《金融发展程度的多元线性回归分析.docVIP

如何定义金融发展的程度（因变量），影响因素都有什么（自变量），收集数据，并做多元线性回归，解释回归结果以及真实的含义。 金融相关比率(FIR)能够较为明显的反映金融的发展程度。 此次分析选取金融相关比率(M2/GDP)做因变量，选取全国货币化程度（M2/GNP）、城市化水平（即城市化率，为非农业人口占总人口的比重）、人均GDP和工业增长率做自变量。本次分析选取 近十年年的数据，数据来源于2012年中国统计年鉴。原始数据如下： 北京的金融业发展情况数据 金融相关率Y 人均GDP（元）X1 城市化X2 工业化增长率X3 全国货币化程度X4 3.829583 16609 0.764758 0.087 1.165698 4.20598 19118 0.768866 0.087 1.25865 4.5843 21397 0.772908 0.128 1.355097 4.950829 24122 0.775447 0.132 1.373567 5.235487 26998 0.780593 0.102 1.464833 5.686185 30840 0.973427 0.078 1.553431 5.904932 34892 0.790511 0.122 1.636578 5.647593 41099 0.795337 0.193 1.586647 5.884655 45444 0.836216 0.109 1.617176 5.929619 50467 0.843327 0.095 1.631683 SPSS操作输出结果如下： 模型汇总b 模型 R R 方 调整 R 方 标准 估计的误差 1 .995a .990 .981 .10489 a. 预测变量: (常量), X4, X3, X2, X1。 b. 因变量: Y 分析：“模型汇总”表格给出了关于模型的拟合情况。从表中可以看出，所以模型的拟合情况非常好。 Anovaa 模型 平方和 df 均方 F Sig. 1 回归 5.186 4 1.297 117.858 .000b 残差 .055 5 .011 总计 5.241 9 a. 因变量: Y b. 预测变量: (常量), X4, X3, X2, X1。 分析：如图所示，ANOVA表格给出了回归拟合过程中每一步的方差分析结果。第2列中给出了模型2的回归和残差平方和，其中回归平方和远大于残差平方和，说明线性模型解释了总平方和的绝大部分，拟合效果很好。当回归方程包含不同的自变量时，其显著性概率值p值（即sig）均为0.000，远小于0.001，所以模型是非常显著的，可以显著地拒绝总体回归系数为0的原假设。 系数a 模型 非标准化系数 标准系数 t Sig. B 标准 误差 试用版 1 (常量) -1.785 .634 -2.817 .037 X1 -1.913E-006 .000 -.029 -.276 .793 X2 .526 .786 .044 .669 .533 X3 -.351 1.333 -.015 -.263 .803 X4 4.537 .540 1.002 8.398 .000 a. 因变量: Y 分析：如图所示，“系数”表格给出了所有模型的回归系数估计值，根据模型2建立的多元线性回归方程为：金融相关比率（FIR）=﹣0.526+0.351×全国货币化程度+4.537×城市化率。 自变量全国货币化程度的系数大于0，说明随着全国货币化程度的加深，FIR越大；城市化率的系数大于0，说明城市化率越高，FIR也越大。t检验中，全国货币化程度、城市化率的显著性P值都小于0.05，因而均有显著意义。 残差统计量a 极小值 极大值 均值 标准 偏差 N 预测值 3.8440 5.9468 5.1859 .75912 10 残差 -.09978 .18823 .00000 .07818 10 标准 预测值 -1.768 1.002 .000 1.000 10 标准 残差 -.951 1.795 .000 .745 10 a. 因变量: Y 分析：如图所示，给出了标准化残差的直方图，同时绘制了正态分布曲线 经过以上多重线性回归分析可以发现，金融发展程度受到全国货币化程度和城市化率的影响。其中全国货币化程度对金融业发展的影响程度最大，城市化水平对金融业发展的影响一般，而工业增长率对金融业发展的影响非常小，解释水平有限。