下载文档原格式
《计量经济学》课程实践报告1系部：经济与管理系专业：国际经济与贸易任课教师：李祖辉老师年级班级： 2013级 2班组员：舒冠、张淑琴、梁湘、冯冬雪税收收入影响因素分析—基于Eviews模型的经济计量分析一、意义1960年以来，中国的经济基本处于高速增长之中。
经济增长的高速发展，势必会影响国家财政政策和国家福利水平。
而税收作为国家财政收入中最主要的部分对这些政策的实施也会有很大的影响。
近些年来，国家的税收也受到多种因素的影响。
经济发展水平决定税收收入水平，税收同时也反作用于经济。
要实现经济的持续增长，必须要求与经济紧密关联的税收符合其发展的要求，即政府筹集的税收收入应尽可能的满足其实现职能的需求，同时又不至于损害经济的发展。
影响未来的需求，我们需要研究影响中国税收收入的主要原因，分析中央和地方税收收入增长的数量规律，从结构上对税收收入的影响做一个很好的了解，对于预测中国税收未来的增长趋势具有重要的作用，对于我国的社会主义现代化建设具有重要意义。
二、研究综述影响税收收入的因素有很多，如经济发展水平、税收制度的设计、政府职能范围等。
李卫刚认为，影响税收增长的因素是多元的，主要有经济增长、税制结构、税收征管水平和价格因素；孙玉栋认为，影响税收收入增长的因素主要有经济增长、物价、税收政策调整和税收征管等几个方面；安体富认为，税收收入主要受价格、经济结构的变动、经济效应的变动、税收政策、财税制度、税收征管和税款虚收的影响。
以上学者都说明税收收入的影响因素是多方面的，同时都认为经济因素的重要性，但他们多集中于对税收收入影响因素的全面分析，因而对经济性影响因素分析得不够详细。
而郭庆旺认为，税收收入的经济增长弹性是 1.536，经济增长对税收增长的贡献十分明显。
国家税务总局科研所的研究结论为：在正常的经济运行状况下，经济税源提供的收入应占税收总额的70%～80%或以上；而最为直接的、显著的影响税收增长的因素是经济增长和物价水平，而且物价水平对税收收入增长的影响强于GDP的影响。
计量经济学实验报告1. 引言计量经济学是应用数学和统计学方法来研究经济现象的一门学科。
实验是计量经济学研究中常用的方法之一，通过设计和实施实验，可以帮助我们理解经济现象背后的因果关系。
本文将对一项计量经济学实验进行详细描述和分析，以展示实验的设计、数据分析和结论。
2. 实验设计2.1 实验目的本次实验的目的是研究市场供需关系对商品价格的影响。
具体而言，我们希望通过改变商品的市场供给量，观察商品价格如何变化，并分析供给弹性的大小。
2.2 实验假设在实验设计阶段，我们需要制定实验假设来指导实验的进行。
在本次实验中，我们假设市场供给量的变动会对商品价格产生影响，而且供给弹性的大小会决定价格的变动幅度。
2.3 实验步骤本次实验包括以下几个步骤：1.设定实验组和对照组：我们将随机选择一些参与者，并将其分为两组，一组作为实验组，一组作为对照组。
实验组将面临市场供给量变动的情况，而对照组则不受干扰。
2.确定商品和市场：我们选择一个特定的商品，并确定一个特定的市场来进行实验。
这样可以使实验更加具体和可控。
3.设定实验条件：在实验组中，我们逐步调整市场供给量，并记录下不同供给量下的商品价格。
对照组则保持市场供给量不变。
4.数据收集：在每次实验条件设定完毕后，我们将记录实验组和对照组的商品价格，并对数据进行整理和存储。
2.4 实验风险和伦理考虑在设计实验时，我们需要考虑实验可能存在的风险，并确保实验过程符合伦理要求。
具体而言，我们需要确保参与者的权益得到保护，并在可能对参与者造成负面影响的情况下停止实验。
3. 数据分析在实验进行完毕后，我们对数据进行分析，以验证实验假设并得出结论。
3.1 数据整理首先，我们将实验组和对照组的数据整理成表格形式，方便后续分析。
由于文档要求不能包含表格，这里无法展示具体的数据。
3.2 数据分析方法我们采用的数据分析方法主要包括描述统计分析和回归分析。
描述统计分析用于描述数据的基本特征，包括平均值、标准差、最小值和最大值等。
《计量经济学》课程设计报告2013 6237 568845.2 1106500.0 81428.28 86013.38 3478.54 102.6 29547 备注：1.数据来源：《2014年中国统计年鉴》2.城镇居民消费价格指数以1997年=100作为基准经过分析与研究，我们初步判定影响商品房平均销售价格的因素主要包括国民生产总值GDP、我国货币供应、商品房销售额、管过房地产开发投资额、单位土地购置费、城镇居民消费价格指数、城镇居民人均可支配收入等。
2.2变量说明变量符号商品房平均销售价格Y国内生产总值GDP GDP货币供应量M商品房销售额PRIE全国房地产开发投资额I单位土地购置费COST城镇居民消费价格指数CPI城镇居民人均可支配收入PAY2.3散点图分析从上面商品房平均销售价格与各影响因素的散点图可以看出，Y与GDP,M,PRIE,I,COST,PAY是明显的线性关系。
而经过尝试，发现Y与CPI没有明显的关系。
因为CPI是城镇居民消费价格指数，可以考察LN（Y)和LN(CPI)之间是否存在关系。
经尝试，LN（Y)和LN(CPI)之前也没有明显的关系，因此可剔除CPI。
3模型的初步建立根据以上分析，我们建立初步的计量经济模型为：t PAY COST I PRIE M GDP Y e 6543210+++++++=βββββββ进行OLS 回归，得到：可得到回归模型为：PAY COST I PRIE M E GDP Y 015.0057.00397.0-0397.005-94.10079.0426.1294+++++=∧(5.8884) (3.8958) (0.0151) (4.6273) (-3.1552) (0.2286) (0.3134) 由以上数据可以看出，2R =0.9972，2R =0.9954，可决系数较高，拟合优度较好。
F 值=541.9517，说明回归方程显著。
但是当05.0=α时，120.216t 2=）（α，不仅M,COST,PAY 的系数t 检验不显著，而且I 系数的符号与预期相反，因此可能存在多重共线性。
篇一：计量经济学实验报告 (1)计量经济学实验基于eviews的中国能源消费影响因素分析学院：班级：学号：姓名：基于e views的中国能源消费影响因素分析一、背景资料能源消费是指生产和生活所消耗的能源。
能源消费按人平均的占有量是衡量一个国家经济发展和人民生活水平的重要标志。
能源是支持经济增长的重要物质基础和生产要素。
能源消费量的不断增长，是现代化建设的重要条件。
我国能源工业的迅速发展和改革开放政策的实施，促使能源产品特别是石油作为一种国际性的特殊商品进入世界能源市场。
随着国民经济的发展和人口的增长，我国能源的供需矛盾日益紧张。
同时，煤炭、石油等常规能源的大量使用和核能的发展，又会造成环境的污染和生态平衡的破坏。
可以看出，它不仅是一个重大的技术、经济问题，而且以成为一个严重的政治问题。
在20世纪的最后二十年里，中国国内生产总值（gdp）翻了两番，但是能源消费仅翻了一番，平均的能源消费弹性仅为0.5左右。
然而自2002年进入新一轮的高速增长周期后，中国能源强度却不断上升，经济发展开始频频受到能源瓶颈问题的困扰。
鉴于此，研究能源问题不仅具有必要性和紧迫性，更具有很大的现实意义。
由于我国目前面临的所谓“能源危机”，主要是由于需求过大引起的，而我国作为世界上最大的发展中国家，人口众多，所需能源不可能完全依赖进口，所以，研究能源的需求显得更加重要。
二、影响因素设定根据西方经济学消费需求理论可知，影响消费需求的因素有：商品的价格、消费者收入水平、相关商品的价格、商品供给、消费者偏好以及消费者对商品价格的预期等。
对于相关商品价格的替代效应，我们认为其只存在能源品种内部之间，而消费者偏好及消费者对商品价格的预期数据差别较大，不容易进行搜集整理在此暂不涉及。
另外，发展经济学认为，来自知识、人力资本的积累水平所体现的技术进步不仅可以带动劳动产出的增长，而且会通过外部效应可以提高劳动力、自然资源、物质资本与生产要素的生产效率，消除其中收益递减的内在联系，带来递增的规模收益。
