對中國人均消費影響因素的實證分析

1、對中國人均消費影響因素的實 證分析對中國人均消費影響因素的實證分析一、理論基礎及數據1. 研究目的本文在現(xiàn)代消費理論的基礎，分析建立計量模型，通過對19792008 年全國城鎮(zhèn)居民的人均消費支出做時間序列分析和對2004 2008年各地區(qū)（31 個省市 ） 城鎮(zhèn)居民的人均消費支出做面板數據分析，比較分析了人均可支配收入、消費者物價指數和銀行一年期存款利率等變量對居民消費的不同影響。2. 模型理論西方消費經濟學者們認為，收入是影響消費者消費的主要因素，消費是需求的函數。消費經濟學有關收入與消費的關系，即消費函數理論有：（ 1）凱恩斯的絕對收入理論。他認為消費主要取決于消費者的凈收入，邊際消費傾向

2、小于平均消費傾向。他假定， 人們的現(xiàn)期消費，取決于他們現(xiàn)期收入的絕對量。（ 2）杜森貝利的相對收入消費理論。他認為消費者會受自己過去的消費習慣以及周圍消費水準來決定消費，從而消費是相對的決定的。當期消費主要決定于當期收入和過去的消費支出水平。（ 3）弗朗科?莫迪利安的生命周期的消費理論。這種理論把人生分為三個階段：少年、壯年和老年；在少年與老年階段，消費大于收入；在壯年階段，收入大于消費，壯年階段多余的收入用于償還少年時期的債務或儲蓄起來用來防老。（ 4）弗里德曼的永久收入消費理論。他認為消費者的消費支出主要不是由他的現(xiàn)期收入來決定，而是由他的永久收入來決定的。這些理論都強調了收入對消費的影響

3、。除此之外，還有其他一些因素也會對消費行為產生影響。（ 1）利率。傳統(tǒng)的看法認為，提高利率會刺激儲蓄，從而減少消費。當然現(xiàn)代經濟學家也有不同意見，他們認為利率對儲蓄的影響要視其對儲蓄的替代效應和收入效應而定，具體問題具體分析。（ 2）價格指數。價格的變動可以使得實際收入發(fā)生變化，從而改變消費。基于上述這些經濟理論，我找到中國1979-2008 年全國城鎮(zhèn)居民人均消費以及城鎮(zhèn)居民人均可支配收入、城鎮(zhèn)居民消費者物價指數和2004 2008 年各地區(qū)城鎮(zhèn)居民人均消費以及城鎮(zhèn)居民人均可支配收入、城鎮(zhèn)居民消費者物價指數、以及銀行一年期存款利率的官方數據。想借此來分析中國消費的影響因素以及它們具體是如何對

4、消費產生影響的。針對這一模型，有以下兩個假定。一，自改革開放以來，我國人均消費傾向呈現(xiàn)緩慢的遞減趨勢，即保持粘性。這一假定符合我國居民的儲蓄消費心理，也與其他一些發(fā)展中國家的情況大體一致。二，由儲蓄和消費的替代關系，可以假定刺激儲蓄的因素，會制約消費。我們知道提高利率會刺激儲蓄，因而我把利率也引入模型的分析中。以下對我所找的數據作一一說明:1、城鎮(zhèn)居民人均消費水平。借此來代表城鎮(zhèn)居民的消費支出情況，這是將要建立計量經濟學模型的被解釋變量。由下圖可以看到消費是逐年增加的，與此同時，人均可支配收入也是逐年增加，隱含著兩者可能有很高的線性相關性這層意思。2、城鎮(zhèn)居民人均可支配收入。由前面的理論，收入

