| 如果是，就拒绝“X的变化不会引起Y的变化”的原假设，即X是引起Y变化的原因，说明X与Y之间存在着因果关系。
表2GrangerCausality因果关系检验结果
|
原假设
|
观测量
|
F统计值
|
显著性水平
|
|
农业生产总值变化不会引起国家财政农业支出变化
|
17
|
0.70208
|
0.5148
|
|
国家财政农业支出变化不会引起农业生产总值变化
|
|
4.37032
|
0.0375
|
国家财政农业支出与农业生产总值之间GrangerCausality因果关系检验结果（表2）显示：第一个原假设F统计值大于5%显著性水平的临界值，通过了显著性检验，应接受“农业生产总值变化不会引起国家财政农业支出变化”的原假设；第二个原假设没有通过F统计值小于5%显著性水平的临界值，未通过显著性检验，应拒绝“国家财政农业支出变化不会引起农业生产总值变化”的原假设。因此可以判断：国家财政农业支出与农业生产总值之间存在较为显著的单向因果关系，即国家财政农业支出的增加或减少必然引起农业生产总值的增加或减少，而农业生产总值的增加或减少未必会引起国家财政农业支出的增加或减少。
（二）农业生产总值增长率对国家财政农业支出增长率的简单线性回归分析
回归分析研究的主要内容是确定变量之间的相关关系和相关程度，建立回归模型，并根据实测数据来求解模型的各个参数，然后评价回归模型是否能够很好的拟合实测数据；如果能够很好的拟合，则可以根据自变量作进一步预测。从图1中可以看出，国家财政农业支出增长率和农业生产总值增长率指标的变化趋势具有一定的波动性，很有可能会产生异方差问题，从而导致伪回归现象，致使研究结论无效。为了消除异方差，以更好地揭示国家财政农业支出与农业经济增长之间的关系。本文将对国家财政农业支出和农业生产总值取对数，并进行差分处理，用LOG(GAP)表示农业生产总值的增长率，LOG(FAE)表示国家财政农业支出的增长率。根据1990-2008年年度的历史数据，本文以国家财政农业支出增长率为自变量和农业生产总值增长率为因变量进行简单线性回归分析，结果如表3所示。
农业生产总值增长率对国家财政农业支出增长率的简单线性回归分析的结果显示：简单线性回归模型中的自变量和常数项的回归系数t统计值都超过了临界值，检验结果呈现高度显著性，表明国家财政农业支出增长率对农业生产总值增长率的影响是显著的。回归方程的F统计值为180.6989，并通过了显著性检验。回归模型的判断系数R为0.914011，其方差解释能力达到91.4%。但DW统计值仅为0.368709，与2还有较大的差距，说明回归模型残差项存在着很严重的序列自相关问题。
表3农业生产总值增长率对国家财政农业支出增长率的简单线性回归分析
|
自变量
|
系数估计值
|
标准误
|
T统计值
|
显著性水平
|
|
C
|
5.505997
|
0.338875
|
16.24787
|
0.0000
|
|
LOG(FAE)
|
0.644167
|
0.047920
|
13.44243
|
0.0000
|
|
判断系数
|
0.914011
|
因变量均值
|
10.02831
|
|
修正判断系数
|
0.908952
|
因变量标准差
|
0.588063
|
|
回归标准差
|
0.177443
|
AIC信息准则
|
-0.521038
|
|
残差平方和
|
0.535260
|
SC信息准则
|
-0.421624
|
|
对数似然函数值
|
6.949864
|
H-Q信息准则
|
-0.504213
|
|
F统计值
|
180.6989
|
DW统计值
|
0.368709
|
|
F检验显著性水平
|
0.000000
|
|
|
| |
|
|
|
|
|
|
|
另外，从简单线性回归模型中的农业生产总值增长率对国家财政农业支出增长率回归的残差趋势图（图2）可以看出，简单线性回归模型不仅对历史数据拟合效果很不理想，而且其残差项的估计值并不频繁地改变符号，而是相继若干个负的以后跟着几个正的，表明回归模型的残差确实存在着高度的正自相关。
图2农业生产总值增长率对国家财政农业支出增长率简单线性回归的残差趋势图
回归模型残差项出现序列自相关，如果仍采用OLS（普通最小二乘法）方法估计模型参数，就违背了OLS的高斯-马尔柯夫定理的基本假定，会造成严重的参数估计量非有效、变量的显著性检验失效、模型的预测失效等后果。从上述分析结果可知，农业生产总值增长率对国家财政农业支出增长率存在的内在依存关系，并非简单的线性回归关系，所以不能采用简单线性回归模型来揭示其依存关系。
