通货膨胀的影响因素分析
文主要通过对通货膨胀进行多因素分析，建立以度量通货膨胀的商品零售物价指数为应变量，以其它可量化影响因素为自变量的多元线性回归模型，对影响通货膨胀的各主要经济因素进行考察，说明它们对通货膨胀的影响程度，从而为我国避免严重的通货膨胀以确保经济的持续稳定发展提供理论依据。
关键词：通货膨胀 多因素分析 模型 计量经济学 检验 修正
一．问题提出
在中国经济高速增长的同时，一系列现象也值得我们深思，中国是否经济已经过热？投资增速过快，2003年全社会固定资产投资70073亿元，比上年增长26.1%，钢铁、电解铝、水泥行业过度投资愈演愈烈。货币信贷增长偏快，央行在2003年货币政策执行报告中曾预测2004年M2和M1分别增长17%左右，但是2004年2月末广义货币M2实际增长19.4% 狭义货币M1实际增长19.8%，明显超过了央行的预期。物价总水平继续上升，2004年居民消费价格指数，工业品出厂价格指数，原材料、燃料、动力购进价格指数较2003年都有3个指数点以上的增长。这些都说明我国面临着较大的通胀压力。通货膨胀的结果是严重的，不仅会扭曲商品市场的价格，使资源配置无效率，还同时会扭曲金融市场的价格，引起泡沫。
二．文献综述
1．货膨胀的意思是：物品和生产要素的价格普遍上升的时期。通货膨胀意味着一般价格水平的上涨。今天我们用价格指数即成千上万种产品的加权平均价格来计算通货膨胀。
（保罗·萨缪尔森《经济学》第十一版）
平均价格水平的上升，并不是任何一种特殊价格的上升。
（布拉德利·希勒《当代经济学》）
3．所谓通货膨胀率，实际上也就是物价指数（如居民消费物价指数）的年增长率。一般地，各国用以计算通货膨胀率的物价指数主要有消费物价指数（CPI）（或者零售物价指数RPI），批发物价指数（WPI）（或者生产者价格指数PPI），以及国内生产总值缩减指数（IPD）等三种。
（«通货膨胀问题研究»«中国物价»2005.01）
4．（一）从需求方面对通货膨胀进行分析，选择宏观经济变量：工业总产值，固定资产投资额的对数和零售
物价指数的对数进行建模，选择的样本区间为1980-1997年间的年度数据，建立向量自回归模型的价格指数
方程……（二）从工资成本方面分析通货膨胀，采用了Granger因果关系检验法，检验成本对通货膨胀的推
动作用，选择1978-1997年间的职工平均工资，零售物价上涨率的数据作为样本……（三）消费对通货膨胀
影响的计量分析，选择1978-1997年间的数据进行分析，选取的指标为相对消费水平C=居民消费水平/人均
GDP和零售物价上涨率P，得回归方程……
（«我国通货膨胀的成因分析»«天津市职工现代企业管理学院学报»2004.12第四期）
5．（一）我国固定资产膨胀主要表现为一般加工工业投资增长过快，非生产性建设如楼堂馆所搞得大多，这
就造成投资结构向加工工业和非生产性建设倾斜，造成能源、原材料的供应和交通运输极度紧张，由此带来
的缺口又使国家不得不增加重点建设投资，使国家财政收支状况进一步恶化，增加物价上涨的压力。（二）经
济的增长也会导致通货膨胀，经济增长了对货币的需求就会增加，货币的供给也会相应的增加，所以就会给
通胀埋下一定的隐患。（三）外汇和通胀也有一定的联系。这种通货膨胀是由于外债负担过重、外贸逆差过大
以及国际市场价格与国内市场价格相差悬殊所引起的通货膨胀……（四）上一期的物价指数对通胀的影响在
于：人们会根据上一期的物价指数来决定自己该期的消费计划，而且由于物价指数存在一定的滞后，所以它
会对该期的通胀造成一定的影响。（«需求推动角度考虑通货膨胀成因的实证分析»）
三．理论陈述
1．通胀的定义
通货膨胀是宏观经济的一个重要组成部分，也是当代国家经济发展的一个关键问题。但是，到目前为止，还没有一个被人们普遍接受别的关于通货膨胀的定义。西方经济学中最常用的是实用主义的通货膨胀定义：“通货膨胀是价格持续上涨的一种过程，或者从同等意义上说，是货币不断贬值的一种过程。”我们可以看出这个定义坚持了两点：（1）通货膨胀是一种货币现象而非一般的经济现象，通货膨胀或通货紧缩的发生总是与货币量的多少直接相关；（2）通货膨胀所表现出来的物价上涨是长期的和普遍的，而不是个别商品价格的上扬。
西方经济学对于通货膨胀的分类有三种：（1）温和的通货膨胀：年通货膨胀率为一位数的通货膨胀；（2）急剧的通货膨胀：总价格水平以每年100%，甚至200%的二位数或三位数的速率上涨；（3）恶性的通货膨胀：各种价格以每年百分之一百万，甚至百分之万亿的惊人速率持续上涨。
对于通胀的定义还有很多，但都是大同小异。通胀的表现是物价在长期的普遍上涨，且通胀对于经济的成长是很不利的。通货膨胀使个人和企业承受更高的实际税赋；通货膨胀降低储蓄的数量和效率；通货膨胀减少投资；通货膨胀严重损害供给；通货膨胀导致贸易逆差。我们要积极制止通胀的形成，因此有必要对通胀的成因进行一系列的分析。
2．通胀的度量
一般情况下，世界各国多用国内生产总值GDP缩减指数的增长率和消费价格指数的增长率来衡量通货膨胀，这两个指数虽不能相互替代，但在变化趋势上往往是一致的。在本文中，我们采用商品零售价格指数来度量通货膨胀。之所以选择零售物价指数，是因为它能全面的反映整个国民经济中所有的价格指数和物价水平，而且较其他的物价指数更具有代表性。
3．通胀的影响因素
影响通货膨胀的因素很多，但由于许多因素之间相互重叠，同时为了反映影响通货膨胀主要的经济因素，有必要从诸多的因素中选出有代表性的若干个。综合考虑各方面的因素，我们考虑以下一些变量：
（1）固定资产投资总额。我国当前的总需求增长较快，主要是由投资拉动的，而其中政府主导的投资拉动作用最明显，用于基础设施建设，我国固定资产膨胀主要又表现为一般加工工业投资增长过快，这就造成投资结构向加工工业和非生产性建设倾斜，造成能源、原材料的供应和交通运输极度紧张，增加物价上涨的压力。