5、是決定消費的主要因素。因此，這里用這一變量來代表人均收入。人均收入提高，人均消費也會隨之增加。3、前一期的人均消費水平。根據杜森貝利的相對收入消費理論，消費者會受自己過去的消費習慣來決定當期消費。因而把它引入模型中，它與當期消費應該是正相關的。4、城鎮(zhèn)居民消費者物價指數。借此來說明價格變動對消費的影響，價格水平越高，人們的購買力普遍降低，為維持原來的消費水平，消費者的支出也會越多。它們應該是正相關的關系。這里假定上一年為基期，第二年的價格指數是對以上一年數據為100 的相對數。5、中國人民銀行一年期儲蓄利率。一般認為，提高利率會刺激儲蓄，減少消費支出, 因為 利率水平越高，消費的機會成本就越大

6、，居民就會壓縮當前消費因此，它們應該是負相關的。利率提高時，人們認為減少目前的消費，增加將來消費比較有利，從而增加儲蓄，這是利率對儲蓄的替代效應；另一方面，利率提高時他將來的利息收入增加，會使他認為自己比較富有，以致增加目前消費，從而可能反而減少儲蓄，這是利率對儲蓄的收入效應。利率對不同人群的影響也是不同的。由于中國人民銀行的一年期利率總是不定期地進行調整，可能幾年調整一次，或者一年調整幾次，這給我的計量經濟學分析帶來了一定的困難。為達成統(tǒng)一，我每年各種年利率進行加權后作為全年的利率。3. 原始數據年份人均消費性支出人均可支配收入儲蓄居民消費 價格指數利率197935340529101.93.

7、941980423.6477.640.47107.55.041981456.84500.451.5102.55.41982471535.366.51025.671983505.92564.687.51025.761984559.44652.1117.9102.75.761985673.2739.08153.29111.96.731986798.96900.9211.71077.21987884.41002.1286.4108.87.219881103.981180.2346.8120.77.5819891210.951373.9462.9116.311.1219901278.891510.26

8、15.24101.39.819911453.811700.6786.57105.17.8319921671.732026.6985.35108.67.5619932110.812577.41282.81116.19.5419942851.343496.21795.4812510.9819953537.5742832448.98116.810.9819963919.474838.93163.8108.89.0719974185.645160.33744103.17.0219984331.615425.14279.199.4519994615.9158544735.3198.72.89200049

9、9862805076100.82.2520015309.016859.65780100.72.2520026029.887702.86766992.0120036510.948472.28018100.91.9820047182.19421.69197103.32.02520057942.881049310787101.62.2520068696.5511759.512293101.52.2520079997.4713785.813058104.53.24200811242.8515780.816407105.63.8二、多元線性回歸及其相關檢驗1. OLS 回歸結果：本案例以人均消費性支出為

10、被解釋變量，以 過相關檢驗確定影響人均消費性支出的因素。cpi ， i ， s， r 為解釋變量，通最小二乘回歸結果如下2、異方差檢驗通過散點圖觀察，pcce 與各變量的散點圖如下Pcce 與 cpiPcce和 iPcce 和 sPcce 和 rWhite 檢驗異方差的修正，權重取殘差絕對值的倒數3、序列相關性檢驗e 與其通過觀察自相關圖，DW值和拉格朗日乘數檢驗來判斷相關性，殘差滯后一階的自相關圖如下DW值 =0.9837 判斷存在正相關拉格朗日乘數檢驗結果如下運用差分法做修正，做一階差分，回歸結果如下，4、多重共線性檢驗各解釋變量間的相關系數如下由相關系數看，s 與 i 存在高度相關，即存

11、在多重貢獻性直接剔除相關系數高的變量，觀察多重共線性的情況剔除 s，結果如下剔除 i ，加入 s，結果如下s，保留i ，效果更好此時相關系數如下三、虛擬變量分析1979 年 2008 年我國城鎮(zhèn)居民人均消費性支出時間序列圖如下：從圖中大致可以看出，該折線變化的斜率在2000 年左右發(fā)生了比較大的變化，后一段的斜率更大。我們知道中國在2001 年加入世界貿易組織(簡稱WTO) ，這標志著中國的開放程度增大，中國與外國的貿易往來更為自由，本文試檢驗改革開放前后中國城鎮(zhèn)居民人均消費這個時間序列的斜率是否發(fā)生變化。定義虛擬變量為WTO如下：0， ( 19792001 )WTO=1， ( 2002200

