 1.194389

　 Prob(F-statistic) 0.000000 作 Y 与 X4 的回归，结果如下: Dependent Variable: Y

　 Method: Least Squares

　 Date: 11/22/11

　 Time: 23:08

　 Sample: 1990 2009

　 Included observations: 20

　 Variable Coefficient Std. Error t-Statistic Prob.

　 C -272959.3 37203.65 -7.336894 0.0000 X4 4.097403 0.518467 7.902918 0.0000 R-squared 0.776276

　 Mean dependent var 20556.75 Adjusted R-squared 0.763846

　 S.D. dependent var 19987.03 S.E. of regression 9712.824

　 Akaike info criterion 21.29492 Sum squared resid 1.70E+09

　 Schwarz criterion 21.39449 Log likelihood -210.9492

　 F-statistic 62.45611 Durbin-Watson stat 0.157356

　 Prob(F-statistic) 0.000000 ②依据可决系数最大的原则选取 X1 作为进入回归模型的第一个解释变量,再依次将其余变量分别代入回归得:

　作Y与X1、X2的回归，结果如下

　Dependent Variable: Y

　 Method: Least Squares

　 Date: 11/22/11

　 Time: 23:09

　 Sample: 1990 2009

　 Included observations: 20

　 Variable Coefficient Std. Error t-Statistic Prob.

　 C -188.4285 239.0743 -0.788159 0.4415 X1 1.281594 0.049472 25.90568 0.0000 X2 -0.025055 0.009029 -2.774908 0.0130 R-squared 0.999687

　 Mean dependent var 20556.75 Adjusted R-squared 0.999650

　 S.D. dependent var 19987.03 S.E. of regression 374.0345

　 Akaike info criterion 14.82405 Sum squared resid 2378330.

　 Schwarz criterion 14.97341 Log likelihood -145.2405

　 F-statistic 27118.20 Durbin-Watson stat 0.683510

　 Prob(F-statistic) 0.000000 作Y与X1、X3的回归，结果如下

　Dependent Variable: Y

　 Method: Least Squares

　 Date: 11/22/11

　 Time: 23:10

　 Sample: 1990 2009

　 Included observations: 20

　 Variable Coefficient Std. Error t-Statistic Prob.

　 C -351.1054 83.15053 -4.222527 0.0006 X1 0.992813 0.018707 53.07196 0.0000 X3 1.356936 0.165109 8.218410 0.0000 R-squared 0.999908

　 Mean dependent var 20556.75 Adjusted R-squared 0.999898

　 S.D. dependent var 19987.03 S.E. of regression 202.1735

　 Akaike info criterion 13.59361 Sum squared resid 694859.9

　 Schwarz criterion 13.74297 Log likelihood -132.9361

　 F-statistic 92839.33 Durbin-Watson stat 1.177765

　 Prob(F-statistic) 0.000000

　作Y与X1、X4的回归，结果如下

　Dependent Variable: Y

　Method: Least Squares

　 Date: 11/22/11

　 Time: 23:10

　 Sample: 1990 2009

　 Included observations: 20

　 Variable Coefficient Std. Error t-Statistic Prob.

　 C 11853.46 1824.522 6.496748 0.0000 X1 1.185886 0.006645 178.4608 0.0000 X4 -0.186645 0.026984 -6.917003 0.0000 R-squared 0.999881

　 Mean dependent var 20556.75 Adjusted R-squared 0.999867

　 S.D. dependent var 19987.03 S.E. of regression 230.8464

　 Akaike info criterion 13.85886 Sum squared resid 905931.0

　 Schwarz criterion 14.00822 Log likelihood -135.5886

　 F-statistic 71206.90 Durbin-Watson stat 1.459938

　 Prob(F-statistic) 0.000000 ③在满足经济意义和可决系数的条件下选取 X3 作为进入模型的第二个解释变量,再次进行回归则: 作Y与X1、X3、X2的回归，结果如下

　Dependent Variable: Y

　 Method: Least Squares

　 Date: 11/22/11

　 Time: 23:13

　 Sample: 1990 2009

　 Included observations: 20

　 Variable Coefficient Std. Error t-Statistic Prob.

