技术进步论文关于碳排放、技术进步出口贸易结构论文范文参考资料

技术进步论文关于碳排放、技术进步出口贸易结构论文范文参考资料 iews6.0对每个大类各提供了三种面板单位根检验策略-包括属于同质单位根检验策略的Levin、Lin和Chu的LLC检验，Breitung检验和Hadri检验；属于异质单位根检验策略的Im、Pesaran和Shin的IPS检验，ADF - Fisher检验和 PP - Fisher检验。为避开出现不同检验策略可能获得不同结果的情况，本文根据单位根检验原假设，选取其中LLC检验、Hadri检验和ADF-Fisher检验三个较具代表性策略进行检验。检验结果显示lnES 和lnCE皆为一阶单整，lnTA为二阶单整，结果如表2所示。 面板数据是包含时间与截面两维性质的数据，如果模型设定不正确，将造成较大偏差，估计结果与实际将会相差甚远，因此，在建立模型之前必须制约不可观察的个体与时间的特征，即检验样本数据究竟适合建立哪一种面板数据模型。实际操作中通常采用F检验确定面板数据模型形式，以似然比检验与豪斯曼检验确定模型参数估计应该采用固定效应还是随机效应。 1F检验。F检验目的在于甄选如下假设：H0:不同时间点上不同个体拥有不同的斜率和截距，即构建变系数模型。H1:不同时间点上不同个体的斜率相同但截距不同，即构建个体效应不变系数模型。H2:不同时间点上不同个体的斜率和截距都相同，即构建无个体影响不变系数模型。判断样本数据适合构建哪一种模型形式，可以通过构建如下F统计量实现。 其中S1，S2，S3分别代表H0、H1、H2三个假设条件下回归估计的残差平方和；N为截面单位总数；T是时间总数；k为因变量的个数。F2 的原假设为H2，F1的原假设为H1。 F检验具体操作策略为：首先计算F2值，若计算得到的F2值小于相应的临界值，接受H2，反之继续进行H1的假设检验，若计算得到的F1值小于相应的临界值则接受H1，反之拒绝H1接受H0。 基于本文面板数据可以获得：S1=4.191352，S2=7.026192，S3=264.5501，N=14，T=10，k=2，检验统计量F1与F2在0.05置信度下的相应临界值分别为F1F0.05(26,98)= 1.60892，F2F0.05(39,98)= 1.522229，同时利用F检验公式计算得到F2=156.091219，F1=7.720208。由于F2 F0.05(39，98)，F1 F0.05(26，98)，所以本模型数据支持建立含有个体影响的变系数面板模型，即变截距、变系数面板模型。 2固定效应与随机效应检验。似然比检验的原假设为固定效应是多余的，根据表3检验结果，应该接受建立固定效应模型。豪斯曼检验的原假设为随机效应与解释变量有关，根据表4的检验结果，支持建立随机效应模型。显然，两个检验结果冲突无法形成一致结论，故本文采用实际操作中的经验做法，即：如果预期以面板数据模型推断样本空间的经济关系，则模型设定为固定效应模型合理些；而当研究样本是从总体中随机抽样获得，并且预期利用模型推断总体统计性质时，则选用随机效应模型比较合理。本文模型基于14个工业行业1999-xx年数据，旨在说明样本空间范围内经济关系，故采用固定效应模型更为合理。 根据以上F检验以及固定效应与随机效应检验结果，本文采用截面加权策略进行普通最小二乘估计，进而建立固定效应变系数模型。模型估计结果如表5所示。 从回归结果看，皮革、毛皮羽绒及其制品业和黑色金属冶炼及压延加工业碳排放强度系数未通过显著性检验，其余12个行业碳排放强度系数都通过了5%水平显著性检验；黑色金属冶炼及压延加工业技术进步率系数未通过显著性检验，其余行业均通过5%水平显著性检验。调整的判定系数达到0.969508，F检验值为108.7927表明模型的解释能力较强，同时大部分系数t检验值偏大，P值偏小，表明多数方程的拟合优度较好。 观察系数估计结果，可以发现碳排放强度系数通过显著性检验的12个行业中，采矿业，食品、饮料和烟草制造业，纺织业、服装、鞋、帽制造业，塑料制品业，非金属矿物制品业，金属制品业这六个行业的碳排放强度系数为正值，表明其碳排放强度对出口贸易结构有正向引导作用，而其余六个行业为负值呈现负向影响关系。技术进步率系数通过显著性检验的13个行业中，食品、饮料和烟草制造业与金属制品业两个行业的系数为正值，表明存在正相关关系，其余十一个行业为负值，存在负相关关系。 本文首先采用Engle和Granger(1987)所提出的EG两步检验法判别两变量间协整关系，以验证是否存在长期均衡关系。该策略第一步令两变量互为自变量用面板方程估计法分别进行式（1）的回归。第二步取各回归残差序列eit，运用单位根检验策略对残差序列eit进行单位根检验以判断残差序列的平稳性，如果残差序列是平稳的即可说明两变量之间存在某种长期因果关系。 Yit=0it+1itXit+eit(1) 如若证明两变量之间存在长期均衡关系，我们将引入长期均衡的误差修正机制通过构建如同式（2）的面板数据误差修正模型检验两变量间因果关系。如若证明不存在长期均衡关系，将建立如同式（3）的面板数据模型验证变量间因果关系。 Yit=0it+DD(mk=1DD)1itYi(t-k)+DD(mk=1DD)2itXi(t-k)+itECMi(t-1)+eit(2) Yit=0it+DD(mk=1DD)1itYi(t-k)+DD(mk=1DD)2itXi(t-k)+eit(3) 其中式（1）（3）中i为截面单位；t代表时期；k为滞后阶数（k=1,m）；“”表示变量的一阶差分； 0it为截距项； nit（n=1，2）为系数项；itECMi(t-1) 为误差修正项；eit为残差项。 1面板数据的长期因果关系检验。由于lnES与lnTA不为同阶单整数据，故无法进行协整关系检验，而lnES与lnCE均为一阶单整数据，因此两变量间可以实现协整关系检验。分别以lnES与lnCE为自变量，进行两变量间回归，对所获得的残差数据分别进行单位根检验（检验结果见表6），其结果显示当lnCE作为自变量时获得的残差数据是平稳的，均通过了5%显著性水平下三个检验策略的验证，但是当lnES做自变量时获得的残差数据是不平稳的，因此，可以认为，在长期lnCE是lnES的理由，但不支持lnES是lnCE的理由。 2面板数据因果关系检验结果分析。根据协整检验的结果，我们将采用式（2）的结构进一步检验“lnCE是lnES的理由”，同时采用式（3）的结构检验“lnES是lnCE的理由”、“lnTA是lnES的理由”“lnES是lnTA的理由”，检验结果如表7所示。 可以发现模型1-模型4均整体拟合较好，其中模型1 的ECM(-1)项系数通过5%显著水平检验支持“长期lnCE是lnES的理由”的结论，同时 LnCE在滞后1期与滞后4期分别通过10%和5%显著水平检验，由此可以进一步获证lnCE对lnES存在短期影响，即于短期“lnCE是lnES的理由”，而模型2中LnES分别在滞后1期、滞后4期通过5%显著水平检验，滞后5期通过10%显著水平检验可以证明某种程度上“ln