EViews软件做的计量经济学实验关于能源消费的论文

我国能源消费影响因素计量分析

一、问题的提出 研究背景

能源是经济增长的战略投入要素，在经济增长初期，能源的投入能够带动经济快速增长。18世纪第一次工业革命，煤炭的燃烧推动蒸汽机的普及，进而带动了生产率的提高，实现了工业化的起步。随着工业化进程的深入，石油的大量使用成为经济持续增长的推动力量。可见，经济增长和能源投入之间形成了一定的互动关系，能源是经济增长的动力源泉，经济增长又拉动能源消费。 研究目的

我国国民经济在向工业化和现代化发展的进程中，较长时间处于能源消费需求迅速增长而供给不组的紧缺状态，20世纪末的“九五”期间发生了显著变化，能源生产和消费总量均呈下降的趋势，出现了难得的能源供需基本基本平衡状况，但同时也出现了新的问题，即煤炭供过于求与石油的供不应求的结构性矛盾突出。本文拟从我国的能源消费和生产入手，分析影响我国能源消费与生产的主要因素，探讨我国能源消费的趋势。

1.3研究的相关理论支持及研究状况

刘凤朝等于2007年9月发表了“中国经济增长和能源消费的动态特征”一文。文章运用基于向量自回归模型的广义预测误差方差分解和广义脉冲响应分析方法，在资本，劳动和能源三要素单部门新古典生产函数的框架内，以中国1988—2005年间的能源消费和经济增长数据为样本，考察了二者之件的动态特征。结果显示：在长期，除了资本增长外，经济增长是能源消费的重要增长因素，贡献度为14.92%。能源消费增长的冲击对经济增长有正的影响作用。

刘凤朝、孙玉涛于2008年3月在《中国人口.资源与环境》上发表了“技术创新，产业结构调整对能源消费影响的实证分析”。指出，在产业结构调整，减少能源效率的过程中，技术创新是关键因素。在现有的研究基础上引入技术创新要素，建立技术创新，产业结构调整对能源消费影响的分析框架。通过假设建立了技术创新，产业结构调整对能源消费的计量经济模型，运用中国的数据进行了实证分析。研究结果表明，专利授权量增加能够节约能源消费，产业产值增加能够减少能源消费。研究结果认为，产业结构升级，优化和经济增长方式转变，是经济增长和能源消费脱钩的重要途径。

再找点能源产出的理论支持

而对于产业结构的影响因素，钱纳里和赛尔奎因在《发展型式，1950-1970》一书中，设计了一个国民生产总值的市场占有率模型，在模型中，钱纳里和赛尔奎因以人均国民生产总值和人口数量作为外生变量，用回归方程对样本国家的数据进行计算，得到产业结构演进的“标准结构”,

Xi=lnβ0+β1lnY+β2(lnY)2+β3lnN

其中Xi是第i产业的粗附加价值的市场占有率，Y是人均国内生产总值，N是样本国家的人口数量。

二、模型设定

理论上认为影响能源消费需求总量的因素主要有经济发展水平、产业发展、能源生产总量、人口总数等，

三、数据的收集

四、模型的估计与调整 （一）参数估计

1、双击“Eviews”，进入主页。输入数据：点击主菜单中的File/Open /EV Workfile—Excel—多重共线性的数据.xls ；

2、在EV主页界面的窗口，输入“ls y c x2 x3 x4 x5 x6 x7”，按“Enter”.出现OLS回归结果,图2：

Dependent Variable: Y Method: Least Squares Date: 11/01/10 Time: 11:34 Sample: 1985 2007 Included observations: 23

