分布滯后模型與自回歸第一頁，共七十一頁，編輯于2023年，星期五引子:

貨幣政策效應的時滯貨幣供給投資消費進出口一般價格GDP時間滯后在宏觀經(jīng)濟的調控中，貨幣政策的傳導不是瞬間的，其效應的發(fā)揮有一定的傳導過程：第二頁，共七十一頁，編輯于2023年，星期五

需要思考的問題:在現(xiàn)實經(jīng)濟活動中，經(jīng)濟變量之間的關系不一定是瞬間的，解釋變量與被解釋變量的因果聯(lián)系不可能在短時間內完成，在這一過程中通常都存在時間滯后，也就是說解釋變量需要通過一段時間才能完全作用于被解釋變量。這種滯后現(xiàn)象普遍存在，就要求我們在做經(jīng)濟分析時應該考慮時滯的影響。

怎樣才能把這類時間上滯后的經(jīng)濟關系納入計量經(jīng)濟模型呢？第三頁，共七十一頁，編輯于2023年，星期五本章內容:此前討論的模型變量間的關系是同時(瞬時、靜態(tài))的，實際不一定是這樣。要反映不同時期變量之間的關系，需要引入滯后變量，使靜態(tài)模型成為動態(tài)模型。

從時間關系上看：

變量間瞬時關系

不同時期變量間的關系

(靜態(tài)模型)

(動態(tài)模型)

本章具體內容:

◆滯后效應與滯后變量模型(分布滯后、自回歸）

◆分布滯后模型的估計◆自回歸模型的構建◆自回歸模型的估計

第四頁，共七十一頁，編輯于2023年，星期五第一節(jié)滯后變量

一、滯后效應與滯后變量滯后效應：

被解釋變量受自身或其它變量過去值影響的現(xiàn)象，或被解釋變量對解釋變量的響應有一定的時間延滯，稱為滯后效應

滯后值：

相對于某變量的本期值，該變量過去時期的數(shù)值稱為滯后值

滯后變量：

模型中用于表示滯后值的變量稱為滯后變量。

滯后變量分為：滯后解釋變量

滯后被解釋變量

如如(幾個概念)第五頁，共七十一頁，編輯于2023年，星期五

二、滯后效應產(chǎn)生的原因

1、心理因素心理習慣（惰性）：如收入增加后，消費習慣卻有慣性心理預期：對未來的預期會影響本期的經(jīng)濟行為如：現(xiàn)在收入增加——是否永久收入增加？預期價格會下降?

2、技術因素如：◆投資形成固定資產(chǎn)經(jīng)濟增長（有時滯）◆貨幣供應量通貨膨脹（有時滯）

3、制度因素契約與制度的改變有滯后，契約義務防礙對變化了的情況的決策第六頁，共七十一頁，編輯于2023年，星期五三、引入滯后變量的模型

1、滯后變量引入模型的一般形式

可以引入滯后解釋變量，也可以引入滯后被解釋變量，最一般形式為

其中：

—截距項

—解釋變量及滯后值的參數(shù)

s—滯后解釋變量的滯后期—被解釋變量滯后值的參數(shù)

q—滯后應變量的滯后期第七頁，共七十一頁，編輯于2023年，星期五

2、分布滯后模型

●模型中只含有滯后解釋變量，被解釋變量所受影響“分布在解釋變量不同時期滯后值上”的模型。

一般形式：

或

（1）有限分布滯后模型：模型中解釋變量滯后期的長度

S是有限的，如S=K（2）無限分布滯后模型：模型中解釋變量滯后期的長度是無限的，

(無法確定滯后期長度時,可視為無限滯后)第八頁，共七十一頁，編輯于2023年，星期五分布滯后模型參數(shù)的經(jīng)濟意義：

短期乘數(shù)：表示同期（滯后期為0）解釋變量變動一個單位，對本期被解釋變量平均值的影響，稱為短期乘數(shù)或即期乘數(shù)。延遲乘數(shù)：分別表示第時期的解釋變量變動一個單位，對第t期被解釋變量平均值的影響，分別稱為延遲乘數(shù)或動態(tài)乘數(shù)。長期乘數(shù):經(jīng)濟處于穩(wěn)定狀態(tài)(長期平衡)時,

