課程設計(綜合實驗)報告(2023--2023年度第二學期)名稱：計量經濟學課程設計題目：我國人口平均預期壽命模型院系：工商管理學院班級：學號：學生姓名：指導教師：馬昕設計周數(shù)：兩周成績：日期：2023一、課程設計(綜合實驗)的目的與規(guī)定1.規(guī)定學生獨立完畢一個實證分析的完整過程，得到計量分析的實踐訓練。2.培養(yǎng)學生獲取信息和綜合解決信息的能力、建立模型的能力、文字和語言表達的能力。二、設計（實驗）正文選題：隨著經濟和社會的不斷發(fā)展，人們的壽命總體上有很大的提高，人們也越來越關心自己的壽命，長壽已經不再是神話了。就我國而言，在2023年人口普查中得出的數(shù)據(jù)表白我國人口平均預期壽命為71.40，比1990年的數(shù)據(jù)68.55有所提高。然而，在查看了2023年各地區(qū)人口平均壽命的截面數(shù)據(jù)后，發(fā)現(xiàn)不同地區(qū)仍然存在著較大差異，是什么因素導致了這種差異？因而這個話題吸引了我，于是便開始了我國人口平均壽命預期模型。文獻綜述文獻綜述不夠具體：曾毅專家著的“健康長壽影響因素的分析”一書中，運用系統(tǒng)的分析方法，指出了壽命的影響因素，可以總結為：受教育限度、經濟、醫(yī)療保障等社會經濟狀況，以及個人的飲食、煙酒和生活方式。文獻2“人口平均壽命影響因素分析”所提供的類似因素為我的建模提供了依據(jù)，再加上中國記錄年鑒上的數(shù)據(jù)支持，使我感到此模型的可進行性。由于考察的是各地區(qū)總體的預期壽命，所以那些個人的因素不好放入模型中，因而，我只考慮社會經濟狀況的一些相關因素。文獻綜述不夠具體模型設定：起初我設想建立一個線性模型，模型如下：.其中l(wèi)ifespan表達人口的平均預期壽命（單位：歲），avegdp表達人均GDP（單位：元），eduexpense表達教育支出（單位：萬元），hygieninst表達衛(wèi)生機構數(shù)量（單位：個），polluratio表達單位面積污染比（其大小為：年環(huán)境污染量/該地區(qū)面積，并且，由于在水污染上的記錄也許受地區(qū)地理位置的影響如上游和下游，下游的水污染較上游會更嚴重，所以這里重要考慮大氣污染）（單位：億立方米/萬平方千米），u表達隨機誤差項。選擇以上的解釋變量，重要是處在各地區(qū)總體的考慮，如人均GDP的選取，人均GDP越高的地區(qū)，居民總體較為富有，更有能力去看病；教育支出越高，人們的知識越多，也就越懂得看病，而不像傳統(tǒng)的想法小病不用治；衛(wèi)生機構的數(shù)量越多，人們越有機會看?。画h(huán)境因素也有影響，環(huán)境質量好應當有助于壽命提高。但是，當我觀測了自變量與應變量的散點圖（見附錄二）之后，我發(fā)現(xiàn)自變量與應變量之間的關系并非呈線性關系，而是接近于對數(shù)模型，于是我便重新設計了對數(shù)模型，模型如下：。數(shù)據(jù)收集：根據(jù)2023年的中國記錄年鑒的有關截面數(shù)據(jù)（具體見附表），數(shù)據(jù)涉及了2023年各地區(qū)31個省市的截面數(shù)據(jù)。并運用Eviews對數(shù)據(jù)進行初步分析。在Eviews中，建立“group”對象，繪出散點圖，見附錄二，在第四個散點圖中，發(fā)現(xiàn)了一個差異較大的點，于是將此點過濾掉。參數(shù)估計：運用Eviews對模型進行參數(shù)估計。估計的結果為Std.Error0.094710.012340.013160.012180.00404模型檢查：發(fā)現(xiàn)兩個解釋變量系數(shù)t檢查均不顯著，而F檢查顯著，不是很高，與我們常規(guī)不符，lneduexpense前的系數(shù)是負數(shù)。于是推測模型有多重共線性，也也許有無關變量，甚至有異方差，由于是截面數(shù)據(jù)，序列相關性存在較小，經檢查無序列相關性，也無異方差。于是，模型也許存在多重共線性，也也許有無關變量使方差變大，系數(shù)不顯著。模型修正：做各解釋變量之間的輔助回歸，見附錄三，計算各方差膨脹倍數(shù)VIF,發(fā)現(xiàn)VIF(lneduexpense)接近為7.7，其它變量的VIF不大，由此可以判斷模型中出現(xiàn)了多重共線性，由于使用的是截面數(shù)據(jù)，不能用差分法，因而最佳剔除變量lneduexpense，變量相關性表來看，lneduexpense與應變量lnlifespan的相關系數(shù)只有0.557，不是很高，相應變量的影響不大。剔除變量lneduexpense后作新的回歸，見附錄三，結果如下：Std.Error0.092530.009190.005400.00372 發(fā)現(xiàn)變量lnhygieninst前的系數(shù)仍不顯著，在察看附錄三種的散點圖和相關系數(shù)表，lnhygieninst與lnlifespan的相關性太小，可認為是無關變量，在模型中應刪除。于是作新回歸，見附錄三，結果如下：Std.Error0.066840.0088030.00353模型中各系數(shù)均顯著，F(xiàn)記錄量顯著，因而，這便是最終的模型。再進行異方差檢查發(fā)現(xiàn)無異方差，也無序列相關。8.