12、8 )以時間 t 為解釋變量，城鎮(zhèn)居民人均消費用Y表示，則數據列表如下：中國城鎮(zhèn)居民人均消費性支出數據(1979-2008)年 份人均消費性支 出y時間tWTOt*WTO年 份人均消費性支出y時間tWTOt*WTO197935310019942851.3416001980423.620019953537.5717001981456.8430019963919.471800198247140019974185.6419001983505.9250019984331.6120001984559.4460019994615.9121001985673.27002000499822001986798.

13、9680020015309.0123001987884.490020026029.882412419881103.98100020036510.942512519891210.95110020047182.12612619901278.89120020057942.882712719911453.81130020068696.552812819921671.73140020079997.472912919932110.811500200811242.8530130設模型如下：Yi= 0+ 1t + 2WTOi+ 3( t WTOi) +ui 用 Eviews 進行估計，則輸出結果如下所示：所以

14、，估計結果為：Y= -733.7205+ 231.3752t-11227.77WTO+512.5770t*WTO(-3.2) (13.4)(-4.4)(5.2)在 t 值要求不高的情況下，可以認為在加入WTO前后斜率的變化是顯著的，-733.7205+ 231.3752tWTO=0, 19792001 )Y=-11961.4905+743.9522t 1( WTO=1, 20022008 )1 、檢驗 1979-2008 年我國城鎮(zhèn)居民人均消費性支出時間序列的平穩(wěn)性（ 1）時間序列圖 我國城鎮(zhèn)居民人均消費性支出時間序列圖如下：上圖是 1979 年 2008 年 30 年間我國表示城鎮(zhèn)居民人均消

15、費性支出（用Y表示）序列的折線圖，縱坐標單位是元。從圖中可以看出，序列圖表現(xiàn)出了持續(xù)上升的趨勢，即在不同時間段上，其均值是不同的，因此可以初步判斷該序列是不平穩(wěn)的。2）時間序列自（偏自）相關分析圖由自相關- 偏自相關分析圖可見，樣子自相關系數是緩慢減小的，表現(xiàn)為拖尾性；而偏自相關系數在k 1 之后明顯落在置信區(qū)間內部，可以認為序列的偏自相關函數具有截尾性。這也證明了該序列的非平穩(wěn)性。（ 3）單位根檢驗由于用序列的自相關分析圖判斷時間序列的平穩(wěn)性這種方法比較粗略， 因而接下來采用比較正式的DF與 ADF檢驗方法。由于在序列圖中可以看出，Y時間序列存在明顯的上升趨勢，因而選擇同時包含常數項和趨勢項

16、的檢驗，當ADF檢驗方程式中滯后期p 選擇 0 時，其檢驗結果如下所示：可以看出，t 統(tǒng)計量為2.49，比顯著性水平為10%的臨界值都大，所以不能拒絕原假設，序列存在單位根。但是，要知道該檢驗的效力，我們結合輸出窗口下半部分的輔助方程式的估計和檢驗結果進行分析。DF檢驗的輔助方程估計與檢驗結果這里的 AIC 和 SC的數值都太大，說明對序列采用DF檢驗并不合適。經過試驗，得到在有效范圍內，當滯后期p 的值取12時，AIC和 SC值達最小，此時有ADF檢驗結果如下。此時， t 統(tǒng)計量的值為-0.49 ，大于顯著性水平為10%的臨界值，結果與上述檢驗結果相一致，即該時間序列是非平穩(wěn)的。但是，此時，