　 C -76.04458 100.1724 -0.759137 0.4588 X1 1.085924 0.029801 36.43881 0.0000 X3 1.210853 0.133444 9.073877 0.0000 X2 -0.014073 0.003944 -3.567901 0.0026 R-squared 0.999949

　 Mean dependent var 20556.75 Adjusted R-squared 0.999939

　 S.D. dependent var 19987.03 S.E. of regression 155.5183

　 Akaike info criterion 13.10826 Sum squared resid 386975.0

　 Schwarz criterion 13.30741 Log likelihood -127.0826

　 F-statistic 104602.9 Durbin-Watson stat 1.196933

　 Prob(F-statistic) 0.000000 作Y与X1、X3、X4的回归，结果如下

　Dependent Variable: Y

　 Method: Least Squares

　 Date: 11/22/11

　 Time: 23:13

　 Sample: 1990 2009

　 Included observations: 20

　 Variable Coefficient Std. Error t-Statistic Prob.

　 C 6781.764 1024.745 6.618003 0.0000 X1 1.068642 0.014514 73.62764 0.0000 X3 0.891069 0.107949 8.254551 0.0000 X4 -0.107639 0.015451 -6.966675 0.0000 R-squared 0.999977

　 Mean dependent var 20556.75 Adjusted R-squared 0.999973

　 S.D. dependent var 19987.03 S.E. of regression 103.7654

　 Akaike info criterion 12.29900 Sum squared resid 172276.1

　 Schwarz criterion 12.49814 Log likelihood -118.9900

　 F-statistic 234970.9 Durbin-Watson stat 1.451447

　 Prob(F-statistic) 0.000000 ④可见加入其余任何一个变量都会导致系数符号与经济意义不符,故最终修正后的回归模型为:

　Dependent Variable: Y

　 Method: Least Squares

　 Date: 11/30/11

　 Time: 12:18

　 Sample: 1990 2009

　 Included observations: 20

　 Variable Coefficient Std. Error t-Statistic Prob.

　 C -351.1054 83.15053 -4.222527 0.0006 X1 0.992813 0.018707 53.07196 0.0000 X3 1.356936 0.165109 8.218410 0.0000 R-squared 0.999908

　 Mean dependent var 20556.75 Adjusted R-squared 0.999898

　 S.D. dependent var 19987.03 S.E. of regression 202.1735

　 Akaike info criterion 13.59361 Sum squared resid 694859.9

　 Schwarz criterion 13.74297 Log likelihood -132.9361

　 F-statistic 92839.33 Durbin-Watson stat 1.177765

　 Prob(F-statistic) 0.000000 3 1356936 . 1 992813 . 0 1054 . 351 X X Y    

　(-4.222527)

　( 53.07196)

　( 8.218410) 999908 . 02 R

　999898 . 02 R

　33 . 92839  F

　177765 . 1 .  W D

　⑵异方差检验与修正 ① 图示法 ee 与 X1 的散点图如下：

　040000800001200001600002000000 10000 20000 30000 40000 50000 60000X1EE 说明 ee 与 X1 存在单调递增型异方差性。

　 ee 与 X3 的散点图如下：

　040000800001200001600002000000 2000 4000 6000 8000X3EE 说明 ee 与 X3 存在单调递增型异方差性。

　② G-Q 检验 对 20 组数据剔除掉中间四组剩下的进行分组后， 第一组（1990-1997）数据的回归结果：

　Dependent Variable: Y

　 Method: Least Squares

　 Date: 11/30/11

　 Time: 12:54

　 Sample: 1990 1997

　 Included observations: 8

　 Variable Coefficient Std. Error t-Statistic Prob.

　 X1 0.984123 0.016255 60.54320 0.0000 X3 0.851518 0.156688 5.434472 0.0029 C -28.34275 45.36993 -0.624703 0.5596 R-squared 0.999686

　 Mean dependent var 5179.791 Adjusted R-squared 0.999560

　 S.D. dependent var 2099.840 S.E. of regression 44.05899

　 Akaike info criterion 10.68893 Sum squared resid 9705.972

　 Schwarz criterion 10.71872 Log likelihood -39.75573

　 F-statistic 7947.575 Durbin-Watson stat 1.663630

　 Prob(F-statistic) 0.000000

　残差平方和 RSS1=9705.972 第二组（2002-2009）数据的回归结果：

　Dependent Variable: Y

　 Method: Least Squares

　 Date: 11/30/11

　 Time: 12:55

　 Sample: 2002 2009

　 Included observations: 8

　 Variable Coefficient Std. Error t-Statistic Prob.