计量经济学课题报告题目：中国经济增长对环境污染的影响研究摘要：本报告旨在通过计量经济学的方法，研究中国经济增长对环境污染的影响。
首先，我们将回顾相关文献，了解已有的研究成果。
然后，我们将构建一个适当的经济增长模型，包括经济增长率、工业产出和环境污染指标。
接下来，我们将收集中国经济增长和环境污染的时间序列数据，并将其进行分析和解释。
最后，我们将利用计量经济学方法，如回归分析和面板数据分析，来评估中国经济增长对环境污染的影响，以及可能存在的因果关系。
通过这些分析，我们将得出结论并提出政策建议，以在经济增长与环境保护之间实现平衡。
关键词：计量经济学、中国经济增长、环境污染、时间序列数据、回归分析、面板数据分析、因果关系、政策建议引言：近年来，中国经济以惊人的速度增长，成为世界第二大经济体。
然而，与经济增长相伴随的是严重的环境污染问题。
中国的工业生产和能源消耗量不断增加，导致大气、水和土壤污染等环境问题日益严重。
因此，研究中国经济增长与环境污染之间的关系，对于制定有效的环境保护政策至关重要。
方法：本研究将采用计量经济学的方法来分析中国经济增长对环境污染的影响。
首先，我们将回顾相关文献，了解已有的研究成果，以便更好地构建研究模型和选择合适的变量。
然后，我们将构建一个适当的经济增长模型，包括经济增长率、工业产出和环境污染指标。
接下来，我们将收集中国经济增长和环境污染的时间序列数据，并将其进行分析和解释。
最后，我们将利用计量经济学方法，如回归分析和面板数据分析，来评估中国经济增长对环境污染的影响，以及可能存在的因果关系。
预期结果：根据我们的初步分析，我们预计中国经济增长对环境污染将产生负面影响。
高速发展的工业部门和城市化过程将导致更多的污染物排放和资源消耗。
然而，我们也将探讨其他可能的因素，如环保技术的进步和政府政策的影响，这些因素可能对中国环境污染产生积极影响。
结论：通过计量经济学的方法，我们将得出中国经济增长对环境污染的影响的结论。
计量经济学》实验报告一、经济学理论概述1、需求是指消费者（家庭）在某一特定时期内，在每一价格水平时愿意而且能够购买的某种商品量。
需求是购买欲望与购买能力的统一。
2、需求定理是说明商品本身价格与其需求量之间关系的理论。
其基本内容是：在其他条件不变的情况下，一种商品的需求量与其本身价格之间成反方向变动，即需求量随着商品本身价格的上升而减少，随商品本身价格的下降而增加。
3、需求量的变动是指其他条件不变的情况下，商品本身价格变动所引起的需求量的变动。
需求量的变动表现为同一条需求曲线上的移动。
二、经济学理论的验证方法在此次试验中，我运用了Eviews和Excel软件对相关数据进行处理和分析。
1、拟合优度检验——可决系数R2统计量回归平方和反应了总离差平方和中可由样本回归线解释的部分，它越大，参差平方和越小，表明样本回归线与样本观测值的拟合程度越高。
2、方程总体线性的显着性检验——F检验（1）方程总体线性的显着性检验，旨在对模型中被解释变量与解释变量之间的线性关系在总体上是否显着成立作出判断。
（2）给定显着性水平α，查表得到临界值Fα（k，n-k-1）,根据样本求出F统计量的数值后，可通过F＞Fα(k，n-k-1) （或F ≤Fα(k，n-k-1)）来拒绝（或接受）原假设H0，以判定原方程总体上的线性关系是否显着成立。
3、变量的显着性检验——t检验4、异方差性的检验——怀特检验怀特检验不需要排序，对任何形式的异方差都适用。
5、序列相关性的检验——图示法和回归检验法6、多重共线性的检验——逐步回归法以Y为被解释变量，逐个引入解释变量，构成回归模型，进行模型估计。
三、验证步骤1、确定变量（1）被解释变量“货币流通量”在模型中用“Y”表示。
（2）解释变量①“货币贷款额”在模型中用“X”表示;1②“居民消费价格指数”在模型中用“2X ”表示；③把由于各种原因未考虑到和无法度量的因素归入随机误差项，在模型中用“μ”。
计量经济学课程实验报告实验序号2实验名称Eviews的异方差检验与校正实验组别12模拟角色实验地点2教602指导老师刘冬萍实验日期11月29日实验时间16:05——17:45一、实验目的及要求学会使用计量学分析^p 软件Eviews的异方差检验与校正功能。
二、实验环境2教602,经管学院电脑实验室三、实验内容与步骤 ?DATA Y _SORT _1.生成相关图SCAT _ Y根据相关图随着_的增大Y的取值范围不断增大,所以方程存在异方差.2.方程的异方差检验（1）WHITE 检验建立回归模型 LS Y C _ Dependent Variable: Y Method: Least SquaresDate: 11/22/12 Time: 17:06 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C0.8594690.7090571.2121300.2411_0.0363400.0096333.7723930.0014R-squared0.441531Mean dependent var3.100000Adjusted R-squared0.410504S.D.dependent var2.255986S.E.of regression1.732115Akaike info criterion4.031203Sum squared resid54.09Schwarz criterion4.130776Log likelihood-38.31203F-statistic14.23095Durbin-Watson stat2.111232Prob(F-statistic)0.001395进行WHITE 检验White Heteroskedasticity Test: F-statistic6.172459Probability0.009656Obs_R-squared8.413667Probability0.014893Test Equation:Dependent Variable: RESID^2 Method: Least SquaresDate: 11/22/12 Time: 17:07 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C-0.8401623.268547-0.2570450.8002_0.0346910.0966160.3590620.7240_^20.0002590.4703750.6441R-squared0.420683Mean dependent var 2.70020__Adjusted R-squared 0.352528S.D.dependent var5.061699S.E.of regression4.072927Akaike info criterion 5.784082Sum squared resid 282.0085Schwarz criterion5.933442Log likelihood-54.84082F-statistic6.172459Durbin-Watson stat 2.196613Prob(F-statistic)Nr^2=8.413677 因为检验的P=0.014893小于0.05,所以存在异方差.