17、t 統(tǒng)計量的值已經發(fā)生了明顯的變化。2、模型的識別、估計與檢驗（ 1）一階差分對序列Y（我國城鎮(zhèn)居民人均消費性支出）進行一階差分得到Dy，則Dy的自相關（偏自相關）分析圖如下所示。由上圖可以看出，Dy時間序列的自相關函數在k=1， 2時有峰值然后按指數衰減，偏自相關函數在k=1 時有峰值然后呈指數或者正弦衰減，所以初步認為Dy是一個ARMA(1,1)或 ARMA(1,2)過程。ARMA(1,1)模型參數估計與檢驗結果ARMA(1,2)模型參數估計與檢驗結果有上述兩個表可知，無論是ARMA(1,2)還是ARMA(1,1)模型，盡管擬合優(yōu)度相對較高，但是AIC和 SC值都比較大，而且不是所有的倒數

18、根都在單位圓內，所以Dy過程不平穩(wěn)。( 2)二階差分首先對二階差分進行自(偏自)相關分析，Eviews 輸出的圖如下所示。從圖中，看不出二階差分是否平穩(wěn)，下面我們利用單位根檢驗。得：t 是 -5.9 ，小于顯著性水平1%的臨界值，所以，至少在99%的置信度下拒絕原假設，即認為二階差分序列不存在單位根，因而非平穩(wěn)序列經過二階差分平穩(wěn)，所以是二階單整序列，即I （ 2）（ 3）二階差分序列的ARMA模型有上述可知，二階差分序列是平穩(wěn)的，所以對其使用ARMA模型，識別ARMA模型階數。經過反復試驗，可知二階差分序列為ARMA（3,3）和 ARM（A 2， 3）時的效果較理想，其Eviews 輸出結果

19、圖如下。從上面兩個圖比較可知，ARM（A 2， 3）比ARMA（3,3）模型的擬合優(yōu)度更高，AIC和 SC值更小，所以ARM（A 2， 3）模型更理想。上述模型給出的特征根都大于1， 因而證明了二階差分序列是平穩(wěn)序列。面給出給出ARM（A 2， 3）模型殘差序列的相關圖和偏相關圖，檢驗隨機誤差序列的非自相關性。Q（ 12） =7.71 Q0.05（ 12-2-3 ） =14.07，所以模型的隨機誤差序列也達到了非自相關的要求，通過檢驗。五、協(xié)整1、選取變量首先，對相關數據做圖形分析，由下圖可以看出，CONS、P INP、 SAVE這三項數據變化趨勢基本相同，所以猜測三者之間相互影響較大。而CP

20、I 與 IR 變化與以上三項數據不同，一方面是相互聯(lián)系問題，另一方面是數量單位不同，以上三項單位都為元，而這兩項沒有單位，并且數量級相差甚大。CONSP CPIINPIRSAVE為了進一步證實以上結論，對以上數據進行協(xié)方差分析，結果如下圖：IRCPICovariance Analysis: OrdinaryDate: 01/03/10 Time: 16:15Sample: 1979 2008Included observations: 30CovarianceCorrelationCONSPINPSAVECPIIRCONSP9645683.1.000000INP1324578718234787

21、0.9987601.000000SAVE1386626419165694204311960.9877480.9929501.000000CPI-6061.323-8349.615-9876.19544.71099-0.291873-0.292421-0.3267651.000000IR-5195.558-7170.632-8136.43714.613088.560117-0.571776-0.573941-0.6152440.7469561.000000由此，我們選取CONS、P INP、 SAVE這三項數據來做相關協(xié)整分析，及向量自回歸模型。2、協(xié)整分析1）首先，對三個向量進行單位根檢驗：N

22、ull Hypothesis: CONSP has a unit rootExogenous: ConstantLag Length: 1 (Automatic based on SIC, MAXLAG=7)t-StatisticProb.*Augmented Dickey-Fuller test statistic2.4747980.9999Test critical values:1% level-3.6891945% level-2.97185310% level-2.625121*MacKinnon (1996) one-sided p-values.Augmented Dickey-