模型解釋：從最終的模型來看，影響我國人口壽命的因素重要是人均GDP和和環(huán)境情況，人均GDP的增長意味著人們生活水平的提高，并且人們也更有能力支付醫(yī)療費用；對于在最終模型中環(huán)境污染類指標，其前的系數(shù)為正，無我們常規(guī)盼望并不相符。我想也許的因素有兩點：第一，現(xiàn)在的許多發(fā)達城市，經濟比較好，這種好的經濟是有以前尚未提倡可連續(xù)發(fā)展是以犧牲環(huán)境為代價換來的，這就意味著環(huán)境污染較嚴重地區(qū)，其以前積累的財富很多，地區(qū)居民很富裕，因而他們不僅在飲食健康上有很大提高，并且也越有看病的經濟基礎，。第二，從生物學角度，人的合用性會隨著環(huán)境的變化而變化，污染嚴重地區(qū)，人們的抗病能力增強了，因而，會出現(xiàn)正的系數(shù)。當然，假如要真正地弄明白其中的因素，最佳是用1990年和2023年數(shù)據(jù)的差分模型，但苦于無法找全1990年的數(shù)據(jù)，所以，才有以上推測。對于在模型中被剔除的變量：對于衛(wèi)生機構數(shù)而言，它對我國人口的平均壽命影響不大，因素就出在，傳統(tǒng)的百姓觀念是：醫(yī)療費用太高，小病不用就醫(yī)自己會好的，這就導致了衛(wèi)生機構在百姓中不是那么流行。對于教育支出而言，由于出現(xiàn)了共線性，其實，一個地區(qū)越發(fā)達，其教育上的支出就越多，人均GDP高的地區(qū)，對教育重視限度高，由于它們有支出的經濟基礎。 三、課程設計（綜合實驗）總結或結論1.結論：由上述模型可以得出，目前影響中國人口平均壽命的因素重要是人均GDP和環(huán)境指標。從最終模型來看，在污染水平不變的情況下，人均GDP每增長一個百分點，壽命平均增長0.035個百分點，在人均GDP不變的情況下，污染每增長一個百分點，壽命平均增長0.0148個百分點。2.建議：盡管從模型中看，污染似乎與人均壽命呈正相關，但是這畢竟是有限度的，當污染達成一定限度時，會對人均壽命產生負的影響，因而在追求GDP的增長的同時也要考慮到環(huán)境污染，堅持可連續(xù)發(fā)展之路，政府應加大教育支出的力度，提高人們的總體文化水平，提高人們的衛(wèi)生保健意識，在醫(yī)療上加大支出，使醫(yī)療費用顯著降下來是很有必要的，使國家朝著社會主義和諧社會的目的而奮斗，才干最終地實現(xiàn)國家的富裕和人口壽命的提高。四、參考文獻[1]曾毅，健康長壽影響因素分析，北京大學出版社第一版2023.5.1[2]陳崇幗;周天樞;陳桂冬;人口平均壽命影響因素分析數(shù)理醫(yī)藥學雜志1997年10卷一期，p17-18[3]中國記錄年鑒附錄（設計流程圖、程序、表格、數(shù)據(jù)等）附錄一：1.地區(qū)預期壽命人均國內生產總值（元）教育支出(萬元)衛(wèi)生機構合計(個)單位面積污染比(億立方米/萬平方千米)北京76.122460250306861761971.289天津74.911799368550029831506.979河北72.547663155908420663518.8421山西71.65513779462413736424.2843內蒙古69.875872580862785240.30431遼寧73.3411226146331512564646.4702吉林73.168479029425544164.4610黑龍江72.3785621175133803895.28634上海78.1434547202386551369126.229江蘇73.9111773290567712813899.2392浙江74.713461220235017034637.8558安徽71.85486711299546705280.9889福建72.551160112257549807233.1410江西68.9548517527778048132.6942山東73.929555246277617118791.8726河南71.545444170918110764445.2695湖北71.087188170641611065305.2179湖南70.665639152303724678168.0178廣東73.2712885360972113499470.1723廣西71.29431993471813707194.5433海南72.9268942230932689127.7259重慶71.7351576987219375231.1635四川71.2478416199883335198.67647貴州65.9626625284878992220.2528云南65.4946379761751335669.77157西藏64.3745598155012370.12211陜西70.074549101458410737115.7101甘肅67.473838535287719169.14349青海66.03508712817818478.416528寧夏70.1748391486491361217.6205新疆67.417470702243670511.70802注:上表出自中國記錄局有關數(shù)據(jù)。附錄二：起初模型散點圖對數(shù)模型散點圖附錄三：1.DependentVariable:LNLIFESPANMethod:LeastSquaresDate:06/20/08Time:16:57Sample:131IFLNPOLLURATIO>0Includedobservations:30VariableCoefficientStd.Errort-StatisticProb.

