計量經(jīng)濟學(xué) 案例分析集

教學(xué)案例集

第一章緒論

（1.1.4）案例1—1

【基本案情】

建立計量經(jīng)濟學(xué)模型的研究步驟主要包含以下幾個方面：理論模型的設(shè)計、

樣本數(shù)據(jù)的收集、模型參數(shù)的估計、模型的檢驗。而樣本數(shù)據(jù)的收集和整理

是建立計量經(jīng)濟學(xué)模型過程中最費時費力的工作，也是對模型質(zhì)量影響極大一項

工作。國家統(tǒng)計局官網(wǎng)提供了我國最為權(quán)威的統(tǒng)計數(shù)據(jù)，在本例中，我們將簡單

介紹如何在該網(wǎng)站上收集并整理數(shù)據(jù)。

【案例分析】

首先進入國家統(tǒng)計局網(wǎng)站數(shù)據(jù)收集頁面httD：〃/,注冊并登錄

賬戶，在搜索框可以輸入想要查詢的數(shù)據(jù)：

#首頁I月度數(shù)據(jù)I季度數(shù)據(jù)I年度數(shù)據(jù)I普查數(shù)據(jù)I地區(qū)數(shù)據(jù)▼I部門數(shù)據(jù)I國際數(shù)

BCHSHU如：2012年［匕京GDP搜索

圖國家統(tǒng)計局網(wǎng)站數(shù)據(jù)搜索

我們輸入GDP看看搜索結(jié)果如何:

統(tǒng)計GDPCPI

GDP

Q格詞架二產(chǎn)^PMIPPI

樹文雄朱匕2&563條-全部-aI

地X般州時何敗俄，省年也數(shù)積大XK

月度數(shù)據(jù)

主要城市年度數(shù)據(jù)|大展表

?國內(nèi)2：產(chǎn)慫依（憶元）tin2O19H990865.0

分備季度數(shù)據(jù)

季度數(shù)據(jù)

?忖內(nèi)七產(chǎn)幺他（億兀）2018年919281.1徐極&

年度數(shù)據(jù)

?N內(nèi)生產(chǎn)總值（億兀）2019"：990865.0年度數(shù)據(jù)MXKft

圖1.1GDP數(shù)據(jù)搜索結(jié)果

由圖中可以看出當(dāng)沒有指定統(tǒng)計數(shù)據(jù)的地區(qū)來源時，網(wǎng)站優(yōu)先提供全國的年

度數(shù)據(jù)，讀者可以通過點擊“篩選欄目”，選擇自己需要的數(shù)據(jù)類別，點擊“相

關(guān)報表”可以查看數(shù)據(jù)。我們點擊查看2019年國內(nèi)生產(chǎn)總值（億元）的數(shù)據(jù)：

r(w年度散燃回事,S

Q初中.作詢gl離級會詢HQ經(jīng)阱圖收O添海裁111KW!M▼111欣米布？，

?1|.jih'151

2019年;2018年：2017年：2016年,2015年*

▼國民處清核停

?國代⑨收入（包兀）98845ao915887.3831381.2743408.306255.7

,國內(nèi)生產(chǎn)總偵

O國內(nèi)'￡產(chǎn)?&他（億元）990865.0919281.1832035.9746395.1?Ba58.2

?國內(nèi)生產(chǎn)Qtfl指數(shù)

?三次產(chǎn)業(yè)構(gòu)成O家?產(chǎn)業(yè)增加值（2兀）70467.064745.262099.560139.257774.6

?分行業(yè)增加值e第：產(chǎn)業(yè)墻加值（億元）386165.0364W5.2331580.529M27.828188.9

?分行業(yè)措加值指致

IO.產(chǎn)業(yè)JflMMfU億兀）534233.0489700.8438355.9390628.1349744.7

分行業(yè)塘加值構(gòu)成

?1O人均㈣內(nèi)生產(chǎn)1&依（兀）

70的266006600145413950237

?三次產(chǎn)業(yè)我就辜

?三次產(chǎn)業(yè)對僧內(nèi)牛.產(chǎn)總的用長十

?支出法國內(nèi)生產(chǎn)總依

?.大需求"國內(nèi)生產(chǎn)總做分長V

?外用筋我水干

?投入產(chǎn)出基本次我表

?投入產(chǎn)出在核消耗后故

：1：980l：.；；僧氏總〃入’.二々入冷線.