23、Fuller Test EquationDependent Variable: D(CONSP)Method: Least SquaresDate: 01/03/10 Time: 16:30Sample (adjusted): 1981 2008Included observations: 28 after adjustmentsVariableCoefficientStd. Errort-StatisticProb.CONSP(-1)0.0534010.0215782.4747980.0205D(CONSP(-1)0.5543240.1949552.8433520.0088C16.74199

24、49.608350.3374830.7386R-squared0.792519Mean dependent var386.4018Adjusted R-squared0.775920S.D. dependent var353.2160S.E. of regression167.2020Akaike info criterion13.17724Sum squared resid698912.5Schwarz criterion13.31998Log likelihood-181.4813Hannan-Quinn criter.13.22087F-statistic47.74647Durbin-W

25、atson stat1.950621Prob(F-statistic)0.000000Null Hypothesis: INP has a unit rootExogenous: ConstantLag Length: 1 (Automatic based on SIC, MAXLAG=7)t-StatisticProb.*Augmented Dickey-Fuller test statistic2.0875510.9998Test critical values:1% level-3.6891945% level-2.97185310% level-2.625121*MacKinnon (

26、1996) one-sided p-values.Augmented Dickey-Fuller Test EquationDependent Variable: D(INP)Method: Least SquaresDate: 01/03/10 Time: 16:32Sample (adjusted): 1981 2008Included observations: 28 after adjustmentsVariableCoefficientStd. Errort-StatisticProb.INP(-1)0.0440890.0211202.0875510.0472D(INP(-1)0.7

27、555670.1741214.3393310.0002C-2.81153851.98798-0.0540810.9573R-squared0.894883Mean dependent var546.5429Adjusted R-squared0.886473S.D. dependent var541.3746S.E. of regression182.4092Akaike info criterion13.35134Sum squared resid831828.3Schwarz criterion13.49408Log likelihood-183.9188Hannan-Quinn crit

28、er.13.39498F-statistic106.4148Durbin-Watson stat1.667466Prob(F-statistic)0.000000Null Hypothesis: SAVE has a unit rootExogenous: ConstantLag Length: 4 (Automatic based on SIC, MAXLAG=7)t-StatisticProb.*Augmented Dickey-Fuller test statistic4.3206451.0000Test critical values:1% level-3.7240705% level

29、-2.98622510% level-2.632604*MacKinnon (1996) one-sided p-values.Augmented Dickey-Fuller Test EquationDependent Variable: D(SAVE)Method: Least SquaresDate: 01/03/10 Time: 16:34Sample (adjusted): 1984 2008Included observations: 25 after adjustmentsVariableCoefficientStd. Errort-StatisticProb.SAVE(-1)0

30、.3172380.0734244.3206450.0004D(SAVE(-1)-0.8188240.335900-2.4376990.0248D(SAVE(-2)-0.4458850.621584-0.7173360.4819D(SAVE(-3)1.6722870.6656562.5122380.0212D(SAVE(-4)-2.3398060.578470-4.0448160.0007C211.563492.618702.2842400.0340R-squared0.870730Mean dependent var652.7800Adjusted R-squared0.836712S.D.

31、dependent var728.1927S.E. of regression294.2547Akaike info criterion14.41233Sum squared resid1645131.Schwarz criterion14.70486Log likelihood-174.1541Hannan-Quinn criter.14.49347F-statistic25.59591Durbin-Watson stat1.602809Prob(F-statistic)0.000000由以上三張表格可知，當單位根選取零時，三個變量的ADF 檢驗統(tǒng)計量的絕對值均小于相應的ADF檢驗臨界值的絕

