1、-. z計量經濟學案例分析1一、研究的目的要求居民消費在社會經濟的持續開展中有著重要的作用。居民合理的消費模式和居民適度的消費規模有利于經濟持續安康的增長，而且這也是人民生活水平的具體表達。改革開放以來隨著中國經濟的快速開展，人民生活水平不斷提高，居民的消費水平也不斷增長。但是在看到這個整體趨勢的同時，還應看到全國各地區經濟開展速度不同，居民消費水平也有明顯差異。例如，2002年全國城市居民家庭平均每人每年消費支出為6029.88元, 最低的省僅為人均4462.08元，最高的市達人均10464元，是的2.35倍。為了研究全國居民消費水平及其變動的原因，需要作具體的分析。影響各地區居民消費支出有

2、明顯差異的因素可能很多，例如，居民的收入水平、就業狀況、零售物價指數、利率、居民財產、購物環境等等都可能對居民消費有影響。為了分析什么是影響各地區居民消費支出有明顯差異的最主要因素，并分析影響因素與消費水平的數量關系，可以建立相應的計量經濟模型去研究。二、模型設定我們研究的對象是各地區居民消費的差異。居民消費可分為城市居民消費和農村居民消費，由于各地區的城市與農村人口比例及經濟構造有較大差異，最具有直接比照可比性的是城市居民消費。而且，由于各地區人口和經濟總量不同，只能用城市居民每人每年的平均消費支出來比擬，而這正是可從統計年鑒中獲得數據的變量。所以模型的被解釋變量Y選定為城市居民每人每年的平

3、均消費支出。因為研究的目的是各地區城市居民消費的差異，并不是城市居民消費在不同時間的變動，所以應選擇同一時期各地區城市居民的消費支出來建立模型。因此建立的是2002年截面數據模型。影響各地區城市居民人均消費支出有明顯差異的因素有多種，但從理論和經歷分析，最主要的影響因素應是居民收入，其他因素雖然對居民消費也有影響，但有的不易取得數據，如居民財產和購物環境；有的與居民收入可能高度相關，如就業狀況、居民財產；還有的因素在運用截面數據時在地區間的差異并不大，如零售物價指數、利率。因此這些其他因素可以不列入模型，即便它們對居民消費有*些影響也可歸入隨即擾動項中。為了與城市居民人均消費支出相對應，選擇在

4、統計年鑒中可以獲得的城市居民每人每年可支配收入作為解釋變量*。從2002年中國統計年鑒中得到表2.5的數據:表2.5 2002年中國各地區城市居民人均年消費支出和可支配收入地區城市居民家庭平均每人每年消費支出(元) Y城市居民人均年可支配收入(元) *10284.607191.965069.284710.964859.885342.644973.884462.0810464.006042.608713.084736.526631.684549.325596.324504.685608.925574.728988.485413.445459.646360.245413.084598.285827

5、.926952.445278.045064.245042.526104.925636.4012463.929337.566679.685234.356051.066524.526260.166100.5613249.808177.6411715.606032.409189.366334.647614.366245.406788.526958.5611137.207315.326822.727238.046610.805944.087240.568079.126330.846151.446170.526067.446899.64作城市居民家庭平均每人每年消費支出(Y)和城市居民人均年可支配收入(

6、*)的散點圖，如圖2.12：圖2.12從散點圖可以看出居民家庭平均每人每年消費支出(Y)和城市居民人均年可支配收入(*)大體呈現為線性關系，所以建立的計量經濟模型為如下線性模型：三、估計參數假定所建模型及隨機擾動項滿足古典假定，可以用OLS法估計其參數。運用計算機軟件EViews作計量經濟分析十分方便。利用EViews作簡單線性回歸分析的步驟如下： 1、建立工作文件首先，雙擊EViews圖標，進入EViews主頁。在菜單一次點擊FileNewWorkfile，出現對話框Workfile Range。在Workfile frequency中選擇數據頻率： Annual (年度) Weekly (

7、 周數據 ) Quartrly (季度) Daily (5 day week ) ( 每周5天日數據 ) Semi Annual (半年) Daily (7 day week ) ( 每周7天日數據 ) Monthly (月度) Undated or irreqular (未注明日期或不規則的)在本例中是截面數據，選擇Undated or irreqular。并在Start date中輸入開場時間或順序號，如1在end date中輸入最后時間或順序號，如31點擊ok出現Workfile UNTITLED工作框。其中已有變量：c截距項resid剩余項。在Objects菜單中點擊New Objec

