影响全国私人汽车拥有量的因素分析

影响全国私人汽车拥有量的因素分析

一． 研究目的

本文主要是研究对我国私人汽车拥有量产生重要影响的几个因素。进行经济意义分析，然后提出自己的看法。实证对私人汽车消费市场的具体影响因素，以便于我们根据实证结果提出我们的政策建议。

二． 模型设定

1.影响因素

影响我国私人汽车拥有量的主要因素有：全国人口数，全国居民消费水平指数，全国公路里程。 2.建立模型

（1）初步建立简单线性回归模型 Y=β0+β1*x1+β2*x2+β3*x3 其中y代表我国私人汽车拥有量 X1代表全国人口数

X2代表全国居民消费水平指数 X3代表全国公路里程。 （2）数据来源

本文数据均来自《中国统计年鉴1991-2010》

年份

1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009

全国私人汽车拥有全国人口居民消费水平指量 数 数

96.04 115823 108.6 118.2 117171 113.3 155.77 118517 108.4 205.42 119850 104.6 249.96 121121 107.8 289.67 122389 109.4 358.36 123626 104.5 423.65 124761 105.9 533.88 125786 108.3 625.73 126743 108.6 770.78 127627 106.1 968.98 128453 107 1219.23 129227 107.1 1481.66 129988 108.1 1848.07 130756 107.7 2333.32 131448 109.6 2876.22 132129 110.7 3501.39 132802 108.7 4574.91 133474 109.2

公路里

程

1041136 1056707

1083476

1117821 1157009 1185789

1226405

1278474 1351691 1402700 1698000 1765200 1809800 1870700 3345200 3457000 3583715 3730200 3860800

2010 5938.71 134091 106.1 4008200

（3）参数估计

用eviews对数据进行回归，结果如下

Dependent Variable: Y Method: Least Squares Date: 05/30/12 Time: 10:05 Sample: 1991 2010 Included observations: 20

Variable C X1 X2 X3 R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 7030.877 -0.004969 -72.67904 0.001401 Std. Error 12617.66 0.055787 80.12542 0.000285 t-Statistic 0.557225 -0.089069 -0.907066 4.906253 Prob. 0.5851 0.9301 0.3778 0.0002 1641.781 15.99268 16.19182 34.11366 0.000000 0.864797 Mean dependent var 1428.497 0.839447 S.D. dependent var 657.8465 Akaike info criterion 6924191. Schwarz criterion -155.9268 F-statistic 0.879362 Prob(F-statistic)

三、模型检验

1.经济意义检验

全国人口数，全国居民消费水平指数的系数均为负值，全国公路里程的系数为正值。全国人口数和全国居民消费水平指数的提高，全国私人汽拥有量反而在下降，这显然与经济事实不符。在经济意义上通不过。随着全国公路里程的增加，全国私人汽拥有量也相应增加，符合经济意义。

2统计推断检验

从回归结果看，R-squared=0.864797，拟合优度较好。 3经济计量学检验 （1）多重共线性

?检验 相关系数矩阵

Y X1 X2 X3

Y 1 0.806675864

289

0.053729641-0.061175102

0782 05

2263 245

533

X1 289 1

X2 0782 2263 1

X3 05 245 0.150505000

533 1

0.8066758640.0537296410.925867203

-0.0611751020.857485888

0.9258672030.8574858880.150505000

X1和x3相关性极强，存在多重共线性。

?调整

运用frisch综合分析法 将y分别对x1做简单回归

Dependent Variable: Y Method: Least Squares Date: 05/30/12 Time: 11:20 Sample: 1991 2010 Included observations: 20

Variable C X1

R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient -28072.43 0.233598

Std. Error 5099.163 0.040338

t-Statistic -5.505302 5.790981

Prob. 0.0000 0.0000 1641.781 16.74176 16.84133 33.53546 0.000017

0.650726 Mean dependent var 1428.497 0.631322 S.D. dependent var 996.8711 Akaike info criterion 17887536 Schwarz criterion -165.4176 F-statistic 1.541319 Prob(F-statistic)

将y分别对x1做简单回归

Dependent Variable: Y Method: Least Squares Date: 05/30/12 Time: 11:20 Sample: 1991 2010 Included observations: 20

