lnY??0??1lnX1??2X2??3lnX3??
Dependent Variable: LNY Method: Least Squares
Date: 12/15/12 Time: 21:50 Sample: 2000 2011
Included observations: 12 Variable C LNX1 X2 LNX3 R-squared
Adjusted R-squared S.E. of regression Sum squared resid Log likelihood
Durbin-Watson stat Coefficient Std. Error -38.65151 3.983048 -0.065151 1.209329 0.996887 0.995719 0.099961 0.079937 13.04128 2.589959 2.868338 1.186979 0.008411 0.948640 t-Statistic -13.47523 3.355619 -7.746312 1.274802 Prob. 0.0000 0.0100 0.0001 0.2382 9.124210 1.527760 -1.506880 -1.345245 853.8268 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic
Prob(F-statistic)
???38.65151?3.983048lnYlnX1?0.065151X2?1.209329lnX3 (2.868338) (1.186979) (0.008411) (0.948640) t= -13.47523 3.355619 -7.746312 1.274802
R2=0.996887 R2=0.995719 F=853.8268 df=8
四、模型检验
（一）经济学检验
在假定说明在假定其他条件不变的情况下，人均可支配收入增加1%，电子商务规模模增加3.983048%，在假定其他条件不变的情况下，网络普及率增加1%，电子商务减少0.065151%。在假定说明在假定其他条件不变的情况下，物流业增加值增加1%，电子商务规模模增加1.209329%。其中网络普及率不符合符合经济学意义。
VI
（二）统计学检验
（1）t 检验
?,??,??，的t值的绝对值分 在置信水平为0.5的情况下 t?/2(8)?2.306 ?123别为3.355619 ，-7.746312，1.274802。网络普及率的t值不显著。
（2）F检验
F=853.8268 >F(3，8)=4.07 F 检验符合 （3）拟合优度
R2=0.996887 R2=0.995719
模型拟合好。
22因为该模型R=0.996887 R=0.995719可决系数很高，F检验值为
853.8268，明显显著，而t值却有部分不显著。这表明很可能存在严重的多重共线性。
（三）计量经济学检验 4.3.1多重共线性检验及修正
① 多重共线性的检验 LNX1 LNX3 X2 LNX1 1.000000 0.998127 0.960484 LNX3 0.998127 1.000000 0.961990 X2 0.960484 0.961990 1.000000 由相关系数矩阵可以看出，确实存在严重多重共线性。 ② 修正多重共线性
LNX1 X2 LNX3 变量 0.108055 2.817539 参数估计值 3.629907
19.14024 6.743130 17.55033 t 统计量
0.973429 0.819722 0.968555 R2
0.970772 0.801694 0.965410 R2
其中加入LNX1的方程R大，以LNX1为基础，顺次加入。
变量 LNX1,X2 LNX1 5.557238 2X2 -0.065093 LNX3 R2 0.995690 (21.24041) (-7.669551) VII
LNX1,LNX3 4.243684 (1.301141) -0.478507 0.967652 (-0.188541) 由表得,当再加入X2,时，X2的t值合格，但是符号相反。不符合经济学意义。当加入LNX3时，t值不合格，不符合统计学学意义，所以X2，LNX3引起的严重多重共线性，应剔除。 得回归结果：
Dependent Variable: LNY Method: Least Squares Date: 12/16/12 Time: 16:37 Sample: 2000 2011 Included observations: 12 Variable C LNX1 R-squared
Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -24.80068 3.629907 Std. Error 1.774041 0.189648 t-Statistic -13.97976 19.14024 Prob. 0.0000 0.0000 1.527760 0.303873 0.384691 366.3486 0.000000 0.973429 Mean dependent var 9.124210 0.970772 S.D. dependent var 0.261190 Akaike info criterion 0.682201 Schwarz criterion 0.176760 F-statistic 0.579328 Prob(F-statistic)
所以模型应该为
??-24.80068lnY?3.629907lnX1
(1.774041) (0.189648)
t= -13.97976 19.14024
R2=0.973429 R2=0.970772 F=366.3486 DW=0.579328
4.3.2异方差检验及修正
此处用WHITE 检验法检验。
White Heteroskedasticity Test: F-statistic
0.323399 Probability
VIII
0.731757
Obs*R-squared
Test Equation:
0.804575 Probability
0.668789
Dependent Variable: RESID^2 Method: Least Squares Date: 12/16/12 Time: 16:00 Sample: 2000 2011 Included observations: 12 Variable C LNX1 LNX1^2 R-squared
Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
Coefficient -6.655399 1.402794 -0.073118 Std. Error 13.59292 2.907946 0.155294 t-Statistic -0.489622 0.482400 -0.470838 Prob. 0.6361 0.6410 0.6490 0.067048 Mean dependent var 0.056850 -0.140275 S.D. dependent var 0.071480 Akaike info criterion 0.045984 Schwarz criterion 16.35892 F-statistic 1.548013 Prob(F-statistic)
0.066939 -2.226486 -2.105260 0.323399 0.731757
2从表中可以看出nR2=0.804575，由white 检验知，在a=0.05下，查自相关检验?分布22表得临界值?0.05(2)=5.9915, LNX1，LNX1^2的t值不显著，nR2=0.804575
所以接受原假设，拒绝备择假设，表明模型不存在异方差。
4.3.3自相关检验及修正
4.3.3.1自相关检验
先用 图示检验法检验。
在eviews的处理下，et?1和et的散点图如图：
IX
0.60.40.2E0.0-0.2-0.4-0.4-0.20.0E(-1)0.20.40.6
由于大部分的点都落在一、三象限，推测可能存在着正自相关。为了更准确，再采用DW检验。
DW检验用于检验一阶序列相关，较图示法更为精准。如果模型不存在一阶序列相关，则认为不存在高阶序列相关。由回归分析结果可知，该模型DW=0.579328 在?=0.05水平下，由于n=12，k=2，查表得dL=0.812，dU=1.579。由于DW 4.3.3.2 自相关的修正 为了解决自相关问题，选用科克伦-奥克特迭代法。 首先得出残差序列回归方程： ?t?0.6995t-1 e3 6e得广义差分方程 ??0.699536lnlnYYt-1??1(1?0.699536)??2(lnXt?0.699536lnXt-1)??t Dependent Variable: LNY-0.699536*LNY(-1) Method: Least Squares Date: 12/16/12 Time: 16:55 Sample(adjusted): 2001 2011 Included observations: 11 after adjusting endpoints Variable C LNX1-0.699536*LNX 1(-1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Coefficient -5.570941 2.982636 Std. Error 1.313929 0.452132 t-Statistic -4.239911 6.596827 Prob. 0.0022 0.0001 0.828631 Mean dependent var 3.089751 0.809590 S.D. dependent var 0.175952 Akaike info criterion 0.278632 Schwarz criterion 4.608348 F-statistic X 0.403226 -0.474245 -0.401900 43.51813