8、ts，在New Objects對話框中選Group，并在Name for Objects上定義文件名，點擊OK出現數據編輯窗口。假設要將工作文件存盤，點擊窗口上方Save，在SaveAs對話框中給定路徑和文件名，再點擊ok，文件即被保存。2、輸入數據在數據編輯窗口中，首先按上行鍵，這時對應的obs字樣的空格會自動上跳，在對應列的第二個obs有邊框的空格鍵入變量名，如Y，再按下行鍵，對因變量名下的列出現NA字樣，即可依順序輸入響應的數據。其他變量的數據也可用類似方法輸入。也可以在EViews命令框直接鍵入data * Y (一元時) 或 data Y (多元時)，回車出現Group窗口數據編輯框

9、，在對應的Y、*下輸入數據。假設要對數據存盤，點擊 fire/Save As，出現Save As對話框，在Drives點所要存的盤，在Directories點存入的路徑文件名，在Fire Name對所存文件命名，或點已存的文件名，再點ok。假設要讀取已存盤數據，點擊fire/Open，在對話框的Drives點所存的磁盤名，在Directories點文件路徑，在Fire Name點文件名，點擊ok即可。3、估計參數方法一：在EViews主頁界面點擊Quick菜單，點擊Estimate Equation，出現Equation specification對話框，選OLS估計，即選擊Least Squ

10、ares，鍵入Y C *，點ok或按回車，即出現如表2.6那樣的回歸結果。表2.6在本例中，參數估計的結果為：287.2649 (0.036928) t=(0.982520) (20.54026) F=421.9023 df=29方法二：在EViews命令框中直接鍵入LS Y C *，按回車，即出現回歸結果。假設要顯示回歸結果的圖形，在Equation框中，點擊Resids，即出現剩余項Residual、實際值Actual、擬合值Fitted的圖形，如圖2.13所示。圖2.13四、模型檢驗1、經濟意義檢驗所估計的參數，說明城市居民人均年可支配收入每相差1元，可導致居民消費支出相差0.75851

11、1元。這與經濟學中邊際消費傾向的意義相符。2、擬合優度和統計檢驗用EViews得出回歸模型參數估計結果的同時，已經給出了用于模型檢驗的相關數據。擬合優度的度量：由表2.6中可以看出，本例中可決系數為0.935685，說明所建模型整體上對樣本數據擬合較好，即解釋變量城市居民人均年可支配收入對被解釋變量城市居民人均年消費支出的絕大局部差異作出了解釋。對回歸系數的t檢驗：針對和，由表2.6中還可以看出，估計的回歸系數的標準誤差和t值分別為：，；的標準誤差和t值分別為：，。取，查t分布表得自由度為的臨界值。因為，所以不能拒絕；因為，所以應拒絕。這說明，城市人均年可支配收入對人均年消費支出有顯著影響。五

12、、回歸預測由表2.5中可看出，2002年中國西部地區城市居民人均年可支配收入除了外均在8000以下，人均消費支出也都在7000元以下。在西部大開發的推動下，如果西部地區的城市居民人均年可支配收入第一步爭取到達1000美元(按現有匯率即人民幣8270元)，第二步再爭取到達1500美元(即人民幣12405元)，利用所估計的模型可預測這時城市居民可能到達的人均年消費支出水平?？梢宰⒁獾剑@里的預測是利用截面數據模型對被解釋變量在不同空間狀況的空間預測。用EViews作回歸預測，首先在Workfile窗口點擊Range，出現Change Workfile Range窗口，將End data由31”改為

13、33”，點OK，將Workfile中的Range擴展為133。在Workfile窗口點擊sampl，將sampl窗口中的1 31”改為1 33”，點OK，將樣本區也改為133。為了輸入，在EViews命令框鍵入data * /回車, 在*數據表中的32”位置輸入8270”，在33”的位置輸入12405”，將數據表最小化。 然后在E框中，點擊Forecast，得對話框。在對話框中的Forecast name(預測值序列名)鍵入， 回車即得到模型估計值及標準誤差的圖形。雙擊Workfile窗口中出現的，在數據表中的32”位置出現預測值，在33”位置出現。這是當和時人均消費支出的點預測值。為了作區間

14、預測，在*和Y的數據表中，點擊View選Descriptive StatsCmmon Sample，則得到*和Y的描述統計結果，見表2.7: 表2.7根據表2.7的數據可計算:取,平均值置信度95%的預測區間為：時時即是說，當元時，平均值置信度95%的預測區間為6393.03，6717.23元。當元時，平均值置信度95%的預測區間為9292.33，10090.83元。個別值置信度95%的預測區間為：時時即是說，當第一步時，個別值置信度95%的預測區間為5694.81，7415.45元。當第二步時，個別值置信度95%的預測區間為8757.09，10626.07元。在E框中，點擊Forecast可