表示解釋變量及其滯后值均變動一個單位時，由于滯后效應對本期被解釋變量平均值總的影響，稱為長期乘數(shù)。模型第九頁，共七十一頁，編輯于2023年，星期五

3、自回歸模型

模型中的解釋變量只包括解釋變量的本期值和被解釋變量若干期滯后值的模型。一般形式：

由于分布滯后模型和自回歸模型的估計面臨不同的問題，對其模型的估計需要分別加以討論。

第十頁，共七十一頁，編輯于2023年，星期五第二節(jié)分布滯后模型及其估計

一、

分布滯后模型估計存在的問題表面上看分布滯后模型就是多元回歸，但其估計有一些值得研究的問題。1、對于無限分布滯后模型：

●滯后項無限多應估計的參數(shù)也無限多●樣本觀測值個數(shù)總是有限的結論：事實上對無限分布滯后模型不能直接估計其參數(shù)第十一頁，共七十一頁，編輯于2023年，星期五

2、對于有限分布滯后模型：可視為S+1個解釋變量的多元回歸模型去估計，參數(shù)可以估計，但是可能面臨三個問題：（1）解釋變量滯后期長度如何確定？（2）滯后期較多，樣本容量有限，自由度可能不夠（3）可能出現(xiàn)多重共線性：變量連續(xù)的逐期滯后值很可能高度相關第十二頁，共七十一頁，編輯于2023年，星期五補充:模型選擇的某些準則可決系數(shù)的局限:可決系數(shù)是模型中解釋變量個數(shù)的不減函數(shù)，這給對比不同模型的多重可決系數(shù)帶來缺陷。修正的可決系數(shù)：越大越好!思想:對增加解釋變量加以一定的懲罰。

還有一些方法可以進一步加以懲罰。?赤池信息準則（AIC）：越小越好!?施瓦茨信息準則（SIC）：越小越好!（有的寫為AIC）或懲罰因子n樣本容量k解釋變量變個數(shù)懲罰因子（分布滯后模型解釋變量滯后期長度可參考的準則）注意:這些準則都是描述性的,并沒有理論上的依據(jù).第十三頁，共七十一頁，編輯于2023年，星期五解決分布滯后模型估計問題的基本思路：

變換模型——設法把多個滯后變量組合成為個數(shù)相對較少的新變量目的：減少要直接估計的參數(shù)的個數(shù)，從而

?減少直接估計的參數(shù)

?增加自由度

?避免多重共線性第十四頁，共七十一頁，編輯于2023年，星期五二、有限分布滯后模型的估計方法

對于

怎樣變換模型？

1、經(jīng)驗權數(shù)法

基本思想：為減少要估計的參數(shù)個數(shù)，將各個解釋變量組合為一個新變量，可對滯后變量的參數(shù)β作某種假定（施加某種約束），最簡單的辦法是對滯后變量指定一定的權數(shù)加以組合。權數(shù)的不同分布決定了滯后結構的不同類型

（1）遞減滯后結構

假定：解釋變量對被解釋變量的影響，隨時間推移越來越小，按“近大遠小”原則，X的權數(shù)由近到遠逐步遞減例如：假定權數(shù)W=1，1/2，1/4，1/8

第十五頁，共七十一頁，編輯于2023年，星期五對于原模型●令新變量其中：是預先指定的權數(shù)例如，幾何遞減權數(shù)

如時為●用代替各解釋變量，模型變?yōu)椋?/p>

即●用估計的可間接計算出原模型中的各個因為

加權的方法：（原變量加權組合）第十六頁，共七十一頁，編輯于2023年，星期五（2）不變滯后結構

假定：權數(shù)為常數(shù)，即或

例如：Ｗ＝1/4，1/4，1/4，1/4

（3）倒V形滯后結構

假定：滯后變量的權數(shù)先遞增后遞減，權數(shù)兩頭小中間大

例如

權數(shù)為：W=1/4,

1/2,

2/3,

1/2,

1/4經(jīng)驗權數(shù)法優(yōu)缺點：優(yōu)點：簡單易行，參數(shù)估計有一致性缺點：滯后形式和權數(shù)指定有隨意性

第十七頁，共七十一頁，編輯于2023年，星期五

2、阿爾蒙法

原模型：

基本思想：用某種多項式的方式去減少待估參數(shù)的個數(shù)

前提：

隨滯后期

而呈規(guī)律性變動，其變動可能呈某種曲線形式根據(jù)：高等數(shù)學中“維爾斯特拉斯定理”：“一個有限閉區(qū)間的任何連續(xù)函數(shù)都可以用一個適當項的多項式去近似表示”。如:

