经济分析判定因果的变量的方法及相应的理论依据.docx

经济分析判定因果的变量的方法及相应的理论依据1. 回归分析预测法：回归分析预测法，是在分析市场现象自变量和因变量之间相关关系的基础上，建立变量之间的回归方程，并将回归方程作为预测模型，根据自变量在预测期的数量变化来预测因变量关系大多表现为相关关系，因此，回归分析预测法是一种重要的市场预测方法，当我们在对市场现象未来发展状况和水平进行预测时，如果能将影响市场预测对象的主要因素找到，并且能够取得其数量资料，就可以采用回归分析预测法进行预测。步骤： 1根据预测目标，确定自变量和因变量 明确预测的具体目标，也就确定了因变量。如预测具体目标是下一年度的销售量，那么销售量Y就是因变量。通过市场调查和查阅资料，寻找与预测目标的相关影响因素，即自变量，并从中选出主要的影响因素。 2建立回归预测模型 依据自变量和因变量的历史统计资料进行计算，在此基础上建立回归分析方程，即回归分析预测模型。 3进行相关分析 回归分析是对具有因果关系的影响因素（自变量）和预测对象（因变量）所进行的数理统计分析处理。只有当变量与因变量确实存在某种关系时，建立的回归方程才有意义。因此，作为自变量的因素与作为因变量的预测对象是否有关，相关程度如何，以及判断这种相关程度的把握性多大，就成为进行回归分析必须要解决的问题。进行相关分析，一般要求出相关关系，以相关系数的大小来判断自变量和因变量的相关的程度。 4检验回归预测模型，计算预测误差 回归预测模型是否可用于实际预测，取决于对回归预测模型的检验和对预测误差的计算。回归方程只有通过各种检验，且预测误差较小，才能将回归方程作为预测模型进行预测。 5计算并确定预测值 利用回归预测模型计算预测值，并对预测值进行综合分析，确定最后的预测值。6.线性回归预测法是指一个或一个以上自变量和应变量之间具有线性关系(一个自变量时为一元线性回归，一个以上自变量时为多元线性回归)，配合线性回归模型，根据自变量的变动来预测应变量平均发展趋势的方法。 理论基础：运用数学工具建模，在寻找影响因素准确有效的情况下，是一种具体的、行之有效的、实用价值很高的常用市场预测方法。2. 比例推算法：比例推算法是指参考有联系的经济指标的升降趋势，通过比较、分析，预测计划期税额的一种税收计划编制方法。比例推算法主要适用于测算计税数量与国民经济计划指标口经不一致和没有同口经济指标因而不能直接计算计划税额的税目、如增值税“其他工业品”税日的税收计划。比例推算法的优点在于计算简便，可以迅速的在有限的资料中推算出所需要的结果来。缺点是由于所依据资料的代表性不同，会出现一定的偏差。因而，采用比例推算法时要注意所依据的资料的代表性、同类性，以及对计划期(或其它方面)可能出现的变化进行必要的调整等。另外还要求两个时期(或方面)的情况要相对稳定。比例推算法适合于对那些具体有可能性的经济现象进行推算分析。理论基础：数学工具运用。3. 汉德公式：在美利坚合众国政府诉卡罗尔拖轮公司一案中，法官汉德（Learned Hand）提出了著名的汉德公式：； B：预防事故的成本； L：一旦发生所造成的实际损失； P：事故发生的概率； PL：（事先来看）事故的预先损失。 即只有在潜在的致害者预防未来事故的成本小于预期事故的可能性乘预期事故损失时，他才负过失侵权责任。此公式多运用于侵权中无过错责任与过错责任的认定，同时也可运用于刑法等，可以说覆盖范围广，说服力很强，是法律经济学中重要的公式。理论前提：经济效率和实用主义（utilitarianism）。但这一公式更富有启发性的实际上是它隐含的社会观（view of society）。汉德公式在某种意义上把一个侵权案件中的原、被告当成了一个整体：正如同要求原告本身用1,000美元的花费去消除原告本身900美元的概率损失无疑是不合理的，汉德认为，要求被告用1,000美元的花费去消除原告900美元的概率损失也同样是不合理的，因为两者最终招致的同样是100美元（1,000美元-900美元）的净损失。这无形中把原、被告看作了一个整体，“统一结算”；也进而把社会看成了一个整体，不再要求社会经由法律对被告施加过失责任（因为倘若如此，便是给社会造成100美元的净损失）。4. DAG和VAR因果分析法：DAG即有向非循环图技术能有效地识别变量间的同期因果关系, 向量自回归模型简称VAR模型，是一种常用的计量经济模型，1980年由克里斯托弗西姆斯（Christopher Sims）提出。VAR模型是用模型中所有当期变量对所有变量的若干滞后变量进行回归。图为DAG模型、 VAR模型用来估计联合内生变量的动态关系，而不带有任何事先约束条件。它是AR模型的推广，此模型目前已得到广泛应用。