15、得預測值及標準誤差的圖形如圖2.14：圖2.14案例分析2案例分析3一、研究的目的要求近年來，中國旅游業一直保持高速開展，旅游業作為國民經濟新的增長點，在整個社會經濟開展中的作用日益顯現。中國的旅游業分為國旅游和入境旅游兩大市場，入境旅游外匯收入年均增長22.6%，與此同時國旅游也迅速增長。改革開放20多年來，特別是進入90年代后，中國的國旅游收入年均增長14.4%，遠高于同期GDP 9.76%的增長率。為了規劃中國未來旅游產業的開展，需要定量地分析影響中國旅游市場開展的主要因素。二、模型設定及其估計經分析，影響國旅游市場收入的主要因素，除了國旅游人數和旅游支出以外，還可能與相關根底設施有關。

16、為此，考慮的影響因素主要有國旅游人數，城鎮居民人均旅游支出，農村居民人均旅游支出，并以公路里程和鐵路里程作為相關根底設施的代表。為此設定了如下對數形式的計量經濟模型：其中 ：第t年全國旅游收入國旅游人數 萬人城鎮居民人均旅游支出 元農村居民人均旅游支出 元公路里程萬公里鐵路里程萬公里 為估計模型參數，收集旅游事業開展最快的19942003年的統計數據，如表4.2所示：表4.2 1994年2003年中國旅游收入及相關數據年份國旅游收入Y億元國旅游人數*2萬人次城鎮居民人均旅游支出*3元農村居民人均旅游支出*4 元公路里程 *5萬公里鐵路里程*6萬公里19941023.552400414.754.

17、9111.785.9019951375.762900464.061.5115.705.9719961638.463900534.170.5118.586.4919972112.764400599.8145.7122.646.6019982391.269450607.0197.0127.856.6419992831.971900614.8249.5135.176.7420003175.574400678.6226.6140.276.8720013522.478400708.3212.7169.807.0120023878.487800739.7209.1176.527.1920033442.38

18、7000684.9200.0180.987.30數據來源:中國統計年鑒2004利用Eviews軟件，輸入Y、*2、*3、*4、*5、*6等數據，采用這些數據對模型進展OLS回歸，結果如表4.3： 表4.3由此可見，該模型，可決系數很高，F檢驗值173.3525,明顯顯著。但是當時,不僅、系數的t檢驗不顯著，而且系數的符號與預期的相反，這說明很可能存在嚴重的多重共線性。計算各解釋變量的相關系數，選擇*2、*3、*4、*5、*6數據，點view/correlations得相關系數矩陣如表4.4：表4.4由相關系數矩陣可以看出：各解釋變量相互之間的相關系數較高，證實確實存在嚴重多重共線性。三、消除多

19、重共線性采用逐步回歸的方法，去檢驗和解決多重共線性問題。分別作Y對*2、*3、*4、*5、*6的一元回歸，結果如表4.5所示：表4.5變量*2*3*4*5*6參數估計值0.08429.052311.667334.33242014.146t 統計量8.665913.15985.19676.46758.74870.90370.95580.77150.83940.9054按的大小排序為：*3、*6、*2、*5、*4。以*3為根底，順次參加其他變量逐步回歸。首先參加*6回歸結果為： t=(2.9086) (0.46214) 當取時，*6參數的t檢驗不顯著，予以剔除，參加*2回歸得 t=(4.2839)

20、 (2.1512) *2參數的t檢驗不顯著，予以剔除，參加*5回歸得t=(6.6446) (2.6584) *3、*5參數的t檢驗顯著，保存*5，再參加*4回歸得t=(3.944983) (4.692961) 3.06767 F=231.7935 DW=1.952587當取時，,*3、*4、*5系數的t檢驗都顯著，這是最后消除多重共線性的結果。這說明，在其他因素不變的情況下，當城鎮居民人均旅游支出和農村居民人均旅游支出分別增長1元時，國旅游收入將分別增長4.21億元和3.22億元。在其他因素不變的情況下，作為旅游設施的代表，公路里程每增加1萬公里時, 國旅游收入將增長13.63億元。案例分析4

21、一、問題的提出和模型設定根據本章引子提出的問題，為了給制定醫療機構的規劃提供依據，分析比擬醫療機構與人口數量的關系，建立衛生醫療機構數與人口數的回歸模型。假定醫療機構數與人口數之間滿足線性約束，則理論模型設定為5.31其中表示衛生醫療機構數，表示人口數。由2001年統計年鑒得到如下數據。表5.1 省2000年各地區醫療機構數與人口數地區人口數萬人*醫療機構數個Y地區人口數萬人*醫療機構數個Y1013.36304眉山339.9827315911508.51530103934438.61589463.71297達州620.12403德陽379.31085149.8866518.41616346.7