32、對值，說明在這種檢驗方法下，三個變量都不是平穩(wěn)序列，存在單位根。而自動選取單位根檢測，得出CONSP和INP擁有一階單位根，而SAVE擁有四階單位根，這說明儲蓄自相關性比較高，與現(xiàn)實情況相同。（ 2）對CONS、P INP、 SAVE因果關系進行檢驗滯后期為1 時：Pairwise Granger Causality TestsDate: 01/03/10 Time: 19:04Sample: 1979 2008Lags: 1Null Hypothesis:ObsF-StatisticProb.INP does not Granger Cause CONSP296.051870.0209CON

33、SP does not Granger Cause INP9.261690.0053SAVE does not Granger Cause CONSP290.971460.3334CONSP does not Granger Cause SAVE2.465840.1284SAVE does not Granger Cause INP291.044230.3163INP does not Granger Cause SAVE5.919390.0222滯后期為 2時：Pairwise Granger Causality TestsDate: 01/03/10 Time: 19:07Sample:

34、1979 2008Lags: 2Null Hypothesis:ObsF-StatisticProb.INP does not Granger Cause CONSP286.670250.0052CONSP does not Granger Cause INP2.442310.1092SAVE does not Granger Cause CONSP281.613200.2210CONSP does not Granger Cause SAVE13.79910.0001SAVE does not Granger Cause INP283.605410.0435INP does not Gran

35、ger Cause SAVE13.90100.0001滯后期為3時 ：Pairwise Granger Causality TestsDate: 01/03/10 Time: 19:07Sample: 1979 2008Lags: 3Null Hypothesis:ObsF-StatisticProb.INP does not Granger Cause CONSP274.990490.0096CONSP does not Granger Cause INP1.216850.3294SAVE does not Granger Cause CONSP271.249300.3184CONSP do

36、es not Granger Cause SAVE8.581030.0007SAVE does not Granger Cause INP272.088090.1339INP does not Granger Cause SAVE8.798360.0006滯后期為4時：Pairwise Granger Causality TestsDate: 01/03/10 Time: 19:08Sample: 1979 2008Lags: 4Null Hypothesis:ObsF-StatisticProb.INP does not Granger Cause CONSP263.197460.0395C

37、ONSP does not Granger Cause INP1.018920.4255SAVE does not Granger Cause CONSP260.610530.6607CONSP does not Granger Cause SAVE7.195820.0014SAVE does not Granger Cause INP261.292180.3122INP does not Granger Cause SAVE6.125310.0031因果關系檢驗結果表明：在5%顯著性水平下，滯后期數為1時， CONPS 與 INP互為因果，INP是引起SAVE 變化的原因，SAVE 與 CO

38、NSP 不存在因果關系。在滯后期數為2、 3、 4時，INP均為引起CONSP變化的原因，而且INP與 CONSP都是引起SAVE 變化的原因，這可能與消費者只關注前幾期收入狀況而不是儲蓄狀況而進行消費有關。( 3)對 CONSP 與 INP的 VAR模型進行估計滯后期數為1時：CONSP = 0.483289909665*CONSP(-1) + 0.460725759587*INP(-1) + 145.420241626INP =- 0.922711807336*CONSP(-1) + 1.80835336473*INP(-1) + 178.827243439Vector Autoregre

39、ssion EstimatesDate: 01/03/10 Time: 19:37Sample (adjusted): 1980 2008Included observations: 29 after adjustmentsStandard errors in ( ) & t-statistics in CONSPINPCONSP(-1)0.483290-0.922712(0.25324)(0.30319) 1.90842-3.04330INP(-1)0.4607261.808353(0.18728)(0.22423) 2.46005 8.06487C145.4202178.8272(

40、66.5240)(79.6464) 2.18598 2.24526R-squared0.9973110.997969Adj. R-squared0.9971050.997813Sum sq. resids750290.61075488.S.E. equation169.8745203.3837F-statistic4822.1406387.124Log likelihood-188.4826-193.7036Akaike AIC13.2056913.56576Schwarz SC13.3471413.70721Mean dependent3619.1294667.372S.D. dependent3156.9564348.569D