中国对美国进口总额的分析.docx

中国对美国进口总额的分析.docx

《中国对美国进口总额的分析.docx》由会员分享，可在线阅读，更多相关《中国对美国进口总额的分析.docx（20页珍藏版）》请在冰豆网上搜索。

中国对美国进口总额的分析

中国对美国进口总额的分析

中美两国,一个是发展中的大国,一个是经济、科技发达的大国,两国都有广阔的市场,经济互补性很强。

现在中美两国间贸易往来十分频繁，美国是中国进口商品主要的来源地。

目前,两国贸易额已达400多亿美元,比1979年增加了数十倍。

中国是美国小麦、磷肥、木材的主要销售市场,是美波音公司的第四大用户,也是美国计算机、工业机械等产品的最大买主之一。

中国从美国的进口逐年递增。

美国已成为屈居日本之后的世界第二大中国进口来源国。

中美各自的一些产品对对方市场的依赖性已初步形成。

中国经济正在持续、快速地发展,发展的重点———交通、通信和能源等领域,正是美国的强项。

中国市场的巨大潜力对美国有着非常大的吸引力。

正是中美在经济利益上的一致性,为中美关系的改善和发展带来了历史性机遇,并成为双边关系的核心。

因此，研究中国对美国的进口额是有现实意义的。

就基本的来说，一个国家的进口额应该和很多方面有关，例如进口国的失业率，关税，经济发展情况，与他国的贸易关系紧密程度，汇率等有关。

于是，我们以Y作为中国对美国的进口额（亿元）为应变量，并且假设了几个解释变量，它们分别是X1中国的GOD（亿元），X2中国历年的贸易关税总额（亿元），X3人民币的汇率，X4居民平均消费水平（元），X5中国的人口数，X6失业率，以及X7它作为一个比较特殊的值来衡量中国与美国之间的贸易关系。

中国与美国因为各种原因，两国间的关系时好时差，因此，构建模型时，也把这种原因也考虑了进去。

当两国较好时，设其值为1，不好时其值为0。

刚开始假设模型为Y=C+B1X1+B2X2+B3X3+B4X4+B5X5+B6X6+B7X7+U。

我们再来验证该模型的可行性。

一．假设初始模型

obs

Y

X1

X2

X3

X4

X5

X6

X7

1991

426.2328

21617.80

187.2800

5.322700

896.0000

11.43330

2.300000

1.000000

1992

473.9395

26638.10

212.7500

5.514900

1070.000

11.58230

2.300000

0.000000

1993

977.4677

34634.40

256.4700

5.761900

1331.000

11.71710

2.600000

1.000000

1994

1849.662

46759.40

272.6800

506187.0

1746.000

11.85170

2.800000

1.000000

1995

2063.750

58478.10

291.8300

8.350700

2236.000

11.98500

2.900000

0.000000

1996

1343.149

67884.60

301.8400

8.314200

2641.000

12.11210

3.000000

0.000000

1997

1351.348

74462.60

319.4900

8.289800

2834.000

12.23890

3.100000

1.000000

1998

1397.775

78345.20

313.0400

8.279100

2973.000

12.36260

3.100000

1.000000

1999

1612.470

82067.50

562.2300

8.278300

3143.000

12.47610

3.100000

0.000000

2000

1851.311

89442.20

750.4800

8.278400

3397.000

12.57860

3.200000

1.000000

2001

2168.759

95933.30

840.5200

8.277000

3611.000

12.76270

3.200000

1.000000

数据参考：

《中国对外贸易统计年鉴》2000年，2002年版

《中国统计年鉴》2000年，2002年版

《世界经济年鉴》2001年版

《国际统计年鉴》2001年版

1．用EVIEWS对各假设变量数据进行分析，得到下表：

DependentVariable:

Y

Method:

LeastSquares

Date:

12/14/03Time:

12:

39

Sample:

19912001

Includedobservations:

11

Variable

Coefficient

Std.Error

t-Statistic

Prob.

C

52635.19

29398.73

1.790390

0.1713

X1

0.592195

0.219174

2.701935

0.0737

X2

2.305870

0.876673

2.630251

0.0783

X3

-0.000170

0.000673

-0.252057

0.8173

X4

-14.12895

4.879698

-2.895457

0.0627

X5

-4820.787

2455.986

-1.962873

0.1444

X6

1165.480

1570.306

0.742200

0.5118

X7

-478.8084

163.9709

-2.920080

0.0615

R-squared

0.963212

Meandependentvar

1410.533

AdjustedR-squared

0.877373

S.D.dependentvar

589.1776

S.E.ofregression

206.3192

Akaikeinfocriterion

13.65199

Sumsquaredresid

127702.9

Schwarzcriterion

13.94137

Loglikelihood

-67.08594

F-statistic

11.22114

Durbin-Watsonstat

2.600491

Prob（F-statistic）

0.036258

从上表中可以看出，可决系数比较大，然而模型F检验值和各解释变量的T检验值都比较小，因此，可以判断出该模型存在着较大的多重共线性，异方差以及自相关等多种缺陷。

所以，应当适当的改变一下变量的形式，使得调整后的模型拟合程度更好。

2．针对解释变量X1来说，可以先寻找Y与X1之间的关系。

计算出LY=LnY以及LX1=LnX1。

依次对其进行分析，找出在Y与X1，Y与LnX1，LY与X1，LY与LnX1之间哪一组的相关程度最高。

（具体分析如表一至表四所示）

DependentVariable:

Y

Method:

LeastSquares

Date:

12/14/03Time:

10:

36

Sample:

19912001

Includedobservations:

11

Variable

Coefficient

Std.Error

t-Statistic

Prob.