(A)

(B)

滯后期第十八頁，共七十一頁，編輯于2023年，星期五一般性:

可以用滯后期

的m階多項式去近似表示滯后期

(=0,1,2,----s）為已知

即關鍵:確定多項式的項次m

（經(jīng)驗方法：m至少比β和i的曲線的轉向點個數(shù)大１即可）第十九頁，共七十一頁，編輯于2023年，星期五原分布滯后模型或將代入原模型得或注意：原模型有S+1個解釋變量變換后模型只有m+1個解釋變量

可令第二十頁，共七十一頁，編輯于2023年，星期五

令

====

即

要理解其中:：是原滯后變量的線性組合即

第二十一頁，共七十一頁，編輯于2023年，星期五●將原滯后變量變換為Z，Z包含了原滯后變量的信息目的:只要使m<s，就可以減少直接估計參數(shù)的個數(shù)，

增加自由度，減輕多重共線性第二十二頁，共七十一頁，編輯于2023年，星期五●設定多項式的項次m：一般取2—4即可，使m大大小于滯后期數(shù)s●變換原滯后解釋變量為Z：

模型變?yōu)椤裼肙LS法估計●以上過程中，滯后期數(shù)i為已知，只需估計出各個即可計算出原模型各個參數(shù)的估計值因為

所以在Eviews中可通過命令“l(fā)s

YCPDL(X，s，m)”自動完成。具體作法：第二十三頁，共七十一頁，編輯于2023年，星期五三、

無限分布滯后模型的估計——庫伊克變換

基本思想：

無限分布滯后模型有無窮多個參數(shù)，無法直接估計。但可將無限分布滯后模型通過數(shù)學變換的方式轉換為有限個參數(shù)的模型，然后間接地估計其參數(shù)前提條件：●所有的的符號都相同（即不改變符號）●為幾何遞減滯后形式

λ為分布滯后衰減率（近大遠小）第二十四頁，共七十一頁，編輯于2023年，星期五

具體作法：

假定為公比小于1的幾何級數(shù)形式：代入原模型：

（1）滯后一期并乘：

用（1）式減（2）式得到：

（2）（1）原模型第二十五頁，共七十一頁，編輯于2023年，星期五(上頁模型）移項令

得這樣，將無限分布滯后模型巧妙地變換為了一階自回歸模型，若估計出等參數(shù)，可計算出原模型各個參數(shù)的估計值第二十六頁，共七十一頁，編輯于2023年，星期五庫伊克變換的優(yōu)點：●將有無窮多個參數(shù)要估計的無限分布滯后模型，變換為只有三個參數(shù)的自回歸模型，使參數(shù)估計變?yōu)榭赡堋！駱O大地減少了自由度的損失。●解決了滯后長度難以確定的問題。●用被解釋變量滯后值取代大量滯后解釋變量，從而消除

了多重共線性。庫伊克變換存在的問題：●有嚴格的假定條件（按固定比例遞減），不一定符合經(jīng)濟問題的實際。●把隨機變量引入了解釋變量，不一定符合基本假定。●隨機擾動可能自相關。●只是純粹的數(shù)學運算的結果，缺乏經(jīng)濟理論依據(jù)。庫伊克變換的優(yōu)點和局限第二十七頁，共七十一頁，編輯于2023年，星期五第三節(jié)自回歸模型的構建

問題的提出：

庫伊克變換形式巧妙，缺乏建模的經(jīng)濟背景。但是也可以從經(jīng)濟問題出發(fā)得出類似的模型形式，說明庫伊克變換的經(jīng)濟背景

一、自適應預期模型

根據(jù)預期理論：人們的經(jīng)濟行為不僅受當前經(jīng)濟因素影響，而且受人們對某些經(jīng)濟變量未來走勢的“預期”的影響，因此可以將某些變量的預期值作為解釋變量

其中：是對變量X的預期水平例如：貨幣需求Ｙ是預期利率的某種函數(shù)

問題:預期變量的預期值是不可觀測的，只能根據(jù)預期形成機理對它作出某種假定第二十八頁，共七十一頁，編輯于2023年，星期五自適應預期理論（一種預期形成機理的假定）預期值與實際值總有偏差，為了作出合理的預期，可以根據(jù)過去所作預期的經(jīng)驗，不斷修正當前的預期。按過去預期值與實際值偏差的一定比例去修正其預期值

