探究2016年我国各地区教育支出的影响因素——基于Eviews的多元线性回归分析

实验简介：

教育经费的支出不仅反映一个地区对于教育的重视程度，同时也很大程度上决定了该地区教育水平及事业未来的发展情况。
本实验通过多元线性回归分析，探究究竟哪些因素是地方财政教育支出(y)的影响因素，并做出预测。现有地区生产总值(x1)、年末常住人口(x2)、居民人均教育文化娱乐消费(x3)、居民教育消费价格指数(x4)、教育支出在地方财政支出中的比重(x5)这5个变量作为被选变量。
同时借此实验达到如下目的：
• 熟悉建立多元线性回归模型解决实际问题的过程；
• 掌握多元线性回归模型的基本思想和操作；
• 巩固所学，加深对课程内容的理解。
（数据说明：数据取自国家统计局，系2016年的数据。另：①中国统计年鉴2013及之后不再将教育文化娱乐消费细分，找不到“居民人均教育现金消费”该指标内容，因此由“居民人均教育文化娱乐消费”来替代；②“教育支出在地方财政支出中的比重”由“地方财政教育支出”与”地方财政总支出“（由地方财政一般公共服务支出等共22个内容之和得到）之比得到。）

图0-1 获取的数据（前11个观测）

分析中将分别以手动剔除变量的方法（类似于后退法）和逐步回归的方法来完成多元线性回归模型的建立，并做出预测。具体流程见下图：

图0-2 分析流程

---

实验过程

一、读入数据

将数据导入Eviews，因此过程较基础，且对其较为熟稔，故不赘述。如下图所示：

图1-1 Eview读入截面数据

其中，y为地方财政教育支出，x1为地区生产总值，x2为年末常住人口，x3为居民人均教育文化娱乐消费，x4为居民教育消费价格指数，x5为教育支出在地方财政支出中的比重。数据说明在实验方案设计中给出。

二、判断线性关系

1.绘制散点图

在数组窗口，依次点击View → Graph → Scatter → OK,输出散点图如下：

图2-1 散点图

依次查看各自变量与因变量的散点图过于麻烦，将多个对应的散点图绘制在一张子图上又不够清楚，只能较为直观看到x1和x2分别与y存在着线性相关关系。故有必要计算相关系数。

2.计算相关系数

依次点击View → Covariance Analysis… ，在协方差分析界面，勾选Correlation，输出了各自变量x与y的相关系数矩阵：

图2-2 相关系数矩阵

通过相关系数矩阵，可直观的看到x1、x2与y之间存在高度的线性相关关系，x5与y之间显著相关，x3、x4与y之间低度相关。由此，可以考虑删去x3与x4这两个变量。但为了实验效果，这里予以保留。

三、模型建立及变量选择

1.手动剔除（类似后退法。但所有变量t检验都通过时不再继续剔除）

首先将全部5个变量进入回归方程。在数组窗口依次点击Pro → Make Equation,再在窗口中键入 y c x1 x2 x3 x4 x5，其余默认，以此创建回归方程：

图3-1 创建回归方程

接着点击OK后，系统将弹出一个窗口来显示估计和检验结果：

图3-2 分析结果

由结果显示，变量x1，x2，x5的回归系数显著（P-value < α = 0.05），x3和x4的回归系数不显著。
然后在这5个变量中剔除一个最不重要的变量x4（因其t检验的P-value最大，为0.2335，最不显著），将剩余4个变量重新引入一个新的回归方程，得到结果：

图3-3 剔除x4的结果

可见，x3的P-value = 0.2258 > 0.05，所以再剔除x3，再剩余的3个变量引入新的回归方程，得到：

图3-4 再剔除x3的结果

可见，变量x1、x2、x5显著。（详细检验内容见下，这里仅做说明。实际操作中，模型的变量选择可以与检验一起进行）
这三个回归方程都是显著的，且其R-square均很大，以剔除了不相关变量后的第三个方程作为最后的模型，即：
Y = -108.4021 + 0.0158x1 + 0.0542x2 + 2051.982*x5

2.逐步回归

逐步回归的基本思想是，将变量一个一个引入，引入变量的条件是其片回归平方和经检验是显著的，同时每引入一个新变量后，对已选入的变量要进行逐个检验，将不显著变量剔除，保证最后所得的变量子集中的所有变量都是显著的，这样经若干步便得“最优”变量子集。
在数组窗口依次点击Pro → Make Equation，再在specification(规格)中，选择Method为STEPLS(逐步最小二乘法)进行逐步回归。在Dependent variable followed by list of always include regressors框中输入因变量后总包含的自变量的列表：y c，在List of search regressors框中输入待搜索的自变量：x1, x2, x3, x4, x5。如下所示：