向量自回归(VAR)是基于数据的统计性质建立模型，VAR模型把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型，从而将单变量自回归模型推广到由多元时间序列变量组成的“向量”自回归模型。VAR模型是处理多个相关经济指标的分析与预测最容易操作的模型之一，并且在一定的条件下，多元MA和ARMA模型也可转化成VAR模型，因此近年来VAR模型受到越来越多的经济工作者的重视。 VAR公式列举：VAR模型描述在同一样本期间内的n个变量（内生变量）可以作为它们过去值的线性函数。 一个VAR(p)模型可以写成为： 其中：c是n 1常数向量，Ai是n n矩阵。et是n 1误差向量，满足： 1. 误差项的均值为0 2. 误差项的协方差矩阵为（一个n n正定矩阵） 3. （对于所有不为0的k都满足）误差项不存在自相关。理论依据：传统的经济计量方法是以经济理论为基础来描述变量关系的模型。但是，经济理论通常并不足以对变量之间的动态联系提供一个严密的说明，而且内生变量既可以出现在方程的左端又可以出现在方程的右端使得估计和推断变得更加复杂。为了解决这些问题而出现了一种用非结构性方法来建立各个变量之间关系的模型。向量自回归模型(vector autoregression，VAR)就是非结构化的多方程模型。 向量自回归(VAR)是基于数据的统计性质建立模型，VAR模型把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型，从而将单变量自回归模型推广到由多元时间序列变量组成的“向量”自回归模型。5. 投入产出分析：分析特定经济系统内投入与产出间数量依存关系的原理和方法。亦称产业部门间分析。它由美国W.里昂惕夫于1936年最早提出。它从国民经济是一个有机整体的观点出发，综合研究各个具体部门之间的数量关系（技术经济联系）。整体性是投入产出法最重要的特点。 理论依据：投入产出分析”的理论基础和所使用的数学方法，主要来自于瓦尔拉斯的一般均衡模型6. AHP层次分析法：1、建立层次结构模型。在深入分析实际问题的基础上，将有关的各个因素按照不同属性自上而下地分解成若干层次，同一层的诸因素从属于上一层的因素或对上层因素有影响，同时又支配下一层的因素或受到下层因素的作用。最上层为目标层，通常只有1个因素，最下层通常为方案或对象层，中间可以有一个或几个层次，通常为准则或指标层。当准则过多时(譬如多于9个)应进一步分解出子准则层。 2、构造成对比较阵。从层次结构模型的第2层开始，对于从属于(或影响)上一层每个因素的同一层诸因素，用成对比较法和19比较尺度构造成对比较阵，直到最下层。3、计算权向量并做一致性检验。对于每一个成对比较阵计算最大特征根及对应特征向量，利用一致性指标、随机一致性指标和一致性比率做一致性检验。若检验通过，特征向量(归一化后)即为权向量：若不通过，需重新构造成对比较阵。 4、计算组合权向量并做组合一致性检验。计算最下层对目标的组合权向量，并根据公式做组合一致性检验，若检验通过，则可按照组合权向量表示的结果 进行决策，否则需要重新考虑模型或重新构造那些一致性比率较大的成对比较阵。理论依据及其优缺点： 优点：运用层次分析法有很多优点，其中最重要的一点就是简单明了。层次分析法不仅适用于存在不确定性和主观信息的情况，还允许以合乎逻辑的方式运用经验、洞察力和直觉。也许层次分析法最大的优点是提出了层次本身，它使得买方能够认真地考虑和衡量指标的相对重要性。缺点：HP从本质上讲是试图使人的判断条理化，所得结果基本上依据人的主观判断，当决策者的判断因受个人偏好影响对客观规律歪曲时，AHP的结果显然靠不住，所以，AHP中通常是群组判断方式。7. 格兰杰因果关系检验：经济学家开拓了一种可以用来分析变量之间的因果的办法，即格兰杰因果关系检验。用于分析经济变量之间的因果关系。他给因果关系的定义为“依赖于使用过去某些时点上所有信息的最佳最小二乘预测的方差。” 在时间序列情形下，两个经济变量X、Y之间的格兰杰因果关系定义为：若在包含了变量X、Y的过去信息的条件下，对变量Y的预测效果要优于只单独由Y的过去信息对Y进行的预测效果，即变量X有助于解释变量Y的将来变化，则认为变量X是引致变量Y的格兰杰原因。 理论依据：进行格兰杰因果关系检验的一个前提条件是时间序列必须具有平稳性，否则可能会出现虚假回归问题。因此在进行格兰杰因果关系检验之前首先应对各指标时间序列的平稳性进行单位根检验(unit root test)。常用增广的迪基富勒检验(ADF检验)来分别对各指标序列的平稳性进行单位根检验。综上，即使用的数据需确保稳定。 （另有说法称不需考虑数据导致的问题可直接使用，仁者见仁智者见智。）8. 经济计量法：经济计量法，是在以经济理论和事实为依据的定性分析基础上，利用数理统计方法建立一组联立方程式，来描述预测目标与相关变量之间经济行为结构的动态变化关系。