　 X1 1.066404 0.027747 38.43321 0.0000 X3 0.847228 0.215114 3.938503 0.0110 C -1184.159 261.8258 -4.522698 0.0063 R-squared 0.999932

　 Mean dependent var 39824.41 Adjusted R-squared 0.999905

　 S.D. dependent var 18639.16 S.E. of regression 182.0047

　 Akaike info criterion 13.52594 Sum squared resid 165628.5

　 Schwarz criterion 13.55573 Log likelihood -51.10375

　 F-statistic 36705.08 Durbin-Watson stat 1.326122

　 Prob(F-statistic) 0.000000 残差平方和 RSS2= 165628.5 所以 F= RSS2/RSS1= 165628.5/9705.972=17.0646 在给定=5%下查得临界值 39 . 6 ) 4 , 4 (05 . 0 F ， ) 4 , 4 (05 . 0F F 

　因此否定两组子样方差相同的假设，从而该总体随机项存在递增异方差性。

　③ White 方法检验 White Heteroskedasticity Test:

　F-statistic 6.142010

　 Probability 0.003919 Obs*R-squared 12.41812

　 Probability 0.014498

　Test Equation:

　 Dependent Variable: RESID^2

　 Method: Least Squares

　 Date: 11/30/11

　 Time: 13:21

　Sample: 1990 2009

　 Included observations: 20

　 Variable Coefficient Std. Error t-Statistic Prob.

　 C 24856.50 19211.30 1.293848 0.2153 X1 -20.57327 7.549127 -2.725252 0.0156 X1^2 0.000212 8.04E-05 2.639982 0.0186 X3 237.1813 78.61323 3.017067 0.0087 X3^2 -0.024073 0.006568 -3.665230 0.0023 R-squared 0.620906

　 Mean dependent var 34743.00 Adjusted R-squared 0.519815

　 S.D. dependent var 49156.00 S.E. of regression 34062.86

　 Akaike info criterion 23.92212 Sum squared resid 1.74E+10

　 Schwarz criterion 24.17105 Log likelihood -234.2212

　 F-statistic 6.142010 Durbin-Watson stat 1.560937

　 Prob(F-statistic) 0.003919 12.41812 0.620906 202   R n

　=5%下，临界值 488 . 9 ) 4 ( 05 . 02  拒绝同方差性

　④ 修正 Dependent Variable: Y

　 Method: Least Squares

　 Date: 11/30/11

　 Time: 14:29

　 Sample: 1990 2009

　 Included observations: 20

　 Weighting series: 1/E1

　 Variable Coefficient Std. Error t-Statistic Prob.

　 C -314.2074 43.68550 -7.192486 0.0000 X1 0.979758 0.008622 113.6336 0.0000 X3 1.457291 0.065922 22.10629 0.0000

　Weighted Statistics

　 R-squared 0.999999

　 Mean dependent var 27246.27 Adjusted R-squared 0.999999

　 S.D. dependent var 74471.17 S.E. of regression 73.91795

　 Akaike info criterion 11.58127 Sum squared resid 92885.67

　 Schwarz criterion 11.73063 Log likelihood -112.8127

　 F-statistic 3138195. Durbin-Watson stat 0.956075

　 Prob(F-statistic) 0.000000

　 Unweighted Statistics

　 R-squared 0.999902

　 Mean dependent var 20556.75 Adjusted R-squared 0.999891

　 S.D. dependent var 19987.03 S.E. of regression 209.0283

　 Sum squared resid 742778.2 Durbin-Watson stat 1.365483

　3 1457291 . 1 979758 . 0 2074 . 314 X X Y    

　(-7.192486)

　 ( 113.6336)

