中国对美国进口总额的分析

12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：obsYX1X2X3X4X5X6X71991426.232821617.80187.28005.322700896.000011.433302.3000001.0000001992473.939526638.10212.75005.5149001070.00011.582302.3000000.0000001993977.467734634.40256.47005.7619001331.00011.717102.6000001.00000019941849.66246759.40272.6800506187.01746.00011.851702.8000001.00000019952063.75058478.10291.83008.3507002236.00011.985002.9000000.00000019961343.14967884.60301.84008.3142002641.00012.112103.0000000.00000019971351.34874462.60319.49008.2898002834.00012.238903.1000001.00000019981397.77578345.20313.04008.2791002973.00012.362603.1000001.00000019991612.47082067.50562.23008.2783003143.00012.476103.1000000.00000020001851.31189442.20750.48008.2784003397.00012.578603.2000001.00000020012168.75995933.30840.52008.2770003611.00012.762703.2000001.0000003DependentVariable:YMethod:LeastSquaresDate:12/14/03Time:12:39Sample:19912001Includedobservations:11VariableCoefficientStd.Errort-StatisticProb.C52635.1929398.731.7903900.1713X10.5921950.2191742.7019350.0737X22.3058700.8766732.6302510.0783X3-0.0001700.000673-0.2520570.8173X4-14.128954.879698-2.8954570.0627X5-4820.7872455.986-1.9628730.1444X61165.4801570.3060.7422000.5118X7-478.8084163.9709-2.9200800.0615R-squared0.963212Meandependentvar1410.533AdjustedR-squared0.877373S.D.dependentvar589.1776S.E.ofregression206.3192Akaikeinfocriterion13.65199Sumsquaredresid127702.9Schwarzcriterion13.94137Loglikelihood-67.08594F-statistic11.22114Durbin-Watsonstat2.600491Prob(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:YMethod:LeastSquaresDate:12/14/03Time:10:36Sample:19912001Includedobservations:11VariableCoefficientStd.Errort-StatisticProb.C333.4674324.45201.0277870.3309X10.0175190.0049013.5747750.0060R-squared0.586758Meandependentvar1410.533AdjustedR-squared0.540843S.D.dependentvar589.1776S.E.ofregression399.2336Akaikeinfocriterion14.97994Sumsquaredresid1434487.Schwarzcriterion15.05228Loglikelihood-80.38965F-statistic12.779024Durbin-Watsonstat1.004405Prob(F-statistic)0.005979（表一）（表二）DependentVariable:LYMethod:LeastSquaresDate:12/14/03Time:12:58Sample:19912001Includedobservations:11VariableCoefficientStd.Errort-StatisticProb.C6.0750630.28816221.082110.0000X11.73E-054.35E-063.9665340.0033R-squared0.636119Meandependentvar7.136493AdjustedR-squared0.595688S.D.dependentvar0.557642S.E.ofregression0.354579Akaikeinfocriterion0.927196Sumsquaredresid1.131539Schwarzcriterion0.999541Loglikelihood-3.099580F-statistic15.73339Durbin-Watsonstat0.801747Prob(F-statistic)0.003272（表三）DependentVariable:LYMethod:LeastSquaresDate:12/14/03Time:11:51DependentVariable:YMethod:LeastSquaresDate:12/14/03Time:11:54Sample:19912001Includedobservations:11VariableCoefficientStd.Errort-StatisticProb.C-8839.5072445.733-3.6142570.0056LX1938.3851223.68334.1951510.0023R-squared0.661645Meandependentvar1410.533AdjustedR-squared0.624050S.D.dependentvar589.1776S.E.ofregression361.2528Akaikeinfocriterion14.78000Sumsquaredresid1174532.Schwarzcriterion14.85234Loglikelihood-79.28999F-statistic17.59929Durbin-Watsonstat1.107891Prob(F-statistic)0.0023235Sample:19912001Includedobservations:11VariableCoefficientStd.Errort-StatisticProb.C-3.1902841.990972-1.6023750.1435LX10.9454100.1820915.1919530.0006R-squared0.749697Meandependentvar7.136493AdjustedR-squared0.721885S.D.dependentvar0.557642S.E.ofregression0.294081Akaikeinfocriterion0.553044Sumsquaredresid0.778354Schwarzcriterion0.625389Loglikelihood-1.041744F-statistic26.95637Durbin-Watsonstat0.930376Prob(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1．用EVIEWS分析初步调整后的模型DependentVariable:LYMethod:LeastSquaresDate:12/14/03Time:19:41Sample:19912001Includedobservations:11VariableCoefficientStd.Errort-StatisticProb.C-12.6830218.18878-0.6972990.5358obsLYLX1LX2X3LX4X5LX6X719916.0549869.9812725.2326055.3227006.79794011.433300.8329091.000000019926.16108010.190105.3601185.5149006.97541411.582300.8329090.000000019936.88496510.452605.5470125.76