22、1223302.61021資陽488.413613711375阿壩82.9536江419.91212甘孜88.9594345.91132涼山402.41471 709.2 4064二、參數估計進入EViews軟件包，確定時間圍；編輯輸入數據；選擇估計方程菜單，估計樣本回歸函數如下表5.2估計結果為(5.32)括號為t統計量值。 三、檢驗模型的異方差本例用的是省2000年各地市州的醫療機構數和人口數，由于地區之間存在的不同人口數，因此，對各種醫療機構的設置數量會存在不同的需求，這種差異使得模型很容易產生異方差，從而影響模型的估計和運用。為此，必須對該模型是否存在異方差進展檢驗。一圖形法1、EVi

23、ews軟件操作。由路徑：Quick/Qstimate Equation，進入Equation Specification窗口，鍵入y c *，確認并ok，得樣本回歸估計結果，見表5.2。1生成殘差平方序列。在得到表5.2估計結果后，立即用生成命令建立序列，記為e2。生成過程如下，先按路徑：Procs/Generate Series，進入Generate Series by Equation對話框，即 圖5.4然后，在Generate Series by Equation對話框中如圖5.4，鍵入e2=resid2”，則生成序列。2繪制對的散點圖。選擇變量名*與e2注意選擇變量的順序，先選的變量將

24、在圖形中表示橫軸，后選的變量表示縱軸，進入數據列表，再按路徑view/graph/scatter，可得散點圖，見圖5.5。 圖5.52、判斷。由圖5.5可以看出，殘差平方對解釋變量*的散點圖主要分布在圖形中的下三角局部，大致看出殘差平方隨的變動呈增大的趨勢，因此，模型很可能存在異方差。但是否確實存在異方差還應通過更進一步的檢驗。二Goldfeld-Quanadt檢驗1、EViews軟件操作。1對變量取值排序按遞增或遞減。在Procs菜單里選Sort Series命令，出現排序對話框，如果以遞增型排序，選Ascenging，如果以遞減型排序，則應選Descending，鍵入*，點ok。本例選遞增

25、型排序，這時變量Y與*將以*按遞增型排序。2構造子樣本區間，建立回歸模型。在本例中，樣本容量n=21，刪除中間1/4的觀測值，即大約5個觀測值，余下局部平分得兩個樣本區間：18和1421，它們的樣本個數均是8個，即。在Sample菜單里，將區間定義為18，然后用OLS方法求得如下結果表5.3在Sample菜單里,將區間定義為1421，再用OLS方法求得如下結果表5.43求F統計量值。基于表5.3和表5.4中殘差平方和的數據，即Sum squared resid的值。由表5.3計算得到的殘差平方和為，由表5.4計算得到的殘差平方和為，根據Goldfeld-Quanadt檢驗，F統計量為 5.33

26、4判斷。在下，式5.33中分子、分母的自由度均為6，查F分布表得臨界值為，因為，所以拒絕原假設，說明模型確實存在異方差。三White檢驗由表5.2估計結果，按路徑view/residual tests/white heteroskedasticityno cross terms or cross terms，進入White檢驗。根據White檢驗中輔助函數的構造，最后一項為變量的穿插乘積項，因為本例為一元函數，故無穿插乘積項，因此應選no cross terms，則輔助函數為 5.34經估計出現White檢驗結果，見表5.5。從表5.5可以看出，由White檢驗知，在下，查分布表,得臨界值在5

27、.34式中只有兩項含有解釋變量，故自由度為2，比擬計算的統計量與臨界值，因為，所以拒絕原假設，不拒絕備擇假設，說明模型存在異方差。表5.5 四、異方差性的修正 一加權最小二乘法WLS在運用WLS法估計過程中，我們分別選用了權數。權數的生成過程如下，由圖5.4，在對話框中的Enter Quation處，按如下格式分別鍵入：；，經估計檢驗發現用權數的效果最好。下面僅給出用權數的結果。表5.7表5.7的估計結果如下 5.36括號中數據為t統計量值。可以看出運用加權小二乘法消除了異方差性后，參數的t檢驗均顯著，可決系數大幅提高，F檢驗也顯著，并說明人口數量每增加1萬人，平均說來將增加2.953個衛生醫

28、療機構，而不是引子中得出的增加5.3735個醫療機構。雖然這個模型可能還存在*些其他需要進一步解決的問題，但這一估計結果或許比引子中的結論更為接近真實情況。案例分析5一、問題的提出和模型設定根據本章引子提出的問題，為了給制定醫療機構的規劃提供依據，分析比擬醫療機構與人口數量的關系，建立衛生醫療機構數與人口數的回歸模型。假定醫療機構數與人口數之間滿足線性約束，則理論模型設定為5.31其中表示衛生醫療機構數，表示人口數。由2001年統計年鑒得到如下數據。表5.1 省2000年各地區醫療機構數與人口數地區人口數萬人*醫療機構數個Y地區人口數萬人*醫療機構數個Y1013.36304眉山339.9827

