《农业生产的多种投入要素对农业总产量及总产值影响的实证分析.doc》由会员分享，可在线阅读，更多相关《农业生产的多种投入要素对农业总产量及总产值影响的实证分析.doc（41页珍藏版）》请在三一文库上搜索。
1、课程代码：学时/学分： 成绩：计量经济学课程案例分析案例主题：农业生产的多种投入要素对农业总产量及总产值影响的实证分析 任课老师：组 长： 组 员： 计量经济学小组实验报告目 录计量经济学小组实验报告1u截面数据31.单方程模型3一、模型设定3二、参数估计和模型检验5三、多重共线性检验6四、异方差性检验12五、自相关性检验142.联立方程模型14一、实验目的14二、本实验选用模型及数据说明15三、单方程估计实验过程16四、系统估计方法实验过程22五、实验小结25u时间序列数据25一、数据说明25二、滞后模型26三、检验序列相关性33四、单位根检验34五、构造ARMA模型36六、EG两步法协整检
2、验38七、格兰杰因果检验39八、误差修正模型40u 截面数据1. 单方程模型一、 模型设定根据经济学尝试，农业产量受自然环境和人为因素的影响。在不同气候条件下，不同作物和不同的灌溉、化肥等都会对该地区的农业总产量产生影响。在本文中，考察农业总产量的的主要因素包括，播种面积、灌溉面积和化肥使用量。因为天气因素太不稳定，有很大的随机性，同时也不容易量化，所以这里没有考虑。综合上述因素和变量的可观测性，我们首先建立一个多元线性回归模型：其中：ZCL：农业总产量BZMJ：播种面积GGMJ：灌溉面积HUAF：化肥使用面积 是回归系数，是随机扰动项收集数据如下表表示：ZCLBZMJGGMJHUAF109.
3、2000386.4000322.700015.70000147.2000544.5000354.300017.300002645.6008990.8004485.400273.4000850.20003672.3001104.30084.900001319.7005707.3002472.30079.300001440.7003964.8001482.800109.80001987.7004890.1001382.600114.10002688.0009989.2002090.400123.2000164.2000490.9000280.600020.300003174.6007777.400
4、3900.000338.00001130.9003245.9001400.30090.300002799.1008733.1003228.700280.7000843.40002713.100942.4000117.40001690.5005534.7001897.500109.70004097.30011266.104836.100428.60004482.50013127.704766.000441.70002417.9007489.0002027.900245.30002937.7007931.7002676.300184.30001681.0005193.1001447.100195.
5、10001568.6006288.1001519.600168.1000206.1000871.7000180.800027.000001053.5003555.900631.900072.600003107.5009571.5002533.000212.00001171.6004650.700659.800070.000001514.0005929.6001424.300120.0000102.7000230.9000154.40003.0000001014.1004331.9001314.100131.0000791.60003688.900982.300066.10000126.2000
6、529.0000208.30007.200000282.10001007.600405.400024.60000822.60003404.1003138.10083.30000二、 参数估计和模型检验直接对模型进行OLS法估计，结果如下：Dependent Variable: ZCLMethod: Least SquaresDate: 09/02/08 Time: 20:10Sample: 1 31Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C-83.4463175.57143-1.1042040.