本期預期值=上期預期值+修正值

其中修正值是上期預期誤差的一部分，是修正系數(shù)注意理解:第t-1期作的預期是對第t期的作的預期或改寫為：預期形成機理：說明本期預期值是本期實際值與上期預期值的加權平均，權數(shù)是和（1-

）第二十九頁，共七十一頁，編輯于2023年，星期五

建模代換：基本思想：因預期值無法觀測，設法通過代換在模型中避開直接使用預期值

作法：●將建立在自適應預期機理基礎上的預期值代入原模型

原模型

得

即（A）●將原模型滯后一期并乘得

（B）原模型滯后一期：自適應預期第三十頁，共七十一頁，編輯于2023年，星期五

（A）（B）●以上兩式相減

[（A）—（B）]得:移項令，，，則這是一個與庫伊克變換相似的一階自回歸模型，通過可以計算出自適應預期模型的參數(shù)：第三十一頁，共七十一頁，編輯于2023年，星期五二、局部調整模型

基本思想：

●在經(jīng)濟管理中，常需要研究最適合的預期水平。例如：預期的最佳貨幣供應量（相對于某經(jīng)濟發(fā)展水平）預期的最佳商品儲備（相對于某銷售量）預期最佳的資本存量（相對于某產(chǎn)出量）這時需要將預期值作為被解釋變量，將某些現(xiàn)期值作為解釋變量。●例如預期的最適宜資本存量水平可能與產(chǎn)出X有關，可建立模型：

存在的問題：不能直接觀測

（1）第三十二頁，共七十一頁，編輯于2023年，星期五

企業(yè)總要調整其資本存量，使其逐步接近預期的最適宜水平，由于種種限制這種調整也許不能”一步到位”，只能逐步進行，認為實際的調整量只是預期調整量的一部分，假定調整機理為局部調整模型：

其中：為實際調整量

為預期的最適宜調整量

為調整系數(shù)0≤≤1也可表示為（2）可見，是和的加權平均數(shù)，權數(shù)為和●資本投資理論的存貨局部調整原理：第三十三頁，共七十一頁，編輯于2023年，星期五●然而，預期變量不能觀測，為代換，將（1）式代入（2）式：

或令

得這是由投資理論導出的一階自回歸模型特點：較簡單，且不導致自相關（1）（2）第三十四頁，共七十一頁，編輯于2023年，星期五模型模型形式（自回歸模型）建模思想和依據(jù)隨機誤差項結構和性質庫伊克參數(shù)幾何級數(shù)遞減數(shù)學變換可能導致自相關自適應預期自適應預期假定可能導致自相關局部調整局部調整機理不導致自相關共同點：模型最終形式都是一階自回歸模型結論：對比三種自回歸模型的異同第三十五頁，共七十一頁，編輯于2023年，星期五第四節(jié)

自回歸模型的估計

一、自回歸模型估計存在的問題

對一階自回歸模型

存在問題：●模型中出現(xiàn)了隨機解釋變量，且可能與相關●可能自相關：可以證明庫伊克模型和自適應預期模型的隨機擾動項都會導致自相關，只有局部調整模型的隨機擾動無自相關后果：違反基本假定，OLS估計不僅是有偏的，而且在大樣本時是不一致的(證明較復雜，略)

要解決的問題：

●設法消除與的相關性（尋求方法）。●檢驗是否存在自相關（尋求自相關的檢驗方式）第三十六頁，共七十一頁，編輯于2023年，星期五

二、工具變量法（消除與的相關性）

基本思想在模型中，若是與相關，將

違反基本假定。但如果能找到另一個變量，使與

高度相關，但與不相關，則可用代替去估

計參數(shù)。這樣的變量稱為工具變量。可以證明用工具變量法估計的參數(shù)是一致估計。

工具變量的選擇條件：（只幫忙不添亂）

●與所替代的解釋變量高度相關(像替身)●與隨機擾動項不相關(有本事)●與模型中其他解釋變量不相關（避免多重共線性）

(不添亂)