Variable

C X2 X3 X4

Coefficient 168326.2 -0.142290 0.503108 8.294237

Std. Error 108641.0 0.763550 0.248552 10.43112

t-Statistic 1.549381 -0.186353 2.024157 0.795143

Prob. 0.1408 0.8545 0.0600 0.4382

X5 X6 X7

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

-0.203037 233.9125 -1373.376

0.111019 388.5188 1588.868

-1.828841 0.602062 -0.864373

0.0861 0.5556 0.4002 139364.6 51705.05 21.17469 21.52028 133.6365 0.000000

0.980436 Mean dependent var 0.973099 S.D. dependent var 8480.388 Akaike info criterion 1.15E+09 Schwarz criterion -236.5089 F-statistic 1.380303 Prob(F-statistic)

由此可见，该模型的可决系数为0.995，修正的可决系数为0.993，模型拟和很好，F统计量为701.47，模型拟和很好，回归方程整体上显著。

但是当=0.05时，t/2(nk)=t0.025(23)=2.069，不仅X4、X5、X6、X7的系数t检验不显著，而且X2、X4、X6系数的符号与预期相反，这表明很可能存在严重的多重共线性。（即除了农业增加值X2、工业增加值X3外，其他因素对财政收入的影响都不显著，且农业增加值X2、建筑业增加值X4、最终消费X6的回归系数还是负数，这说明很可能存在严重的多重共线性。）

（二）多重共线性的诊断与修正

3、计算各解释变量的相关系数：

在Workfile窗口，选择X2、X3、X4、X5、X6、X7数据，点击“Quick”—Group Statistics—Correlations—OK,出现相关系数矩阵，如图3：

图3： 相关系数矩阵

40805

82113 31427 46146 4161

由相关系数矩阵可以看出，各解释变量相互之间的相关系数较高，特别是农业增加值X2、工业增加值X3、建筑业增加值X4、最终消费之间X6，相关系数都在0.8以上。 这表明模型存在着多重共线性。

1、采用逐步回归法，去检验和解决多重共线性问题。分别作Y对X2、X3、X4、X5、X6、X7的一元回归，结果如下图4：在EV主页界面的窗口，输入“ls y c x2”，“回车键”。 依次如上推出X3、X4、X5、X6、X7的一元回归。综上所述，结果如下图4：

图4.一元回归估计结果

X2、其中，加入 2 的R最大，以 X 2 为基础，顺次加入其他变量逐步回归。结果如下图5：

2

图5.加入新变量的回归结果（一）

（三）异方差的诊断与修正

该模型样本回归估计式的书写形式为：

Y = 11.44213599 + 0.6267829962*X (3.629253) (0.019872)

t= 3.152752 31.54097

R20.944911 R20.943961 S.E.=9.158900 DW=1.597946 F=994.8326

※（一）图形法

1、在“Workfile”页面：选中x,y序列，点击鼠标右键，点击Open—as Group—Yes

2、在“Group”页面：点击View－Graph—Scatter—Simple Scatter, 得到X,Y的散点图（图3所示）：

2、Goldfeld-Quandt法进行检验。

a.将样本X按递增顺序排序，去掉中间1/4的样本，再分为两个部分的样本，即n1=n2=9。

Dependent Variable: Y Method: Least Squares Date: 11/01/10 Time: 11:07 Sample: 1 9

Included observations: 9

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C X

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

-15.15272 0.000210

0.772901 8.01E-06

-19.60500 26.28514

0.0000 0.0000 5.000000 2.738613 0.577264 0.621092 690.9084 0.000000

0.989970 Mean dependent var 0.988537 S.D. dependent var 0.293208 Akaike info criterion 0.601798 Schwarz criterion -0.597687 F-statistic 1.352108 Prob(F-statistic)

Dependent Variable: Y Method: Least Squares Date: 11/01/10 Time: 11:08 Sample: 1 9