29、315911508.51530103934438.61589463.71297達州620.12403德陽379.31085149.8866518.41616346.71223302.61021資陽488.413613711375阿壩82.9536江419.91212甘孜88.9594345.91132涼山402.41471 709.2 4064二、參數估計進入EViews軟件包，確定時間圍；編輯輸入數據；選擇估計方程菜單，估計樣本回歸函數如下表5.2估計結果為(5.32)括號為t統計量值。 三、檢驗模型的異方差本例用的是省2000年各地市州的醫療機構數和人口數，由于地區之間存在的不同人口數，因

30、此，對各種醫療機構的設置數量會存在不同的需求，這種差異使得模型很容易產生異方差，從而影響模型的估計和運用。為此，必須對該模型是否存在異方差進展檢驗。一圖形法1、EViews軟件操作。由路徑：Quick/Qstimate Equation，進入Equation Specification窗口，鍵入y c *，確認并ok，得樣本回歸估計結果，見表5.2。1生成殘差平方序列。在得到表5.2估計結果后，立即用生成命令建立序列，記為e2。生成過程如下，先按路徑：Procs/Generate Series，進入Generate Series by Equation對話框，即 圖5.4然后，在Generat

31、e Series by Equation對話框中如圖5.4，鍵入e2=resid2”，則生成序列。2繪制對的散點圖。選擇變量名*與e2注意選擇變量的順序，先選的變量將在圖形中表示橫軸，后選的變量表示縱軸，進入數據列表，再按路徑view/graph/scatter，可得散點圖，見圖5.5。 圖5.52、判斷。由圖5.5可以看出，殘差平方對解釋變量*的散點圖主要分布在圖形中的下三角局部，大致看出殘差平方隨的變動呈增大的趨勢，因此，模型很可能存在異方差。但是否確實存在異方差還應通過更進一步的檢驗。二Goldfeld-Quanadt檢驗1、EViews軟件操作。1對變量取值排序按遞增或遞減。在Proc

32、s菜單里選Sort Series命令，出現排序對話框，如果以遞增型排序，選Ascenging，如果以遞減型排序，則應選Descending，鍵入*，點ok。本例選遞增型排序，這時變量Y與*將以*按遞增型排序。2構造子樣本區間，建立回歸模型。在本例中，樣本容量n=21，刪除中間1/4的觀測值，即大約5個觀測值，余下局部平分得兩個樣本區間：18和1421，它們的樣本個數均是8個，即。在Sample菜單里，將區間定義為18，然后用OLS方法求得如下結果表5.3在Sample菜單里,將區間定義為1421，再用OLS方法求得如下結果表5.43求F統計量值?；诒?.3和表5.4中殘差平方和的數據，即Su

33、m squared resid的值。由表5.3計算得到的殘差平方和為，由表5.4計算得到的殘差平方和為，根據Goldfeld-Quanadt檢驗，F統計量為 5.334判斷。在下，式5.33中分子、分母的自由度均為6，查F分布表得臨界值為，因為，所以拒絕原假設，說明模型確實存在異方差。三White檢驗由表5.2估計結果，按路徑view/residual tests/white heteroskedasticityno cross terms or cross terms，進入White檢驗。根據White檢驗中輔助函數的構造，最后一項為變量的穿插乘積項，因為本例為一元函數，故無穿插乘積項，因此

34、應選no cross terms，則輔助函數為 5.34經估計出現White檢驗結果，見表5.5。從表5.5可以看出，由White檢驗知，在下，查分布表,得臨界值在5.34式中只有兩項含有解釋變量，故自由度為2，比擬計算的統計量與臨界值，因為，所以拒絕原假設，不拒絕備擇假設，說明模型存在異方差。表5.5 四、異方差性的修正 一加權最小二乘法WLS在運用WLS法估計過程中，我們分別選用了權數。權數的生成過程如下，由圖5.4，在對話框中的Enter Quation處，按如下格式分別鍵入：；，經估計檢驗發現用權數的效果最好。下面僅給出用權數的結果。表5.7表5.7的估計結果如下 5.36括號中數據為

35、t統計量值?？梢钥闯鲞\用加權小二乘法消除了異方差性后，參數的t檢驗均顯著，可決系數大幅提高，F檢驗也顯著，并說明人口數量每增加1萬人，平均說來將增加2.953個衛生醫療機構，而不是引子中得出的增加5.3735個醫療機構。雖然這個模型可能還存在*些其他需要進一步解決的問題，但這一估計結果或許比引子中的結論更為接近真實情況。案例分析6【案例7.1】為了研究19551974年期間美國制造業庫存量Y和銷售額*的關系，我們在例7.3中采用了經歷加權法估計分布滯后模型。盡管經歷加權法具有一些優點，但是設置權數的主觀隨意性較大，要求分析者對實際問題的特征有比擬透徹的了解。下面用阿爾蒙法估計如下有限分布滯后模