(2) PARK检验LS Y C _Dependent Variable: YMethod: Least SquaresDate: 11/22/12 Time: 17:13Sle: 1 20Included observations: 20VariableCoefficientStd.Errort-StatisticProb.C0.8594690.7090571.2121300.2411_0.0363400.0096333.7723930.0014R-squared0.441531Mean dependent varAdjusted R-squared0.410504S.D.dependent var2.255986S.E.of regression1.732115Akaike info criterion 4.031203Sum squared resid54.09Schwarz criterion4.130776Log likelihood-38.31203F-statistic14.23095Durbin-Watson stat2.111232Prob(F-statistic)0.001395GENR E2=LOG(RESID2) GENR LN_=LOG(_)LS LNE2 C LN_ Dependent Variable: LNE2 Method: Least SquaresDate: 11/22/12 Time: 17:16 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C-7.6927982.272023-3.3858810.0033LN_1.8393580.5713163.2195140.0048R-squared0.365421Mean dependent var-0.465580Adjusted R-squared0.330167S.D.dependent var1.915506S.E.of regression1.567714Akaike info criterion3.831754Sum squared resid44.23911Schwarz criterion3.931327Log likelihood-36.31754F-statistic10.36527Durbin-Watson stat1.937606Prob(F-statistic)0.004754由上图可看出P分别为0.0033 ,0.0048,0.004754都是小概率事件,所以方程是显著的,表明随机误差项的方差随着解释变量的取值不同而不断变化,即存在异方差性.（3）GLEISER检验LS Y C _GENR E=ABS(RESID)eq \o\ac(○,1)GENR _1=_^0.5LS E C _1Dependent Variable: E1Method: Least SquaresDate: 11/28/12 Time: 13:14Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C-1.2504440.637839-1.9604370.0656_10.3265340.0812324.0197750.0008R-squared0.473046Mean dependent var1.192860Adjusted R-squared0.443771S.D.dependent var1.159531S.E.of regression0.864787Akaike info criterion2.641972Sum squared resid13.46141Schwarz criterion2.741545Log likelihood-24.41972F-statistic16.15859Durbin-Watson stat2.047999Prob(F-statistic)0.000804|e1|=-1.250444+0.326534_1^0.5 R^2=0.473046 F=16.15859 P= eq \o\ac(○,2)GENR _2=_^-2LS E C _2Dependent Variable: E Method: Least SquaresDate: 11/28/12 Time: 13:27 Sle: 1 20Included observations: 20 VariableCoefficientStd.t-StatisticProb.C1.6651230.3427744.8577860.0001_2-657.9505338.0359-1.9463920.0674R-squared0.173874Mean dependent var 1.192860Adjusted R-squared 0.127978S.D.dependent var1.159531S.E.of regression1.082794Akaike info criterion 3.091607Sum squared residSchwarz criterion3.191180Log likelihood-28.91607F-statistic3.788442Durbin-Watson stat1.454864Prob(F-statistic)0.067388|e2|=1.665123-657.9505_^-2R^2=0.173874 F=3.788442 P= eq \o\ac(○,3)GENR _3=_^2LS E C _3Dependent Variable: E Method: Least SquaresDate: 11/28/12 Time: 13:32 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C0.5805350.2376322.4430010.0251_30.0001132.67E-054.2339310.0005R-squared0.498972Mean dependent var 1.192860Adjusted R-squared 0.471138S.D.dependent var1.159531S.E.of regression0.843245Akaike info criterion 2.591520Sum squared resid 12.79911Schwarz criterion2.691093Log likelihood-23.91520F-statistic17.92617Durbin-Watson stat2.064289Prob(F-statistic)0.000499|e3|=0.580535+0.000113_4^2R^2=0.498972 F=17.92617 P=0.000499 eq \o\ac(○,4)GENR _4=_^-0,5LS E C _4Dependent Variable: EMethod: Least SquaresDate: 11/28/12 Time: 13:36Sle: 1 20Included observations: 20VariableCoefficientStd.Errort-StatisticProb.C3.4730600.7618054.5589870.0002_4-15.53960-3.1195030.0059R-squared0.350914Mean dependent var 1.192860Adjusted R-squared 0.314854S.D.dependent var1.159531S.E.of regression0.959785Akaike info criterion 2.850424Sum squared resid 16.58137Schwarz criterion2.949998Log likelihood-26.50424F-statistic9.731299Durbin-Watson stat 1.759756Prob(F-statistic)|e4|=3.473060-15.53960 _^-0.5 R^2=0.350914 F=9.731299 P= eq \o\ac(○,5)GENR _5=_^-1LS E C _5Dependent Variable: E Method: Least SquaresDate: 11/28/12 Time: 13:45 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C2.2657780.4628754.8950140.0001_5-45.8762517.27699-2.6553390.0161R-squared0.281461Mean dependent var1.192860Adjusted R-squared0.241542S.D.dependent var1.159531S.E.of regression1.009829Akaike info criterion2.952079Sum squared resid18.35560Schwarz criterion3.051653Log likelihood-27.52079F-statistic7.050824Durbin-Watson