下面是小编为大家整理的实验报告计量自己,供大家参考。
课程论文分析
题
目：
中国粮食产量影响因素分析报告
学
院：
经济学院
专
业：
经济学一班
学
号：
201301010111
姓
名：
刘明华
指导教师：
秦翊
2015 5
年
6
月
6 日
Shanxi university of Finance and Economics
修德立信
博学求真
一、 问题的提出
改革开放以来，中国经济迅速发展，人口增长迅猛，对粮食的需求日益增加。粮食产量无疑成了影响中国经济发展的重大因素。同时，粮食的产量直接关系到农业劳动力的生活水平，因此，“三农”问题成为中国经济研究的热点问题，提高粮食产量，关注农村居民收入迫在眉睫。为此，本文将就粮食产量影响因素进行分析，希望从中发现一些对粮食产量关键作用的因素。
二、
模型设 定及假设 通过对影响粮食产量的主要因素的分析，把影响农民收入的因素主要归结与以下几个方面：农业化肥施用量 X1，粮食播种面积 X2，成灾面积 X3，农业机械总动力 X4，农业劳动力 X5。为此设定了如下形式的计量经济学模型: 0 1 1 2 2 3 3 4 4 5 5 t t t t t t tY
其中 Y t 为第 t 年粮食产量（万吨），X1 为农业化肥使用量（万公顷）,X2粮食播种面积（千公顷），X3 为成灾面积（公顷），X4 为农业机械总动力（万千瓦），X5 为农业劳动力（万人）。
三 、数据的收集
通过查找中国统计年鉴，我们得到如下的统计资料：
年份 粮食产量 (万吨)
农业化肥施用量 （万公斤）
粮食播种面积 （千公顷）
成灾面积 （公顷）
农业机械总动力 （万千瓦）
农业劳动力 （万人）
1985 38728
1660
114047
16209
18022
31151
1986 40731
1740
112884
15264
19497
30868
1987 37911
1776
108845
22705
20913
31130
1988 39151
1931
110933
23656
22950
31254
1989 40208
1999
111268
20393
24836
31663
1990 39408
2142
110123
23945
26575
32249
1991 40755
2357
112205
24449
28067
33225
1992 44624
2590
113466
17819
28708
38914
1993 43529
2806
112314
27814
29389
39098
1994 44264
2930
110560
25895
30308
38699
1995 45649
3152
110509
23133
31817
37680
1996 44510
3318
109544
31383
33802
36628
1997 46662
3594
110060
22267
36118
35530
1998 50454
3828
112548
21233
38547
34820
1999 49417
3981
112912
30309
42016
34840
2000 51230
4084
113787
25181
45208
35177
2001 50839
4124
113161
26731
48996
35768
中国粮食生产与相关投入资料
四、模型的估计与调整
主要需要检验的有：
一、多重共线性检验。二、异方差性检验。三、自相关性检验。
利用Eviews5.0作OLS估计的结果为：
??Dependent Variable: Y
Method: Least Squares
Date: 06/12/15
Time: 13:36
Sample: 1985 2009
Included observations: 25
Variable Coefficient Std. Error t-Statistic Prob.
X1 5.994511 0.609713 9.831685 0.0000 X2 0.536701 0.057858 9.276245 0.0000 X3 -0.135873 0.029720 -4.571732 0.0002 X4 -0.090822 0.042053 -2.159696 0.0438 X5 -0.007390 0.070511 -0.104814 0.9176 C -26695.08 7507.527 -3.555775 0.0021 R-squared 0.980829
Mean dependent var 44945.64 Adjusted R-squared 0.975783
S.D. dependent var 4150.729 S.E. of regression 645.9230
Akaike info criterion 15.98480 Sum squared resid 7927113.