Included observations: 9

Variable

C X

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

Coefficient 8.851030 5.42E-05

Std. Error 0.991996 5.14E-06

t-Statistic 8.922445 10.53771

Prob. 0.0000 0.0000 19.00000 2.738613 2.354299 2.398127 111.0434 0.000015

0.940700 Mean dependent var 0.932228 S.D. dependent var 0.712943 Akaike info criterion 3.558014 Schwarz criterion -8.594347 F-statistic 0.632734 Prob(F-statistic)

b.分别对两个部分的样本求最小二乘估计，得到两个部分的残差平方和，即

e

21i

= 0.601798 ， e

22i

= 3.558014

2nc

e2i/2k



求F统计量为 F= = 5.912306

2nc

e1i/2k



ncnc

给定0.05，查F分布表，得临界值为Fkk = 3.79 （）



2

2



c.比较临界值与F统计量值，有F=5.912306 ﹥F()=3.79 ，说明该模型的随机误差项存在异方差。

修正异方差

在运用加权最小二乘法估计过程中，分别选用了权数1t=1/Xt，2t=1/X

2t

，3t=1/Xt。

1、在“Workfile”页面：点击“Generate”，输入“w1=1/x”—OK ；同样的输入“w2=1/x^2” “w3=1/sqr(x)”；

2、在“Equation”页面：点击“Estimate Equation”,输入“y c x”,点击“weighted”,输入“w1”,出现如图6：

Dependent Variable: Y Method: Least Squares Date: 11/01/10 Time: 12:31 Sample: 1985 2007 Included observations: 23 Weighting series: W1

Variable

C X2

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

R-squared Adjusted R-squared S.E. of regression Durbin-Watson stat

Dependent Variable: Y Method: Least Squares

Coefficient 75342.48 0.861496

Std. Error 1955.930 0.087308

t-Statistic 38.52002 9.867306

Prob. 0.0000 0.0000 102600.2 77372.86 21.20823 21.30697 97.36373 0.000000

139364.6 51705.05 4.37E+09

Weighted Statistics

0.986045 Mean dependent var 0.985380 S.D. dependent var 9355.386 Akaike info criterion 1.84E+09 Schwarz criterion -241.8947 F-statistic 0.269103 Prob(F-statistic) Unweighted Statistics

0.925702 Mean dependent var 0.922164 S.D. dependent var 14425.26 Sum squared resid 0.141803

Date: 11/01/10 Time: 12:33 Sample: 1985 2007 Included observations: 23 Weighting series: W2

Variable

C X2

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

R-squared Adjusted R-squared S.E. of regression Durbin-Watson stat

Dependent Variable: Y Method: Least Squares Date: 11/01/10 Time: 12:34 Sample: 1985 2007 Included observations: 23 Weighting series: W3

Variable

C X2

R-squared Adjusted R-squared S.E. of regression

Coefficient 79134.39 0.741651

Std. Error 2101.452 0.041457

Coefficient 61583.22 1.867721

Std. Error 2022.139 0.173762

t-Statistic 30.45449 10.74873

Prob. 0.0000 0.0000 89007.62 134618.1 20.27121 20.36995 115.5353 0.000000

Weighted Statistics

0.998194 Mean dependent var 0.998108 S.D. dependent var 5855.843 Akaike info criterion 7.20E+08 Schwarz criterion -231.1189 F-statistic 0.389451 Prob(F-statistic) Unweighted Statistics

139364.6 51705.05 2.63E+11

-3.468653 Mean dependent var -3.681446 S.D. dependent var 111872.4 Sum squared resid 0.023839

t-Statistic 37.65700 17.88981

Prob. 0.0000 0.0000 117941.4 26545.81 21.10572

Weighted Statistics

0.892994 Mean dependent var 0.887898 S.D. dependent var 8887.964 Akaike info criterion

Sum squared resid Log likelihood Durbin-Watson stat

R-squared Adjusted R-squared S.E. of regression Durbin-Watson stat

1.66E+09 Schwarz criterion -240.7158 F-statistic 0.251182 Prob(F-statistic) Unweighted Statistics