stat1.627325Prob(F-statistic)0.016106|e5|=2.265778-45.87625_^-1R^2=0.281461 F=7.050824 P=0.016106由以上的五个方程表明，利润函数存在异方差性（只要取显著水平a大于0.067388）3.WLS方法估计利润函数(1)利用最小二乘法估计模型LS Y C _Dependent Variable: Y Method: Least SquaresDate: 11/28/12 Time: 12:40 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C0.8594690.7090571.2121300.2411_0.0363400.0096333.7723930.0014R-squared0.441531Mean dependent var3.100000Adjusted R-squared0.410504S.D.dependent var2.255986S.E.of regression1.732115Akaike info criterion4.031203Sum squared resid54.09Schwarz criterion4.130776Log likelihood-38.31203F-statistic14.23095Durbin-Watson stat2.111232Prob(F-statistic)0.001395得到:y^=0.859469+0.036340_ R^2=0.441531 (0.0014)T=(1.212130) (3.772393 )(2)生成权数变量：根据帕克检验得到：Ls y c _Genr lne2=log(resid^2)Genr ln_=log(_)Ls lne2 c ln_Dependent Variable: LNE2 Method: Least SquaresDate: 11/28/12 Time: 12:56 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C-7.6927982.272023-3.3858810.0033LN_1.8393580.5713163.2195140.0048R-squared0.365421Mean dependent var-0.465580Adjusted R-squared0.330167S.D.dependent var1.915506S.E.of regression1.567714Akaike info criterion3.831754Sum squared resid44.23911Schwarz criterion3.931327Log likelihood-36.31754F-statistic10.36527Durbin-Watson stat1.937606Prob(F-statistic)0.004754LNEi^2=--7.692798+1.839358LN_ R^2=0.365421 进行戈里瑟检验LS Y C _GENR E=ABS(RESID)eq \o\ac(○,1)GENR _1=_^0.5LS E C _1Dependent Variable: E1 Method: Least SquaresDate: 11/28/12 Time: 13:14 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C-1.2504440.637839-1.9604370.0656_10.3265340.0812324.0197750.0008R-squared0.473046Mean dependent var1.192860Adjusted R-squared0.443771S.D.dependent var1.159531S.E.of regression0.864787Akaike info criterion2.641972Sum squared resid13.46141Schwarz criterion2.741545Log likelihood-24.41972F-statistic16.15859Durbin-Watson stat2.047999Prob(F-statistic)0.000804|e1|=-1.250444+0.326534_1^0.5 R^2=0.473046 F=16.15859 P= eq \o\ac(○,2)GENR _2=_^-2LS E C _2Dependent Variable: E Method: Least SquaresDate: 11/28/12 Time: 13:27 Sle: 1 20Included observations: 20Variable CoefficientStd.Errort-StatisticProb.C1.6651230.3427744.8577860.0001_2-657.9505338.0359-1.9463920.0674R-squared0.173874Mean dependent var 1.192860Adjusted R-squared 0.127978S.D.dependent var1.159531S.E.of regression1.082794Akaike info criterion3.091607Sum squared resid21.18Schwarz criterion3.191180Log likelihood-28.91607F-statistic3.788442Durbin-Watson stat1.454864Prob(F-statistic)0.067388|e2|=1.665123-657.9505_^-2R^2=0.173874 F=3.788442 P= eq \o\ac(○,3)GENR _3=_^2LS E C _3Dependent Variable: E Method: Least SquaresDate: 11/28/12 Time: 13:32 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C0.5805350.2376322.4430010.0251_30.0001132.67E-054.2339310.0005R-squared0.498972Mean dependent var 1.192860Adjusted R-squared 0.471138S.D.dependent var1.159531S.E.of regression0.843245Akaike info criterion 2.591520Sum squared resid 12.79911Schwarz criterionLog likelihood-23.91520F-statistic17.92617Durbin-Watson stat2.064289Prob(F-statistic)0.000499|e3|=0.580535+0.000113_4^2R^2=0.498972 F=17.92617 P=0.000499 eq \o\ac(○,4)GENR _4=_^-0,5LS E C _4Dependent Variable: EMethod: Least SquaresDate: 11/28/12 Time: 13:36Sle: 1 20Included observations: 20VariableCoefficientStd.Errort-StatisticProb.C3.4730600.7618054.558987_4-15.539604.981434-3.1195030.0059R-squared0.350914Mean dependent var 1.192860Adjusted R-squared 0.314854S.D.dependent var1.159531S.E.of regression0.959785Akaike info criterion 