計量經濟學實驗教程

.5綜合案例分析（1 / 3）

一、研究背景

隨著經濟的發展，人們生活水平的提高，旅遊業已經成為中國社會新的經濟增長點。旅遊產業是一個關聯性很強的綜合產業，一次完整的旅遊活動包括吃、住、行、遊、購、娛六大要素，旅遊產業的發展可以直接或者間接推動第三產業、第二產業和第一產業的發展。假日旅遊更是有力刺激了居民消費，拉動內需。2012年，我國全年國內旅遊人數達到30.0億人次，同比增長13.6%，國內旅遊收入2.3萬億元，同比增長191%。旅遊業的發展不僅對增加就業和擴大內需起到重要的推動作用，優化了產業結構，而且可以增加國家外彙收入，促進國際收支平衡，加強國家、地區間的文化交流。為了研究影響旅遊景區收入增長的主要原因，分析旅遊收入增長規律，需要建立計量經濟模型。

影響旅遊業發展的因素很多，但據分析主要因素可能有國內和國際兩個方麵，因此在進行旅遊景區收入分析模型設定時，引入城鎮居民可支配收入和旅遊外彙收入為解釋變量。旅遊業很大程度上受其產業本身的發展水平和從業人數影響，固定資產和從業人數體現了旅遊產業發展規模的內在影響因素，因此引入旅遊景區固定資產和旅遊業從業人數作為解釋變量。因此，選取我國31個省市地區的旅遊業相關數據進行定量分析，分析我國旅遊業發展的影響因素。

二、模型設定

建立模型：

Y=β0+β1X1+β2X2+β3X3+β4X4+Ut

參數說明：

Y——旅遊景區營業收入,萬元；

X1——旅遊業從業人員,人；

X2——旅遊景區固定資產,萬元；

X3——旅遊外彙收入,萬美元；

X4——城鎮居民可支配收入,元。

收集到的數據,如表72所示。

表722011年全國旅遊景區營業收入及相關數據(按地區分)單位：萬元

地區營業收入從業人數固定資產外彙收入可支配收入

北京145249.01145466694252.3054160032903.03

天津48712.372478793529.6717555326920.86

河北182226.8779643420342.744476518292.23

山西29465.0357719121809.745671918123.87

內蒙古70313.0736264206819.126709720407.57

遼寧25665.306481646573.2727131420466.84

吉林20389.302906687827.163852817796.57

黑龍江38367.8130341137426.279176215696.18

上海194762.391106563007.4457511836230.48

江蘇316051.651401541195000.6056529726340.73

浙江385976.921324591110975.2045417330970.68

安徽79562.7555840139769.0211791818606.13

福建155378.9580303151897.6936344424907.40

續表

地區營業收入從業人數固定資產外彙收入可支配收入

江西54961.664179185528.054150017494.87

山東116995.67143026327733.2925507622791.84

河南222108.3370164482005.325490318194.80

湖北104565.5862767243794.629401818373.87

湖南118180.8780615257226.710143418844.05

廣東476345.502265391160675.4139061926897.48

廣西66195.5549876143982.0310518818854.06

海南29081.603075970386.553761518368.95

重慶86713.6750160230124.009680620249.70

四川218624.0370756464763.525938317899.12

貴州42214.142768362415.211350716495.01

雲南135897.9762679348426.0416086118575.62

西藏30406.736023462971.031296316195.56

陝西48692.1757077154529.1912950518245.23

甘肅30949.003128056684.68174014988.68

青海638.4387419851.28265915603.31

寧夏49509.861219623149.9062017578.92

新疆28993.114045152280.364651915513.62

數據來源：《中國統計年鑒2012》、《中國旅遊年鑒2012》

三、參數估計

利用Eviews軟件做多元線性回歸分析的具體步驟如下。

1.　創建工作文件

雙擊Eviews圖標，進入其主頁。在主菜單中依次點擊File→New→Workfile，出現對話框Workfile　Range。本例中是截麵數據，在workfile　structure　type中選擇Unstructured\/Undated,在Date　range中填入observations　31,點擊OK鍵，完成工作文件的創建。