　 ( 22.10629) 999999 . 02 R

　999999 . 02 R

　 3138195  F

　 365483 . 1 .  W D

　⑶ 序列相关性检验 ①从残差项 e2 与 e2(-1)及 e 与时间 t 的关系图（如下）看，随机项呈现正序列相关性。

　-600-400-2000200400600-600 -400 -200 0 200 400 600E2E2(-1)

　-600-400-200020040060090 92 94 96 98 00 02 04 06 08E2 ②Q统计量检验

　由图可以看出，存在一阶序列相关

　③回归检验 残差e2与e2（-1）做回归得：

　Dependent Variable: E

　 Method: Least Squares

　 Date: 12/04/11

　 Time: 15:21

　 Sample (adjusted): 1991 2009

　 Included observations: 19 after adjustments

　Variable Coefficient Std. Error t-Statistic Prob.

　 C 16.81525 45.69611 0.367980 0.7174 E(-1) 0.303570 0.231114 1.313508 0.2065 R-squared 0.092138

　 Mean dependent var 25.28519 Adjusted R-squared 0.038734

　 S.D. dependent var 201.1252 S.E. of regression 197.1916

　 Akaike info criterion 13.50553 Sum squared resid 661036.6

　 Schwarz criterion 13.60494 Log likelihood -126.3025

　 F-statistic 1.725303 Durbin-Watson stat 1.776498

　 Prob(F-statistic) 0.206464 e与e(-1)、e(-2)做回归得：

　Dependent Variable: E

　 Method: Least Squares

　 Date: 12/04/11

　 Time: 15:24

　 Sample (adjusted): 1992 2009

　 Included observations: 18 after adjustments

　Variable Coefficient Std. Error t-Statistic Prob.

　 C 7.449760 46.20912 0.161218 0.8741 E(-1) 0.419564 0.244475 1.716187 0.1067 E(-2) -0.379894 0.278641 -1.363380 0.1929 R-squared 0.192570

　 Mean dependent var 16.45940 Adjusted R-squared 0.084912

　 S.D. dependent var 203.1349 S.E. of regression 194.3193

　 Akaike info criterion 13.52789 Sum squared resid 566399.7

　 Schwarz criterion 13.67629 Log likelihood -118.7510

　 F-statistic 1.788727 Durbin-Watson stat 2.055382

　 Prob(F-statistic) 0.201043 由上表明不存在序列相关性。

　④D.W检验 由异方差检验修正后的结果：

　3 1457291 . 1 979758 . 0 2074 . 314 X X Y    

　999999 . 02 R

　999999 . 02 R

　 3138195  F

　 365483 . 1 .  W D

　得D.W=1.365483 取=5%，由于 n =20， k =3(包含常数项)，查表得：

　 dl =1.10，

　 du =1.54 由于dl<DW=1.365483< du

　，故: 序列相关性不确定。

　⑤拉格朗日检验 Dependent Variable: E

　 Method: Least Squares

　 Date: 12/04/11

　 Time: 15:05

　 Sample (adjusted): 1992 2009

　 Included observations: 18 after adjustments

　Variable Coefficient Std. Error t-Statistic Prob.

　 Y 0.000984 0.002548 0.386217 0.7051 C -14.14792 73.42247 -0.192692 0.8500 E(-1) 0.392009 0.261633 1.498316 0.1563 E(-2) -0.347730 0.298739 -1.163992 0.2639 R-squared 0.201082

　 Mean dependent var 16.45940 Adjusted R-squared 0.029885

　 S.D. dependent var 203.1349 S.E. of regression 200.0765

　 Akaike info criterion 13.62841 Sum squared resid 560428.6

　 Schwarz criterion 13.82627 Log likelihood -118.6557

　 F-statistic 1.174565 Durbin-Watson stat 2.010385

　 Prob(F-statistic) 0.354679 02164 . 4 201082 . 0 20 *2    R n LM

　取=5%，2 分布的临界值 815 . 7 ) 3 ( 05 . 02 

　 LM < ) 3 ( 05 . 02

　 故: 存在序列相关。

　⑥修正

　为了更好的提高模型的精度，我们用广义差分法对模型进行修正。

　首先用杜宾（durbin）两步法估计  。

　Dependent Variable: Y

　 Method: Least Squares

　 Date: 12/04/11

　 Time: 16:18

　 Sample (adjusted): 1992 2009

　 Included observations: 18 after adjustments

　Variable Coefficient Std. Error t-Statistic Prob.