（2）经济增长（GDP）。经济的增长也会导致通货膨胀，经济增长了对货币的需求就会增加，货币的供给也会相应的增加，所以就会给通胀埋下一定的隐患。
（3）货币发行量（M2）。为了拉动内需，国家有时会采取适度的货币扩张政策，货币超量供应会使市场购买力大增，此时，如果供应量不能满足增加的需求量，市场只有涨价，这是由价值规律决定的。
（4）外汇储备。外债负担过重、外贸逆差过大以及国际市场价格与国内市场价格相差悬殊可能引起通货膨胀。我国是一个国内商品供求极不平衡的国家，盲目增加出口，加剧了国内市场需求大于供给的现象，这是导致中国出现通货膨胀的一个重要原因。出口贸易的增长相对落后于进口贸易，也是结构失衡而引发物价上涨的因素之一。为了弥补国际收支的不平衡，国家不得不采取提高价格收购以增加出口产品，从而影响国内消费品的供应，加剧了国内市场供需矛盾。
（5）上一期的零售物价指数。人们往往会根据上一期的物价指数来制定自己当期的消费计划，而且由于物价指数本身存在一定的滞后性，所以它会对该期的通胀造成一定的影响。
四．数据来源
来自于中国统计网和中经专网的统计年鉴和统计数据库，取1981-20004年的数据。见附表
五．考虑各解释变量对应变量的单独影响
为了确定上述影响因素是否确实为通货膨胀成因，即是否实际影响物价指数，我们先单独考虑各因素对物价指数Y的影响是否显著：
1. 固定资产投资总额（用I表示）
根据经济意义，固定资产投资I与物价指数Y间有较高相关性，并且投资对物价的影响表现出明显的滞后性，滞后期为1—2年。
通过阿尔蒙法对物价Y与投资I的关系进行分析，得出如下模型：
T =（10.76649）(-3.13514) (3.74316) (3.59459) (-2.86842)
=0.787022 F=20.94014 DW=0.519259
可知，单独考虑投资对物价影响，模型拟合一般，物价增长中有78.70%可由投资增加来解释，滞后一期的t值最为显著，即滞后一期投资对物价影响较大,投资对物价影响确实有滞后性，滞后一期固定资产投资增加1%，引起物价增加0.023%，因此，将滞后一期投资I（-1）引入模型。
2．经济增长GDP（用G表示）
根据经济意义，GDP与物价指数Y间存在较高相关性，且GDP对Y作用表现出一定的滞后性，滞后期约为1-2期
通过阿尔蒙法对物价Y与GDP间关系进行分析，得出以下模型：
t=（10.30460）(-0.89143) (3.77052) (2.60496) (-4.12947)
=0.8825884 F=42.59499 DW=0.455755
可知，只考虑GDP单独对Y的影响，模型拟合较好，Y的增长中有88.26%可由各期GDP的增长解释，滞后一期GDP的t值最大，即对Y的影响最显著，滞后一期GDP每增加1%引起Y增长0.0084%，因此，将滞后一期G（-1）引入模型。
3. 货币发行量（用M表示）
根据经济意义，货币发行量M2对物价指数Y的影响较大，且滞后期也有一定的干扰度。
通过阿尔蒙法对物价Y与货币发行量M间关系进行分析，得出以下模型：
t= (8.482353) ( 0.71553) ( 0.99893) ( 0.55023) ( -0.08288)
=0.527836 F=6.334803 DW=0.126593
可知, 只考虑货币发行量M单独对物价Y的影响，模型拟合一般，Y的增长中有52.78%可由各期货币发行量M解释, 滞后一期货币发行量M对Y的影响相对于其它期更为显著，所以,将滞后一期货币发行量M(-1)引入模型。
4．外汇储备（用F表示）
根据经济理论, 物价Y与外汇F间在总体上应存在一定相关性，并且可能存在滞后作用
通过阿尔蒙法对Y与F间关系进行分析，得出以下模型：
t = (10.09661) (-1.42249) ( 1.79370) ( 1.588330) ( -0.95389)
=0.518625 F=6.105156 DW=0.290702
可知, 单独考虑外汇F对物价Y的影响，模型拟合得不是很好，物价变动中仅有51.86%可由外汇变动解释, 滞后一期外汇F对Y的影响相对于其他期更为显著，因此，将滞后一期外汇F(-1)引入模型。
5. 上一期的零售物价指数（用Y（-1）表示）
根据经济理论, 由于物价存在惯性作用，上几期物价水平对当期物价有一定影响，故实际分析当期物价影响因素时还须考虑上几期物价水平的影响。
通过阿尔蒙法对Y与Y（-1）、Y（-2）等间关系进行分析，最后得以下模型：
t= (2.048973) ( 9.68148) (-2.31226) (-4.86821) (2.87888)
=0.983782 F= 323.5159 DW=1.362548
可知, 单独考虑滞后期物价对当期物价的影响，模型拟合得很好，当期物价变动有98.38%可由上几期物价变动解释, 上一期物价对当期影响最显著，t=9.68148，因此，将滞后一期物价Y（-1）也引入模型。
六．模型建立及参数估计
综上，我们只选取各因素中对当期物价影响最显著的那一期进行回归, 以避免同时引入当期和滞后期的解释变量带来自由度的损失。具体来说，即投资因素中选取滞后1期固定资产投资总额I（-1），经济增长因素中选滞后1期GDP（-1），货币供应量因素中选择滞后1期M（-1），外汇因素中选滞后1期外汇F（-1），上几期物价水平因素中选上1期零售商品物价指数Y（-1）, 建立模型如下：
用Eviews进行最小二乘估计得:
t=（-0.431801） （-6.216710） （7.176346） （0.884635） （-4.986093） （13.77827）
=0.994450 DW=1.641975 F=609.1879
由以上结果可知,=0.994450，说明模型整体拟合得很好, 各因素对物价的解释程度高达99.445%；F=609.1879>F(18,4)=2.93 (显著性水平a=0.05)，表明模型从整体上看物价指数与各解释变量间线形关系显著;