Variable C X2

R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient -3208.336 42.93961

Std. Error 20315.07 188.0963

t-Statistic -0.157929 0.228285

Prob. 0.8763 0.8220 1641.781 17.79077 17.89034 0.052114 0.821998

0.002887 Mean dependent var 1428.497 -0.052508 S.D. dependent var 1684.333 Akaike info criterion 51065622 Schwarz criterion -175.9077 F-statistic 1.005013 Prob(F-statistic)

将y分别对x1做简单回归

Dependent Variable: Y Method: Least Squares Date: 05/30/12 Time: 11:21 Sample: 1991 2010 Included observations: 20

Variable C X3

Coefficient -1359.363 0.001359

Std. Error 303.6834 0.000131

t-Statistic -4.476249 10.39601

Prob. 0.0003 0.0000

R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.857230 Mean dependent var 1428.497 0.849298 S.D. dependent var 637.3444 Akaike info criterion 7311743. Schwarz criterion -156.4714 F-statistic 1.478718 Prob(F-statistic) 1641.781 15.84714 15.94671 108.0770 0.000000 其中y与x3的回归方程为最优简单回归方程。

在y与x3的回归方程中加入x1，再做回归

Dependent Variable: Y Method: Least Squares Date: 05/30/12 Time: 11:25 Sample: 1991 2010 Included observations: 20

Variable C X1 X3

R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient -2997.428 0.013956 0.001298

Std. Error 6048.971 0.051468 0.000261

t-Statistic -0.495527 0.271161 4.976835

Prob. 0.6266 0.7895 0.0001 1641.781 15.94282 16.09218 51.29386 0.000000

0.857845 Mean dependent var 1428.497 0.841121 S.D. dependent var 654.4083 Akaike info criterion 7280254. Schwarz criterion -156.4282 F-statistic 1.456337 Prob(F-statistic)

加入x1后对x1的系数没有多大影响，且拟合优度没有明显提高，是多余变量，不予接纳。

在y与x3的回归方程中加入x2，再做回归

Dependent Variable: Y Method: Least Squares Date: 05/30/12 Time: 11:33 Sample: 1991 2010 Included observations: 20 Variable C X2 X3

R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient 6160.965 -70.00998 0.001378

Std. Error 7751.871 72.10994 0.000132

t-Statistic 0.794771 -0.970878 10.40731

Prob. 0.4377 0.3452 0.0000 1641.781 15.89317 16.04253 54.33748 0.000000

0.864730 Mean dependent var 1428.497 0.848816 S.D. dependent var 638.3630 Akaike info criterion 6927625. Schwarz criterion -155.9317 F-statistic 1.484774 Prob(F-statistic)

X2没有明显提高拟合优度，且其系数在0.05的显著性水平下没有通过检验，故应予删除。

因此解释变量只剩下x3.

（2）异方差 ①White检验

White Heteroskedasticity Test: F-statistic Obs*R-squared

Test Equation:

Dependent Variable: RESID^2 Method: Least Squares Date: 05/30/12 Time: 11:52 Sample: 1991 2010 Included observations: 20

Variable C X3 X3^2 R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 789558.5 -1.014849 3.07E-07 Std. Error 1208124. 1.226140 2.47E-07 t-Statistic 0.653541 -0.827677 1.244436 Prob. 0.5222 0.4193 0.2302 849075.5 29.72773 29.87709 7.989490 0.003579 7.989490 Probability 9.690403 Probability

0.003579 0.007866

0.484520 Mean dependent var 365587.1 0.423875 S.D. dependent var 644472.7 Akaike info criterion 7.06E+12 Schwarz criterion -294.2773 F-statistic 1.678212 Prob(F-statistic)

Obs*R-squared=9.690403，在给定显著性水平α=0.05下，自由度为3的卡方分布为5.99，拒绝零假设，存在异方差。

?调整

用加权最小二乘法对模型进行调整 首先用Gleiser检验确定权数

在回归模型残差序列的基础上生成新变量序列： E=ABS(RESID) 对E和X3进行回归可得 Dependent Variable: E Method: Least Squares

Date: 01/31/12 Time: 09:12 Sample: 1991 2010

Included observations: 20 Weighting series: X3^(-2) Variable

C X3 Weighted Statistics Coefficie

nt -254.5145 0.000259 Std. Error 58.24060 4.72E-05 t-Statistic -4.370052 5.493443 Prob. 0.0004 0.0000

本文来源：https://www.bwwdw.com/article/9nhf.html