?投入產(chǎn)出完全溝，（?后故

2.?次產(chǎn)?分類依?國*線計H201B年MHJ的<:次產(chǎn)業(yè)劃分底定》?第一產(chǎn)“足指農(nóng)、H.牧、漁業(yè)（小t也、

圖1.22019年國內(nèi)生產(chǎn)總值（億元）的數(shù)據(jù)

由上圖可以看出國家統(tǒng)計局提供了國內(nèi)生產(chǎn)總值相關(guān)的數(shù)據(jù)，頁面下方提供

了數(shù)據(jù)說明。頁面左側(cè)展示了網(wǎng)站提供的全國年度數(shù)據(jù)的各項指標(biāo)，讀者可以根

據(jù)自己的需求挑選想要了解的統(tǒng)計數(shù)據(jù)。點擊頁面右上方的下載按鈕，可以下載

數(shù)據(jù)，網(wǎng)站提供Excel、CSV、XML、PDF四種下載的文件形式，點擊時間下拉

框可以選擇讀者需要的數(shù)據(jù)來源時間，比如“最近5年”的數(shù)據(jù)。左上方提供四

種圖表展示數(shù)據(jù)，分別為：報表、柱線圖、條形圖、餅圖。此外國家統(tǒng)計局還提

供了歷年統(tǒng)計年鑒，點擊“出版物”即可查詢，統(tǒng)計年鑒提供的數(shù)據(jù)更為全面。

卜出版物

中國施計年簽

2019

中國統(tǒng)計年鑒（中W統(tǒng)計洋基》通?部金?反映中華人K共和W經(jīng)濟和杜侖發(fā)膠優(yōu)次的貨料性年H.系統(tǒng)收求/修僮和

各窗、自的區(qū)、龍?zhí)菚夏杲?jīng)濟、社公各〃.面的統(tǒng)計也州.以及多個羽要歷史年份和近年全國￡要統(tǒng)計數(shù)據(jù).

II前.（中W蛻if?年篁》在傳年9月出版.

2019年2018年2017年2016年201毋2014年

201392012年2011年201。年2009年2008年

2007年2006年2005年2004年2003年2002年

2001年2000年1999年

圖1.3統(tǒng)計年鑒查詢

總之，國家統(tǒng)計局提供的數(shù)據(jù)相當(dāng)全面，不僅有國內(nèi)的數(shù)據(jù)，還提供了一些

國際數(shù)據(jù)，讀者可以登錄該網(wǎng)站，全而了解其功能。

第二章一元線性回歸模型

（2.4.2）案例2—1

【基本案情】

為了解中國2018年居民人均可支配收入與人均消費支出的關(guān)系，下表給出

了中國內(nèi)地31個省、市、自治區(qū)的居民人均消費支出(Y)和居民人均可支配收

入(X)的截面數(shù)據(jù)，我們想要了解居民收入的增加或是減少會對消費支出產(chǎn)生

多大的影響。

表12018年中國內(nèi)地居民人均消費支出和居民人均可支配收入單位：元

居民人均消費居民人均可居民人均消居民人均可支

地區(qū)地區(qū)

支出(Y)支配收入(X)費支出(Y)配收入(X)

