基于安徽农民收入主成分研究.docVIP

基于安徽农民收入主成分研究 　　【摘要】分析了影响安徽农民人均收入的各因素之间的关系，以及各因素对安徽农民收入的贡献度。研究发现加快农民收入的增加需要大力发展第一产业，加快城市化进程，同时致力于第三产业的发展，通过第一产业的发展来推动第三产业以及加快城市化进程。而且，城乡储蓄的金额在一定程度上也反应了农民收入的增加。主要是通过定义农民纯收入作为被解释变量Y，第一产业、城市化水平、第三产业以及城乡储蓄水平等作为自变量X，运用主成分分析方法来研究自变量与被解释变量之间的相关关系，针对研究结果提出一些参考性的对策和建议。 【关键词】安徽；农民收入；主成分回归 安徽是一个农业大省，农业人口超过70%，农业、农村、农民的状况都可以说是制约或者促进安徽省现代化建设的根本问题。农业生产结构在很大程度上影响着农民收入的增长，很多学者对于影响农民增收的因素做了大量研究。许洪（2010）托达罗模型分析得出增加安徽省农民收入的措施主要有优化农业产业结构，增加农村的教育投资，发展小城镇，增加对农村基础建设投资以及健全农村社会保障制度；朱海涛，熊健认为制约安徽农民收入增收的主要因素主要是种粮成本较高，农产品价格低，体系不健全；而本篇文章是在前人研究的基础上针对安徽省近十年来的经济发展现状进行综合分析，选出了一些与农民收入增长相关的因素，运用主成分分析方法进行分析。希望通过这种定量和定性的分析方式对安徽农民收入的影响因素进行探究，能够深度发掘一些对安徽省发展以及提高安徽农民收入的相关建议，为政府以及相关部门制定相关政策提供参考意见。 一、安徽省农民收入回归模型 1.变量的选取与说明 本文的各指标原始数据均来自安徽统计局编写的《安徽省统计年鉴》。为了使数据具有可比性，选取了从2000年到2012年的相关数据，设安徽农村居民人均纯收入为被解释变量（Y），解释变量分别为安徽第一产业人均GDP（X1），安徽第三产业人均GDP（X2），农业从业人口数（X3），城乡储蓄存款（X4），城市化水平（X5），安徽股票发行与筹资状况（X6），各种价格总指数（X7）。 2.研究的方法 在上述的模型中，由于这些自变量之间存在严重的多重共线性，所以不能简单的将他们进行回归分析。为了剔除由于多重共线性对回归结果所造成的影响，本文将采取主成分回归分析方法进行变量间的回归。 3.做重叠散点图 用Eviews3.1做因变量Y和自变量X1X6的散点图，结果表明因变量Y与自变量X1X6之间存在线性相关关系。 4.做多元线性回归分析 Y=14399.47+1.154X1+1.186X2+2.43X3+3.51X4+55.80X50.0004X6+15.26X7。通过Eview软件分析后的调整的可决系数为0.999，说明模型对样本数据拟合程度很理想，有显著的统计学意义，而且方程的F检验通过，说明整个方程是显著的。但是，由回归分析的结果来看，X1，X4，X5偏相关系数没有通过检验，无统计学意义。多重共线性诊断中多个自变量的方差膨胀因子（VIF）10，说明方程存在严重的多重共线性。 5.相关分析以及共线性检验 对因变量以及所有自变量做相关分析，可以看出自变量的相关性都很强，所以，可以建立因变量与众多自变量之间的线性回归模型，模型具有合理性。由于自变量的个数太多，而且由相关系数矩阵表也可以看出自变量之间显著相关，这样在建立模型时就可能会出现严重的共线性。为验证是否存在多重共线性问题，利用统计分析对因变量与自变量进行多元线性回归分析，得出原始变量的相关系数的显著性水平，原始变量存在多重共线性，因此进行主成分分析是合适的。 6.主成分分析 是一种通过降低维度来简化数据结构的方法.它可以将原来众多具有一定相关性的指标重新组合成新的互相无关的少数综合指标.避免了预测方法的多重共线性问题，而且这几个综合变量可以反映原来影响因素的大部分信息。主成分就是将解释变量转化为互不相关的能反映原始变量绝大部分信息的新变量，这些新变量从不同侧面反映了解释变量的综合影响，这些新的变量称为若干个主成分。然后，将这些主成分作为自变量进行回归分析，再根据主成分与解释变量之间的对应关系，求得原回归模型的估计方程。这样，通过主成分回归分析方法，解决了原始的多重共线性的同时也保持了原始变量的大部分信息。 从表中可以看到，第一主成分的特征根为5.73，能够解释总变异的81.83%；第二主成分的特征根为0.801，解释了总变异的11.44%；而且，前两个特征根的累计贡献率达到93.27%，说明前两个主成分已经反映原来九个指标93.27%的信息，因此确定选择前两个主成分建立模型。主成分分析将具有较强相关性的原始变量转换成不相关的综合变量，这些综合变