我國人均消費影響因素的實證分析-資料下載頁
2025-06-29 13:48本頁面
【正文】 ，所以ARMA（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。下面給出給出ARMA（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。由上圖知Q（12）=﹤（1223）=，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)整選取變量首先，對相關數(shù)據(jù)做圖形分析，由下圖可以看出，CONSP、INP、SAVE這三項數(shù)據(jù)變化趨勢基本相同，所以猜測三者之間相互影響較大。而CPI與IR變化與以上三項數(shù)據(jù)不同，一方面是相互聯(lián)系問題，另一方面是數(shù)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(shù)量級相差甚大。為了進一步證實以上結論，對以上數(shù)據(jù)進行協(xié)方差分析，結果如下圖：由此，我們選取CONSP、INP、SAVE這三項數(shù)據(jù)來做相關協(xié)整分析，及向量自回歸模型。協(xié)整分析（1）首先，對三個向量進行單位根檢驗：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CONSP、INP、SAVE因果關系進行檢驗滯后期為1時：滯后期為2時：滯后期為3時：滯后期為4時：因果關系檢驗結果表明：在5%顯著性水平下，滯后期數(shù)為1時，CONPS與INP互為因果，INP是引起SAVE變化的原因，SAVE與CONSP不存在因果關系。在滯后期數(shù)為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(shù)為1時：CONSP = *CONSP(1) + *INP(1) + INP = *CONSP(1) + *INP(1) + 滯后期數(shù)為2時： CONSP = *CONSP(1) + *CONSP(2) + *INP(1) *INP(2) + INP = *CONSP(1) + *CONSP(2) + *INP(1) *INP(2) + 33 / 3
醫(yī)療健康相關推薦
鄂ICP備17016276號-1