第三十七頁，共七十一頁，編輯于2023年，星期五具體作法：如何選擇的工具變量？

1、用作工具變量代替（為什么可這樣選？）●將對X滯后值回歸

(滯后期S一般可選2、３）●估計出參數(shù)后，滯后一期計算

●用作工具變量代替

效果：小樣本時有偏，大樣本時漸近一致(證明略)第三十八頁，共七十一頁，編輯于2023年，星期五2、用作工具變量代替

模型為

為什么可這樣選？通常與相關，但與不相關問題：?與可能發(fā)生多重共線性?仍然可能自相關解決的辦法：?檢驗多重共線性是否嚴重?檢驗是否自相關注意:不能將工具變量理解為代替原解釋變量的新解釋變量。使用工具變量時模型的解釋變量還是原來的解釋變量，所估計參數(shù)的經(jīng)濟意義還是原解釋變量的參數(shù)的意義。工具變量只是用于估計原模型參數(shù)的“工具”而已，不是要“喧賓奪主”。第三十九頁，共七十一頁，編輯于2023年，星期五

三、自回歸模型中自相關的檢測——德賓h檢驗

目的：檢驗自回歸模型中是否存在自相關，分析估計結果的合理性

存在的問題：●回顧：檢驗自相關的dw統(tǒng)計量有檢驗條件（P167）解釋變量全是非隨機變量；解釋變量中沒有滯后內生變量，即沒有被解釋變量滯后值（不是自回歸）●dw統(tǒng)計量檢驗不適于自回歸模型，因為此時dw總是趨近于2，會存在阻礙發(fā)現(xiàn)自相關的“內生偏倚”第四十頁，共七十一頁，編輯于2023年，星期五

解決的辦法:德賓提出h統(tǒng)計量，可檢驗自回歸模型中針對的自相關其中:n——樣本容量

——滯后被解釋變量的參數(shù)估計值的方差

——一階自相關系數(shù)的估計值

或者

大樣本時h服從標準正態(tài)分布h統(tǒng)計量可用于檢驗是否存在自相關第四十一頁，共七十一頁，編輯于2023年，星期五

具體作法：

●對一階自回歸模型直接用OLS法估計其參數(shù)，并得和dw統(tǒng)計量●用、殘差或dw統(tǒng)計量、n等數(shù)據(jù)計算h統(tǒng)計量●對于給定顯著性水平，查標準正態(tài)分布表得臨界值若│h|>，拒絕，存在一階自相關若|h|<，不拒絕，不存在一階自相關

注意：●h檢驗與模型中有多少個X變量無關，計算h只考慮系數(shù)估計值的方差●h檢驗只適用于大樣本，小樣本時效果差●h檢驗不僅適于一階自相關檢驗，還適用于任意階自相關的檢驗.

第四十二頁，共七十一頁，編輯于2023年，星期五43案例一:某地制造業(yè)庫存量與銷售額的關系模型:樣本數(shù)據(jù)：（億元）年份銷售額X庫存量Y年份銷售額X庫存量Y198726.4845.069199741.00368.221198827.7450.642199844.86977.965198928.23651.871199946.44984.655199027.2852.07200050.28290.815199130.21952.709200153.55597.074199230.79653.814200252.859101.64199330.89654.939200355.917102.44199433.11358.123200462.017107.71199535.02360.043200571.398120.87199637.33563.383200682.078147.13

第五節(jié)案例分析第四十三頁，共七十一頁，編輯于2023年，星期五44分布滯后模型與自回歸模型的建立估計分布滯后模型:鍵入命令”LS

YCXX(-1)X(-2)X(-3)”/OK得到原模型的估計結果（注意：樣本區(qū)間的變化）判斷:原分布滯后模型明顯存在多重共線性。第四十四頁，共七十一頁，編輯于2023年，星期五45取權數(shù)為：

在“Workfile”表中點“Genr”，在出現(xiàn)的對話框中輸入：

Z1=X+X(-1)/2+X(-2)/4+X(-3)/8點“OK”即生成Z1，作回歸：“LSYCZ1”/OK，即得回歸結果。注意因生成滯后變量減少了3個樣本，這時樣本區(qū)間為：1990-2006

1、經(jīng)驗加權法第四十五頁，共七十一頁，編輯于2023年，星期五46原模型：經(jīng)驗加權模型：或經(jīng)驗加權估計結果：得出原分布滯后模型的估計結果：根據(jù)經(jīng)驗加權的結果計算原模型參數(shù)估計值第四十六頁，共七十一頁，編輯于2023年，星期五472、阿爾蒙法方法1:生成新變量法有限分布滯后模型：將系數(shù)(i=0,1,2,3)用二次多項式近似，原模型可變?yōu)辄c擊“Genr”工具欄，生成新變量作回歸“YCZ0tZ1tZ2t”/OK，得回歸結果第四十七頁，共七十一頁，編輯于2023年，星期五48由根據(jù)阿爾蒙變換公式求出原分布滯后模型的各個參數(shù)，估計結果為對比用“PDL”命令估計的分布滯后模型結果(見后面)