图3-5 逐步回归的规格设置

紧接着在，Options中选择逐步向前的方法，在剔除准则中键入P-value<0.05，其余默认，如下：

图3-6 逐步回归的选项设置

确认后返回结果，如下图所示：

图3-7 逐步回归的结果

可以看到，模型依次加入了x1,x2,x5。逐步回归得到的模型与手动剔除变量的模型一致，结果一致。

四、模型的检验

1.经济意义的检验

已知建立的模型为：
Y = -108.4021 + 0.0158x1 + 0.0542x2 + 2051.982*x5
表明在假定其他条件不变的情况下，地区生产总值每增加1亿元，地方财政教育支出将平均增加0.0158亿元；年末常住人口每增加1万人，地方财政教育支出将平均增加0.0542亿元；教育支出在地方财政支出的比重增加1%，地方财政教育支出将平均增加2051.982亿元。这与理论分析和经验判断相一致。

2.统计意义检验

在创建回归模型后输出了由“参数估计及其显著性检验表”，“方差分析表”，”拟合优度表”组成的联合表，分别展示了t检验，F检验，拟合优度检验的结果。如下图所示（同图 3-7）:

图4-1 回归结果

(1)回归系数的显著性检验(t检验)

H0：βj=0；H1：βj≠0，j=1, 2, 5（在变量选择中已经剔除x3,x4）.α=0.05。
由图4-1中可见，变量x1、x2、x5的P-value均小于α（0.05），说明拒绝H0，表面在α=0.05的显著性水平，地区生产总值（x1）、年末常住人口（x2）、教育支出在地方财政支出中的比重（x5）分别对地方财政教育支出（y）存在显著的影响，而居民人均教育文化消费（x3）与居民教育消费价格指数（x4）分别对地方财政教育支出（y）没有显著影响。

(2)回归方程的显著性检验(F检验)

H0：β1=β2=β5=0；H1：βj不全为0. 给定显著性水平α=0.05。
由图4-1中可见，F检验的P-value=0.000<α=0.05，拒绝H0，说明回归方程显著，即变量x1,x2,x5联合起来对y存在显著影响。

(3)拟合优度检验

由图4-1可见，Adjusted R-squared=0.958144,说明模型的拟合程度相当好。

3.计量意义检验

图4-2 残差图（以序列号为横坐标）

(1)异方差诊断

①残差图
从图4-2中可以看到，图上的点没有呈现规律的模式，可以初判各个观测误差的方差齐性。图示检验法较为直观、简单，但其只能给出一个大概的信息，无法对异方差性精确性进行较为详细的理解。
②White检验
H0：α1=α2=α5=0；H1：αj（j=1, 2, 5）不全为0.给定显著性水平0.05。
依次点击View→Residual Diagnostics→Heteroskedasticity Tests，再在测试类型中选中White检验，结果如下：

图4-3 White检验的结果 P-value均大于0.05，表面无法拒绝H0，认为方差齐性，满足随机误差项方差齐性的基本假定。 ###### (2)自相关诊断 ①残差图 从图4-2中可以看到，图上的点没有呈现规律的模式，可以初判随机误差项之间不存在序列相关。但仍然有必要进行精确的检验。 ②D-W检验 H0：ρ=0；H1：ρ≠0。给定显著性水平α=0.05。  图4-4 D-W检验的结果 从上图4-4可见，DW=1.6055，查表得dL=1.23，dU=1.65。因为dU

五、预测

点击Forecast创建yf，再在工作目录修改观测数为32，重新打开新的Group，在第32个观测内输入地方生产总值（x1）50000，年末常住人口（x2）6000，教育支出在总支出的比重（x5）0.20，再点击预测，返回地方财政教育支出的预测值（YF）为1416.121。

图4-6 预测结果

---

实验结论

经过变量选择后的模型为：

Y = -108.4021 + 0.0158*x1 + 0.0542*x2 + 2051.982*x5

该模型依次分别通过了经济意义、统计意义和计量意义的检验，表明该模型较为合理，具有一定适用性。分析结果表明：影响地方财政教育支出（Y）的主要因素为地区生产总值（x1）、年末常住人口数（x2）、教育支出在总支出中的比重（x5），其中地区生产总值的影响程度始终最大，其次是年末人口数，因为这些都与宏观经济发展速度以及人均收入情况息息相关。
总而言之，地区生产总值、年末常住人口数、教育支出所占比重越多，地方教育支出也就越高。教育支出高的地区，往往是发达的，人口多的，愿意在教育事业投入更多金钱的。