北京39842.6962361.22湖北19537.7925814.54

天津29902.9139506.15湖南18807.9425240.75

河北1672223445.65廣東26053.9835809.9

山西14810.1221990.14廣西14934.7521485.03

內(nèi)蒙古19665.2228375.65海南17528.4424579.04

遼寧21398.3129701.45重慶19248.4726385.84

吉林17200.4122798.37四川17663.5522460.55

黑龍江16993.9622725.85貴州13798.0618430.18

43351.364182.65云南14249.9320084.19

25007.4438095.79西藏11520.2317286.06

29470.6845839.84陜西16159.6922528.26

17044.6423983.58甘肅14623.9517488.39

22996.0432643.93青海16557.1920757.26

15792.0224079.68寧夏16715.0922400.42

18779.7729204.61新疆16189.0921500.24

15168.521963.54

數(shù)據(jù)來源：國家統(tǒng)計局

【案例分析】

我們假設(shè)擬建立如下一元線性回歸模型：

其中用的經(jīng)濟含義是邊際消費傾向(MPC),凱恩斯認(rèn)為存在一個心理規(guī)律，隨著

收入的增加，消費也會增加，但是消費的增加不及收入的增加，因此邊際消費傾

向總是大于0小于1,下圖給出了利用Stata軟件進行一元線性回歸的結(jié)果。

regYX

SourcessdfMSNumberofobs=31

F(l,29)=1199.30

Model1.5318e+0911.5318e+09Prob>F=0.0000

Residual37041016.4291277276.43R-squared=0.9764

CJJ0.9756

Total1.5689e+093052296066RootMSE=1130.2

YCoef.Std.Err.tP>ltl[95%Conf.Interval]

X.6232416.017996734.630.000.5864343.6600489

_cons2372.63546.02724.350.0001255.8793489.381

圖2.1一元線性模型回歸結(jié)果

回歸分析結(jié)果可表示為：

￡=2372.63+0.6232416X,

(4.35)(34.63)

R2=0.9764F=1199.30

括號內(nèi)的數(shù)為相應(yīng)參數(shù)的t檢驗值，R?是可決系數(shù)，F(xiàn)統(tǒng)計量值。

從模型的回歸估計結(jié)果來看，模型擬合較好。可決系數(shù)R2=0.9764,表明居

民人均消費支出變化的97.64%可由人均可支配收入的變化解釋。斜率項的p值

為0,說明其拒絕回=0的原假設(shè)，且斜率項的值滿足0<().6232416<1,符合經(jīng)濟

意義，該值表明，在其它條件不變的情況下，在2018年，居民人均可支配收入

每增加1元，居民人均消費支出會增加0.62元。

【知識點】一元線性回歸模型的基本假設(shè)——顯著性檢驗

【難度】1簡單

第三章多元線性回歸模型

(3.1.3.5)案例3—1

【基本案情】

農(nóng)村地區(qū)青少年的教育問題一直是社會的關(guān)注對象，家庭背景是否是制約農(nóng)

村學(xué)生教育抉擇的關(guān)鍵因素是很多學(xué)者所關(guān)心的問題。我們對CHIP1995中的數(shù)

據(jù)進行整理，研究父母的受教育年限、家庭凈收入、孩子的性別、家庭中子女的

個數(shù)和父母對子女教育投入的資金對農(nóng)村地區(qū)子女的受教育年限有什么影響。

【案例分析】

根據(jù)基本案情構(gòu)建如下的多元線性回歸模型：

eduyear=0()+^income+p2educ+pychildn+p^fmeduyear+p5AGE+gender+〃

其中eduyear為農(nóng)村地區(qū)子女的受教育年限；income為家庭凈收入；educ

為父母對子女教育投入的資金；childn為家庭中子女的個數(shù)；fmeduyear為父母

的受教育年限之和；AGE為年齡，本例中選擇16到20歲的青年；gender為虛

擬變量表示孩子的性別，當(dāng)孩子為女性時gendei-O,當(dāng)孩子為男性時gender=l0

利用Stata軟件進行回歸分析，結(jié)果如下圖所示：

.regeduyearincomeeducchildnfmeduyearAGEgender

SourceSSdfMSNumberofobs=1.833

F(6,1826)75.52

Model2665.799476444.299912Prob>F=0.0000

Residual10742.04451,8265.88282831R-squared=0.1988

AdjR-squared0.1962

Total13407.8441,8327.31869212RootMSE=2.4255

eduyearCoef.Std.Err.t?>lt|(95%Conf.Interval]

income.1551015.08141391.910.057-.0045726.3147756

educ.0343564.00424118.100.000.0260385.0426742

childn-.2227957.0591076-3.770.000-.3387212-.1068701

fmeduyear.1872283.011622416.110.000.1644337.2100228

AGE.2579267.04021146.410.000.1790614.336792

gender.3587021.11535883.110.002.132453.5849512

_cons1.490705.76283671.950.051-.00541912.986829

圖3.1多元線性回歸結(jié)果

模型的估計結(jié)果可以表示為：

eduyear=1.49-1-0.15income+0.03educ+-0.22childn+0.1^fmeduyear

(1.95)(1.91)(8.10)(-3.77)(16.11)