36、型：將系數(i=0,1,2,3)用二次多項式近似，即則原模型可變為其中在Eviews工作文件中輸入*和Y的數據，在工作文件窗口中點擊Genr工具欄，出現對話框，輸入生成變量Z0t的公式，點擊OK；類似，可生成Z1t、Z2t變量的數據。進入Equation Specification 對話欄，鍵入回歸方程形式Y C Z0Z1 Z2點擊OK，顯示回歸結果見表7.2。表7.2表中Z0、Z1、Z2對應的系數分別為的估計值。將它們代入分布滯后系數的阿爾蒙多項式中，可計算出的估計值為：從而，分布滯后模型的最終估計式為：在實際應用中，Eviews提供了多項式分布滯后指令PDL用于估計分布滯后模型。下面結合本

37、例給出操作過程：在Eviews中輸入*和Y的數據，進入Equation Specification 對話欄，鍵入方程形式Y C PDL(*, 3, 2)其中，PDL指令表示進展多項式分布滯后Polynomial Distributed Lags模型的估計，括號中的3表示*的分布滯后長度，2表示多項式的階數。在Estimation Settings欄中選擇Least Squares(最小二乘法)，點擊OK，屏幕將顯示回歸分析結果見表7.3。表7.3需要指出的是，用PDL估計分布滯后模型時，Eviews所采用的滯后系數多項式變換不是形如7.4式的阿爾蒙多項式，而是阿爾蒙多項式的派生形式。因此，輸出

38、結果中PDL01、PDL02、PDL03對應的估計系數不是阿爾蒙多項式系數的估計。但同前面分步計算的結果相比，最終的分布滯后估計系數式是一樣的。【案例7.2】貨幣主義學派認為，產生通貨膨脹的必要條件是貨幣的超量供給。物價變動與貨幣供給量的變化有著較為密切的聯系，但是二者之間的關系不是瞬時的，貨幣供給量的變化對物價的影響存在一定時滯。有研究說明，西方國家的通貨膨脹時滯大約為23個季度。在中國，大家普遍認同貨幣供給的變化對物價具有滯后影響，但滯后期終究有多長，還存在不同的認識。下面采集19962005年全國廣義貨幣供給量和物價指數的月度數據見表7.4對這一問題進展研究。表7.4 19962005年

39、全國廣義貨幣供給量及物價指數月度數據月度廣義貨幣M2 (千億元廣義貨幣增長量M2z千億元居民消費價格同比指數tbzs 月度廣義貨幣M2 (千億元廣義貨幣增長量M2z千億元居民消費價格同比指數tbzs Jan-9658.401Oct-00129.522-0.9518100Feb-9663.7785.377109.3Nov-00130.99411.4721101.3Mar-9664.5110.733109.8Dec-00134.61033.6162101.5Apr-9665.7231.212109.7Jan-01137.54362.9333101.2May-9666.881.157108.9Feb

40、-01136.2102-1.3334100Jun-9668.1321.252108.6Mar-01138.74452.5343100.8Jul-9669.3461.214108.3Apr-01139.94991.2054101.6Aug-9672.3092.963108.1May-01139.0158-0.9341101.7Sep-9669.643-2.666107.4Jun-01147.80978.7939101.4Oct-9673.15223.5092107Jul-01149.22871.419101.5Nov-9674.1420.9898106.9Aug-01149.94180.7131

41、101Dec-9676.09491.9529107Sep-01151.82261.880899.9Jan-9778.6482.5531105.9Oct-01151.4973-0.3253100.2Feb-9778.9980.35105.6Nov-01154.08832.59199.7Mar-9779.8890.891104Dec-01158.30194.213699.7Apr-9780.8180.929103.2Jan-02159.63931.337499May-9781.1510.333102.8Feb-02160.93561.2963100Jun-9782.7891.638102.8Mar

42、-02164.06463.12999.2Jul-9783.460.671102.7Apr-02164.57060.50698.7Aug-9784.7461.286101.9May-02166.0611.490498.9Sep-9785.8921.146101.8Jun-02169.60123.540299.2Oct-9786.6440.752101.5Jul-02170.85111.249999.1Nov-9787.590.946101.1Aug-02173.25092.399899.3Dec-9790.99533.4053100.4Sep-02176.98243.731599.3Jan-98