但是变量M(-1)参数的t值不显著，t=0.884635，而且G(-1)与F(-1)的参数值符号为负, 明显与经济意义不符, 根据变量显著性和方程显著性的综合判断, 可初步判断该模型存在多重共线性，需要进行修正。
七. 各种检验和修正
1.多重共线性检验和修正
(1)检验
计算各解释变量之间的简单相关系数,得相关系数矩阵:
G(-1) I(-1) M(-1) F(-1) Y(-1)
G(-1) 1
I(-1) 0.988020020169 1
M(-1) 0.93469553168 0.953971424757 1
F(-1) 0.937637199233 0.974600643179 0.943210798295 1
Y(-1) 0.911435296958 0.849934843755 0.766406750361 0.73233274266 1
由上表可见，各个解释变量间都存在高度相关性, 由模型回归结果也可看出, 尽管模型整体拟合较好，但M(-1)的参数t值不显著，G（-1）与F(-1)的参数符号与经济意义相悖, 表明模型确实存在严重的多重共线性,需要进行修正
(2)修正
用逐步回归法：
ⅰ.运用OLS方法逐一求Y对各个解释变量的回归, 结合经济意义和统计检验选出拟合效果最好的一元线形回归方程:
经分析, 在五个一元回归模型的中Y与Y(-1)的线形关系最强，拟合程度最好，因此，纳入Y(-1)得模型①：
①
ⅱ.逐步回归,
将其余解释变量一一代入①式得如下四个模型：
根据回归的结果, 对比分析得： 纳入G(-1)后使得提高的最多，且符合经济意义, Y(-1)显著, 自身的显著性相对于其它变量也要强一些, 所以在模型①中再纳入G(-1)得模型②
②
将其余解释变量再一一代入②式得如下三个模型:
根据回归的结果, 对比分析得：纳入I(-1)后使得提高的最多，且符合经济意义，t值检验也都是显著的, 所以在模型中再纳入I(-1)得模型③
③
将剩余解释变量再一一代入③式得如下两个模型：
将M(-1)纳入后,虽然有一点点的提高, 但是对其它参数的符号和数值没有什么影响, 而且M(-1)的t值还显著，所以可以舍去M（-1）
将F(-1)纳入后, 虽然有一些些的提高, 但是F(-1)参数的符号为负, 不符合经济意义, 所以还是舍去F（-1）
综上可得, Y对G(-1), I(-1), Y(-1)的回归模型为最优, 即通过多重共线性的修正得到的最优模型为模型③
2.异方差的检验与修正
(1)检验
a.White检验
有交叉项的White检验,结果如下:
White Heteroskedasticity Test:
F-statistic 2.868072 Probability 0.041593
Obs*R-squared 10.29633 Probability 0.083111
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 06/05/05 Time: 22:29
Sample: 1982 2004
Included observations: 23
Variable Coefficient Std. Error t-Statistic Prob.
C -1609.676 794.0239 -2.027239 0.0637
Y(-1) 24.29959 13.29177 1.828168 0.0906
Y(-1)^2 -0.045494 0.049106 -0.926439 0.3711
Y(-1)*I(-1) 0.000256 0.001779 0.144030 0.8877
Y(-1)*G(-1) 3.86E-05 0.000921 0.041888 0.9672
I(-1) 0.303240 0.275276 1.101585 0.2906
I(-1)^2 9.88E-06 1.34E-05 0.735703 0.4750
I(-1)*G(-1) -1.18E-05 1.52E-05 -0.773686 0.4530
G(-1) -0.184846 0.133734 -1.382197 0.1902
G(-1)^2 3.14E-06 4.31E-06 0.727475 0.4798
R-squared 0.665058 Mean dependent var 140.6020
Adjusted R-squared 0.433175 S.D. dependent var 157.0554
S.E. of regression 118.2436 Akaike info criterion 12.68239
Sum squared resid 181760.2 Schwarz criterion 13.17608
Log likelihood -135.8475 F-statistic 2.868072
Durbin-Watson stat 1.933704 Prob(F-statistic) 0.041593
由上可得, Obs*R-squared=10.29633<(9)=16.199，所以接受H0，拒绝H1，表明此模型随机误差U不存在异方差。
没有交叉项的White检验,结果如下:
White Heteroskedasticity Test:
F-statistic 3.287564 Probability 0.026532
Obs*R-squared 6.69920 Probability 0.048069
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 06/05/05 Time: 22:30
Sample: 1982 2004
Included observations: 23
Variable Coefficient Std. Error t-Statistic Prob.