21.20446 320.0453 0.000000

139364.6 51705.05 1.87E+09

0.968188 Mean dependent var 0.966673 S.D. dependent var 9439.115 Sum squared resid 0.303249

用权数1t的估计结果为： Yˆi= 75342.48 + 0.861496 Xi

（38.52002） （9.867306）

2

R= 0.986045 DW= 0.269103 F=97.36373

括号中的数据为t统计量值。

由上可以看出，运用加权最小二乘法消除了异方差后，参数2的t检验显著，可决系数提高了不少，F检验也显著，并说明销售收入每增长1元，销售利润平均增长0.861496元。

这说明在其他因素不变的情况下，当国民收入每上升1%时，能源消费就平均增加0.23585%。

Dependent Variable: Y Method: Least Squares Date: 11/01/10 Time: 12:31 Sample: 1985 2007 Included observations: 23 Weighting series: W1

Variable

C X2

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

Coefficient 75342.48 0.861496

Std. Error 1955.930 0.087308

t-Statistic 38.52002 9.867306

Prob. 0.0000 0.0000 102600.2 77372.86 21.20823 21.30697 97.36373

Weighted Statistics

0.986045 Mean dependent var 0.985380 S.D. dependent var 9355.386 Akaike info criterion 1.84E+09 Schwarz criterion -241.8947 F-statistic

Durbin-Watson stat

R-squared Adjusted R-squared S.E. of regression Durbin-Watson stat

0.269103 Prob(F-statistic) Unweighted Statistics

0.000000

139364.6 51705.05 4.37E+09

0.925702 Mean dependent var 0.922164 S.D. dependent var 14425.26 Sum squared resid 0.141803

Dependent Variable: Y Method: Least Squares Date: 11/01/10 Time: 12:52 Sample: 1985 2007 Included observations: 23

Variable

C X2

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

Coefficient 79687.88 0.734835

Std. Error 3069.322 0.029027

t-Statistic 25.96270 25.31517

Prob. 0.0000 0.0000 139364.6 51705.05 21.22343 21.32217 640.8577 0.000000

0.968271 Mean dependent var 0.966760 S.D. dependent var 9426.750 Akaike info criterion 1.87E+09 Schwarz criterion -242.0695 F-statistic 0.304578 Prob(F-statistic)

N=23 , k=1 , dL=1.257 dU=1.437 DW=0.269103 正相关

Dependent Variable: ET1 Method: Least Squares Date: 11/01/10 Time: 12:57 Sample (adjusted): 1986 2007

Included observations: 22 after adjustments

Variable

C X2 ET1(-1)

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

0.824785

Coefficient 1162.307 -0.007452 0.824785

Std. Error 1751.698 0.016204 0.118841

t-Statistic 0.663532 -0.459863 6.940220

Prob. 0.5150 0.6508 0.0000 437.7797 9178.547 20.04760 20.19638 24.18392 0.000006

0.717966 Mean dependent var 0.688279 S.D. dependent var 5124.568 Akaike info criterion 4.99E+08 Schwarz criterion -217.5236 F-statistic 0.782175 Prob(F-statistic)

ls et1 c x2 et1(-1) 回归方程et1=0.824785et1(-1)

Y－0.824785Yt-1=(1－0.824785)p1＋（Xt－0.824785Xt-1）p2+vt

ls lny-0.824785*lny(-1) c lnx2-0.824785*lnx2(-1)

Dependent Variable: Y-0.824785*Y(-1) Method: Least Squares Date: 11/01/10 Time: 13:03 Sample (adjusted): 1986 2007

Included observations: 22 after adjustments

Variable

C

X2-0.824785*X2(-1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient 14784.99 0.722670

Std. Error 1699.579 0.055449

t-Statistic 8.699208 13.03305

Prob. 0.0000 0.0000 31999.94 15083.71 19.96536 20.06455 169.8604 0.000000

0.894659 Mean dependent var 0.889392 S.D. dependent var 5016.499 Akaike info criterion 5.03E+08 Schwarz criterion -217.6190 F-statistic 0.782158 Prob(F-statistic)

N=22 , k=1 , dL=1.239 dU=1.429 DW=0.782158 正相关

五、本文的结论

六、政府的建议