第四十八頁，共七十一頁，編輯于2023年，星期五49方法2:Eviews指令“PDL”用于估計分布滯后模型

在Eviews中鍵入阿爾蒙法的命令:“l(fā)s

YCPDL(X，3，2)”其中，“PDL指令”表示進行多項式分布滯后（PolynomialDistributedLags）模型的估計，括號中的3表示X的分布滯后長度，2表示多項式的階數(shù)。在EstimationSettings欄中選擇LeastSquares(最小二乘法)，點擊OK，得回歸分析結果第四十九頁，共七十一頁，編輯于2023年，星期五50

需要指出的是，用“PDL”估計分布滯后模型時，Eviews所采用的滯后系數(shù)多項式變換不是形如

的阿爾蒙多項式，而是阿爾蒙多項式的派生形式：因此，輸出結果中估計的PDL01、PDL02、PDL03系數(shù)與用阿爾蒙多項式分步估計的系數(shù)不一致。但同前面分步計算的結果相比，最終的分布滯后系數(shù)估計結果相同。底部的折線圖是分布滯后模型解釋變量參數(shù)估計值的線性圖，也就是、、、估計值構成的折線圖。該圖形需要逆時針旋轉90度來看，圖中虛線表示0值線。第五十頁，共七十一頁，編輯于2023年，星期五（一）問題提出：貨幣供應量對物價的影響存在一定時滯。西方國家的通貨膨脹時滯大約為2—3個季度。在中國貨幣供給的變化對物價也具有滯后影響，但滯后期究竟有多長?（二）模型設定：為了考察貨幣供應量的變化對物價的影響，我們用廣義貨幣M2的月增長量M2Z作為解釋變量，以居民消費價格月度同比指數(shù)TBZS為被解釋變量進行研究。首先建立如下回歸模型（三）收集數(shù)據(jù)：采集1996－2008年全國廣義貨幣供應量和物價指數(shù)的月度數(shù)據(jù)（略）案例二：中國貨幣供給對物價變動影響滯后性的研究

第五十一頁，共七十一頁，編輯于2023年，星期五1996年1月－2008年11月全國廣義貨幣供應量及物價指數(shù)月度數(shù)據(jù)月度廣義貨幣M2(千億元）廣義貨幣增長量M2z（千億元）居民消費價格同比指數(shù)tbzs月度廣義貨幣M2(千億元）廣義貨幣增長量M2z（千億元）居民消費價格同比指數(shù)tbzsJan-9658.401Oct-00129.522-0.9518100Feb-9663.7785.377109.3Nov-00130.99411.4721101.3Mar-9664.5110.733109.8Dec-00134.61033.6162101.5Apr-9665.7231.212109.7Jan-01137.54362.9333101.2May-9666.881.157108.9Feb-01136.2102-1.3334100Jun-9668.1321.252108.6Mar-01138.74452.5343100.8Jul-9669.3461.214108.3Apr-01139.94991.2054101.6Aug-9672.3092.963108.1May01139.0158-0.9341101.7Sep-9669.643-2.666107.4Jun-01147.80978.7939101.4Oct-9673.15223.5092107Jul-01149.22871.419101.5Nov-9674.1420.9898106.9Aug-01149.94180.7131101Dec-9676.09491.9529107Sep-01151.82261.880899.9第五十二頁，共七十一頁，編輯于2023年，星期五Jan-9778.6482.5531105.9Oct-01151.4973-0.3253100.2Feb-9778.9980.35105.6Nov-01154.08832.59199.7Mar-9779.8890.891104Dec-01158.30194.213699.7Apr-9780.8180.929103.2Jan-02159.63931.337499May-9781.1510.333102.8Feb-02160.93561.2963100Jun-9782.7891.638102.8Mar-02164.06463.12999.2Jul-9783.460.671102.7Apr-02164.57060.50698.7Aug-9784.7461.286101.9May02166.0611.490498.9Sep-9785.8921.146101.8Jun-02169.60123.540299.2Oct-9786.6440.752101.5Jul-02170.85111.249999.1Nov-9787.590.946101.1Aug-02173.25092.399899.3Dec-9790.99533.4053100.4Sep-02176.98243.731599.3注：n=154,表中只列了部分數(shù)據(jù)數(shù)據(jù)來源：中國經(jīng)濟統(tǒng)計數(shù)據(jù)庫，/。（接上頁數(shù)據(jù)表格）第五十三頁，共七十一頁，編輯于2023年，星期五1、當期數(shù)據(jù)回歸結果