C -706.6808 469.3675 -1.505602 0.1517
Y(-1) 9.936950 6.508144 1.526849 0.1463
Y(-1)^2 -0.012226 0.006322 -1.933787 0.0710
I(-1) 0.182330 0.076852 2.372483 0.0305
I(-1)^2 -1.65E-06 9.46E-07 -1.746969 0.0998
G(-1) -0.087019 0.058422 -1.489487 0.1558
G(-1)^2 2.92E-07 3.35E-07 0.871253 0.3965
R-squared 0.552139 Mean dependent var 140.6020
Adjusted R-squared 0.384191 S.D. dependent var 157.0554
S.E. of regression 123.2469 Akaike info criterion 12.71205
Sum squared resid 243036.6 Schwarz criterion 13.05763
Log likelihood -139.1885 F-statistic 3.287564
Durbin-Watson stat 2.028429 Prob(F-statistic) 0.026532
由上可得, Obs*R-squared=1.412724<(6)=7.81473, 所以接受H0，拒绝H1，表明此模型随机误差U不存在异方差。
b.ARCH检验
直接用Eviews检验，结果如下：
ARCH Test:
F-statistic 1.210277 Probability 0.337999
Obs*R-squared 3.699110 Probability 0.295841
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 06/05/05 Time: 22:35
Sample(adjusted): 1985 2004
Included observations: 20 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 144.6377 65.15535 2.219891 0.0412
RESID^2(-1) 0.359478 0.245931 1.461702 0.1632
RESID^2(-2) -0.384531 0.247147 -1.555880 0.1393
RESID^2(-3) 0.082280 0.245108 0.335687 0.7415
R-squared 0.184955 Mean dependent var 152.5619
Adjusted R-squared 0.032135 S.D. dependent var 165.4596
S.E. of regression 162.7794 Akaike info criterion 13.19953
Sum squared resid 423954.3 Schwarz criterion 13.39867
Log likelihood -127.9953 F-statistic 1.210277
Durbin-Watson stat 2.062402 Prob(F-statistic) 0.337999
由上可得, Obs*R-squared=3.699110< (3)=7.81473，所以接受H0，拒绝H1, 表明此模型随机误差U不存在异方差。
由上述两种检验方法都表明该模型确实不存在异方差.
3.自相关的检验与修正
(1)检验
由于模型中有应变量Y的滞后期Y（-1），故不能用DW检验，应该用德宾h—检验
由多重共线性修正后的模型结果得: DW=0.967524，Var（）=0.107154^2，n=23,
则=2.886> h(a/2)=1.96 (a=0.05)
因此拒绝原假设=0，说明模型存在正的一阶自相关。
(2)修正
先利用对数线形回归修正自相关,得模型④：
④
DW=0.972403，Var（）=0.146176^2，n=23,
则=3.455> h(a/2)=1.96 (a=0.05)
因此拒绝原假设=0，说明对数模型仍然存在正的一阶自相关
同时考虑Cochrane-Orcutt迭代法,得模型⑤：
⑤
DW=1.615575 , Var（）=0.374280^2，n=22
则=0.625<h(a/2)=1.96 (a=0.05)
因此接受原假设=0，说明修正后的模型不存一阶自相关了
再对模型⑤进行ARCH检验：
ARCH Test:
F-statistic 0.258752 Probability 0.853939
Obs*R-squared 0.934879 Probability 0.817004
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 06/05/05 Time: 23:47
Sample(adjusted): 1986 2004
Included observations: 19 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 0.000862 0.000756 1.140467 0.2720
RESID^2(-1) -0.043121 0.256355 -0.168210 0.8687
RESID^2(-2) 0.188130 0.253208 0.742987 0.4690
RESID^2(-3) 0.128607 0.250396 0.513613 0.6150
R-squared 0.049204 Mean dependent var 0.001225
Adjusted R-squared -0.140955 S.D. dependent var 0.002063
S.E. of regression 0.002204 Akaike info criterion -9.212547
Sum squared resid 7.29E-05 Schwarz criterion -9.013718
Log likelihood 91.51920 F-statistic 0.258752
Durbin-Watson stat 1.912210 Prob(F-statistic) 0.853939
由上可得, Obs*R-squared=0.934879< (3)=7.81473, 所以接受H0, 拒绝H1, 表明此模型随机误差U不存在异方差.