2.850424Sum squared resid 16.58137Schwarz criterion2.949998Log likelihood-26.50424F-statistic9.731299Durbin-Watson stat1.759756Prob(F-statistic)0.005921|e4|=3.473060-15.53960 _^-0.5 R^2=0.350914 F=9.731299 P= eq \o\ac(○,5)GENR _5=_^-1LS E C _5Dependent Variable: E Method: Least SquaresDate: 11/28/12 Time: 13:45 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C2.2657780.4628754.8950140.0001_5-45.8762517.27699-2.6553390.0161R-squared0.281461Mean dependent var1.192860Adjusted R-squared0.241542S.D.dependent var1.159531S.E.of regression1.009829Akaike info criterion2.952079Sum squared resid18.35560Schwarz criterion3.051653Log likelihood-27.52079F-statistic7.050824Durbin-Watson stat1.627325Prob(F-statistic)0.016106|e5|=2.265778-45.87625_^-1R^2=0.281461 F=7.050824 P=由上可得在戈里瑟检验里最显著的是：|e3|=0.580535+0.000113_4^2 R^2=0.498972 F=17.92617 P=所以取权数变量为 : GENR W1=1/_^1.839358GENR W2=_^2另外取：GENR W3=1/ABS(RESID)GENR W4=1/RESID^2（3）利用最小二乘法估计模型：模型一LS(W=W1) Y C _Dependent Variable: YMethod: Least SquaresDate: 11/28/12 Time: 14:00Sle: 1 20Included observations: 20Weighting series: W1VariableCoefficientStd.Errort-StatisticProb.C-0.6259810.318225-1.9671030.0648_0.0116496.1001610.0000Weighted Statistics R-squared0.573253Mean dependent var 1.734420Adjusted R-squared 0.549545S.D.dependent var0.940124S.E.of regression0.630973Akaike info criterion 2.011533Sum squared resid7.166292Schwarz criterion2.06Log likelihood-18.11533F-statistic24.17958Durbin-Watson statProb(F-statistic)0.000111Unweighted StatisticsR-squared-0.050320Mean dependent var3.100000Adjusted R-squared-0.108671S.D.dependent var2.255986S.E.of regression2.375406Sum squared resid.5659Durbin-Watson stat1.104724怀特检验的结果是White Heteroskedasticity Test: F-statistic0.986667Probability0.393Obs_R-squared2.080114Probability0.353435Test Equation:Dependent Variable: STD_RESID^2 Method: Least SquaresDate: 11/28/12 Time: 14:36 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C0.8994860.4380022.0536110.0557_-0.0146130.012947-1.1286980.2747_^26.64E-057.37E-050.9011740.3801R-squared0.104006Mean dependent var0.358315Adjusted R-squared-0.001405S.D.dependent var0.545410S.E.of regression0.545793Akaike info criterion1.764328Sum squared resid5.064137Schwarz criterion1.913688Log likelihood-14.64328F-statistic0.986667Durbin-Watson stat2.743143Prob(F-statistic)0.393得到估计结果Y^=-0.625981+0.071060_(0.318225) (6.100161)R^2=0.573253 NR^2=2.080114 P=0.393 模型二LS(W=W2) Y C _Dependent Variable: YMethod: Least SquaresDate: 11/28/12 Time: 14:12Sle: 1 20Included observations: 20Weighting series: W2VariableCoefficientStd.Errort-StatisticProb.C4.3789433.2559741.3448950.1954_0.0060140.0227010.2649070.7941Weighted StatisticsR-squared0.702288Mean dependent var 4.737844Adjusted R-squared 0.685748S.D.dependent var8.767922S.E.of regression4.915135Akaike info criterion 6.117155Sum squared resid 434.8540Schwarz criterion6.216728Log likelihood-59.17155F-statistic42.46109Durbin-Watson stat 2.705915Prob(F-statistic)0.000004Unweighted Statistics R-squared-0.428848Mean dependent var3.100000Adjusted R-squared-0.508229S.D.dependent var2.255986S.E.of regression2.770576Sum squared resid138.1696Durbin-Watson stat0.87进行怀特检验的结果是White Heteroskedasticity Test: F-statistic46.95441Probability0.000000Obs_R-squared16.93442Probability0.000210Test Equation:Dependent Variable: STD_RESID^2 Method: Least SquaresDate: 11/28/12 Time: 14:39 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C36.1706519.848121.8223720.0860_-1.6942460.586696-2.8877740.0102_^20.0166170.0033394.9760240.0001R-squared0.846721Mean