实证过程和数据解读

1.数据平稳性检验（单位根检验）

在运用时间序列计量模型对数据进行回归分析之前，为确保模型回归结果的准确性，首先要对各个指标数据进行单位根检验。若数据存在单位根，说明为非平稳序列，此时需要做差分使得数据平稳再进行回归，否则可能出现伪回归的现象。单位根的检验有多种方式，本章采用ADF 检验，表2-6 中结果显示所有变量均为不稳定变量，但经过一阶差分后，lnL 在10%的显著性水平下拒绝原假设，为平稳序列，其余变量在5%的显著性水平下为拒绝原假设，不存在单位根，为平稳序列，可继续做后文的回归分析。

表2-6　单位根检验结果

注：*代表了在10%的显著性水平下，**代表了在5%的显著性水平下。“Δ”表示一阶差分序列。

2.J－J 协整检验

根据协整的定义，若存在非零向量，使得这6个变量的线性组合是平稳的，那么这6个变量之间就存在协整关系。E-G 两步法和Johansen-Juselius 协整检验法是常用的，但由于E-G 两步法在第一阶段需要设计线性模型进行OLS 估计，应用不方便，故本章采用Johansen 方法进行协整检验，结果如表2-7 所示。

表2-7　Johansen 协整检验结果

由表2-7 可见，在5%的显著性水平下，由迹统计量和最大特征根统计量可知lny、lnQ、lnK、lnL、ind 与urban 六个变量之间至少存在一组长期均衡关系，即序列lny、lnQ、lnK、lnL、ind 与urban 存在协整关系，故可以构建线性回归模型。然而，这种相关的作用是单向的还是相互的，还需通过格兰杰因果检验来进一步验证。

3.格兰杰因果检验(www.xing528.com)

为考察lny 与其他五个变量之间是否存在单向或双向的因果关系，对六个变量进行格兰杰因果关系检验，结果如表2-8 所示。

表2-8　Granger 因果检验结果

续表

注：*、**、***分别代表了在10%、5%、1%的显著性水平下。

表2-8 的检验结果显示，在10%的显著性水平下，lny 是lnQ 的Granger 原因，在5%的显著性水平下，lnQ 是lny 的Granger 原因；在5%的显著性水平下，lnK 是lny 的单向Granger 原因；在10%的显著性水平下，lnL 是lny 的单向Granger 原因；在5%的显著性水平下，lny 是ind 以及urban 的Granger 原因，在10%的显著性水平下，ind 与urban均为lny 的Granger 原因。

4.回归分析

在上述检验的基础之上，对数据进行回归分析。首先计算时间序列数据的自相关系数与偏自相关系数，结果显示第1 阶自相关与偏自相关系数均在5%水平下显著不为0，故分别考虑AR （1）与MA （1）模型。进而根据信息准则，AR （1）模型优于MA （1）模型。由此可得回归结果：

根据模型回归结果，在5%的显著性水平下，劳动力质量每增长1%将促进实际GDP 增长0.2178%，对经济增长有着显著的正向作用。一方面，劳动力质量的提高能够带动知识创新，增加劳动力的边际产出，从而有效地推动经济增长；另一方面，通过增加医疗卫生费用的公共财政支出来提高劳动力质量在某种程度上能够延长预期寿命，增加劳动时间，同时也可能减轻劳动力在医疗方面的支出负担，增加其他方面的消费以促进经济增长。上式结果所示，物质资本投入以及劳动力数量的增加对经济增长也有着正向作用，固定资产投资总额每增加1%会带动经济增长0.0731%，劳动力数量增长对经济增长的贡献率为2.9156%。虽然产业结构偏离度的贡献为负，但并不显著。城市化率的提高使得农村劳动力向城镇迁移，增加了城镇的劳动供给，促进了消费，对经济增长有着正向作用。