综上, 自相关修正后的模型⑤中、F值皆有所提高，t值除常数项外都显著, 而且不存在异方差和自相关,故模型⑤为最佳
八．最终模型和结论
1.最终模型
模型表明, =0.992877，模型拟合很好, 即当期物价变动有99.29%可由滞后一期的GDP, 滞后一期的投资和滞后一期的物价共同解释，且滞后一期GDP, 滞后一期投资与滞后一期物价对当期物价的分别影响都显著，t值分别为2.41218 , 2.457413, 2.50480
滞后一期GDP每变动1%，引起当期物价变动0.3619%，可见通货膨胀是经济发展中不可避免的现象，所以我们对通胀的态度应该是在保证经济发展的前提下积极治理，而不应该过于敏感以至于造成经济减缓甚至停滞；滞后一期投资变动1%，引起当期物价变动0.333%说明应该更加重视投资因素对通货膨胀的作用，更加重视通过控制投资来控制通涨；滞后一期物价指数变动1%，引起当期物价变动0.842%说明通胀的治理是一个长期的过程，不可能通过某一段时间的治理就能得到明显的改善．
2．结论
从该模型可以看出, 模型的可决系数较高, 可见我们对于解释变量的选择是比较全面的, 它们对应变量的联合影响程度很大, 虽然修正后解释变量显著性有所下降, 但依然能符合检验要求, 可知通货膨胀是多种经济因素共同作用的结果，单独一个影响因素的作用也许不是那么明显。
还需要说明的是, 在模型建立之初，考虑到我国还处在市场经济初级，经济发展不太成熟，政府干预较多,政策作用较为明显，我们曾尝试将政府政策和政府行为作为变量纳入模型中，但由于其自身的复杂性,而且很难量化, 显然是不可行的，所以最终舍弃。但从模型的最后结果可以看出，可决系数是很高的, 达到0.992877, 说明没有纳入政府干预因素，做出来的模型效果也不错，这表明政府的干预作用并不像我们想象的那么大, 可以侧面反映我国市场经济发展的迅速和健康程度, 现在有很多国家对我国市场经济体制持怀疑态度, 该模型也为对这种怀疑的反驳提供了一定的理论依据。
九．模型的缺陷
1． 为避免同时引入当期和滞后期的解释变量带来自由度的损失，我们用阿尔蒙法确定选取各因素中对当期物价影响最显著的那一期，但从回归的结果看有些变量T值较小，各期都不是很显著，我们只能选择相对比较显著的那一期引入模型。这是我们模型存在的缺陷之一。
2．用德宾h—检验，发现模型存在自相关需要修正时，因为我们的模型引入了滞后一期的应变量，所以书上讲的很多一般的修正自相关的方法都不能用（因为都涉及了差分的原理在里面，不适合用于有滞后变量的情况），由于所学知识所限我们找不到更好的修正办法，所以只好仍选用Cochrane-Orcutt迭代法
参考文献：
保罗·萨缪尔森《经济学》第十一版
布拉德利·希勒《当代经济学》
«通货膨胀问题研究»«中国物价»2005.01
«需求推动角度考虑通货膨胀成因的实证分析»
«我国通货膨胀的成因分析»«天津市职工现代企业管理学院学报»2004.12第四期
附表：
数据
Y G I M F
110.7 4860.3 961 2299.96 27.08
112.8 5301.8 1230.4 2676.94 69.86
114.5 5957.4 1430.1 3193.57 89.01
117.7 7206.7 1832.9 4442.88 82.2
128.1 8989.1 2543.2 5198.9 26.44
135.8 10201.4 3210.6 6720.9 20.72
145.7 11954.5 3791.7 8330.9 29.23
172.7 14922.3 4753.8 100099.6 33.72
203.4 16917.8 4410.4 11949.6 55.5
207.7 18598.4 4517 15293.4 110.93
213.7 21662.5 5594.5 19349.9 217.12
225.2 26651.9 8080.1 25402.2 194.43
254.9 34560.5 13072.3 34879.8 211.99
310.2 46670 17042.1 46923.5 516.2
356.1 57494.9 20019.3 60750.5 735.97
377.8 66850.5 22913.5 76094.9 1050.29
380.8 73142.7 24941.1 90995.3 1398.9
370.9 76967.2 28406.2 104498.5 1449.6
359.8 80579.4 29854.7 119897.9 1546.75
354.4 88254 32917.7 134610.4 1655.74
351.6 95727.9 37213.5 158301.9 2121.65
347 103935.3 43499.91 185007 2864.07
346.7 116603.2 55566.61 221222.8 4032.51
356.4 136584.3 70073 253000 6099
Eview回归结果
Variable Coefficient Std. Error t-Statistic Prob.
C 144.7871 14.05072 10.30460 0.0000
PDL01 0.008356 0.002216 3.770521 0.0015
PDL02 0.003669 0.002087 1.758535 0.0966
PDL03 -0.006574 0.002127 -3.090887 0.0066
R-squared 0.882584 Mean dependent var 272.2190
Adjusted R-squared 0.861864 S.D. dependent var 95.94448
S.E. of regression 35.65934 Akaike info criterion 10.15554
Sum squared resid 21617.00 Schwarz criterion 10.35450
Log likelihood -102.6332 F-statistic 42.59499
Durbin-Watson stat 0.455755 Prob(F-statistic) 0.000000
Lag Distribution of G i Coefficient Std. Error T-Statistic
* . | 0 -0.00189 0.00212 -0.89143
. *| 1 0.00836 0.00222 3.77052
. * | 2 0.00545 0.00209 2.60496
* . | 3 -0.01060 0.00257 -4.12947
Sum of Lags 0.00132 0.00035 3.81522
Variable Coefficient Std. Error t-Statistic Prob.
C 175.2020 16.27290 10.76649 0.0000
PDL01 0.023168 0.006445 3.594945 0.0022
PDL02 0.018087 0.005192 3.483436 0.0028
PDL03 -0.020560 0.005944 -3.459201 0.0030
R-squared 0.787022 Mean dependent var 272.2190
Adjusted R-squared 0.749438 S.D. dependent var 95.94448
S.E. of regression 48.02617 Akaike info criterion 10.75101
Sum squared resid 39210.72 Schwarz criterion 10.94997
Log likelihood -108.8856 F-statistic 20.94014
Durbin-Watson stat 0.519259 Prob(F-statistic) 0.000006
Lag Distribution of I i Coefficient Std. Error T-Statistic
* . | 0 -0.01548 0.00494 -3.13514
. *| 1 0.02317 0.00644 3.59495
. * | 2 0.02070 0.00553 3.74316
* . | 3 -0.02290 0.00798 -2.86842
Sum of Lags 0.00549 0.00145 3.79400
Variable Coefficient Std. Error t-Statistic Prob.
