北京市电力消费影响因素的计量经济要点分析.pptVIP

主要内容 背景及意义 影响因素 数据的选择 模型的处理 主成分分析 多重共线性 自相关性 异方差性 结论 背景及意义 过去，研究电力消费和经济变量(如GDP、GNP、收入、就业、电力价格等)之间的因果关系，探索究竟是经济发展领先于电力消费还是电力消费促进经济增长，一直是经济学家和政策分析家感兴趣的问题。 建立电力消费模型来分析电力消费的制约因素，也有助于政府实行宏观调控，实现能源的有效利用。 影响因素 本文选择电力消费量为被解释变量，选取地区生产总值、人口数量、人均可支配收入、人均消费性支出、消费价格指数、固定资产投资、电器拥有量、能源消费总量这8个解释变量作为电力消费的主要影响因素。 数据的选择 数据来源于北京2009年统计年鉴，选取的是1978~2008这31年各影响因素的相关数据。 模型的处理 主成分分析 多重共线性 自相关性 异方差性 主成分分析 主成分分析 主成分分析 多重共线性 多重共线性的检验 Frisch综合分析法 自相关性 自相关性检验 广义差分法的自相关修正 广义差分法的自相关修正 广义差分法的自相关修正 自相关修正结果 异方差性 异方差性检验 调整异方差性 结论 结论 2012-06-09 08信计 周 璇 指导教师：杨寿渊 主成分分析是一种通过降维技术把多个变量化为少数几个主成分的多元统计方法，这些主成分能够反映原始变量的大部分信息，通常表示为原始变量的线性组合。 用matlab调用princomp函数进行主成分分析，得出如下主成分贡献率表。 0.003 8 0.136 4 0.035 7 1.132 3 0.056 6 11.485 2 0.107 5 87.064 1 贡献率(%) 成分 贡献率(%) 成分 第6到第8主成分的贡献率都明显接近于零，也就是说它们的特征根都比较小，可以大致判断至少可以从原来的8个指标中剔除3个指标。 11.781 -5.920 12.056 能源消费总量x8 -11.479 -2.070 6.547 电器拥有量x7 -11.264 13.568 -2.327 固定资产投资x6 0.098 0.244 0.901 消费价格指数x5 25.647 1.429 4.075 人均消费性支出x4 48.831 -6.419 0.833 人均可支配收入x3 0.283 6.456 -0.305 人口数量x2 24.067 -6.957 3.590 地区生产总值x1 8 7 6 项目 第6到第8主成分的得分 剔除的因素有能源消费总量x8、 固定资产投资x6和人均可支配收入x3。 用主成分分析剔除了部分变量，鉴于完全符合理论模型的数据比较难收集，况且数据的收集范围过窄，造成变量间的多重共线性也不可避免。 在多元线性回归模型经典假设中，其重要假定之一是解释变量中的任何一个都不能是其他解释变量的线性组合。如果违背这一假定，就称线性回归模型中存在多重共线性。 相关系数矩阵表 从上表看出，解释变量x1,x2,x4,x7之间高度相关，也就是存在比较严重的多重共线性，因此，需要通过Frisch综合分析法消除多重共线性。 1 -0.237200 0.979183 0.991578 0.937545 X7 -0.237200 1 -0.346773 -0.247493 -0.357372 X5 0.979183 -0.346773 1 0.983166 0.972703 X4 0.991579 -0.247493 0.983166 1 0.945547 X2 0.937545 -0.357373 0.972703 0.945547 1 X1 X7 X5 X4 X2 X1 变量 通过Frisch综合分析法，又剔除x3人均可支配收入和x7电器拥有量，剩下x1地区生产总值、x2人口数量和x4人均消费性支出就是北京市电力消费最主要的影响因素。 在时间序列的数据中，经济系统的经济行为都具有时间上的惯性。例如，地区生产总值会随经济系统周期的波动而波动，这种情况下经济数据很可能表现出自相关性。 　　DW检验和拉格朗日乘数检验得出，影响北京市电力消费的线性回归模型的随机干扰项存在一阶正自相关。所以，要进行自相关修正。 y 对x1,x2,x4的回归结果 y 对x1,x2,x4的回归结果中 =0.871287,又 ，那么，