+0.254GE+().35gender

(6.41)(3.11)

F=75.52R2=0.1988

其中括號內(nèi)的數(shù)為相應(yīng)參數(shù)的t檢驗值，R?是可決系數(shù)，F(xiàn)統(tǒng)計量值。

根據(jù)回歸結(jié)果可知，fmeduyear>income>和educ這三項的回歸系數(shù)都是大

于0的，即這幾項對農(nóng)村地區(qū)子女的受教育年限都有正向促進影響，也就是說父

母受到的教育時間越長，家庭的收入越高以及父母對子女教育投入越大，都會增

加孩子接受教育的時間長度。而chikin前的系數(shù)小于0,則說明一個家庭孩子越

多，這個家庭孩子的受教育年限就會縮短，gendei?前的系數(shù)為正，說明其它條件

相同的情況下，男孩比女孩多接受0.35年的教育。關(guān)于虛擬變量的知識點我們

將在下一章討論。根據(jù)F統(tǒng)計量的值我們可以認(rèn)為該模型的系數(shù)具有聯(lián)合顯著

性，income的系數(shù)在0.1的顯著性水平下拒絕原假設(shè)，而其它變量的系數(shù)都是顯

著的。雖然回歸結(jié)果的R'0.1988,比較小，但是我們不能說該模型引入的變量對

農(nóng)村地區(qū)子女的受教育年限的解釋程度不高，因為模型中選擇的變量都是符合現(xiàn)

實背景的。

【知識點】多元線性回歸模型一參數(shù)線性組合的檢驗一擬合優(yōu)度

【難度】1簡單

第四章回歸分析專題

(4.1.1)案例4—1

【基本案情】

影響地區(qū)技術(shù)進步的因素有哪些，受到許多學(xué)者和地方政府的關(guān)注，一般認(rèn)

為經(jīng)濟發(fā)展條件較好的地區(qū)，其技術(shù)進步的速度越快；地方政府對科技的重視程

度也會激發(fā)地區(qū)技術(shù)創(chuàng)新熱情；也有一些學(xué)者認(rèn)為地區(qū)的對外貿(mào)易開放度對其也

有?定的影響，貿(mào)易開發(fā)度越高的地區(qū)，當(dāng)?shù)氐钠髽I(yè)和高校會對學(xué)習(xí)或研發(fā)國際

領(lǐng)先技術(shù)更有興趣。

【案例分析】

利用2018年全國中國內(nèi)地30個省、市、自治區(qū)（西藏除外）數(shù)據(jù)分析地區(qū)

創(chuàng)新能力的影響因素，建立如下對數(shù)-對數(shù)模型：

InPC,=InGOVy+/72InGDP.+鳳InFDlt+%

其中PC是專利申請數(shù)量，GOV是地方公共財政在科學(xué)技術(shù)上的支出，反映地方

政府對科學(xué)技術(shù)的重視程度，F(xiàn)DI是實際利用外商直接投資額，反映當(dāng)?shù)氐馁Q(mào)易

開放度。下圖給出了利用Stata軟件進行線性回歸的結(jié)果：

regInpcIngovIngdpInfdi

SourceSSdfMSNumberofobs=30

i?/—oaao.Z97i

Model47.4614936315.8204979Prob>F-0.0000

Residual4.6601236226.179235524R-squared0.9106

Total52.1216172291.79729715RootMSE=.42336

InpcCoef.Std.Err.tP>|t|[95%Conf.Interval]