C 212.7083 21.06730 10.09661 0.0000
PDL01 0.157300 0.099350 1.583297 0.1318
PDL02 0.123440 0.075542 1.634049 0.1206
PDL03 -0.131575 0.090173 -1.459139 0.1628
R-squared 0.518625 Mean dependent var 272.2190
Adjusted R-squared 0.433676 S.D. dependent var 95.94448
S.E. of regression 72.20254 Akaike info criterion 11.56647
Sum squared resid 88624.52 Schwarz criterion 11.76543
Log likelihood -117.4479 F-statistic 6.105156
Durbin-Watson stat 0.290702 Prob(F-statistic) 0.005177
Lag Distribution of F i Coefficient Std. Error T-Statistic
* . | 0 -0.09771 0.06869 -1.42249
. *| 1 0.15730 0.09935 1.58330
. * | 2 0.14916 0.08316 1.79370
* . | 3 -0.12212 0.12803 -0.95389
Sum of Lags 0.08663 0.03899 2.22182
Variable Coefficient Std. Error t-Statistic Prob.
C 18.48038 9.019337 2.048973 0.0572
PDL01 -0.323368 0.139850 -2.312256 0.0344
PDL02 -1.108375 0.148189 -7.479468 0.0000
PDL03 0.745015 0.141633 5.260197 0.0001
R-squared 0.983782 Mean dependent var 279.9450
Adjusted R-squared 0.980741 S.D. dependent var 91.48969
S.E. of regression 12.69667 Akaike info criterion 8.097413
Sum squared resid 2579.288 Schwarz criterion 8.296560
Log likelihood -76.97413 F-statistic 323.5159
Durbin-Watson stat 1.362548 Prob(F-statistic) 0.000000
Lag Distribution of Y(-1) i Coefficient Std. Error T-Statistic
. *| 0 1.53002 0.15804 9.68148
* . | 1 -0.32337 0.13985 -2.31226
* . | 2 -0.68673 0.14106 -4.86821
. * | 3 0.43994 0.15282 2.87888
Variable Coefficient Std. Error t-Statistic Prob.
C 197.2142 23.24994 8.482353 0.0000
PDL01 0.000419 0.000420 0.998934 0.3318
PDL02 -8.60E-05 0.000522 -0.164672 0.8711
PDL03 -7.64E-05 0.000395 -0.193215 0.8491
R-squared 0.527836 Mean dependent var 272.2190
Adjusted R-squared 0.444512 S.D. dependent var 95.94448
S.E. of regression 71.50841 Akaike info criterion 11.54715
Sum squared resid 86928.70 Schwarz criterion 11.74611
Log likelihood -117.2451 F-statistic 6.334803
Durbin-Watson stat 0.126593 Prob(F-statistic) 0.004425
Lag Distribution of M i Coefficient Std. Error T-Statistic
. *| 0 0.00043 0.00060 0.71553
. *| 1 0.00042 0.00042 0.99893
. * | 2 0.00026 0.00047 0.55023
* . | 3 -5.8E-05 0.00070 -0.08288
Sum of Lags 0.00105 0.00037 2.83844
Dependent Variable: Y
Method: Least Squares
Date: 06/05/05 Time: 12:15
Sample(adjusted): 1982 2004
Included observations: 23 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C -4.020024 9.309908 -0.431801 0.6713
G(-1) -0.004353 0.000700 -6.216710 0.0000
I(-1) 0.012670 0.001766 7.176346 0.0000
M(-1) 8.80E-05 9.95E-05 0.884635 0.3887
F(-1) -0.066149 0.013267 -4.986093 0.0001
Y(-1) 1.193877 0.086649 13.77827 0.0000
R-squared 0.994450 Mean dependent var 258.4304
Adjusted R-squared 0.992817 S.D. dependent var 102.2527
S.E. of regression 8.665968 Akaike info criterion 7.376142
Sum squared resid 1276.683 Schwarz criterion 7.672358
Log likelihood -78.82564 F-statistic 609.1879
Durbin-Watson stat 1.641975 Prob(F-statistic) 0.000000
Dependent Variable: Y
Method: Least Squares
Date: 06/05/05 Time: 13:02
Sample(adjusted): 1982 2004
Included observations: 23 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 153.1682 16.39709 9.341183 0.0000
G(-1) 0.002436 0.000292 8.354989 0.0000
R-squared 0.768737 Mean dependent var 258.4304
Adjusted R-squared 0.757725 S.D. dependent var 102.2527
S.E. of regression 50.33028 Akaike info criterion 10.75803
Sum squared resid 53195.89 Schwarz criterion 10.85677
Log likelihood -121.7174 F-statistic 69.80585
Durbin-Watson stat 0.123869 Prob(F-statistic) 0.000000
Dependent Variable: Y
Method: Least Squares
Date: 06/05/05 Time: 13:06
Sample(adjusted): 1982 2004
Included observations: 23 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 173.4674 18.01594 9.628553 0.0000
I(-1) 0.005313 0.000811 6.552266 0.0000
R-squared 0.671527 Mean dependent var 258.4304
Adjusted R-squared 0.655885 S.D. dependent var 102.2527
S.E. of regression 59.98277 Akaike info criterion 11.10893
Sum squared resid 75556.58 Schwarz criterion 11.20767
Log likelihood -125.7527 F-statistic 42.93219
Durbin-Watson stat 0.132891 Prob(F-statistic) 0.000002
Dependent Variable: Y
Method: Least Squares
Date: 06/05/05 Time: 13:07
Sample(adjusted): 1982 2004
Included observations: 23 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 186.6627 20.64986 9.039414 0.0000
M(-1) 0.001148 0.000231 4.977152 0.0001