LNAVEGDP0.0377130.0123363.0570320.0053LNEDUEXPENSE-0.0026850.013156-0.2041230.8399LNHYGIENINST0.0049080.0121820.4028530.6905LNPOLLURATIO0.0146010.0040423.6117920.0013C3.8458860.09437140.752940.0000R-squared0.795099

Meandependentvar4.268475AdjustedR-squared0.762315

S.D.dependentvar0.041913S.E.ofregression0.020434

Akaikeinfocriterion-4.792231Sumsquaredresid0.010439

Schwarzcriterion-4.558698Loglikelihood76.88347

F-statistic24.25253Durbin-Watsonstat1.131585

Prob(F-statistic)0.0000002.輔助回歸（1）DependentVariable:LNAVEGDPMethod:LeastSquaresDate:06/23/08Time:09:19Sample:131IFLNPOLLURATIO>0Includedobservations:30VariableCoefficientStd.Errort-StatisticProb.

LNEDUEXPENSE0.6939480.1588044.3698420.0002LNHYGIENINST-0.6539850.145112-4.5067650.0001LNPOLLURATIO0.0887680.0618621.4349320.1632C4.7572281.1748704.0491540.0004R-squared0.705515

Meandependentvar8.892796AdjustedR-squared0.671536

S.D.dependentvar0.566805S.E.ofregression0.324846

Akaikeinfocriterion0.712635Sumsquaredresid2.743647

Schwarzcriterion0.899461Loglikelihood-6.689518

F-statistic20.76323Durbin-Watsonstat2.635874

Prob(F-statistic)0.000000（2）DependentVariable:LNEDUEXPENSEMethod:LeastSquaresDate:06/20/08Time:17:01Sample:131IFLNPOLLURATIO>0Includedobservations:30VariableCoefficientStd.Errort-StatisticProb.