　 C -36.85790 81.18933 -0.453975 0.6606 Y(-1) 0.730610 0.345304 2.115847 0.0635 Y(-2) 0.358104 0.364519 0.982402 0.3516 X1 1.097355 0.030377 36.12488 0.0000 X1(-1) -0.872470 0.400852 -2.176541 0.0575 X1(-2) -0.355699 0.409249 -0.869149 0.4073 X3 0.755747 0.218272 3.462405 0.0071 X3(-1) -0.272101 0.460341 -0.591086 0.5690 X3(-2) -0.083096 0.402994 -0.206198 0.8412 R-squared 0.999986

　 Mean dependent var 22502.69 Adjusted R-squared 0.999973

　 S.D. dependent var 20158.96 S.E. of regression 104.6672

　 Akaike info criterion 12.44630 Sum squared resid 98597.03

　 Schwarz criterion 12.89149 Log likelihood -103.0167

　 F-statistic 78825.65 Durbin-Watson stat 2.219316

　 Prob(F-statistic) 0.000000 由上表可得回归方程  1= 0.730610 ，  2= 0.358104， 对原模型进行广义差分，下表为广义差分结果。

　Dependent Variable: Y1

　 Method: Least Squares

　 Date: 12/04/11

　 Time: 16:47

　 Sample (adjusted): 1992 2009

　 Included observations: 18 after adjustments

　Variable Coefficient Std. Error t-Statistic Prob.

　 C -402.0982 84.12065 -4.780018 0.0002 X11 1.041509 0.018988 54.85006 0.0000 X33 1.107351 0.185136 5.981271 0.0000 R-squared 0.999844

　 Mean dependent var 16547.52

　Adjusted R-squared 0.999824

　 S.D. dependent var 14812.28 S.E. of regression 196.6902

　 Akaike info criterion 13.55215 Sum squared resid 580305.5

　 Schwarz criterion 13.70054 Log likelihood -118.9693

　 F-statistic 48198.10 Durbin-Watson stat 1.385664

　 Prob(F-statistic) 0.000000 其中Y1=Y-0.730610*Y(-1)+0.358104*Y(-2),X11=X1-0.730610*X1(-1)+0.358104*X1(-2), X33=x3-0.730610*X3(-1)+0.358104*X3(-2) D.W= 1.385664 <du，仍存在序列相关。

　下面我们用采用科克伦-奥科特迭代法估计 

　 Dependent Variable: Y

　 Method: Least Squares

　 Date: 12/04/11

　 Time: 15:33

　 Sample (adjusted): 1991 2009

　 Included observations: 19 after adjustments

　Convergence achieved after 107 iterations

　Variable Coefficient Std. Error t-Statistic Prob.

　 C -21511.24 677371.7 -0.031757 0.9751 X1 1.086097 0.022027 49.30646 0.0000 X3 0.825966 0.128930 6.406292 0.0000 AR(1) 0.995597 0.142149 7.003896 0.0000 R-squared 0.999968

　 Mean dependent var 21484.10 Adjusted R-squared 0.999962

　 S.D. dependent var 20087.80 S.E. of regression 123.6723

　 Akaike info criterion 12.65781 Sum squared resid 229422.7

　 Schwarz criterion 12.85664 Log likelihood -116.2492

　 F-statistic 158291.4 Durbin-Watson stat 2.273071

　 Prob(F-statistic) 0.000000 Inverted AR Roots

　 1.00

　 取 =5% ，du=1.54<D.W=2.273071<4-du=2.46 表明:广义差分模型已不存在序列相关性。同时可决系数，t，F统计量也均达到理想水平。

　五、 模型的最终确定

　3 10.825966 1.086097 -21511.24 X X Y   

　(-0.031757)

　 (49.30646)

　 (6.406292) 0.9999682 R

　0.9999622 R

　 158291. 4  F

　 2. 273071 .  W D