R-squared 0.541205 Mean dependent var 258.4304
Adjusted R-squared 0.519357 S.D. dependent var 102.2527
S.E. of regression 70.89019 Akaike info criterion 11.44308
Sum squared resid 105533.8 Schwarz criterion 11.54182
Log likelihood -129.5954 F-statistic 24.77204
Durbin-Watson stat 0.252897 Prob(F-statistic) 0.000063
Dependent Variable: Y
Method: Least Squares
Date: 06/05/05 Time: 13:10
Sample(adjusted): 1982 2004
Included observations: 23 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 205.6000 19.99478 10.28269 0.0000
F(-1) 0.065540 0.015117 4.335503 0.0003
R-squared 0.472317 Mean dependent var 258.4304
Adjusted R-squared 0.447189 S.D. dependent var 102.2527
S.E. of regression 76.02622 Akaike info criterion 11.58297
Sum squared resid 121379.7 Schwarz criterion 11.68171
Log likelihood -131.2042 F-statistic 18.79658
Durbin-Watson stat 0.136589 Prob(F-statistic) 0.000291
Dependent Variable: Y
Method: Least Squares
Date: 06/05/05 Time: 13:10
Sample(adjusted): 1982 2004
Included observations: 23 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 18.96334 9.366769 2.024534 0.0558
Y(-1) 0.966576 0.034957 27.65036 0.0000
R-squared 0.973267 Mean dependent var 258.4304
Adjusted R-squared 0.971994 S.D. dependent var 102.2527
S.E. of regression 17.11203 Akaike info criterion 8.600382
Sum squared resid 6149.252 Schwarz criterion 8.699120
Log likelihood -96.90439 F-statistic 764.5423
Durbin-Watson stat 0.543100 Prob(F-statistic) 0.000000
Dependent Variable: Y
Method: Least Squares
Date: 06/05/05 Time: 13:13
Sample(adjusted): 1982 2004
Included observations: 23 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 5.579119 12.40127 0.449883 0.6576
G(-1) -0.000367 0.000233 -1.578704 0.1301
Y(-1) 1.084702 0.082095 13.21273 0.0000
R-squared 0.976229 Mean dependent var 258.4304
Adjusted R-squared 0.973852 S.D. dependent var 102.2527
S.E. of regression 16.53462 Akaike info criterion 8.569897
Sum squared resid 5467.872 Schwarz criterion 8.718005
Log likelihood -95.55382 F-statistic 410.6823
Durbin-Watson stat 0.676758 Prob(F-statistic) 0.000000
Dependent Variable: Y
Method: Least Squares
Date: 06/05/05 Time: 13:15
Sample(adjusted): 1982 2004
Included observations: 23 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 11.92845 11.65612 1.023364 0.3184
I(-1) -0.000444 0.000439 -1.012901 0.3232
Y(-1) 1.023658 0.066305 15.43854 0.0000
R-squared 0.974571 Mean dependent var 258.4304
Adjusted R-squared 0.972028 S.D. dependent var 102.2527
S.E. of regression 17.10146 Akaike info criterion 8.637312
Sum squared resid 5849.197 Schwarz criterion 8.785420
Log likelihood -96.32909 F-statistic 383.2568
Durbin-Watson stat 0.636339 Prob(F-statistic) 0.000000
Dependent Variable: Y
Method: Least Squares
Date: 06/05/05 Time: 13:17
Sample(adjusted): 1982 2004
Included observations: 23 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 14.58319 10.63195 1.371638 0.1854
M(-1) -7.72E-05 8.71E-05 -0.886734 0.3858
Y(-1) 1.003749 0.054699 18.35036 0.0000
R-squared 0.974278 Mean dependent var 258.4304
Adjusted R-squared 0.971706 S.D. dependent var 102.2527
S.E. of regression 17.19977 Akaike info criterion 8.648776
Sum squared resid 5916.640 Schwarz criterion 8.796884
Log likelihood -96.46093 F-statistic 378.7742
Durbin-Watson stat 0.674830 Prob(F-statistic) 0.000000
Dependent Variable: Y
Method: Least Squares
Date: 06/05/05 Time: 13:20
Sample(adjusted): 1982 2004
Included observations: 23 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 11.29909 10.45499 1.080737 0.2927
F(-1) -0.007245 0.004857 -1.491514 0.1514
Y(-1) 1.021083 0.049902 20.46192 0.0000
R-squared 0.975943 Mean dependent var 258.4304
Adjusted R-squared 0.973537 S.D. dependent var 102.2527
S.E. of regression 16.63390 Akaike info criterion 8.581870
Sum squared resid 5533.731 Schwarz criterion 8.729978
Log likelihood -95.69150 F-statistic 405.6756
Durbin-Watson stat 0.649189 Prob(F-statistic) 0.000000
Dependent Variable: Y
Method: Least Squares
Date: 06/05/05 Time: 14:14
Sample(adjusted): 1982 2004
Included observations: 23 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C -20.71999 12.18349 -1.700662 0.1053
G(-1) 0.004066 0.001037 3.919966 0.0009
Y(-1) 1.393955 0.107154 13.00885 0.0000
I(-1) 0.006849 0.001890 3.622942 0.0018
R-squared 0.985941 Mean dependent var 258.4304