LNAVEGDP0.6101980.1396394.3698420.0002LNHYGIENINST0.8262240.08202310.075080.0000LNPOLLURATIO0.1066330.0565171.8867280.0704C0.3058221.4055310.2175840.8295R-squared0.870967

Meandependentvar13.81189AdjustedR-squared0.856079

S.D.dependentvar0.802947S.E.ofregression0.304614

Akaikeinfocriterion0.584021Sumsquaredresid2.412527

Schwarzcriterion0.770847Loglikelihood-4.760314

F-statistic58.49971Durbin-Watsonstat2.035411

Prob(F-statistic)0.000000（3）DependentVariable:LNHYGIENINSTMethod:LeastSquaresDate:06/23/08Time:09:25Sample:131IFLNPOLLURATIO>0Includedobservations:30VariableCoefficientStd.Errort-StatisticProb.

LNAVEGDP-0.6706230.148804-4.5067650.0001LNEDUEXPENSE0.9635280.09563510.075080.0000LNPOLLURATIO-0.0648910.063821-1.0167760.3186C2.0840201.4632041.4242860.1663R-squared0.811887

Meandependentvar9.073892AdjustedR-squared0.790181

S.D.dependentvar0.718142S.E.ofregression0.328952

Akaikeinfocriterion0.737756Sumsquaredresid2.813445

Schwarzcriterion0.924583Loglikelihood-7.066343

F-statistic37.40485Durbin-Watsonstat2.220507

Prob(F-statistic)0.000000（4）DependentVariable:LNPOLLURATIOMethod:LeastSquaresDate:06/23/08Time:09:26Sample:131IFLNPOLLURATIO>0Includedobservations:30VariableCoefficientStd.Errort-StatisticProb.

LNAVEGDP0.8266750.5761071.4349320.1632LNEDUEXPENSE1.1293450.5985741.8867280.0704LNHYGIENINST-0.5893270.579603-1.0167760.3186C-12.138443.910723-3.1038850.0046R-squared0.558289

Meandependentvar5.463924AdjustedR-squared0.507323

S.D.dependentvar1.412329S.E.ofregression0.991328

Akaikeinfocriterion2.944022Sumsquaredresid25.55099

Schwarzcriterion3.130849Loglikelihood-40.16034

F-statistic10.95402Durbin-Watsonstat2.440950

Prob(F-statistic)0.000078

3.變量間相關性表LNAVEGDPLNEDUEXPENSELNHYGIENINSTLNPOLLURATIOLNLIFESPANLNAVEGDP10.50680.0006350.6020.7926LNEDUEXPENSE0.506810.1340.71940.439LNHYGIENINST0.0006350.13410.40620.081LNPOLLURATIO0.6020.71940.406210.8232LNLIFESPAN0.79260.4390.0810.82321

4.剔除變量lneduexpense后的新回歸DependentVariable:LNLIFESPANMethod:LeastSquaresDate:06/23/08Time:09:50Sample:131IFLNPOLLURATIO>0Includedobservations:30VariableCoefficientStd.Errort-StatisticProb.

LNAVEGDP0.0360740.0091933.9241240.0006LNHYGIENINST0.0026890.0053990.4980700.6226LNPOLLURATIO0.0143140.0037213.8471510.0007C3.8450650.09253141.554340.0000R-squared0.794757

Meandependentvar4.268475AdjustedR-squared0.771076

S.D.dependentvar0.041913S.E.ofregression0.020234

Akaikeinfocriterion-4.857233Sumsquaredresid0.010456

Schwarzcriterion-4.670406Loglikelihood76.85849

F-statistic33.55980Durbin-Watsonstat1.117558

Prob(F-statistic)0.000000

5.剔除lnhygieninst后的新回歸DependentVariable:LNLIFESPANMethod:LeastSquaresDate:06/20/08Time:16:59Sample:131IFLNPOLLURATIO>0Includedobservations:30VariableCoefficientStd.Errort-StatisticProb.

LNAVEGDP0.0349840.0088033.9739570.0005LNPOLLURATIO0.0148130.0035334.1928950.0003C3.8764320.06684157.995230.0000R-squared0.792799

Meandependentvar4.268475AdjustedR-squared0.777451

S.D.dependentvar0.041913S.E.ofregression0.019773

Akaike