Ingov.659917.13525224.880.C00.3819021.9379318

Ingdp.6238161.23020952.710.C12.15061371.097018

Infdi.0433404.07170030.600.E51-.1040417.1907226

_cons-3?931.17bl?：L3”ZbU.CUO2y4332

圖4.1對數(shù)-對數(shù)模型回歸結(jié)果

模型的估計結(jié)果可以表示為：

InPC,=-5.95+0.66InGOY-f-0.62InGDP,+0.04InFDIt

（-5.22）（4.88）（2.71）（0.60）

F（3,26）=88.27R2=0.9106

我們可以看到除了截距項，所有參數(shù)估計的結(jié)果都是大于。的,這說明GOV、

GDP、FDI三項對地區(qū)的專利申請數(shù)量都有正向促進作用，其中地方公共財玫在

科學(xué)技術(shù)上的支出對專利申請數(shù)量的影響最大，GDP的影響力其次，F(xiàn)DI影響

力較小，可能是外商投資用于技術(shù)研發(fā)的部分不大，即直接促進作用不大，但是

其對專利申請應(yīng)該還是有間接促進作用。

【知識點】對數(shù)-對數(shù)模型

【難度】1簡單

（4.6）案例4一2

【基本案情】

本案例作為例3.7.1教育回報率的擴展，使用分位數(shù)模型估計明瑟方程，研究對

于不同收入層次的人群，受教育年限等變量對其收入的影響大小有何區(qū)別。

【案例分析】

使用數(shù)據(jù)集grilic.data,lw（工資對數(shù)），s（受教育年限），expr（工齡），tenure

（在現(xiàn)單位的工作年數(shù)），iq（智商），rns（美國南方虛擬變量，住在南方=1）,

smsa（大城市虛擬變量，住在大城市=1）。

作為參照先進行線性回歸：

.regIwsiqexprtenurernssmsa,r

LinearregressionNumberofobs758

F(6,751)71.89

Prob>F0.0000

R-squared0.3600

RootMSE.34454

Robust

1WCoef.Std.Err.tP>lt|[95%Conf.Interval]

S.0927874.006976313.300.000.0790921.1064826

iq.0032792.00113212.900.004.0010567.0055016

expr.0393443.00666035.910.000.0262692.0524193

tenure.034209.00789574.330.000.0187088.0497092

rns-.0745325.0299772-2.490.013-.1333815-.0156834

smsa.1367369.02777124.920.000.0822186.1912553

_cons3.895172.115928633.600.0003.6675894.122754

圖4.2線性回歸結(jié)果

可以看到各項回歸結(jié)果在0.05%水平下顯著，在美國南方工作不如北方工作收入

高，受教育年限、工齡、智商、在大城市工作均有利于工資提升。

下面進行中位數(shù)回歸：

?qreglwsxqexprtenuresmdarnolog

MedianregressionNumberofobs758

Rawsumofdeviations130.68(about5.684)

Minsumofdeviations101.8789PseudoR20.2204

lwCoef.Std.Err.tP>lt|[95%Conf.Interval]

3.1014672.008595911.800.000.0845924.1183421

iq.0045716.00139653.270.001.0018301.007313

expr.0359681.00813144.420.000.0200052.051931

tenure.0425992.00994824.280.000.0230695.0621288

rns-.0362275.0371579-0.970.330-.1091733.0367182

smsa.1318406.03603923.660.000.0610911.2025902

_cons3629197.140700825.790.0003.3529843.905411

圖4.3中位數(shù)回歸結(jié)果

從上圖可知，增加一年的教育，能夠使工資的中位數(shù)增加10.1%,略大于對工資

平均數(shù)的影響。

下面使用自助法計算分位數(shù)回歸的標(biāo)準(zhǔn)誤。為了便于復(fù)制結(jié)果，指定隨機數(shù)的種

子：

.bsqregIwsiqexprtenurernssmsa,reps(400)q(.5)

(fittingbasemodel)

Bootstrapreplications(400)

——I—1—I—2—|—3—|—4—|-5

...................................................50

....................................................100

....................................................150

....................................................200

....................................................250

....................................................300

....................................................350

....................................................400

Medianregression,bootstrap(400)SEsNumberofobs=758

Rawsumofdeviations130.68(about5.684)