C

333.4674

324.4520

1.027787

0.3309

X1

0.017519

0.004901

3.574775

0.0060

R-squared

0.586758

Meandependentvar

1410.533

AdjustedR-squared

0.540843

S.D.dependentvar

589.1776

S.E.ofregression

399.2336

Akaikeinfocriterion

14.97994

Sumsquaredresid

1434487.

Schwarzcriterion

15.05228

Loglikelihood

-80.38965

F-statistic

12.77902

Durbin-Watsonstat

1.004405

Prob（F-statistic）

0.005979

（表一）

DependentVariable:

Y

Method:

LeastSquares

Date:

12/14/03Time:

11:

54

Sample:

19912001

Includedobservations:

11

Variable

Coefficient

Std.Error

t-Statistic

Prob.

C

-8839.507

2445.733

-3.614257

0.0056

LX1

938.3851

223.6833

4.195151

0.0023

R-squared

0.661645

Meandependentvar

1410.533

AdjustedR-squared

0.624050

S.D.dependentvar

589.1776

S.E.ofregression

361.2528

Akaikeinfocriterion

14.78000

Sumsquaredresid

1174532.

Schwarzcriterion

14.85234

Loglikelihood

-79.28999

F-statistic

17.59929

Durbin-Watsonstat

1.107891

Prob（F-statistic）

0.002323

（表二）

DependentVariable:

LY

Method:

LeastSquares

Date:

12/14/03Time:

12:

58

Sample:

19912001

Includedobservations:

11

Variable

Coefficient

Std.Error

t-Statistic

Prob.

C

6.075063

0.288162

21.08211

0.0000

X1

1.73E-05

4.35E-06

3.966534

0.0033

R-squared

0.636119

Meandependentvar

7.136493

AdjustedR-squared

0.595688

S.D.dependentvar

0.557642

S.E.ofregression

0.354579

Akaikeinfocriterion

0.927196

Sumsquaredresid

1.131539

Schwarzcriterion

0.999541

Loglikelihood

-3.099580

F-statistic

15.73339

Durbin-Watsonstat

0.801747

Prob（F-statistic）

0.003272

（表三）

DependentVariable:

LY

Method:

LeastSquares

Date:

12/14/03Time:

11:

51

Sample:

19912001

Includedobservations:

11

Variable

Coefficient

Std.Error

t-Statistic

Prob.

C

-3.190284

1.990972

-1.602375

0.1435

LX1

0.945410

0.182091

5.191953

0.0006

R-squared

0.749697

Meandependentvar

7.136493

AdjustedR-squared

0.721885

S.D.dependentvar

0.557642

S.E.ofregression

0.294081

Akaikeinfocriterion

0.553044

Sumsquaredresid

0.778354

Schwarzcriterion

0.625389

Loglikelihood

-1.041744

F-statistic

26.95637

Durbin-Watsonstat

0.930376

Prob（F-statistic）

0.000570

（表四）

根据上述四表中的可决系数以及修正可决系数，可以看出在这里LY与LX的相关程度最好。

按这种方法分别对其它变量进行比较分析。

综合X2到X6的数据来看，采用LY=C+B1LX1+B2LX2+B3X3+B4LX4+B5X5+B6LX6+B7X7的这种拟合模型在目前来看最好。

二．分析初步调整后的模型

obs

LY

LX1

LX2

X3

LX4

X5

LX6

X7

1991

6.054986

9.981272

5.232605

5.322700

6.797940

11.43330

0.832909

1.0000000

1992

6.161080

10.19010

5.360118

5.514900

6.975414

11.58230

0.832909

0.0000000

1993

6.884965

10.45260

5.547012

5.761900

7.193686

11.71710

0.955511

1.0000000

1994

7.522758

10.75277

5.608299

506187.0

7.465083

11.85170

1.029619

1.0000000

1995

7.632280

10.97641

5.676171

8.350700

7.712444

11.98500

1.064711

0.0000000

1996

7.202772

11.12556

5.709897

8.314200

7.878913

12.11210

1.098612

0.0000000

1997

7.208858

11.21805

5.766726

8.289800

7.949444

12.23890

1.131402

1.0000000

1998

7.242637

11.26888

5.746331

8.279100

7.997327

12.36260

1.131402

1.0000000

1999

7.385523

11.31530

6.331911

8.278300

8.052933

12.47610

1.131402

0.0000000

2000

7.523649

11.40135

6.620713

8.278400

8.130648

12.57860

1.163151

1.0000000

2001

7.681910

11.47141

6.734021

8.277000

8.191740

12.76270

1.163151

1.0000000

1．用EVIEWS分析初步调整后的模型

DependentVariable:

LY

Method:

LeastSquares

Date:

12/14/03Time:

19:

41

Sample:

19912001

Includedobservations:

11

Variable

Coefficient

Std.Error

t-Statistic

Prob.