7、2792BZMJ0.2341980.0288108.1290520.0000GGMJ-0.0149690.074818-0.2000780.8429HUAF3.5967070.9554373.7644620.0008R-squared0.966425Mean dependent var1560.258Adjusted R-squared0.962694S.D. dependent var1205.894S.E. of regression232.9156Akaike info criterion13.85914Sum squared resid1464741.Schwarz criterion
8、14.04417Log likelihood-210.8167Hannan-Quinn criter.13.91946F-statistic259.0533Durbin-Watson stat1.762135Prob(F-statistic)0.000000分析由上表我们看到解释变量的t值不显著，而可决系数F和R统计量显著，说明极有可能存在多重共线性。三、 多重共线性检验计算解释变量之间的简单关系系数，结果如下：ZCLBZMJHUAFZCL1.0000000.9709010.934915BZMJ0.9709011.0000000.890866HUAF0.9349150.8908661.0000
9、00由上表可以看出，各解释变量之间有严重的多重共线性。多重共线性修正用OLS法逐一求ZCL对各个解释变量的回归，发现ZCL对BZMJ的线性关系很好，拟合度最好，如下：VariableCoefficientStd. Errort-StatisticProb.C-132.511693.78046-1.4129980.1683BZMJ0.3370150.01543621.832320.0000R-squared0.942648Mean dependent var1560.258Adjusted R-squared0.940670S.D. dependent var1205.894S.E. of re
10、gression293.7275Akaike info criterion14.26552Sum squared resid2502000.Schwarz criterion14.35804Log likelihood-219.1156Hannan-Quinn criter.14.29568F-statistic476.6502Durbin-Watson stat1.858925Prob(F-statistic)0.000000但是，此时常数项C即原式中的的t值和p值都不显著，而且为严重的负相关不合常理，所以去掉常数项，因为它可能没有经济意义。去掉常数项后，BZMJ的各项检验值都有所提高，如下
11、：VariableCoefficientStd. Errort-StatisticProb.BZMJ0.3189810.00882736.138380.0000R-squared0.938700Mean dependent var1560.258Adjusted R-squared0.938700S.D. dependent var1205.894S.E. of regression298.5663Akaike info criterion14.26759Sum squared resid2674255.Schwarz criterion14.31385Log likelihood-220.1
12、476Hannan-Quinn criter.14.28267Durbin-Watson stat1.603563下面，进行逐步回归，将其余解释变量逐一代入：将GGMJ带入后：VariableCoefficientStd. Errort-StatisticProb.BZMJ0.2709120.0282569.5879460.0000GGMJ0.1382380.0774751.7843030.0848R-squared0.944764Mean dependent var1560.258Adjusted R-squared0.942859S.D. dependent var1205.894S.E.
13、 of regression288.2592Akaike info criterion14.22794Sum squared resid2409708.Schwarz criterion14.32045Log likelihood-218.5330Hannan-Quinn criter.14.25810Durbin-Watson stat1.444232R-squared 提高到了0.943，但对其他参数有明显影响，下降到了0.23。此外，代入GGMJ后，t统计量大幅下降。因此，决定舍去变量GGMJ，保留变量BZMJ。将HUAF带入后，VariableCoefficientStd. Error
14、t-StatisticProb.BZMJ0.2169000.0230539.4086300.0000HUAF3.6228430.7817094.6345140.0001R-squared0.964783Mean dependent var1560.258Adjusted R-squared0.963569S.D. dependent var1205.894S.E. of regression230.1692Akaike info criterion13.77785Sum squared resid1536358.Schwarz criterion13.87036Log likelihood-2
15、11.5566Hannan-Quinn criter.13.80801Durbin-Watson stat1.583759R-squared 提高到了0.964，但是BZMJ的t值有大幅下降。其他检验值都还说得过去。采用对数模型进行回归，看是否有改进：VariableCoefficientStd. Errort-StatisticProb.LN_BZMJ0.6971310.03171121.983900.0000LN_HUAF0.2808990.0565484.9674560.0000R-squared0.971399Mean dependent var6.902848Adjusted R-s
16、quared0.970413S.D. dependent var1.139831S.E. of regression0.196061Akaike info criterion-0.358437Sum squared resid1.114762Schwarz criterion-0.265921Log likelihood7.555770Hannan-Quinn criter.-0.328279Durbin-Watson stat1.639095R-squared 值有提高到了0.97。各项t值也有大幅度提高。P值都为*的显著。此结果好于之前的所有情况。四、 异方差性检验残差分布如图：由图可以看
17、到残差分布比较均匀，基本不存在自相关。White检验：Heteroskedasticity Test: WhiteF-statistic0.883283Prob. F(3,27)0.4622Obs*R-squared2.770513Prob. Chi-Square(3)0.4284Scaled explained SS2.725885Prob. Chi-Square(3)0.4358Test Equation:Dependent Variable: RESID2Method: Least SquaresDate: 11/23/09 Time: 13:52Sample: 1 31Included
18、 observations: 31VariableCoefficientStd. Errort-StatisticProb.C41666.2518614.062.2384280.0336BZMJ2-0.0021570.002284-0.9442200.3534BZMJ*HUAF0.2332980.1811671.2877500.2088HUAF2-4.8325643.395299-1.4233100.1661R-squared0.089371Mean dependent var49559.94Adjusted R-squared-0.011810S.D. dependent var75544.
