计量经济学论文-薪资微观影响因素的计量分析.doc

计量经济学课程论文某国薪资影响因素的计量分析 摘要本文主要运用OLS，采取数据对工人工资的微观因素分析。由此得出影响薪资最主要的因素是工作经验，以帮助大学生在择业就业时了解自己的优势劣势，及时增强自己的能力，增加工作经验，以求在职场中获得更高薪资和更好的表现。AbstractThis paper mainly uses the OLS,take the analysis of data on the micro factors workers wages. Conclusion the main influence factors of salary is working experience,to help students understand their own advantages and disadvantages in the employment,to enhance their ability,work experience,in order to get higher pay and better performance in the workplace关键词薪资 影响因素 回归分析1 引言我国大学扩招后，大学生就业难的问题已经是一个不争的现象，且有可能越来越难的趋势。这个方面和国际经济形式近3年来连遭打击，一方面和中国经济结构体制和教育改革落后有关，更和当今大学生的就业观滞后有关。据统计，2013年全国高校毕业生将超过700万，这些高校学子的就业问题成为社会和学校关注的焦点。那么我们通常关注的工作的薪水受自身的什么因素的影响呢？就此问题我搜集了关于薪水影响因素的数据，并且运用Eviews3.0进行多元回归分析。二、数据搜集本文所采用数据均来自于薛薇-基于SPSS的数据分析Employee data，真实性和权威性很高。三、计量经济模型（一）模型的建立Y=1+2X2+3X3+4X4+5X5+6X6+7X7+8X8+U其中：Y现在薪资（美元/年）， X2性别 X3教育程度 X4年龄 X5初始工作工资 X6工作时间 X7工作经验 X8行业类别 U随机扰动项X2性别，1代表男性，2代表女性（虚拟变量）X3教育程度，以年为单位，表示学习时间的长短X7工作经验 ，以月为单位，表示过去工作的时间长短X6工作时间，从被雇佣开始工作的时间X8行业类别，1表示管理者，2表示非管理者（虚拟变量） Dependent Variable: YMethod: Least SquaresDate: 11/03/13 Time: 15:36Sample: 1 471Included observations: 470Excluded observations: 1VariableCoefficientStd. Errort-StatisticProb. X22384.251784.82123.0379550.0025X3331.5970159.68732.0765400.0384X4-84.1361348.88423-1.7211300.0859X51.3351280.07439317.947070.0000X6151.858332.579344.6611850.0000X7-9.1370885.630314-1.6228380.1053X811488.071393.9078.2416310.0000C-3936.1503577.955-1.1001120.2719R-squared0.838169 Mean dependent var34491.33Adjusted R-squared0.835717 S.D. dependent var17119.69S.E. of regression6938.926 Akaike info criterion20.54456Sum squared resid2.22E+10 Schwarz criterion20.61524Log likelihood-4819.971 F-statistic341.8326Durbin-Watson stat1.888283 Prob(F-statistic)0.000000由上表，模型估计有以下结果Y=-3936.150+2384.251X2+331.5970X3-84.13613X4+1.335128X5+151.8583X6-9.137088X7+11488.07X8+Use=（3577.955）(784.8212) (159.6873） (48.88423) (0.074393) (32.57934) (5.630314)（1393.907）t=（-1.100112）(3.037955) (2.076540) (-1.721130) (17.94707) (4.661185) (-1.622838)（8.241631） R2=0.838169 Adjusted R2=0.835717 F-statistic=341.8326，n=471（二）参数估计的检验与修正 由上表，该模型的可决系数较高，F检验值=341.8326，明显显著。除X7 所有变量的符号也和预期效果一致，说明，但=0.05时，t(471-7)=1.9,，只有X2和X8的系数的t检验显著，这表明很可能存在多重共线性。尽管回归拟合的很好，但是解释变量的t统计量多个不显著，X7工作经验的系数符号和经济意义相反，也表明模型中解释变量确实存在多重共线性。（1） 多重共线性的检验Step1.计算各变量的相关系数。相关系数矩阵X2X3X4X5X6X7X8X210.355076400133-0.04479129189670.4567698542540.07362059270550.1696191026180.316871983659X30.3550764001331-0.2811596488980.6331946494620.0491522101777-0.2512195422480.60718718873X4-0.0447912918967-0.2811596488981-0.007889489898740.05279832723540.803943982422-0.0857662414236X50.4567698542540.633194649462-0.007889489898741-0.02265064698990.04645023309230.782384438487X60.07362059270550.04915221017770.0527983272354-0.022650646989910.00064724788327-0.00430182574373X70.169619102618-0.2512195422480.8039439824220.04645023309230.000647247883271-0.0818029794078X80.3168719836590.60718718873-0.08576624142360.782384438487-0.00430182574373-0.08180297940781可以看出多个变量之间存在多重共线性。