M2Z的t統(tǒng)計量值為2.9753，P值為0.0034,表明當期貨幣供應量的變化對當期物價水平的影響在統(tǒng)計意義上顯著，但未顯現(xiàn)出滯后影響。可決系數(shù)很低,從dw檢驗看有嚴重自相關，可能遺漏了變量.第五十四頁，共七十一頁，編輯于2023年，星期五分析貨幣供應量變化影響物價的滯后性，作滯后6個月的分布滯后模型的估計，在Eviews工作文檔的“EquationSpesification”方程設定窗口中，輸入:“TBZSCM2ZM2Z(-1)M2Z(-2)M2Z(-3)M2Z(-4)M2Z(-5)M2Z(-6)”結果顯示(見下頁):●M2Z各滯后期的系數(shù)逐步增加，表明當期貨幣供應量的變化對物價水平的影響要經(jīng)過一段時間才能逐步顯現(xiàn)。●但各滯后期的系數(shù)的t統(tǒng)計量值均顯示不顯著，因此還不能據(jù)此判斷滯后期究竟有多長。2、滯后6個月的分布滯后模型第五十五頁，共七十一頁，編輯于2023年，星期五M2Z各滯后期的系數(shù)逐步增加t統(tǒng)計量值幾乎均不顯著第五十六頁，共七十一頁，編輯于2023年，星期五3、滯后12個月的分布滯后模型的估計

t統(tǒng)計量值幾乎均不顯著M2Z各滯后期的系數(shù)逐步增加滯后11個月后開始顯著第五十七頁，共七十一頁，編輯于2023年，星期五從M2Z到M2Z(-10)，t檢驗表明回歸系數(shù)都不顯著異于零，而M2Z（-11）回歸系數(shù)的t統(tǒng)計量值為2.1592，在5％顯著性水平下拒絕系數(shù)為零的原假設。這一結果表明，當期貨幣供應量變化對物價水平的影響在經(jīng)過11個月（即約一年）后才明顯地顯現(xiàn)出來。為了考察貨幣供應量變化對物價水平影響的持續(xù)期，再作滯后18個月的分布滯后模型的估計第五十八頁，共七十一頁，編輯于2023年，星期五4、滯后18個月的分布滯后模型放大字體見下兩頁！第五十九頁，共七十一頁，編輯于2023年，星期五VariableCoefficient Std.Error t-Statistic Prob. C 97.596530.286256340.9415 0.0000 M2Z -0.019520 0.077185 -0.252900 0.8008 M2Z(-1)0.015064 0.077286 0.194914 0.8458 M2Z(-2)-0.020539 0.079295 -0.259019 0.7961 M2Z(-3)0.004309 0.079056 0.054506 0.9566 M2Z(-4)0.001523 0.081215 0.018752 0.9851 M2Z(-5)0.004786 0.082489 0.058023 0.9538 M2Z(-6)-0.011763 0.081670 -0.144027 0.8857 M2Z(-7)0.066961 0.078720 0.850616 0.3967 M2Z(-8)0.091757 0.078392 1.170486 0.2442 M2Z(-9)0.043119 0.078385 0.550086 0.5833 M2Z(-10)0.036499 0.077371 0.471740 0.6380 M2Z(-11)0.164543 0.087029 1.890669 0.0612 M2Z(-12)0.214224 0.094830 2.259027 0.0257 M2Z(-13)0.231705 0.094485 2.452283 0.0157 M2Z(-14)0.212450 0.095659 2.220905 0.0283 M2Z(-15)0.215432 0.097011 2.220687 0.0283 M2Z(-16)0.172157 0.096130 1.790878 0.0759 M2Z(-17)0.109469 0.096874 1.130015 0.2608 M2Z(-18)0.114872 0.092097 1.247298 0.2148 第六十頁，共七十一頁，編輯于2023年，星期五接上表R-squared 0.685178 Meandependentvar101.5537 AdjustedR-squared0.633612 S.D.dependentvar 2.494614 S.E.