19、58S.E. of regression75989.35Akaike info criterion25.43449Sum squared resid1.56E+11Schwarz criterion25.61952Log likelihood-390.2346Hannan-Quinn criter.25.49480F-statistic0.883283Durbin-Watson stat2.290918Prob(F-statistic)0.462158由上表可见R-squared非常小，t检验值也没有某一个特别高，认为不存在异方差性。五、 自相关性检验根据上述表中DW检验值是1.639，大于=
20、1.58，小于2，认为不存在自相关。2. 联立方程模型一、 实验目的1了解联立方程模型建模的基本思想和原理，深入理解联立方程模型的概念；2 熟悉建立和估计联立方程模型的过程；掌握联立方程数据文件的建立、联立方程模型的基本分析及模型的参数估计；通过单方程估计方法（如似不相关回归法，两阶段最小二乘法，工具变量法和广义矩估计法）和系统估计方法（三阶段最小二乘法，完全信息极大似然估计法）的应用来比较二者的优劣。二、 本实验选用模型及数据说明选用模型如下：lnGDPt=0+1lnXt+2lnGDPt-1+t1 (1)lnGDPt=0+1lnMt+2lnGDPt-1+t2 (2) lnMt=0+1lnXt
21、+2lnGDPt-1+t3 (3)选取的样本区间是1991-2006年，数据均来自历年中国统计年鉴以及商务部网站。由于样本区间大,统计数据多,直接给出GDP、高新技术产品出口额、进口额的自然对数值,分别为ln GDP、ln X、lnM表示，见下表：年份 ln GD P ln X ln M 19919981333593454731992101901368794673919931045263845050695199410752841498532761995109764461425385719961112564841354147199711218150944547621998112689531085
22、67681999113153550965929520001140165914762635200111485761411646332002115634652006719520031167217006070842200411824274118738672005121135768827589420061225207942778132三、 单方程估计实验过程1 两阶段最小二乘法选用模型为：lnGDPt=0+1lnXt+t1 lnGDPt=0+1lnMt+t2 lnMt=0+1lnXt+t3 X为高新技术产品出口额，M为进口额。其中M既可作为解释变量，也可以作为被解释变量。先输入数据，然后将系统方程输入
23、，并制定工具变量名，操作如下：点击图中的ESTIMATE,选择系统方程估计方法中的Two-Stage Least Squares 并点击确定，出现下面结果：方程估计结果如下表：对残差进行检验：由该图看出，残差为一个平稳序列。2 工具变量法设置的操作如下：结果显示如下：方程估计结果如下：由操作结果知，工具变量法与两阶段最小二乘法得出的结果一致。残差检验：由该图看出，残差为一个平稳序列。3 广义矩估计法采用同样的步骤和工具变量，只是在下拉菜单中选择GMM方法，得到的结果如下：4. 似不相关回归法 方程估计结果如下：单方程估计方法讨论到此。四、 系统估计方法实验过程三阶段最小二乘法选用模型如下：ln
24、GDPt=0+1lnXt+2lnGDPt-1+t1 lnGDPt=0+1lnMt+2lnGDPt-1+t2 lnMt=0+1lnXt+2lnGDPt-1+t3 GDPt-1滞后一期的GDP值，其他定义与之前相同。输入系统方程，操作如下：但是出现如下弹出框：无法往后进行。可能是实验模型的建立存在不足，有待改进。实验只能到此结束。五、 实验小结 由实验过程可知，当用单方程估计方法时，每次只估计联立方程组模型中的一个方程，依次逐个估计以获得全部方程的估计值，它仅利用了整个联立方程组模型的某些信息而不是全部信息；而系统估计法的基本思想史指在全面考虑模型中所有约束条件的情况下，对各模型中的参数同时进行估