2.　輸入數據

在命令框中輸入　data　Y　X1　X2　X3　X4,　回車出現Group窗口數據編輯框，在對應的Y　X1　X2　X3　X4下輸入相應數據，關閉對話框將其命名為group　01,點擊OK,保存。

對數據進行存盤，點擊File→Save　As，出現Save　As對話框，選擇存入路徑，並將文件命名，再點OK。

3.　參數估計

在Eviews命令框中鍵入LS　Y　C　X1　X2　X3　X4,按回車鍵，即出現回歸結果。

利用Eviews估計模型參數，最小二乘法的回歸結果，如表73所示。

表73回歸結果

Dependent　Variable:　Y

Method:　Least　Squares

Date:　11\/14\/17Time:　21:14

Sample:　1　31

Included　observations:　31

CoefficientStd.　ErrortStatisticProb.

C32390.8339569.490.8185810.4205

X10.6036240.3661121.6487410.1112

X20.2342650.0412185.6835830.0000

X30.0446320.0607550.7346200.4691

X4-1.9140342.098257-0.9122020.3700

Rsquared0.879720Mean　dependent　var114619.2

Adjusted　Rsquared0.861215S.D.　dependent　var112728.1

S.E.　of　regression41995.55Akaike　info　criterion24.27520

Sum　squared　resid4.59E+10Schwarz　criterion24.50649

Log　likelihood-371.2657HannanQuinn　criter24.35060

Fstatistic47.54049DurbinWatson　stat2.007191

Prob(Fstatistic)0.000000

根據表中的樣本數據，模型估計結果為：

Y∧=32390.83+0.603624X1+0.234265X2

+0.044632X3-1.914034X4

(39569.49)(0.366112)(0.041218)(0.060755)(2.098257)

t=(0.818581)　(1.648741)　(5.683583)　(0.734620)　(-0.912202)

R2=0.879720R2=0.861215F=47.54049DW=2.007191

可以看出，可決係數R2=0.879720，修正的可決係數R2=0.861215。說明模型的擬合程度還可以。但是當α=0.05時，X1、X2、X4係數均不能通過檢驗，且X4的係數為負，與經濟意義不符，表明模型很可能存在嚴重的多重共線性。

四、模型修正

1.　檢驗

選中X1　X2　X3　X4數據，點擊右鍵，選擇Open→as　Group,在出現的對話框中選擇View→Covariance　Analysis→correlation,點擊OK,得到相關係數矩陣。

計算各個解釋變量的相關係數，得到相關係數矩陣，如表74所示。

表74相關係數矩陣

變量X1X2X3X4

X11.0000000.8097770.8720930.659239

X20.8097771.0000000.7583220.641086

X30.8720930.7583221.0000000.716374

X40.6592390.6410860.7163741.000000

由相關係數矩陣可以看出，解釋變量X2、X3之間存在較高的相關係數，證實確實存在嚴重的多重共線性。

2.　多重共線性修正

采用逐步回歸的辦法，檢驗和回歸多重共線性問題。分別做Y對X1、X2、X3、X4的一元回歸，在命令窗口分別輸入LS　Y　C　X1，LS　Y　C　X2,LS　Y　C　X3，LS　Y　C　X4，並保存，整理結果如表75所示。

表75一元回歸結果

變量X1X2X3X4

參數估計值1.9782240.3151200.31694612.54525

t統計量8.63511112.474956.9224794.005547

R20.7199830.8429240.6229880.356191

R20.7103270.8375080.6099880.333991

其中，X2的方程R2最大，以X2為基礎，順次加入其他變量逐步回歸。在命令窗口中依次輸入：LS　Y　C　X2　X1，LS　Y　C　X2　X3,　LS　Y　C　X2　X4,並保存結果，整理結果如表76所示：