Step2. 采用逐步回归法，来检验和解决多重共线性问题。分别做Y对x2-x8的一元回归，结果如下一元回归结果变量X2X3X4X5X6X7X8参数估计值15482.933909.694-209.53821.907769133.4431-15.8490635885.45T统计量10.9565519.07986-3.14626840.136441.696097-2.11388229.29398可决系数0.2037970.4370020.0207140.7745120.0060960.0094380.646608修正可决系数0.2021000.4358020.0186210.7740310.0039770.0073260.645854 其中，加入X5的修正的可决系数最大，以X5为基础，顺次加入其他变量逐次回归。加入新变量的回归结果1变量X5X5 X20.776619X5X2X30.7929X5X2X3X40.8020X5X2X3X4X60.81032X5X2X3X4X6X70.811971X5X2X3X4X6X7X80.835717经比较，新加入变量X3后，方程的修正的可决系数为改进最大，且各参数t检验显著，所以选择保留X3X8，再加入其他新变量逐步回归。加入新变量的回归结果2变量X5X3X8X2X4X6X7Adjusted R2X5,X3, X81.290676736.255011751.16-0.818020X5 X3, X8X21.220554681.533912188.172292.555-0.819954X5 X3, X8X2X41.290785442.227211807.882243.606-134.8229-0.819954X5 X3, X8X2X4X61.325221 369.5571 11700.96 1925.569 -147.602156.7427-0.835137X5 X3, X8X2X4X6X71.335128331.597011488.072384.251-84.13613151.8583-0.835717经比较，新加入变量后，尽管方程的修正的可决系数都有较大改进，参数X4，X7t检验不显著，且使原有变量的t检验值也向不显著方向发展，所以说明X4、X7、X2引起了严重的多重共线性，应予剔除，使模型得到改善。Step3.因此，剔除了多重共线性后的模型为Y=1+3X3+5X5+8X8+6X6+U再次经过回归，结果为Dependent Variable: YMethod: Least SquaresDate: 11/03/13 Time: 20:40Sample: 1 471Included observations: 471VariableCoefficientStd. Errort-StatisticProb. X3684.2104152.28284.4930240.0000X51.3091640.07112218.407240.0000X811702.431421.7338.2311010.0000X6150.238733.168644.5295390.0000C-11332.353224.420-3.5145380.0005R-squared0.825694 Mean dependent var34492.30Adjusted R-squared0.824198 S.D. dependent var17101.48S.E. of regression7170.430 Akaike info criterion20.60388Sum squared resid2.40E+10 Schwarz criterion20.64798Log likelihood-4847.213 F-statistic551.8666Durbin-Watson stat1.857537 Prob(F-statistic)0.000000Y = -11332.35 + 684.2104* X3+ 1.309164* X5+ 11702.43* X8+ 150.2387* X6 （-3.514538）（4.493024） （18.40724） （8.231101）（4.529539）R2=0.825694 DW=1.857537 F=551.866（2） 异方差的检验（White检验）Step1.相关图形分析 从这两个图可以粗略看出，随X3和X5的增加，Y的离散程度有稍微逐步变大的趋势，是否存在异方差还不能判断。Step2.由于是多元的回归，所以采取含交叉项的White检验White Heteroskedasticity Test:F-statistic5.541532 Probability0.000000Obs*R-squared64.13656 Probability0.000000Test Equation:Dependent Variable: RESID2Method: Least SquaresDate: 11/03/13 Time: 21:05Sample: 1 471Included observations: 471VariableCoefficientStd. Errort-StatisticProb. C3.17E+086.53E+080.4850590.6279X5-15447.0316063.10-0.9616470.3367X52-0.3373300.109760-3.0733350.0022X5*X3204.90391021.5400.2005830.8411X5*X815068.246389.6252.3582350.0188X5*X6329.9374174.88291.8866200.0598X311482926381272550.3011740.7634X3263893.821258502.0.0507700.9595X3*X8-3399660623420222-1.4515920.1473X3*X6-154541.3336894.1-0.4587240.6467X84.04E+084.41E+080.9145190.3609X8*X6-1548520.3236506.-0.4784540.6326X6-7964860.13481353-0.5908060.5549X6234842.5878728.460.4425660.6583R-squared0.136171 Mean dependent var50869257Adjusted R-squared0.111598 S.D. dependent var1.65E+08S.E. of regression1.55E+08 Akaike info criterion40.58625Sum squared resid1.10E+19 Schwarz criterion40.70974Log likelihood-9544.061 F-statistic5.5415