dependent var21.74270Adjusted R-squared0.828688S.D.dependent var59.75546S.E.of regression24.73269Akaike info criterion9.391610Sum squared resid19.00Schwarz criterion9.540970Log likelihood-90.91610F-statistic46.95441Durbin-Watson stat2.837461Prob(F-statistic)0.000000得到结果是：Y^=4.378943+0.006014_(3.255974) (0.022701)R^2=0.702288 NR^2=16.93442 P=0.00000 模型三LS(W=W3) Y C _Dependent Variable: YMethod: Least SquaresDate: 11/28/12 Time: 14:19Sle: 1 20Included observations: 20 Weighting series: W3 VariableCoefficientStd.Errort-StatisticProb.C0.7076590.2082663.3978670.0032_0.0387920.0053887.20__1690.0000Weighted StatisticsR-squared0.945796Mean dependent var2.344549Adjusted R-squared0.942785S.D.dependent var2.209824S.E.of regression0.528582Akaike info criterion 1.657402Sum squared resid5.029181Schwarz criterion1.756975Log likelihood-14.57402F-statistic314.0812Durbin-Watson stat 1.849162Prob(F-statistic)0.000000Unweighted Statistics R-squared0.439521Mean dependent var 3.100000Adjusted R-squared 0.408383S.D.dependent var2.255986S.E.of regression1.735229Sum squared resid54.19836Durbin-Watson stat2.097049进行怀特检验得White Heteroskedasticity Test: F-statistic0.494755Probability0.618232Obs_R-squared1.100097Probability0.576922Test Equation:Dependent Variable: STD_RESID^2 Method: Least SquaresDate: 11/28/12 Time: 14:40 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C0.1819650.0821532.2149610.0407_0.0050.0024280.7558340.4601_^2-8.06E-061.38E-05-0.5831500.5674R-squared0.055005Mean dependent var 0.251459Adjusted R-squared-0.056171S.D.dependent var0.099611S.E.of regression0.102370Akaike info criterion-1.582959Sum squared resid0.178155Schwarz criterion-1.433599Log likelihood18.82959F-statistic0.494755Durbin-Watson stat2.096222Prob(F-statistic)0.618232Y^=0.707659+0.038792_(0.208266) (0.005388)R^2=0.945796 NR^2=1.100097 P=0.618232 模型四 LS(W=W4) Y C _Dependent Variable: YMethod: Least SquaresDate: 11/28/12 Time: 14:24Sle: 1 20Included observations: 20Weighting series: W4VariableCoefficientStd.Errort-StatisticProb.C0.5918930.1283534.6114400.0002_0.0429390.00409310.490560.0000Weighted Statistics R-squared0.994979Mean dependent var 2.087552Adjusted R-squared 0.994700S.D.dependent var4.277070S.E.of regression0.311364Akaike info criterion 0.598931Sum squared resid1.745056Schwarz criterion0.698505Log likelihood-3.989313F-statistic3567.168Durbin-Watson stat 2.173306Prob(F-statistic)0.000000Unweighted Statistics R-squared0.422958Mean dependent var 3.100000Adjusted R-squared 0.390900S.D.dependent var2.255986S.E.of regression1.760681Sum squared resid 55.79997Durbin-Watson stat 2.027424进行怀特检验的结果是White Heteroskedasticity Test: F-statistic0.851707Probability0.444108Obs_R-squared1.821500Probability0.402222Test Equation:Dependent Variable: STD_RESID^2 Method: Least SquaresDate: 11/28/12 Time: 14:42 Sle: 1 20Included observations: 20 VariableCoefficientStd.Errort-StatisticProb.C0.2750730.1762821.5604170.1371_-0.0048390.005211-0.9285840.3661_^22.04E-052.97E-050.6876810.5009R-squared0.091075Mean dependent var 0.087253Adjusted R-squared-0.015857S.D.dependent var0.217943S.E.of regression0.219664Akaike info criterion -0.055951Sum squared resid0.820291Schwarz criterion0.093409Log likelihood3.559512。
实验报告课程名称：计量经济学实验项目：我国国内资金利用研究学生姓名：曾健超学号：200973250131班级：0901班专业：国际经济与贸易指导教师：刘潭秋2011 年 06 月计量经济学实验报告实验时间：2011年6月24日实验地点：一教10楼实验目的：使用Eviews软件，将多元线性回归模型的理论和方法应用于我国的资金来源的研究分析。
实验原理：改革开放以来，我们国家经济持续显著的增长，经济发展一片大好。
经济的持续快速增长需要资本的不断注入，所以我对我们国家的近15年的资金利用做了一个研究。
