【文章內(nèi)容簡(jiǎn)介】 是選擇cross section weights，即使用可行的廣義最小二乘法（GLS）估計(jì)，以減少由于截面數(shù)據(jù)造成的異方差影響。分析了FDI對(duì)于東部六省的技術(shù)創(chuàng)新的影響見(jiàn)表2：%%，，在1%的顯著性水平下也顯著。說(shuō)明該模型很好的解釋了，由上表可以得出以下結(jié)果：（1），但是不顯著，而其他東部省份，除去浙江省不顯著外，其他東部省份其FDI對(duì)與當(dāng)?shù)氐膮^(qū)域創(chuàng)新能力都有顯著性的正相關(guān)影響，可見(jiàn)FDI對(duì)于江蘇省的區(qū)域創(chuàng)新能力的正面的技術(shù)溢出效應(yīng)十分顯著。而浙江省作為一個(gè)東部強(qiáng)省FDI的溢出效應(yīng)不顯著，這出乎人們的意料，但是這可能是多方面的原因造成的，浙江省的自主創(chuàng)新能力在全國(guó)排名前列，而且由于無(wú)法避免的數(shù)據(jù)內(nèi)生性和多重共線性也是造成這一結(jié)果的潛在原因。但是總體上來(lái)看，F(xiàn)DI對(duì)于東部省份都有顯著地影響，但是河北省的影響為負(fù)值，且不顯著，國(guó)內(nèi)的其他研究者發(fā)現(xiàn)FDI對(duì)東道國(guó)的溢出效應(yīng)的同時(shí)存在“門(mén)檻效應(yīng)”，而且在全國(guó)性的研究當(dāng)中發(fā)現(xiàn)，F(xiàn)DI對(duì)于我國(guó)的中西部地區(qū)沒(méi)有顯著性的影響。這可以解釋河北省FDI沒(méi)有顯著性的溢出效應(yīng)的問(wèn)題，河北省雖然是東部沿海省份，但是其無(wú)論從經(jīng)濟(jì)實(shí)力還是整體競(jìng)爭(zhēng)力上河北省同其他東部沿海省份，甚至同部分中部地區(qū)省份還存在差距，這可能是河北省還沒(méi)有突破FDI溢出效應(yīng)的“門(mén)檻”所造成的，具體的原因還有待更深層次的挖掘。（2）科研開(kāi)發(fā)的人力資本的投入對(duì)于各個(gè)省份的區(qū)域創(chuàng)新能力都存在顯著性的影響，這可以看出人力資本的投入對(duì)區(qū)域創(chuàng)新能力的重要性。但是，河北省在這一方面的表現(xiàn)也不盡人意，除了僅高于廣東省外，均低于其他省份，但是河北省的人力資本投入?yún)s高于浙江、江蘇、福建等省份，可見(jiàn)河北省的人力資本投入的效率很低。（3）科研開(kāi)發(fā)的物質(zhì)資本的投入對(duì)區(qū)域創(chuàng)新能力存在顯著性的影響。這說(shuō)明的問(wèn)題是即使在東部沿海的發(fā)達(dá)省份其用于自主創(chuàng)新的大量物質(zhì)資本的投入?yún)s不能帶來(lái)其創(chuàng)新能力的顯著提升，這也是我國(guó)應(yīng)該認(rèn)識(shí)到得問(wèn)題。不應(yīng)該簡(jiǎn)單的認(rèn)為在自主創(chuàng)新能力的投入上越高越好，而是應(yīng)該提高產(chǎn)出效率，優(yōu)化結(jié)構(gòu)。（4）技術(shù)市場(chǎng)的合同交易額作為創(chuàng)新環(huán)境的代理變量，對(duì)創(chuàng)新能力的影響僅在河北省、山東省和廣東省存在顯著性的影響，而對(duì)于其他省份不存在顯著地影響。但是對(duì)于創(chuàng)新能力的影響值都較小，但是不能就此說(shuō)明創(chuàng)新環(huán)境對(duì)與區(qū)域創(chuàng)新能力不存在重要的影響，而可能是因?yàn)槲覈?guó)的自主創(chuàng)新能力還沒(méi)有達(dá)到較高的水平，以至對(duì)創(chuàng)新能力不能產(chǎn)生積極的影響。表2 全部樣本數(shù)據(jù)的回歸結(jié)果被解釋變量I解釋變量東部六省河北省浙江省江蘇省山東省廣東省福建省L（）***（）***（）***（）***（）*（）*K（）（）（）（）（）（）**FDI（）（）（）***（）**（）***（）**T（）**（）（）（）**（）***（）注解：括號(hào)內(nèi)為t檢驗(yàn)值，***、**、*分別表示達(dá)到了1%、5%、10%的顯著性水平。由于篇幅的關(guān)系，表中各地區(qū)的變截距沒(méi)有列出。五、河北省FDI的InterventionARIMA預(yù)測(cè)ARIMA模型在經(jīng)濟(jì)預(yù)測(cè)過(guò)程中既考慮了經(jīng)濟(jì)現(xiàn)象在時(shí)間序列上的依存性，又考慮了隨機(jī)波動(dòng)的干擾性，對(duì)于經(jīng)濟(jì)運(yùn)行短期趨勢(shì)的預(yù)測(cè)準(zhǔn)確率較高，是近年應(yīng)用比較廣泛的方法之一[16]。