43、92.21141.2161100.3Oct-02177.29420.311899.2Feb-9892.024-0.187499.9Nov-02179.73632.442199.3Mar-9892.015-0.009100.7Dec-02185.00735.27199.6Apr-9892.6620.64799.7Jan-03190.48835.481100.4May-9893.9361.27499Feb-03190.1084-0.3799100.2Jun-9894.6580.72298.7Mar-03194.48734.3789100.9Jul-9896.3141.65698.6Apr-0319

44、6.13011.6428101Aug-9897.2990.98598.6May-03199.50523.3751100.7Sep-9899.7952.49698.5Jun-03204.93145.4262100.3Oct-98100.87521.080298.9Jul-03206.19311.2617100.5Nov-98102.2291.353898.8Aug-03210.59194.3988100.9Dec-98104.49852.269599Sep-03213.56712.9752101.1Jan-99105.51.001598.8Oct-03214.46940.9023101.8Feb

45、-99107.7782.27898.7Nov-03216.35171.8823103Mar-99108.4380.6698.2Dec-03221.22284.8711103.2Apr-99109.2180.7897.8Jan-04225.101933.87913103.2May-99110.0610.84397.8Feb-04227.050721.94879102.1Jun-99111.3631.30297.9Mar-04231.65464.60388103Jul-99111.4140.05198.6Apr-04233.627861.97326103.8Aug-99112.8271.41398

46、.7May-04234.84241.21454104.4Sep-99115.0792.25299.2Jun-04238.427493.58509105Oct-99115.390.31199.4Jul-04234.8424-3.58509105.3Nov-99116.5591.16999.1Aug-04239.729194.88679105.3Dec-99119.8983.33999Sep-04243.7574.02781105.2Jan-00121.221.32299.8Oct-04243.74-0.017104.3Feb-00121.58340.3634100.7Nov-04247.1355

47、83.39558102.8Mar-00122.58070.997399.8Dec-04253.20776.07212102.4Apr-00124.12191.541299.7Jan-05257.752834.54513101.9May-00124.0533-0.0686100.1Feb-05259.35611.60327103.9Jun-00126.60532.552100.5Mar-05264.58895.2328102.7Jul-00126.3239-0.2814100.5Apr-05266.992662.40376101.8Aug-00127.791.4661100.3May-05269

48、.22942.23674101.8Sep-00130.47382.6838100數據來源：中國經濟統計數據庫，./。為了考察貨幣供給量的變化對物價的影響，我們用廣義貨幣M2的月增長量M2Z作為解釋變量，以居民消費價格月度同比指數TBZS為被解釋變量進展研究。首先估計如下回歸模型得如下回歸結果表7.5。表7.5Dependent Variable: TBZSMethod: Least SquaresDate: 07/03/05 Time: 17:10Sample(adjusted): 1996:02 2005:05Included observations: 112 afte

49、r adjusting endpointsVariableCoefficientStd. Errort-StatisticProb. C101.43560.397419255.23580.0000M2Z0.0683710.1518720.4501900.6535R-squared0.001839 Mean dependent var101.5643Adjusted R-squared-0.007235 S.D. dependent var2.911111S.E. of regression2.921623 Akaike info criterion4.999852Sum squared res

50、id938.9472 Schwarz criterion5.048396Log likelihood-277.9917 F-statistic0.202671Durbin-Watson stat0.047702 Prob(F-statistic)0.653460從回歸結果來看，M2Z的t統計量值不顯著，說明當期貨幣供給量的變化對當期物價水平的影響在統計意義上不明顯。為了分析貨幣供給量變化影響物價的滯后性，我們做滯后6個月的分布滯后模型的估計，在Eviews工作文檔的方程設定窗口中，輸入TBZS C M2Z M2Z(-1) M2Z(-2) M2Z(-3) M2Z(-4) M2Z(-5) M2Z(

51、-6)結果見表7.6。表7.6Dependent Variable: TBZSMethod: Least SquaresDate: 07/03/05 Time: 17:09Sample(adjusted): 1996:08 2005:05Included observations: 106 after adjusting endpointsVariableCoefficientStd. Errort-StatisticProb. C100.04920.584318171.22400.0000M2Z-0.0110370.140613-0.0784930.9376M2Z(-1)0.0161690.