（三）农业生产总值增长率对国家财政农业支出增长率的广义差分回归分析
为了有效揭示农业生产总值增长率对国家财政农业支出增长率的依存关系，必需解决存在的序列自相关问题。因而本文采用广义差回归分析来实现模型残差保持序列独立，从而使其不具有自相关性。广义差回归分析的基本思路为：
先将回归方程的变量滞后一期，改写为： （1）
接着将方程的两边同时乘以ρ： （2）
最后将（1）式减去（2）式得： （3）
通常把（3）式称之广义差分方程。在广义差分方程中，因变量对自变量的回归，不是使用原来的形式，而是以差分的形式表示。对广义差分方程的求解和运用，必需采用一定方法来估计出未知的ρ。估计ρ值的方法较多，目前普遍采用Cochrane-Orcutt迭代法来估计未知的ρ和消除序列自相关问题。而在EViews中，采用的是在原回归方程中添加AR（1）来消除一阶序列自相关，添加AR（2）消除二阶自相关，添加AR（3）消除三阶自相关，依次类推。
在农业生产总值增长率对财政农业支出增长率的原回归模型中添加AR（1）项，得到如表4所示的广义差分回归结果。由表4可知，DW检验值由原来的0.36870上升到1.125120，与2还有一定的差距，残差项的序列自相关仍未消除，存在二阶自相关。
表4农业生产总值增长率对国家财政农业支出增长率的广义差分回归分析（1）
|
自变量
|
系数估计值
|
标准误
|
T统计值
|
显著性水平
|
|
C
|
7.981292
|
1.573785
|
5.071399
|
0.0001
|
|
LOG(FAE)
|
0.346185
|
0.166422
|
2.080167
|
0.0551
|
|
AR(1)
|
0.862466
|
0.098561
|
8.750545
|
0.0000
|
|
判断系数
|
0.975428
|
因变量均值
|
10.08855
|
|
修正判断系数
|
0.972151
|
因变量标准差
|
0.541445
|
|
回归标准差
|
0.090356
|
AIC信息准则
|
-1.819106
|
|
残差平方和
|
0.122463
|
SC信息准则
|
-1.670710
|
|
对数似然函数值
|
19.37195
|
H-Q信息准则
|
-1.798644
|
|
F统计值
|
297.7200
|
DW统计值
|
1.125120
|
|
F检验显著性水平
|
0.000000
|
|
|
| |
|
|
|
|
|
|
|
表5农业生产总值增长率对国家财政农业支出增长率的广义差分回归分析（2）
|
自变量
|
系数估计值
|
标准误
|
T统计值
|
显著性水平
|
|
C
|
8.324536
|
1.117284
|
7.450687
|
0.0000
|
|
LOG(FAE)
|
0.284802
|
0.130186
|
2.187649
|
0.0476
|
|
AR(1)
|
1.299266
|
0.228056
|
5.697140
|
0.0001
|
|
AR(2)
|
-0.439351
|
0.202946
|
-2.164864
|
0.0496
|
|
判断系数
|
0.979427
|
因变量均值
|
10.15219
|
|
修正判断系数
|
0.974679
|
因变量标准差
|
0.483759
|
|
回归标准差
|
0.076978
|
AIC信息准则
|
-2.088272
|
|
残差平方和
|
0.077033
|
SC信息准则
|
-1.892221
|
|
对数似然函数值
|
21.75031
|
H-Q信息准则
|
-2.068784
|
|
F统计值
|
206.2986
|
DW统计值
|
1.964336
|
|
F检验显著性水平
|
0.000000
|
|
|
| |
|
|
|
|
|
|
图3农业生产总值增长率对国家财政农业支出增长率广义差分回归的残差趋势图
在农业生产总值增长率对国家财政农业支出增长率的原回归模型中添加AR（1）项的基础上再继续添加AR（2）项，又得到如表5所示的广义差分回归结果。 2/3 首页 上一页 1 2 3 下一页 尾页 |