而干預(yù)分析的研究始于美國(guó)威斯康辛大學(xué)統(tǒng)計(jì)系教授Box與Tiao于1975年聯(lián)合發(fā)表的《經(jīng)濟(jì)與環(huán)境問(wèn)題的干預(yù)分析及應(yīng)用護(hù)》以后，干預(yù)分析的概念和干預(yù)分析模型引起了人們廣泛關(guān)注，并迅速地被應(yīng)用去描繪經(jīng)濟(jì)政策的變化及其給經(jīng)濟(jì)帶來(lái)的影響。研究干預(yù)分析模型的目的，就是從定量分析的角度來(lái)評(píng)估政策干預(yù)或突發(fā)事件對(duì)經(jīng)濟(jì)環(huán)境和經(jīng)濟(jì)過(guò)程的具體影響。(一)模型的基本簡(jiǎn)介(1)干預(yù)模型簡(jiǎn)介干預(yù)模型的基本變量是干預(yù)變量即確定性輸入序列，它有兩種基本形式，第一種是持續(xù)性的干預(yù)變量，形式為：表示在時(shí)刻T之后干預(yù)的影響仍保留下去。第二種是短暫性的干預(yù)變量，可用在時(shí)刻T的脈沖函數(shù)給出，形式是：表示在時(shí)刻T之后干預(yù)的影響就會(huì)消失。其中T是時(shí)間變量，是表示干預(yù)事件發(fā)生的年份。干預(yù)事件的影響形式雖然千姿百態(tài)，但按其影響的形式，歸納起來(lái)基本上有四種類(lèi)型：1)干預(yù)事件的影響突然開(kāi)始，::要求通過(guò)差分化為平穩(wěn)序列，干預(yù)模型可調(diào)整為:.如果干預(yù)事件要滯后個(gè)時(shí)期才產(chǎn)生影響，干預(yù)模型可進(jìn)一步調(diào)整為:。其中B為后移算子。2)干預(yù)事件影響逐漸開(kāi)始，長(zhǎng)期持續(xù)下去。其模型為:。更一般的模型是：。3)干預(yù)突然開(kāi)始產(chǎn)生短暫的影響。干預(yù)模型為：。4)干預(yù)逐漸開(kāi)始產(chǎn)生短暫的影響，干預(yù)模型為：。綜合上述，不管經(jīng)濟(jì)系統(tǒng)受到的干預(yù)影響多么復(fù)雜，都可以用上述四種形式或者是它們的某種組合來(lái)表達(dá)，同時(shí)，也可以用這種組合去模擬多個(gè)干預(yù)事件所產(chǎn)生的影響[17]。(2)ARIMA模型的基本類(lèi)型單變量時(shí)間序列模型一般有四種：自回歸模型AR(p)，滑動(dòng)平均模型MA(q)，自回歸滑動(dòng)平均模型ARMA(p，q)，求和自回歸滑動(dòng)平均模型ARIMA(p，d，q)。其中p，q分別為自回歸和滑動(dòng)平均的階數(shù)，d為單整階數(shù)。其中前面三個(gè)模型只適用于刻畫(huà)一個(gè)平穩(wěn)序列的自相關(guān)性，然而實(shí)際生活中遇到的經(jīng)濟(jì)數(shù)據(jù)大多是非平穩(wěn)的時(shí)間序列，這些序列的數(shù)字特征是隨著時(shí)間的變化而變化的，難以通過(guò)序列已知的信息去掌握時(shí)間序列整體上的隨機(jī)性。當(dāng)遇到一個(gè)單變量時(shí)間序列時(shí)，首先應(yīng)對(duì)其進(jìn)行單位根檢驗(yàn)，檢查其是否為平穩(wěn)序列，如果序列平穩(wěn)可以用前三個(gè)模型對(duì)其進(jìn)行擬合分析；如果序列是非平穩(wěn)，則通過(guò)差分的方法將非平穩(wěn)序列轉(zhuǎn)化為平穩(wěn)序列。 (3)ARIMA模型的識(shí)別及選擇模型類(lèi)型的識(shí)別及選擇：時(shí)間序列{yt}經(jīng)過(guò)預(yù)處理后成為零均值、正態(tài)、平穩(wěn)的新序列，模型的選擇一般是依據(jù)自相關(guān)函數(shù)ACF圖和偏自相關(guān)函數(shù)PACF圖來(lái)進(jìn)行判斷，其規(guī)則如表1：表3平穩(wěn)時(shí)間序列模型結(jié)構(gòu)的識(shí)別規(guī)則模型AR(p)MA(q)ARMA(p，q)自相關(guān)函數(shù)拖尾截尾拖尾偏自相關(guān)函數(shù)截尾拖尾拖尾但是，對(duì)于ARMA(p，q)序列，不能用自相關(guān)或偏相關(guān)函數(shù)來(lái)定階，其定階方法主要有3種：自相關(guān)和偏相關(guān)函數(shù)定階法；FPE準(zhǔn)則法；AIC及BIC準(zhǔn)則，其中AIC及BIC準(zhǔn)則應(yīng)用最廣。AIC準(zhǔn)則： AICp,q,μ=min1≤p,q≤M(p,q)AIC(p,q,μ)其中，是殘差方差，為序列均值，當(dāng)其也要估計(jì)時(shí)，則參數(shù)個(gè)數(shù)為p+q+1。在模型的擬合過(guò)程中，選取不同的p，q及模型參數(shù)，對(duì){yt}進(jìn)行擬合和參數(shù)估計(jì)，找出使AIC值達(dá)到最小的模型確定為最佳模型。(4)干預(yù)ARIMA模型InterventionARIMA模型是干預(yù)函數(shù)方法和ARIMA方法的結(jié)合，在經(jīng)典ARIMA模型的基礎(chǔ)上，將原始序列分解成一種新的模型結(jié)構(gòu)，再以此為基礎(chǔ)預(yù)測(cè)出經(jīng)濟(jì)