回归方法在GDP中的应用解剖.doc

回归分析方法在GDP分析中的应用 [摘要] GDP是体现国民经济增长状况和人民群众客观生活质量的重要指标。GDP代表一国或一个地区所有常住单位和个人在一定时期内全部生产活动的最终成果是当期新创造财富的价值总量具有国际可比性，是联合国国民经济核算体系(SNA)中最重要的总量指标，为世界各国广泛使用并用于国际比较。 其中，，，...， 是P+1个未知参数，称为回归常数，，...，称为回归系数。y称为被解释变量（因变量），而x1，x2，x3...xp是P个可以精确测量并可控制的一般变量，称为解释变量（自变量）。是随机误差，在多元线性回归模型中有五个基本假设： 假设一：随机误差项0均值假定； 假设二：随机误差项同方差 ； 假设三：随机误差项不相关； 假设四：随机误差项服从如下正态分布 ； ； 只有求得的经验回归方程通过了回归分析中各检验并满足上述四个假设时，才可以明确此时的经验回归方程对样本数据拟合的效果，可以用此时的回归模型作控制与预测。 Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF (Constant) 2.377E-15 .058 .000 1.000 居民消费水平（元） .317 .212 .317 1.493 .148 .077 13.006 固定资产投资（亿元） .946 .075 .946 12.666 .000 .621 1.611 职工平均工资（元） .094 .134 .094 .701 .490 .192 5.211 居民消费价格指数 .069 .069 .069 1.003 .326 .729 1.371 工业增加值率（%） -.067 .092 -.067 -.732 .471 .409 2.442 农村居民家庭人均纯收入（元） -.288 .218 -.288 -1.321 .199 .073 13.683 Coefficientsa 二、回归模型初步建立与检验 收集的数据由于存在单位上的差异，且数据量很大，故可能存在误差、量纲的影响。首先将数据标准化，再对样本作模型假设，可得出y对6个自变量的线性回归方程为： y=2.377*E-15+0.317x1+0.946x2+0.094x3+0.069x4+0.069x5-0.067x5-0.288x6 表2 ANOVAb Model Sum of Squares df Mean Square F Sig. Regression 27.508 6 4.585 44.157 .000a Residual 2.492 24 .104 Total 30.000 30 应用F检验对回归方程进行显著检验，检验统计量为：F=SSR/SSE，SSR为回归平方和，SSE为残差平方和，从上表中的结果可以看出显著性p值，由于p近似为0，在显著水平为0.05的条件下：p﹤，可知其回归方程高度显著。 三、回归方程系数检验 但回归方程显著并不表示每个自变量对y的影响都显著，因此对方程的回归系数作显著性检验。如果某个自变量对y的作用不显著，那么在模型中相应的系数值就为0。提出假设检验：H0：βj=0，j=1，2…p。若接受原假设，则自变量不显著；若拒绝原假设，那么相应的自变量是显著的。参考表1，虽然该方程F检验回归方程是显著的，但在显著性水平取0.05时，某些单个自变量对y并不显著。 表3 Correlations GDP (亿元） 居民消费水平（元） 固定资产投资（亿元） 职工平均工资（元） 居民消费价格指数 工业增加值率（%） 农村居民家庭人均纯收入（元） GDP(亿元） Correlation Coefficient 1.000 .629** .953** .187 -.357* -.471** .732** Sig. (2-tailed) .000 .000 .000 .315 .049 .007 .000 N 31 31 31 31 31 31 31 居民消费水平（元） Correlation Coefficient .629** 1.000 .589** .491** -.318 -.612** .879** Sig. (2-tailed) .000 . .000 .005 .081 .000 .000 N 31 31 31 31 31 31 31 固定资产投资 （亿元） Correlation Coefficient .953** .589** 1.000 .143 -.348 -.425* .