Minsumofdeviations101.8789PseudoR2=0.2204

1WCoef.Std.Err.tP>lt|[95%Conf.Interval]

S.1014672.009352310.850.000.0831075.119827

iq.0045716.0014083.250.001.0018074.0073357

expr.0359681.00887894.050.000.0185376.0533985

tenure.0425992.01056984.030.000.0218494.0633489

rns-.0362275.0457032-0.790.428-.1259487.0534936

smsa.1318406.03731413.530.000.0585882.205093

_cons3.629197.17288220.990.0003.2898083.968587

圖4.4自助法計算分位數(shù)結(jié)果

對比自助法標(biāo)準(zhǔn)誤與stata的默認(rèn)標(biāo)準(zhǔn)誤可知，二者相差不大。

也可以同時估計多個分位數(shù)回歸,比如1/10,5/10與同肘分位數(shù):

.setseed10101

.sqregIwsiqexprtenurernssmsa,reps(400)q(.l.5.9)nodots

SimultaneousquantileregressionNumberofobs=758

bootstrap(400)SEs.10PseudoR2=0.1580

.50PseudoR2=0.2204

.90PseudoR2"0.2230

Bootstrap

lwCoef.Std.Err.tP>|t|(95%Conf.Interval]

qlO

3.0761644.01367415.570.000.0493205.1030084

iq.0052221.00193872.690.007.0014163.009028

expr.0336056.01108013.030.003.0118539.0553573

tenure.0335323.01681621.990.047.0005199.0665447

rns-.0730452.0486852-1.500.134-.1686205.02253

smsa.1328733.04598272.890.004.0426035.2231432

_cons3.493085.231337515.100.0003.038943.947231

q50

s.1014672.009248610.970.000.083311.1196235

iq.0045716.00142263.210.001.0017788.0073643

expr.0359681.00923783.890.000.0178331.0541031

tenure.0425992.0099994.260.000.0229698.0622285

rns-.0362275.046272-0.780434".1270655.0546104

smsa.1318406.03582463.680.000.0615123.2021689

_cons3.629197.174223620.830.0003.2871743.971221

q90

s.0825558.0114797.190.000.060021.1050906

iq.0042117.00188272.240.026.0005157.0079077

expr.0484154.01033324.690.000.02813.0687009

tenure.0256796.00840233.060.002.0091848.0421744

rns-.072669.0558312-1.300.193-.1822728.0369348

smsa.1281147.05190612.470.014.0262164.2300131

_cons4.36716.173911125.110.0004.0257514.70857

圖4.4自助法計算1/10,5/10與9/10分位數(shù)結(jié)果

對回歸結(jié)果進行檢驗，如檢驗在以上三個分位數(shù)回歸結(jié)果中，教育年限的系數(shù)是

否相等：

test[ql0=q50=q90]:s

(1)[ql0]s-[q50]s=0

(2)[ql0]s-[q90]s=0

F(2,751)=2.50

Prob>F=0.0830

圖4.5檢驗系數(shù)是否相等

結(jié)果表明在10%的顯著性水平上認(rèn)為，以上分位數(shù)回歸系數(shù)不完全相等。為了便

于比較將以上回歸結(jié)果列表整理。

在slala軟件輸入如下代碼：

quiregIwsiqexprtenurernssmsa〃線性回歸且不展示回歸結(jié)果

eststoOLS//儲存回歸結(jié)果

quiqregIwsiqexprtenurernssmsa,q(.l)〃I()%分位點回歸且不展示回歸結(jié)果

eststoQR_10

quiqregIwsiqexprtenurernssmsa,q(.5)

eststoQR_50

quiqregIwsiqexprtenurernssmsa,q(.9)

eststoQR_90

.esttabOLSQR10QR50QR90

(1)(2)(3)(4)