这组联立方程式称为经济计量模型。它是比较先进、能取得较好预测结果的一种预测方法。种类及其理论依据：1. 隐性变量法(latent variable approach ,LV) 的基本思路是,将全要素生产率视为一个隐性变量即未观测变量,从而借助状态空间模型(state space model) 利用极大似然估计给出全要素生产率估算。具体估算中,为了避免出现伪回归,需要进行模型设定检验包括数据平稳性检验和协整检验。平稳性检验和协整检验的方法很多,常见的有ADF (the Augmented Dickey2Fuller) 单位根检验和JJ(Johanson and Juselius ,1990) 协整检验。由于产出、劳动力和资本存量数据的趋势成分通常是单位根过程且三者之间不存在协整关系,所以往往利用产出、劳动力和资本存量的一阶差分序列来建立回归方程。采用C - D 生产函数,且假设规模收益不变,则有如下观测方程: (1) 其中,Ln(TFPt) 为全要素生产率增长率,假设其为一个隐性变量,且遵循一阶自回归即AR (1) 过程,则有如下状态方程: Ln(TFPt) = Ln(TFPt 1) + t (2) 其中,为自回归系数,满足| | 1 , 为白噪声。这样,利用状态空间模型,通过极大似然估计同时估算出观测方程(1) 和状态方程(2) ,从而得到全要素生产率增长的估算值。隐性变量法的最大优点在于,不再将全要素生产率视为残差,而是将其视为一个独立的状态变量,这样将全要素生产率从残差中分离出来,从而剔除掉一些测算误差对全要素生产率估算的影响。同时,在具体估算时,还充分考虑了数据非平稳性带来的伪回归问题。 2. 潜在产出法(PO) ：索洛残差法和隐性变量法在估算全要素生产率时,都暗含着一个重要的假设即认为经济资源得到充分利用,此时,全要素生产率增长就等于技术进步率。换言之,这两种方法在估算全要素生产率时,都忽略了全要素生产率增长的另一个重要组成部分能力实现改善( improvement incapacity realization) 即技术效率提升的影响。潜在产出法(potential output approach ,PO) 也称边界生产函数法(frontier production function) 正是基于上述考虑提出的,其基本思路是遵循法雷尔(Farrell ,1957) 的思想,将经济增长归为要素投入增长、技术进步和能力实现改善(技术效率提升) 三部分,全要素生产率增长就等于技术进步率与能力实现率改善之和;估算出能力实现率和技术进步率,便给出全要素生产率增长率。设Ry , t为产出增长率, RTP,t为技术进步率, CRt 为能力实现率, Ryx,t 为要素投入增长所带来的产出增长率, RTFP,t为全要素生产率增长率,则 有:Ry,t = RTP,t + CRt + Ryx,t (3) 且全要素生产率增长率等于技术进步率与能力实现率变化之和,即: RTFP,t = RTP,t + CRt (4) 能力实现率CRt 测度了现有生产能力的利用程度,反映了现实经济的生产技术效率,通常利用产出缺口来度量。产出缺口的估算方法很多,目前较为流行的是HP滤波(Hodrick-Prescott,1990) ,它是通过最小化(T为样本期) : (5)从而将现实产出的自然对数LnYt 分解为趋势成分(即潜在产出的自然对数和周期性成分 (即产出缺口 ）。 如前所述,索洛残差法和隐性变量法估算的全要素生产率增长率就等于技术进步率,鉴于索洛残差法较为粗糙,所以我们利用隐性变量法估算的全要素生产率增长率作为技术进步率RTP ,这样利用公式(4) 便得到全要素生产率的估算。潜在产出法最大的优点在于,全面考虑了技术进步和能力实现改善对全要素生产率增长的影响,且借助这种方法可以更全面地分析经济增长源泉。但它的缺点也很明显,主要体现在它是建立在产出缺口估算基础上,而无论用何种方法估算产出缺口,都会存在估算误差,从而导致全要素生产率增长率估算偏差。 经济计量法，是在以经济理论和事实为依据的定性分析基础上，利用数理统计方法建立一组联立方程式，来描述预测目标与相关变量之间经济行为结构的动态变化关系。这组联立方程式称为经济计量模型。它是比较先进、能取得较好预测结果的一种预测方法。注：（潜在产出法可分为两类:一是参数随机边界分析(stochastic frontier analysis,SFA) ,其中较为流行的方法为Hildreth and Houck(1968) 的随机系数面板模(random coefficient panel model) ,这类方法可以很好地处理度量误差,但需要给出生产函数形式和分布的明确假设,对于样本量较少的实证研究而言,