金融统计与05-回归分析应用 .ppt

第5章回归分析应用 第1节 生产函数的回归分析 第2节 时序列回归及单位根 第1节 生产函数的回归分析 主要内容 Cobb-Douglas生产函数 要素产出弹性 规模报酬的检验 Cobb-Douglas 生产函数 Cobb-Douglas 生产函数式 要素的产出弹性 弹性概念例：需求的价格弹性e指需求量对价格变化的敏感程度。具体说，价格在某水平变化一个百分点，需求量变化e个百分点： 类似的，资本的产出弹性α指产出对资本要素变化的敏感程度。具体说，资本在某水平变化一个百分点，产出变化α个百分点： Cobb-Douglas 生产函数的对数形式 为便于作线性回归，在生产函数两边取对数，得生产函数的对数形式： 对生产函数进行统计研究一般使用对数形式 对数形式中系数的含义 系数α、β分别是资本、劳动的产出弹性 对数形式中系数的含义（续） 系数α、β分别表示资本、劳动对产出的贡献程度，也可以看作各要素的生产效率 理论上，在一定的技术水平下，有一个最佳的α、β组合，使各要素的生产效率最高 历史上，上世纪二、三十年代，美国的经济学者Charles Cobb 和 Paul Douglas在对当时发达国家总产出的统计研究中，发现资本和劳动的贡献程度不随时间变化，从而提出这种生产函数形式，来反映要素的相对固定的组合关系 规模报酬 Cobb-Douglas 生产函数的一个重要应用就是规模报酬的统计检验 规模报酬 (return to scale) 所有要素投入均增加k 倍时产出增加多少倍 规模报酬不变（constance return to scale） 所有要素投入均增加k 倍时产出也增加k 倍 即α+β=1，要素（资源）配置处于效率状态 规模报酬递增（increasing return to scale） 所有要素投入均增加k 倍时产出增加大于k 倍 即α+β1，要素（资源）配置过多，不效率 规模报酬递减（decreasing return to scale） 所有要素投入均增加k 倍时产出增加小于k 倍 即α+β1，要素（资源）配置过少，不效率 人均经济增长 Cobb-Douglas 生产函数与人均经济增长 假定技术及规模报酬不变α+β=1，则人均经济增长的条件是：资本的增长率大于人口的增长率 Cobb-Douglas 生产函数统计分析 分析形式 对数总量回归 增长率回归 统计推断 要素产出弹性α，β 统计检验 规模报酬？ 产出和劳动力投入:对数总量 产出线斜率大于劳动力斜率：劳动生产率上升 总量时序列的特点：存在时间趋势；易产生假相关 产出和劳动力投入:增长率 产出增长率高于劳动力增长率，劳动生产率提高 增长率之间的相关性比总量小的多 生产函数的回归分析：对数总量 资本和劳动系数估计值均显著 F检验显著，且R2为0.99，模型有很强的说明力 规模报酬似乎是递增的： b1+b2≈1.41 DW = 0.54，大大小于2，模型有严重的序列共相关问题 规模报酬递增？ Wald系数检验 检验假设 H0：规模报酬不变即α+β=1 H1：规模报酬递增或递减即α+β≠1 Wald系数检验原理：F统计量的P≤0.05，可在5%显著水平下拒绝原假设H0，即规模报酬不是不变；反之，P值0.05，检验结果不显著，接受原假设，即规模报酬不变 Wald系数检验结果 F统计量的P值较小（0.0166），故在0.05显著水平拒绝，规模报酬是递增或递减的，因为b1+b2≈1.41，所以规模报酬是递增的 检验结论 直到上个世纪70年代，美国服务业的规模报酬是递增的，该产业属于有发展空间的产业（“朝阳”产业） 生产函数的回归分析：对数总量的残差 Bad：前述回归的残差图，DW≠2，回归残差有明显趋势，不似随机数 第2节 时序列回归及单位根 主要内容 时序列的时间趋势、自相关 单位根及检验原理 协整分析简介 时序列数据（time series） 关于时序列数据的理论假设 时序列数据来自一个随机过程（random process） 具体说，一组时序列数据是其对应的随机过程的一个路径 例 投币3次，设结果Y=1表示正面， Y=0表示反面，则Y就是一个3期的离散型随机过程，由三个随机变量构成Y1、 Y2 、 Y3 ，每个变量可能取2个值，整个随机过程共有23=8个路径 {111, 110, 101, 100， 011, 010, 001, 000} 每个路径是该随机过程的一个可能的实现值，也是对其进行采样时可能获得的一组数据 比如，样本111表示3期的采样结果均为正面，即Y1= Y2 = Y3 =1 时序列数据特征一：时间趋势 时序列数据的时间趋势（Trend） 描述随机过程随时间的推移，各期均值发生变化的过程 例1：线性趋势