IwIwIwIw

30.0928***0.0762***0.101***0.0826***

(13.92)(6.20)(11.80)(7.05)

iq0.00328**0.00522**0.00457**0.00421*

(3.03)(2.62)(3.27)(2.21)

expr0.0393***0.0336**0.0360***0.0484***

(6.24)(2.89)(4.42)(4.37)

tenure0.0342***0.0335*0.0426***0.0257

(4.43)(2.36)(4.28)(1.90)

rns-0.0745**-0.0730-0.0362-0.0727

(-2.59)(-1.38)(-0.97)(-1.44)

smsa0.137***0.133*0.132***0.128**

(4.89)(2.58)(3.66)(2.61)

_cons3.895***3.493***3.629***4.367***

(35.70)(17.38)(25.79)(22.79)

N758758758758

tstatisticsinparentheses

*p<0.05,**p<0.01,***p<0.001

圖4.6比較回歸結(jié)果

由圖4.6可以看出，以教育投資回報率為例，隨著分位數(shù)的增加，教育年限

的分位數(shù)回歸系數(shù)呈現(xiàn)先上升后下降的趨勢，這表明，教育年限對工資的條件分

布的兩端影響小于對其中間部分的影響。也就是說，增加教育年限對于低工資者

與高工資者的影響都比較小，而最大的受益者為中間階層。同理根據(jù)iq的回歸

估計系數(shù)可得到類似的結(jié)果。

第五章放寬基本假定的模型

(5.3)案例5—1

【基本案情】

杜森貝認(rèn)為，消費的決策不僅取決于居民的可支配收入，也取決于消費習(xí)慣,

這個觀點也被稱為棘輪效應(yīng)，即人的消費習(xí)慣形成之后有不可逆性，即易于向上

調(diào)整，而難于向下調(diào)整。宋代政治家和文學(xué)家司馬光曾說過：由儉入奢易，由奢

入儉難，反應(yīng)出消費決策，具有習(xí)慣性。下表給出了中國的城鎮(zhèn)居民人均消費支

出(c)和城鎮(zhèn)居民人均可支配收入(income)的從2013年第一季度到2019年

第四季度的數(shù)據(jù)，我們想要了解居民的消費決策是否會受到上一期的消費習(xí)慣的

影響呢？

表5.1城鎮(zhèn)居民人均消費支出和居民人均可支配收入單位：元

城鎮(zhèn)居民城鎮(zhèn)居民

城鎮(zhèn)居民人城鎮(zhèn)居民人

時間人均可支時間人均可支

均消費支出均消費支出

配收入配收入

2013年第一季度720347252016年第三季度83805612

2013年第二季度601141322016年第四季度82796282

2013年第三季度659846312017年第一季度99866387

2013年第四季度662250002017年第二季度833655張

2014年第一季度791251932017年第三季度91085915

2014年第二季度660844782017年第四季度89666599

2014年第三季度717749362018年第一季度107816749

2014年第四季度714753612018年第二季度89895996

2015年第一季度857255342018年第三季度98296269

2015年第二季度712748672018年第四季度96527098

2015年笫三季度781352352。19年第一季度116337160

2015年第四季度768357562019年笫二季度97096405

2016年第?季度925559702019年第三季度105976814

2016年第二季度77G252152019年第四季度104207684

數(shù)據(jù)來源：國家統(tǒng)計局

注：本例已將國家統(tǒng)計局提供的累計值數(shù)據(jù)轉(zhuǎn)化為當(dāng)季值數(shù)據(jù)。

【案例分析】

參照第二章的案例，我們建立一個簡單的消費函數(shù)，建立如下線性回歸模型:

c、=鳳+^incomev+〃

式中下標(biāo)t表示數(shù)據(jù)的時期。下圖給出了利用Stata軟件進行線性回歸的結(jié)果：

?regcincome

SourceSSdfMSNumberofobs=28

rr/V11/o/rC1J-,A1cDnU.XO

Model18389625.2118389625.2Prob>F=0.0000

Residual3184137.826122466.838R-squared-0.8524

Total2157376327799028.258RootMSE=349.95

cCoef.Std.Err.tP>lt1[95%Conf.Interval]

income.5661034.046197512.250.000.471143.6610637

_cons955.0691398.41732.400.024136.11051774.028

圖5.1線性回歸結(jié)果

所得結(jié)果可表示為：