C

-12.68302

18.18878

-0.697299

0.5358

LX1

7.529893

5.547309

1.357395

0.2677

LX2

0.473889

0.656284

0.722080

0.5224

X3

2.63E-07

6.62E-07

0.397941

0.7173

LX4

-8.585895

5.625967

-1.526119

0.2244

X5

-0.546899

2.419075

-0.226078

0.8357

LX6

7.038473

9.694717

0.726011

0.5203

X7

-0.223243

0.339400

-0.657759

0.5577

R-squared

0.954451

Meandependentvar

7.136493

AdjustedR-squared

0.848171

S.D.dependentvar

0.557642

S.E.ofregression

0.217287

Akaikeinfocriterion

-0.059937

Sumsquaredresid

0.141640

Schwarzcriterion

0.229442

Loglikelihood

8.329652

F-statistic

8.980499

Durbin-Watsonstat

2.030704

Prob（F-statistic）

0.049289

和原来的模型相类似的，虽然可决系数比较大，但是可以看出，F检验值与T-检验值都比较小，只不过它比原来的模型改善了一些而已。

为了得到更好的模型，我们继续对其进行分析改善。

三．测定假定模型的多重共线性

1．判断多重共线性的存在

LX1

LX2

X3

LX4

X5

LX6

X7

LX1

1.000000

0.818856

-0.110582

0.999231

0.959603

0.989617

0.032945

LX2

0.818856

1.000000

-0.161073

0.821418

0.924216

0.781124

0.126631

X3

-0.110582

-0.161073

1.000000

-0.137983

-0.192420

-0.051156

0.239045

LX4

0.999231

0.821418

-0.137983

1.000000

0.962421

0.986364

0.020917

X5

0.959603

0.924216

-0.192420

0.962421

1.000000

0.929060

0.113288

LX6

0.989617

0.781124

-0.051156

0.986364

0.929060

1.000000

0.107568

X7

0.032945

0.126631

0.239045

0.020917

0.113288

0.107568

1.000000

从上表可以看出，各变量之间确实存在计较大的多重共线性，其中以LX1与LX4为最大，居然高达0.999231。

LX4与LX6也高到了0.986364，而LX1与其他很多变量的相关程度都比较大。

右图也可以看出，LX1与其它不少变量的趋势变化很类似，甚至与LX4的变化趋势线几乎可以完全重合。

这些也都与现实经济意义相吻合。

GDP是衡量一个国家经济状况的综合指标，它牵涉到居民的投资，储蓄，消费等等很多方面，它与其他很多变量相关也是情理之中；如果一个国家的GDP比较高，那么可以认为这个国家比较繁荣，进而人民的生活水平很高，那么消费水平也就很高了。

因为LX1与LX4之间相关程度很高，我们可以认为，人民的消费水平在很大程度上取决于GDP，也即是取决于一个国家的经济水平。

而LX4与LX5高度相关就更好解释了，社会失业率高的话，居民就不敢将很多钱用于消费。

反之亦然。

2．消除共线性

逐一求LY对各个解释变量的回归，选出拟合效果最好的一元线性回归方程。

DependentVariable:

LY

Method:

LeastSquares

Date:

12/14/03Time:

12:

27

Sample:

19912001

Includedobservations:

11

Variable

Coefficient

Std.Error

t-Statistic

Prob.

C

2.895722

0.716600

4.040918

0.0029

LX6

4.044159

0.679133

5.954887

0.0002

R-squared

0.797574

Meandependentvar

7.136493

AdjustedR-squared

0.775082

S.D.dependentvar

0.557642

S.E.ofregression

0.264464

Akaikeinfocriterion

0.340746

Sumsquaredresid

0.629473

Schwarzcriterion

0.413090

Loglikelihood

0.125899

F-statistic

35.46068

Durbin-Watsonstat

0.893408

Prob（F-statistic）

0.000214

在用EVIEWS对各变量进行分析后，可知LX6修正后的可决系数最大，这也说明了在中国对美国的进口中，最主要的决定因素是国内的失业率水平，并且它们之间呈正相关关系。

从右图来看，LX6与LY存在着比较明显的线性关系。

LY与LX6同向变化，这也与事实相符。

进口额增多，也即是指进口的商品增多，会冲击到国内的生产厂家，使得一些厂家无法立足，濒临破产，于是会出现大量的裁员现象，进而社会的失业率也就升高了。

将LX6作为进入回归模型的第一个解释变量，形成一元回归模型。

再用同样的方法来选择第二个变量。

Variable

Coefficient

Std.