Schwarz criterion 16.27733 Log likelihood -193.8100
Hannan-Quinn criter. 16.06594 F-statistic 194.4114
Durbin-Watson stat 1.715679 Prob(F-statistic) 0.000000
Y= -26695.08 + 5.994511 X1+ 0.536701 X2- 0.135873 X3- 0.090822
X4- 0.007390X5
( 7507.527 )
( 0.609713 )
( 0.057858 )
(0.029720)
( 0.042053 )
( 0.070511 ) T =（ -3.555775 ）( 9.831685 )
( 9.276245 )
( -4.571732 )
( -2.159696 )
( -0.104814 )
R-Squared= 0.980829
df=19 2002 46218
4146
108463
34374
52574
36043
2003 45264
4254
106080
31793
55172
36513
2004 45706
4339
103891
27319
57930
36870
2005 43070
4412
99410
32516
60387
36546
2006 46947
4637
101606
16297
64028
35269
2007 48402
4766
104278
19966
68398
33970
2008 49804
4928
104958
24632
72522
32561
2009 50160
5108
105638
25064
76590
31444
由此可见：可决系数 R-Squared=0. 980829,表明模型在整体的拟和非常好。系数显著性检验：对于 C、X1、X2、X3、X4 的系数，t 的统计量的绝对值都通过了检验，而 X5 的系数的 t 统计量为-0.104814，在 df=19、α=0.05 的情况下， X5的系数不能通过检验。
根据经验判断 ， 无法通过第一步检验的原因很可能是解释变量之间存在多重共线性。
1 1 、修正多重共线性
我们对 X1 X2 X3 X4 X5 进行多重共线性检验，得到：
相关系数表
X1 X2 X3 X4 X5 X1
1.000000 -0.616566
0.400644
0.952746
0.314885 X2 -0.616566
1.000000 -0.238039 -0.741538 -0.060970 X3
0.400644 -0.238039
1.000000
0.310096
0.409704 X4
0.952746 -0.741538
0.310096
1.000000
0.128834 X5
0.314885 -0.060970
0.409704
0.128834
1.000000
可以发现 X1 X2 X3 X4 X5 之间存在高度的线性相关关系。
运用逐步回归法进行修正：
一元回归估计结果
变量 X1 X2 X3 X4 X5 参数估计值 3.158761 -0.14429 0.182715 0.165219 0.553797 T 统计量 7.716525 -0.68297 1.126564 4.775066 1.799071 r^2 0.721363 0.019877 0.052295 0.165219 0.123364 其中，加入 X1 的 r^2 最大，以 X1 为基础，顺次加入其他变量逐步回归。结果如下。
加入新变量的回归结果（一）
加入变量 X2 X3 X4 X5 参数估计值 0.631835 -0.10622 -0.26297 0.146656 T 统计量 11.07516 -1.11232 -3.97217 0.79565 r^2 0.957624 0.736199 0.837737 0.729157 其中，加入 X2 的 r^2 最大，以 X1，X2 为基础，顺次加入其他变量逐步回归。结果如下。
加入新变量的回归结果（二）
加入变量 X3 X4 X5 参数估计 -0.11151 -0.03681 0.002836
值 T 统计量 -3.63213 -0.82605 0.037402 r^2 0.973974 0.958958 0.957627
其中，加入 X3 的 r^2 最大，以 X1，X2，X3 为基础，顺次加入其他变量逐步回归。
加入新变量的回归结果（三）
加入变量 X4 X5 参数估计值 -0.08821 0.082863 t 值 -2.67113 1.34134 r^2 0.980817 0.082863 显然可见，加入 X5 时，参数的检验值不显著，说明主要是因为 X5 引起了多重共线性。
修正多重共线性以后的回归结果为：
Dependent Variable: Y
Method: Least Squares
Date: 06/12/15
Time: 14:07
Sample: 1985 2009
Included observations: 25
Variable Coefficient Std. Error t-Statistic Prob.
X1 5.954533 0.463769 12.83943 0.0000 X2 0.538519 0.053816 10.00673 0.0000 X3 -0.136393 0.028570 -4.773986 0.0001 X4 0.088210 0.033023 -2.671134 0.0147 C -27110.39 6217.065 -4.360641 0.0003 R-squared 0.980817
Mean dependent var 44945.64 Adjusted R-squared 0.976981
S.D. dependent var 4150.729 S.E. of regression 629.7498
Akaike info criterion 15.90538 Sum squared resid 7931696.