25、计，它考虑了模型中可以利用的全部信息。u 时间序列数据一、 数据说明年份农业总产值/亿元农产品产量/万吨播种面积/万公顷从业人员/万人198617.2491.360.5189.5198720.3527.059.8189.8198831.4572.159.5189.2198934.2646.558.9186.1199039.0703.059.0184.3199139.5736.459.0182.1199243.2761.458.6178.7199351.1810.056.5176.0199472.5721.755.1171.6199586.8771.155.3163.6199689.2755.3
26、53.8164.2199787.0762.753.6161.2199889.2761.253.5161.0199991.2742.952.7165.3200091.1755.845.6165.8200189.7758.537.9165.3200290.1768.034.2165.6200388.8728.630.1169.6200492.7705.931.3171.42005100.6664.031.8184.0我们知道农业产量的影响因素有多种，如气候、技术、劳动力、土地等。而其中关系最大的应该是土地，它具有决定性的影响。中国以7%的可播种土地养活了世界20%的人口，不能不说是一个奇迹，这也充
27、分说明了土地面积对农业发展的重要性。所以播种面积对农业总产值是一个重要的影响因素，可建立两者的回归模型。因为每年的播种面积会改变，为了考察往年播种面积对今年农业总产值是否也会有影响（考虑播种面积改变可能是技术进步、土地荒废等多种原因），我们这里建立用农业生产总值作为被解释变量，播种面积为解释变量做外生分布二阶滞后变量模型，并用阿尔多蒙多项式形式建立如下模型。二、 滞后模型 1、 变量及数据的选取此模型中选用的是1986年至2006年北京市农业相关数据，数据来源于2007年北京市统计年鉴。其中将农业生产总值作为被解释变量，农业总产量、播种面积作为解释变量。以下是原始数据：年份农业总产值/亿元农产
28、品产量/万吨播种面积/万公顷198617.2491.360.5198720.3527.059.8198831.4572.159.5198934.2646.558.9199039.0703.059.0199139.5736.459.0199243.2761.458.6199351.1810.056.5199472.5721.755.1199586.8771.155.3199689.2755.353.8199787.0762.753.6199889.2761.253.5199991.2742.952.7200091.1755.845.6200189.7758.537.9200290.1768.03
29、4.2200388.8728.630.1200492.7705.931.32005100.6664.031.82006109.3639.833.0随着国家的发展，技术进步、经济繁荣，农业也实现质的变化，从1986年到2006年的农业总产值变化我们就能的出这一结论：随着时间的推移，我国农业水平的到了很大提高，特别是1993年之后农业总产值有明显的大提高，特别是2000年后在播种面积下降的情况下，农业总产值仍然在增加，说明，农业总产值是随着时间变化而变化的。所以以生产总值为被解释变量做时间变量模型。其中TIME取1，221.数据如下表：年份时间农业总产值/亿元1986117.21987220.31
30、988331.41989434.21990539.01991639.51992743.21993851.11994972.519951086.819961189.219971287.019981389.219991491.220001591.120011689.720021790.120031888.820041992.7200520100.6200621109.3从结果看，时间项的t值为11.58显著不为零，整个方程的F值为134.16也很显著，说明了时间变量是农业总产值的很好的解释原因。(1) 滞后变量模型用农业生产总值作为被解释变量，播种面积为解释变量做外生分布滞后变量模型：Yt=C+0
31、Xt+1Xt-1+2Xt-2+ut其中，取阿尔多蒙多项式的次数r=1，Y为SCZZ,X为BZMJ。结果如下：Dependent Variable: SCZZMethod: Least SquaresDate: 12/30/09 Time: 21:26Sample (adjusted): 1988 2006Included observations: 19 after adjustmentsVariableCoefficientStd. Errort-StatisticProb.C157.391422.365437.0372620.0000PDL01-0.5629940.140953-3.994