表76加入新變量的回歸結果(一)

變量

變量X1X2X3X4R2

X2，X10.711446

(2.679575)0.230304

(5.891959)0.866053

X2，X30.258113

(7.016265)0.087950

(2.043471)0.853546

X2，X40.312045

(9.319239)0.293708

(0.143226)0.831828

經比較，新加入X1的方程R2=0.866053，改進最大，而且各個參數的t檢驗顯著，選擇保留X1，再加入其他新變量逐步回歸，在命令框中依次輸入：LS　Y　C　X2　X1　X3，LS　Y　C　X2　X1　X4，保存結果，整理結果如表77所示。

表77加入新變量的回歸結果(二)

變量

變量X1X2X3X4R2

X2，X1，X30.603269

(1.652919)0.227087

(5.630196)0.024860

(0.439370)0.862078

X2，X1，X40.773017

(2.741794)0.237243

(5.833838)-1.364110

(-0.701920)0.863581

當加入X3或X4時，

R2

均沒有所增加，且其參數是t檢驗不顯著。從相關係數可以看出X3、X4與X1、X2之間相關係數較高，說明X3、X4引起了多重共線性，予以剔除。

當取α=0.05時，tα\/2(n-k-1)=2.048，X1、X2的係數t檢驗均顯著，這是最後消除多重共線性的結果。

修正多重共線性影響後的模型為：

Y∧=0.711446X1+0.230304X2

(0.265507)(0.039088)

t=(2.679575)(5.891959)

R2=0.874983R2=0.866053F=97.98460DW=1.893654

在確定模型以後，進行參數估計，如表78所示。

表78消除多重共線性後的回歸結果

Dependent　Variable:　Y

Method:　Least　Squares

Date:　11\/14\/17Time:　21:47

Sample:　1　31

Included　observations:　31

CoefficientStd.　ErrortStatisticProb.

C-4316.82412795.42-0.3373730.7384

X10.7114460.2655072.6795750.0122

X20.2303040.0390885.8919590.0000

Rsquared0.874983Mean　dependent　var114619.2

Adjusted　Rsquared0.866053S.D.　dependent　var112728.1

S.E.　of　regression41257.10Akaike　info　criterion24.18480

Sum　squared　resid4.77E+10Schwarz　criterion24.32357

Log　likelihood-371.8644HannanQuinn　criter.24.23004

Fstatistic97.98460DurbinWatson　stat1.893654

Prob(Fstatistic)0.000000

五、異方差檢驗

在實際的經濟問題中經常會出現異方差這種現象，因此建立模型時，必須要注意異方差的檢驗，否則，在實際中會失去意義。

1.　檢驗異方差

由表4.5的結果，按路徑View→Residual　Tests→Heteroskedasticity　Tests，在出現的對話框中選擇Specification:White，點擊OK得到White檢驗結果如表79所示。

表79White檢驗結果

Heteroskedasticity　Test:　White

Fstatistic3.676733Prob.　F(5,25)0.0125

Obs*Rsquared13.13613Prob.　ChiSquare(5)0.0221

Scaled　explained　SS15.97891Prob.　ChiSquare(5)0.0069

Test　Equation:

Dependent　Variable:　RESID^2

Method:　Least　Squares

Date:　11\/14\/17Time:　21:48

Sample:　1　31

Included　observations:　31

CoefficientStd.　ErrortStatisticProb.

C-1.10E+091.11E+09-0.9927790.3303

X1-12789.3630151.30-0.4241730.6751

X1^20.4207160.2943321.4293930.1653

X1*X2-0.1018140.083576-1.2182160.2345

X214604.525047.7012.8933010.0078

X2^2-0.0024890.008030-0.3099720.7592

Rsquared0.423746Mean　dependent　var1.54E+09

Adjusted　Rsquared0.308495S.D.　dependent　var2.70E+09

S.E.　of　regression2.24E+09Akaike　info　criterion46.07313