随着资金的源源不断的涌入，我们国家的资金构成大致分成五个部分，国家预算内资金，国内贷款，利用外资，自筹资金和其他资金。
这五个部分基本上构成了我国资金来源的全部，我选取了改革开放30年来中的15个年份，具有一定的代表性。
资金是经济发展的血液，对我国的资金来源的构成做一个研究十分必要。
在这个实验中，选取国家预算内资金为被解释变量Y，解释变量为国内贷款X1利用外资X2，自筹资金X3，其他资金X4，对我国的资金利用的各部分之间的关系做一个细致的研究。
一、计量经济学模型：根据变量之间的关系，我们假定回归模型为：Y=β0+β1X1+β2X2+β3X3+β4X4+Ｕ其中Y表示我国的国家内预算资金，X1、X2、X3、X4分别代表国内贷款，利用外资，自筹资金，其他资金， 0表示在不变的情况下，资金利用的固定部分，β1β2、β3、β4、分别代表我国资金利用的各部分的权数，U 代表随机误差项。
由式子可知，我国资金利用的后面四个部分每增长1个百分点，国家预算内资金会如何变化。
二、验证方法选择：多元线性计量经济学模型的初步估计与分析、异方差检验、序列相关检验、多重共线性检验三、实验步骤：1、基本假设：设国家预算内资金为被解释变量Y，解释变量为国内贷款X1，国外资金X2，自筹资金X3，其他资金X4，Ｕ是随机干扰项，代表所有的影响因素。
计量经济学实验教程课程设计一、课程简介《计量经济学实验教程》是一门应用性很强的课程，主要研究计量经济学中的基本方法、分析思路和实际应用。
本课程旨在使学生掌握计量经济学的基本理论和方法，能够运用计量方法解决实际问题，培养学生的实践能力和独立思考能力。
二、课程目标1.掌握计量经济学的基本方法和理论•了解基本概念和定义•掌握统计学和计量经济学中常用的数学、统计学和计量学方法•熟悉数据的描述统计分析和回归分析方法2.熟悉计量经济学的应用环境•了解计量经济学所涉及的领域和应用领域•熟悉计量经济学在不同领域的应用案例•掌握计量经济学应用软件的使用方法3.培养实践能力和独立思考能力•实践解决实际问题的能力•运用计量经济学方法独立思考问题的能力•掌握文献资料检索和阅读的方法三、课程大纲1.计量经济学基础•统计学基础与假设检验•最小二乘法和回归分析•多元回归分析2.计量经济学方法•差分法和工具变量法•理论与实证检验•面板数据分析3.计量经济学应用•消费者和生产者行为•企业和市场行为•劳动市场和教育问题4.计量经济学软件•SPSS软件使用•STATA软件使用四、教学方法本课程主要采用课堂讲授、学生独立阅读和分组讨论、案例分析和实验操作等多种教学方法相结合，注重培养学生的实践操作能力和独立思考能力。
通过课上和课下的组合方式，增强学生的互动性，提高教学效果。
五、实验教学本课程设立了对应的计量经济学实验教学环节。
学生通过具体案例分析和实验操作，实际运用所学方法解决实际问题。
在实验教学中，着重培养学生的实践能力和独立思考能力，锻炼学生的创新能力，提高学生解决实际问题的能力。
六、课程评估本课程采用综合评价的方法进行评估。
主要包括以下方面：•期中考试：40%•期末考试：40%•课堂表现：10%•实验报告：10%七、课程参考书目•Wooldridge, Jeffrey M. Econometric analysis of cross section and panel data. MIT press, 2010.•Greene, William H. Econometric analysis. 6th ed., Prentice Hall, 2008.•Stock, James H., and Mark W. Watson. Introduction to econometrics. 3rd ed., Prentice Hall, 2011.八、课程总结《计量经济学实验教程》课程适合经济学、金融学、管理学等相关专业的本科生学习。
计量经济学课设报告范文一、引言计量经济学是经济学的一个重要分支，通过运用统计学和数学工具来研究经济现象。
本课程设计的目的是通过运用计量经济学的理论和方法，对某一经济现象进行实证研究，以期能够解答相关研究问题，并提供相应的政策建议。
本报告将重点探讨影响某城市房价的主要因素，从而为城市的房地产市场提供参考与决策依据。
二、文献综述在对城市房价的影响因素进行分析之前，我们需要对这一领域的研究进行文献综述，以了解已有研究在此问题上的发现和结论。
过去几十年来，学者们已经对城市房价的影响因素进行了广泛的研究，并提出了多种理论和模型进行解释。
众所周知，供求关系是影响房价的主要因素之一。
根据供求理论，房价上涨主要是由于需求增加或供给减少。
因此，人口增长、城市经济发展、土地供给、政府居住政策等都可能对房价产生影响。
除了供求关系之外，金融和信贷因素也是影响房价的重要因素。
例如，利率水平、货币政策、信贷政策等都可能对购房者的购买力产生影响，从而进一步影响房价。
此外，区域经济发展差异、建筑物属性、环境因素等也被认为是影响房价的重要因素。
这些因素可能导致不同地区房价差异的存在，同时也提供了政策制定的切入点。
三、方法与数据为了实证研究城市房价的影响因素，我们需要选择适当的计量方法和数据。
在本文中，我们将采用多元线性回归模型来估计各个变量对房价的影响程度，并进行显著性检验。
数据方面，我们将收集一定时间范围内的城市房价数据以及相关因素的数据。
房价数据可通过房地产市场报告、政府部门统计数据等途径获取，相关因素如人口、经济指标、金融指标可以从国家统计局、商业银行、市政府等部门获取。
四、实证结果与讨论通过对所收集的数据进行数据预处理和回归分析，我们得到了包括各个自变量对房价的影响程度的实证结果。
根据回归结果，我们可以确定哪些因素对房价的影响是显著的，并进一步进行讨论和解释。
此外，我们还可以进行子样本分析，比如不同地区、不同时间段、不同房屋类型等子样本的回归分析，以探讨房价影响因素的差异性和稳定性。
计量经济学课程设计—我国各地区居民消费支出影响因素分析班级：110511学号：110511113：金明月2014年1月3日【摘要】在中国经济发展进程中，消费是伴随其发展的一个重要容，伴随着经济增长的加快，消费形式的变化也越来越快，消费作为我国经济增长的三驾马车之一，起着不可替代的作用，只有把经济增长转变为依靠需的增加上来，才能真正实现惠国惠民国策。
凯恩斯认为，短期影响个人消费的主观因素比较稳定，消费者的消费主要取决于收入的多少。
但是大家都知道，收入的变动并非影响消费的全部原因。
尤其在短期，有时边际消费倾向可以为负数，即收入增加时消费反而减少，收入减少时消费反而增加；有时边际消费倾向会大于1，即消费增加额大于收入增加额。
这些现象告诉我们，在日常生活中，除了收入，还有其他一些因素会影响消费行为。
影响消费倾向的因素有主客观两个方面，主客观的诸多因素相互制约相互影响。
社会的消费量取决于期居民的收入数量、客观环境及社会成员的主管需求、心理倾向和社会的收入分配原则等主客观因素。
主观因素是指人性的心理特征、社会习俗和社会制度，这三方面具有相对稳定性。
本文利用2011年的数据，选取了居民可支配收入、CPI、财政支出、GDP 四个因素分析对居民消费的影响，旨在说明其中的相互关系，为国家政策的制定与实施提供参考意见。
【关键词】消费收入 CPI GDP EViews一、引言改革开放以来，我国居民收入与消费水平不断提高，居民消费结构升级和消费需求扩成为我国经济高速增长的主要动力，居民消费需求对国民经济发展的影响不断增大，对国民经济产生的拉动作用。
我国经济逐步由短缺经济走向过剩经济、由卖方市场转向买方市场，社会消费需求不足，居民消费问题显得更加突出。
特别是对于如何启动需，扩大居民消费变得越来越重要。
因此，及时把握国民经济发展格局中居民消费需求变动趋势，制定符合我国现阶段情况的国民消费政策，对于提高我国经济增长速度和质量都有重要意义。
二、文献综述1、凯恩斯的绝对收入假说凯恩斯在《货币通论》中提出了绝对收入假说,其主要理论观点是认为，人们的消费支出是由其当期的可支配收入决定的。
当人们的可支配收入增加时,其中用于消费的数额也会增加,但是消费增量在收入增量中的比重是下降的,因此随收入的增加，人们的消费在收入中的比重是下降的，而储蓄在收入中所占的比重则是上升的。