32、2030.0010PDL020.4567141.0170580.4490540.6594R-squared0.529014Mean dependent var74.55789Adjusted R-squared0.470141S.D. dependent var25.48931S.E. of regression18.55404Akaike info criterion8.823191Sum squared resid5508.036Schwarz criterion8.972313Log likelihood-80.82031Hannan-Quinn criter.8.848428F-sta
33、tistic8.985636Durbin-Watson stat0.214825Prob(F-statistic)0.002421Lag Distribution of SER01iCoefficientStd. Errort-Statistic* .|0-1.019710.99366-1.02621* .|1-0.562990.14095-3.99420* .|2-0.106281.05886-0.10037Sum of Lags-1.688980.42286-3.99420中间结果：最终结果：（2）考虑到随着经济的发展，农业生产总值会随着时间的推移自发发生变化，所以以生产总值为被解释变量做
34、时间变量模型。其中TIME取1，221.建立线性回归模型：SCZZt= C+0t+ut估计结果：Dependent Variable: SCZZMethod: Least SquaresDate: 12/30/09 Time: 21:41Sample: 1986 2006Included observations: 21VariableCoefficientStd. Errort-StatisticProb.C20.394294.8141164.2363510.0004SER024.4407790.38339511.582770.0000R-squared0.875947Mean depend
35、ent var69.24286Adjusted R-squared0.869418S.D. dependent var29.44087S.E. of regression10.63878Akaike info criterion7.657282Sum squared resid2150.491Schwarz criterion7.756761Log likelihood-78.40146Hannan-Quinn criter.7.678872F-statistic134.1606Durbin-Watson stat0.304809Prob(F-statistic)0.000000结果为：= 2
36、0.39+4.44t 从结果看来滞后二阶的播种面积值的T值为-0.10037，不显著，可以舍去，只考虑常数项、播种面积及其滞后一期的值对今年播种面积的影响，即建立滞后一阶的回归模型。三、 检验序列相关性选择group数据中的画图，并选择line：得到四个变量数据的线形图如下图所示：上图表示1986年至2005年农业总产值、农产品产量、播种面积及从业人员的数据折线图，从图中可直观的看出1986年至2005年四个变量的数据变化并不明显，基本趋于平稳。详细分析如下：ZCZ=431.9774+0.010028*NCPCL-1.246581*BZMJ-1.774144*CYRY由上图样本自相关系数和偏自
37、相关系数变化也可看出样本数据基本趋于平稳。四、 单位根检验对zcz数据进行单位根检验，首先选择ADF检验：得到检验结果如下图所示：zcz序列的ADF检验结果表明10%的显著性水平下，拒绝原假设，认为zcz序列是平稳的。同样对其他三个变量序列进行ADF检验： ncpcl序列的ADF检验结果表明10%的显著性水平下，拒绝原假设，认为ncpcl序列是平稳的。cyry序列的ADF检验结果表明10%的显著性水平下，拒绝原假设，认为cyry序列是平稳的。bzmj序列的ADF检验结果表明10%的显著性水平下，拒绝原假设，认为bzmj序列是平稳的。五、 构造ARMA模型因为残差数列是平稳数列，所以可以进行ARMA模型构造，选定p=1，q=1。构建ARMA模型：执行建立A