Schwarz criterion 16.14915 Log likelihood -193.8172
Durbin-Watson stat 1.706044 F-statistic 255.6537
Prob(F-statistic) 0.000000
Y
= -27110.39 + 5.954533 X1+ 0.538519 X2 -0.136393 X3+ 0.088210 X4
( 6217.065 )
( 0.463769 )
( 0.053816 )
(0.028570)
( 0.033023 )
T = （ -4.360641 ）
( 12.83943 )
( 10.00673 )
( -4.571732 )
( -2.671134 ) R-Squared= 0.980817
Adjusted R-squared=0.976981
F-statistic=255.6537
2 2 、 自相关检验
-2,000-1,500-1,000-50005001,00036,00040,00044,00048,00052,00086 88 90 92 94 96 98 00 02 04 06 08Residual Actual Fitted DW 检验：由表的 DW=1.706044，在显著性水平=0.05 下，查 DW 表，n=25,k=4, 得到 dl=1.038,dv=1.767,由于 DW=1.706044，介于 DL 和 DU 之间，所以根据判定定理无法通过 DW 检验其自相关是否存在。
3 3 、异方差检验
White Heteroskedasticity Test:
F-statistic 1.292972
Probability 0.347081 Obs*R-squared 16.10371
Probability 0.307082
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 06/12/15
Time: 14:44
Sample: 1985 2009
Included observations: 25
Variable Coefficient Std. Error t-Statistic Prob.
C -2.30E+08 2.75E+08 -0.837516 0.4219 X1 49179.67 41752.13 1.177896 0.2661
X1^2 -0.995886 2.105686 -0.472951 0.6464 X1*X2 -0.444369 0.387229 -1.147561 0.2779 X1*X3 -0.110715 0.143066 -0.773874 0.4569 X1*X4 0.300021 0.301199 0.996090 0.3427 X2 3211.790 4746.863 0.676613 0.5140 X2^2 -0.010124 0.020745 -0.488019 0.6361 X2*X3 -0.004130 0.016274 -0.253749 0.8048 X2*X4 0.016188 0.029300 0.552498 0.5927 X3 902.1972 1891.897 0.476874 0.6437 X3^2 -0.004837 0.006702 -0.721763 0.4870 X3*X4 0.004962 0.009664 0.513384 0.6188 X4 -2218.252 3182.078 -0.697108 0.5016 X4^2 -0.010839 0.010163 -1.066478 0.3113 R-squared 0.644148
Mean dependent var 317267.9 Adjusted R-squared 0.145956
S.D. dependent var 558892.5 S.E. of regression 516497.6
Akaike info criterion 29.43124 Sum squared resid 2.67E+12
Schwarz criterion 30.16256 Log likelihood -352.8905
F-statistic 1.292972 Durbin-Watson stat 2.895846
Prob(F-statistic) 0.347081
从上表看出，Obs*R-squared=16.10371, 在显著性水平=0.05 下，查其相关分布表，得临近值为 23.684，Obs*R-squared=16.10371<23.684,所以接受原假设，表明模型不存在异方差。
4 4 、 经济意义检验
根据模型检验得,在影响粮食产量的的因素上,农药施肥用量,粮食播种面积对粮食产量影响显著,如果合理控制农药施肥用量,合理安排粮食播种面积,可以大幅度提高粮食产量,从而进一步提高经济效益.
5 5 、 模型确定
经过一系列的模型检验与设定，可以认为修正后的模型已无多重共线性，用 DW检验无法确定其是否存在自相关性，通过怀特检验知道模型不存在异方差。
最终可将模型设定为：
Y
= -27110.39 + 5.954533 X1+ 0.538519 X2+
0.136393 X3+ 0.088210 X4
( 6217.065 )
( 0.463769 )
( 0.053816 )
(0.028570)
( 0.033023 )
T = （ -4.360641 ）
( 12.83943 )
( 10.00673 )
( -4.571732 )
( -2.671134 ) R-Squared= 0.980817
Adjusted R-squared=0.976981
F-statistic=255.6537
五 、结论
在选择的五个因素中，农药化肥施用量、粮食播种面积和成灾面积对粮食产量的影响较为显著，模型在建立的过程中剔除了农业机械总动力和农业劳动力两个因素。从回归模型可以看出，对粮食产量的贡献中化肥施用量最显著。这是因为在农业的生产过程中，化肥施用由传统的农家肥向现代新型肥料转变，化肥施用量的增加极大地促进了粮食产量的提高。播种面积对粮食产量的贡献虽然没有化肥施用量显著，但由于耕地面积的数值远远大于化肥施用量，因此耕地面积的增加对粮食产量的提高贡献较大。成灾面积对粮食产量的影响系数较小，但若受灾面积绝对值较大时，那么灾害会引起粮食产量较大幅度减少，因此减小成灾面积是提高粮食产量的关键。模型剔除了农业机械总动力、农业劳动力两个变量，因为在模型的建立中参数符号不符合经济意义且参数的 t 检验和显著性检验不能通过。