凯恩斯的消费函数，假定了消费是人们收入水平的函数，也称为绝对收入消费函数。
当人们的可支配收入增加时，其中用于消费的数额也会增加,但是消费增量在收入增量中的比重是下降的,因此随收入的增加，人们的消费在收入中的比重是下降的，而储蓄在收入中所占的比重则是上升的。
2、杜森贝利的相对收入假说该假说的基本思想是，在稳定的收入增长时期，总储蓄率并不取决于收入；储蓄率要受到利率、收入预期、收入分配、收入增长率、人口年龄分布等多种因素变动的影响；在经济周期的短周期阶段中，储蓄率取决于现期收入与高峰收入的比率，从而边际消费倾向也要取决于这一比率，这也就是短期中消费会有波动的原因，但由于消费的棘轮作用，收入的减少对消费减少的作用并不大，而收入增加对消费的增加作用较大；短期与长期的影响结合在一起了。
当期收入和过去的消费支出水平决定当期消费。
该假说间接的说明了消费对于经济周期稳定的作用。
示效应：家庭消费决策主要参考其他同等收水家庭，即消费有模仿和攀比性。
棘轮效应：家庭消费即受本期绝对收入的影响，更受以前消费水平的影响。
收入变化时，家庭宁愿改变储蓄以维持消费稳定。
3、莫迪利安的生命周期假说生命周期假说将人的一生分为年轻时期、中年时期和老年时期三个阶段。
年轻和中年时期阶段，老年时期是退休以后的阶段。
一般来说，在年轻时期，家庭收入低，但因为未来收入会增加，因此，在这一阶段，往往会把家庭收入的绝大部分用于消费，有时甚至举债消费，导致消费大于收入。
进入中年阶段后，家庭收入会增加，但消费在收入中所占的比例会降低，收入大于消费，因为一方面要偿还青年阶段的负债，另一方面还要把一部分收入储蓄起来用于防老。
退休以后，收入下降，消费又会超过收入。
因此，在人的生命周期的不同阶段，收入和消费的关系，消费在收入中所占的比例不是不变的。
生命周期假说理论认为，由于组成社会的各个家庭处在不同的生命周期阶段，所以，在人口构成没有发生重大变化的情况下，从长期来看边际消费倾向是稳定的，消费支出与可支配收入和实际国民生产总值之间存在一种稳定的关系。
但是，如果一个社会的人口构成比例发生变化，则边际消费倾向也会变化，如果社会上年轻的和老年人的比例增大，则消费倾向会提高，如果中年人的比例增大，则消费倾向会降低。
4、弗里德曼的持久收入假说弗里德曼认为，要正确分析人们的消费行为对社会经济生活的影响，就必须严格区分两种收入：一种是暂时性收入，另一种是持久性收入。
与之相适应，消费也应该区分为暂时性消费和持久性消费。
暂时性收入是指瞬间的、非连续性的、带有偶然性质的现期入，如工资、奖金、遗产、馈赠、意外所得等等；而持久性收入是与暂时的或现期的收入相对应的、消费者可以预期到的长期性收入，它实际上是每个家庭或个人长期收入的一个平均值，是消费者使其消费行为与之相一致的稳定性收入。
至于这个持久期限究竟长到何种程度，弗里德曼认为最少应是三年。
三、理论分析与研究思路按支出法测算的国生产总值分为最终消费、资本形成总额、货物和服务净出口三大项。
最终消费分为居民消费和政府消费两项。
居民消费又分为农村居民消费和城镇居民消费。
为此本文结合居民消费水平的影响因素和国务院所确定的十项措施列出了四个相关因素进行计量分析,得到相关模型并结合相关政策进行分析,提出相关建议。
居民消费支出：指常住住户在一定时期对于货物和服务的全部最终消费支出。
居民消费支出除了直接以货币形式购买的货物和服务的消费支出外，还包括以其他方式获得的货物和服务的消费支出，即所谓的虚拟消费支出。
国生产总值(GDP)：指按市场价格计算的一个国家(或地区)所有常住单位在一定时期生产活动的最终成果。
国生产总值有三种表现形态，即价值形态、收入形态和产品形态。
从价值形态看，它是所有常住单位在一定时期生产的全部货物和服务价值超过同期投入的全部非固定资产货物和服务价值的差额，即所有常住单位的增加值之和；从收入形态看，它是所有常住单位在一定时期创造并分配给常住单位和非常住单位的初次收入之和；从产品形态看，它是所有常住单位在一定时期最终使用的货物和服务价值与货物和服务净出口价值之和。
职工工资总额：指各单位或组织在一定时期直接支付给本单位全部职工的劳动报酬总额。
财政支出：是指在市场经济条件下，政府为提供公共产品和服务，满足社会共同需要而进行的财政资金的支付。
而公共产品和服务的好坏直接影响居民的消费支出，因此可以看出财政支出对居民消费支出有着重要的影响。
商品零售价格指数：指反映一定时期商品零售价格变动趋势和程度的相对数。
税收收入是一定量的货币收入，它是在一定的价格体系下形成的。
价格的变动直接影响居民是否购买该物品。
我们研究价格对消费的影响是通过价格指数来实现的。
因此从商品零售价格指数的变动可以看出居民消费支出的变动。
四、计量模型建立与结果分析（一）模型建立《中国统计年鉴2012》为资料来源，使用了2011年各地区的职工工资总额、生产总值、商品零售价格指数、财政支出，对我国各地区居民消费支出影响因素做实证分析。
建立以下模型:Y I =β+β1X1+β2X2+β3X3+β4X4+μ其中，Y--居民消费支出；X1-----国生产总值；X2------职工工资总额；X3----商品价格指数；X4----财政支出；（二）模型回归用Eviews软件，对此模型进行回归，从表2实证分析结果中我们可以得到:YI=-13471.82+0.203399X1+0.568603X2+124.8914X3+0.620175X4 (17128.46 ) ( 0.036109) ( 0.276214 ) (165.4228 ) ( 0.306666) T= ( -0.786517 ) (5.632848) (2.058556 ) (0.754983 ) (2.022316)F=163.4583 D-W=1.6002482r=0.961755 2r=0.955872 该模型R2=0.9618，调整的R2=0.9559，F=163.4583，整体拟合优度高，明显显著。
但是当α=0.05时，X2、X3、x4系数的T检验不显著，这表明很可能存在严重的多重中线性。
（三）多重共线性检验计算解释变量与被解释变量的相关系数，得其相关系数矩阵，见表3。
可看出个解释变量之间的相关系数较高，推测可能存在多重共线性。
采用逐步回归法，来检验并解决多重共线性问题。
分别作y对x1、x2、x3、x4的一元回归，结果如表4所示，其中，以加入x1的方程可绝系数最大，以x1为基础，顺次加入x2、x3、x4。
结果如表5。
查表得t0.025（31）=2.042 经比较，加入x3的方程可绝系数有所改进，但t检验不显著，因此应剔除x2、x3、x4只保留x1。
作出X1的方程的回归结果为表6。
回归模型为：Y = 229.4 + 0.311X1（四）异方差检验White检验（表7）由表作White检验，得结果如下，nR2 =22.264，而查表得临界值Χ2（5）=5.99。
因为nR2 =22.264>Χ2（5）=5.99,所以，表明模型存在异方差。
异方差性的修正（表8）修正后的模型方程为：Y = -44.349 + 0.349X1T =(-8.700) (40.056)R2=0.982， DW=1.755 F=1604.522对模型再次进行white检验结果（表9）：取现在水平a=0.05,由于nR2=1.006<5.99所以不存在异方差.（五）自相关检验Y = -44.349 + 0.349X1T =(-8.700) (40.056)R2=0.982， DW=1.755 F=1604.522在0.05显著水平下，查DW统计表可知，dl=1.352 du=1.489，DW>dU，说明不存在自相关。
最终模型表明，国生产总值每增加一单位居民消费支出就会相应增加0.349个单位。
五、结论综合以上分析，我们知道GDP总量对各地区的消费水平有着很重要的影响。
由此也对我国东中西部地区消费水平的差异造成显著影响，既而导致我国东中西部经济发展水平失衡，使我国地区贫富差距悬殊。
改革开放之初，由于东部沿海地区的各方面的优势，我取了重点发展东部沿海地区的政策战略，经过近三十年的发展，东部沿海地区经济发展迅速，取得辉煌成就，而在此期间，中西部地区经济发展缓慢，地区之间差距越来越大。