52、1379980.1171660.9070M2Z(-2)0.0530440.1368080.3877230.6991M2Z(-3)0.0286790.1431550.2003330.8416M2Z(-4)0.1308250.1391830.9399510.3496案例分析7改革開放以來，隨著經濟的開展中國城鄉居民的收入快速增長，同時城鄉居民的儲蓄存款也迅速增長。經濟學界的一種觀點認為，20世紀90年代以后由于經濟體制、住房、醫療、養老等社會保障體制的變化，使居民的儲蓄行為發生了明顯改變。為了考察改革開放以來中國居民的儲蓄存款與收入的關系是否已發生變化，以城鄉居民人民幣儲蓄存款年底余額代表居民儲蓄

53、Y，以國民總收入GNI代表城鄉居民收入，分析居民收入對儲蓄存款影響的數量關系。表8.1為1978-2003年中國的國民總收入和城鄉居民人民幣儲蓄存款年底余額及增加額的數據。表8.1 國民總收入與居民儲蓄存款 單位：億元年 份國民總收入GNI城鄉居民人民幣儲蓄存款年底余額Y城鄉居民人民幣儲蓄存款增加額YY年 份國民總收入GNI城鄉居民人民幣儲蓄存款年底余額Y城鄉居民人民幣儲蓄存款增加額YY19783624.1 210.6NA199121662.5 9241.62121.80019794038.2 281.070.4199226651.9 11759.42517.80019804517.8 399

54、.5118.5199334560.5 15203.53444.10019814860.3 532.7124.2199446670.0 21518.86315.30019825301.8 675.4151.7199557494.9 29662.38143.50019835957.4 892.5217.1199666850.5 38520.88858.50019847206.7 1214.7322.2199773142.7 46279.87759.00019858989.1 1622.6407.9199876967.2 53407.57615.400198610201.4 2237.6615.01

55、99980579.4 59621.86253.000198711954.5 3073.3835.7200088254.0 64332.44976.700198814922.3 3801.5728.2200195727.9 73762.49457.600198916917.8 5146.9 1374.22002103935.3 86910.613233.20199018598.4 7119.81923.42003116603.2 103617.716631.90數據來源：中國統計年鑒2004，中國統計。表中城鄉居民人民幣儲蓄存款年增加額為年鑒數值，與用年底余額計算的數值有差異。為了研究19782

56、003年期間城鄉居民儲蓄存款隨收入的變化規律是否有變化,考證城鄉居民儲蓄存款、國民總收入隨時間的變化情況，如下列圖所示：圖8.5從圖8.5中，尚無法得到居民的儲蓄行為發生明顯改變的詳盡信息。假設取居民儲蓄的增量YY，并作時序圖見圖8.6 圖8.6 圖8.7從居民儲蓄增量圖可以看出，城鄉居民的儲蓄行為表現出了明顯的階段特征：在1996年和2000年有兩個明顯的轉折點。再從城鄉居民儲蓄存款增量與國民總收入之間關系的散布圖看見圖8.7，也呈現出了一樣的階段性特征。 為了分析居民儲蓄行為在1996年前后和2000年前后三個階段的數量關系，引入虛擬變量D1和D2。D1和D2的選擇，是以1996、2000

57、年兩個轉折點作為依據，1996年的GNI為66850.50億元,2000年的GNI為國為民8254.00億元,并設定了如下以加法和乘法兩種方式同時引入虛擬變量的的模型：其中：對上式進展回歸后，有：Dependent Variable: YYMethod: Least SquaresDate: 06/16/05 Time: 23:27Sample (adjusted): 1979 2003Included observations: 25 after adjustmentsVariableCoefficientStd. Errort-StatisticProb.C-830.4045172.162

58、6-4.8233740.0001GNI0.1444860.00574025.170010.0000(GNI-66850.50)*DUM1-0.2913710.027182-10.719200.0000(GNI-88254.00)*DUM20.5602190.04013613.958100.0000R-squared0.989498Mean dependent var4168.652Adjusted R-squared0.987998S.D. dependent var4581.447S.E. of regression501.9182Akaike info criterion15.42040S

59、um squared resid5290359.Schwarz criterion15.61542Log likelihood-188.7550F-statistic659.5450Durbin-Watson stat1.677712Prob(F-statistic)0.000000即有：se=172.16260.00570.02720.0401t = (-4.823425.1700 (-10.7192) (13.9581)由于各個系數的t檢驗均大于2，說明各解釋變量的系數顯著地不等于0，居民人民幣儲蓄存款年增加額的回歸模型分別為：這說明三個時期居民儲蓄增加額的回歸方程在統計意義上確實是不一樣

60、的。1996年以前收入每增加1億元，居民儲蓄存款的增加額為0.1445億元；在2000年以后，則為0.4133億元，已發生了很大變化。上述模型與城鄉居民儲蓄存款與國民總收入之間的散布圖是吻合的，與當時中國的實際經濟運行狀況也是相符的。需要指出的是，在上述建模過程中，主要是從教學的目的出發運用虛擬變量法則，沒有考慮通貨膨脹因素。而在實證分析中，儲蓄函數還應當考慮通貨膨脹因素。案例分析8以引子中所提出的問題為例，分析影響中國進口量的主要因素數據如表9.3所示。表9.3 單位：人民幣億元、億美元年份GDP進口總額IM人民幣進口總額IMdollar美元匯率E*CHANGE19804517.8298.8