Adjusted R-squared 0.983721 S.D. dependent var 102.2527
S.E. of regression 13.04616 Akaike info criterion 8.131636
Sum squared resid 3233.845 Schwarz criterion 8.329113
Log likelihood -89.51381 F-statistic 444.1572
Durbin-Watson stat 0.967524 Prob(F-statistic) 0.000000
Dependent Variable: Y
Method: Least Squares
Date: 06/05/05 Time: 14:17
Sample(adjusted): 1982 2004
Included observations: 23 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C -1.270748 13.84150 -0.091807 0.9278
Y(-1) 1.149056 0.100705 11.41008 0.0000
G(-1) -0.000871 0.000516 -1.688798 0.1076
M(-1) 0.000203 0.000186 1.092974 0.2881
R-squared 0.977635 Mean dependent var 258.4304
Adjusted R-squared 0.974104 S.D. dependent var 102.2527
S.E. of regression 16.45476 Akaike info criterion 8.595878
Sum squared resid 5144.425 Schwarz criterion 8.793355
Log likelihood -94.85259 F-statistic 276.8503
Durbin-Watson stat 0.640401 Prob(F-statistic) 0.000000
Dependent Variable: Y
Method: Least Squares
Date: 06/05/05 Time: 14:18
Sample(adjusted): 1982 2004
Included observations: 23 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 4.624315 17.40470 0.265694 0.7933
Y(-1) 1.095854 0.162296 6.752200 0.0000
G(-1) -0.000437 0.000901 -0.485170 0.6331
F(-1) 0.001503 0.018698 0.080383 0.9368
R-squared 0.976237 Mean dependent var 258.4304
Adjusted R-squared 0.972485 S.D. dependent var 102.2527
S.E. of regression 16.96128 Akaike info criterion 8.656514
Sum squared resid 5466.013 Schwarz criterion 8.853991
Log likelihood -95.54991 F-statistic 260.1894
Durbin-Watson stat 0.681311 Prob(F-statistic) 0.000000
Dependent Variable: Y
Method: Least Squares
Date: 06/05/05 Time: 14:26
Sample(adjusted): 1982 2004
Included observations: 23 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C -23.41426 12.89907 -1.815189 0.0862
Y(-1) 1.416942 0.113165 12.52102 0.0000
G(-1) -0.004198 0.001067 -3.935619 0.0010
I(-1) 0.006593 0.001948 3.384577 0.0033
M(-1) 0.000109 0.000152 0.718318 0.4818
R-squared 0.986333 Mean dependent var 258.4304
Adjusted R-squared 0.983296 S.D. dependent var 102.2527
S.E. of regression 13.21558 Akaike info criterion 8.190330
Sum squared resid 3143.728 Schwarz criterion 8.437177
Log likelihood -89.18880 F-statistic 324.7608
Durbin-Watson stat 0.901438 Prob(F-statistic) 0.000000
Dependent Variable: Y
Method: Least Squares
Date: 06/05/05 Time: 14:28
Sample(adjusted): 1982 2004
Included observations: 23 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C -1.701348 8.879219 -0.191610 0.8502
G(-1) -0.004247 0.000686 -6.193523 0.0000
Y(-1) 1.173664 0.083076 14.12759 0.0000
I(-1) 0.012922 0.001732 7.461501 0.0000
F(-1) -0.066643 0.013175 -5.058417 0.0001
R-squared 0.994194 Mean dependent var 258.4304
Adjusted R-squared 0.992904 S.D. dependent var 102.2527
S.E. of regression 8.613471 Akaike info criterion 7.334192
Sum squared resid 1335.454 Schwarz criterion 7.581039
Log likelihood -79.34321 F-statistic 770.5972
Durbin-Watson stat 1.707065 Prob(F-statistic) 0.000000
Variable Coefficient Std. Error t-Statistic Prob.
C 1.463094 0.315764 4.633498 0.0002
LN_G(-1) 0.796564 0.191679 4.155717 0.0005
LN_I(-1) 0.529338 0.124035 4.267665 0.0004
LN_Y(-1) 1.356134 0.146176 9.277402 0.0000
R-squared 0.990185 Mean dependent var 5.465324
Adjusted R-squared 0.988635 S.D. dependent var 0.451488
S.E. of regression 0.048132 Akaike info criterion -3.072961
Sum squared resid 0.044017 Schwarz criterion -2.875483
Log likelihood 39.33905 F-statistic 638.9099
Durbin-Watson stat 0.972403 Prob(F-statistic) 0.000000
Dependent Variable: LN_Y
Method: Least Squares
Date: 06/05/05 Time: 15:56
Sample(adjusted): 1983 2004
Included observations: 22 after adjusting endpoints
Convergence achieved after 13 iterations
Variable Coefficient Std. Error t-Statistic Prob.
C 1.584930 1.047378 1.513235 0.1486
LN_G(-1) 0.361869 0.251085 2.441218 0.1677
LN_I(-1) 0.332900 0.135468 2.457413 0.0250
LN_Y(-1) 0.842310 0.374280 2.250480 0.0379
AR(1) 0.813389 0.311174 2.613931 0.0181
R-squared 0.992877 Mean dependent var 5.498947
Adjusted R-squared 0.991201 S.D. dependent var 0.431635
S.E. of regression 0.040489 Akaike info criterion -3.378836
Sum squared resid 0.027870 Schwarz criterion -3.130871
Log likelihood 42.16719 F-statistic 592.3855
Durbin-Watson stat 1.615575 Prob(F-statistic) 0.000000
Inverted AR Roots .81
