总需求曲线
 ————AD模型的
中国实证分析

关键词：总需求曲线 GDP真实货币供应量 政府购买支出 税收
主要内容：由于我国工资水平长期处于刚性状态，总供给对均衡产出的影响不大，均衡产出主要由总需求决定，所以我们仅建立总需求模型来分析其对GDP的影响。本文通过对中国的GDP，货币供应量，政府购买支出，税收，以及价格水平等数据进行计量经济分析，希望通过总需求模型来分析短期内货币政策与财政政策对GDP的作用。

总需求曲线的理论背景
 总需求模型表示产品市场和货币市场同时达到均衡时的价格水平与产出水平的组合，是新古典综合派对凯恩斯理论与新古典理论和货币理论又一新的综合，同时在一定意义上还体现了凯恩斯学派与货币学派、供给学派的大融合。
 
 凯恩斯在对总需求分析时，有三点重要的假定：1.总供给不变。假定各种资源没有得到充分的利用，总供给曲线处于水平线的区域，总需求的增加可以引起均衡国民收入上升，即总供给可以适应总需求的增加而增加（也就是不考虑总供给对国民收入决定的影响）。2.潜在的国民收入，即充分就业时的国民收入不变。3.价格水平既定。基于这三点假设而推导出来的总需求曲线通常可以用图形表示为：

注：其中AD为总需求曲线，Yn为充分就业时的国民收入，45度直线上的点为国民收入达到均衡时的均衡点。
 凯恩斯所认为的总需求是一种需求与国民收入的变动，这就是现在总需求模型的雏形。但它仅仅是从产品市场来考虑了总需求。而在传统的简单的货币数量论模型中，则从货币市场的角度考察了总需求，并建立了描述货币供求相等的均衡方程。现代货币数量论据此认为，货币供应量的变动将直接影响名义国民收入水平的变动。
 在这些总需求模型中，有一个强有力的假定就是一般物价水平不变。这在凯恩斯提出问题的30年代或许是合理的，然而自从60年代后期以来，一般物价水平上涨已经成为一种经常的现象，若再继续假定价格水平不变就有脱离现实之嫌了。于是，随后的新古典综合派将上述两派的理论加以综合，提出理论模型中把物价变动考虑在内，建立了新的总供给—总需求模型。
 根据前人的研究，我们可以把总需求曲线的特性归纳如下：
（1）总需求曲线表示在某个给定的价格水平上所需要的GDP水平。
（2）决定、影响总需求曲线的两个经济原理是收支平衡和货币供求相等。
（3）总需求曲线是向右下方倾斜的。价格水平的上升意味着实际货币余额的降低，因而实际利率会上升，从而使投资、GDP和净出口减少。

（4）总需求取决于真实货币供给。名义货币存量的增加使AD曲线上移的程度恰好与名义货币增加的程度一致，也就是说，名义货币的增加不会改变GDP，只能改变价格水平。
（5）一般说来，扩张性政策——如增加政府支出、减税和增加货币供给——使总需求曲线向右移动，消费者与投资者的信心也影响总需求曲线（信心增强时，AD曲线向右移动；当信心削弱时，AD曲线向左移动）。

模型的推导
 总需求曲线代表了货币市场和商品市场同时达到均衡时的点的集合，即IS—LM模型的均衡点。我们可以由IS—LM模型推出总需求曲线：
IS模型: Y=C(Y-T)+I(Y,i)+G
LM模型: M=￥YL(i)
Y代表GDP，C为系数，T指税收，I为投资，i为利率，G代表政府支出，M为名义货币供应量, ￥Y指名义GDP.
其中，在IS模型中Y和T,i均成负相关关系，Y和G成正相关关系；而在LM模型中，Y和M成正相关，和P成负相关。
注：上述两个模型是对现实的高度简化，建立在Macroeconomics (second edition) Olivier Blanchard,Massachusetts Institute of Technology中的模型的基础上。
当上述两方程均成立时，得到总产出Y，即GDP的一个隐函数
Y=Y(M/P,G,T)
其中M/P代表真实货币供应量；G代表政府购买支出；T代表税收。
用IS—LM模型推导AD曲线可以用下图表示： 
 在LM曲线的推导中，M/P指的是真实的货币供应量。所以，准确的讲，要体现出真实货币供应量与名义货币供应量，P应该是GDP平减指数（GDP Deflator）。对于给定的名义货币量M，高价格意味着低的真实货币供应M/P。显然，价格高意味着供应的人民币价值低了。结果是，高价格水平意味着低水平的总需求。因此，总需求曲线是向右下方倾斜的。
我们假定，总需求曲线的代数表达形式是 Y=ß1+ ß2A+ ß3M/P  
A表示财政政策状态，M/P表示真实货币供应。（来自多恩布什 宏观经济学  第七版）
在财政政策中，起着主要作用的是政府购买支出和税收。所以，我们将多恩布什归纳的表达式转化为   Y= ß1+ ß2G+ ß3T+ ß4M/P   用G和T将A细化了。
模型的建立
 我们要将中国的数据来进行拟合，就必须在原来的模型上加上一个随机扰动项Ut，得到GDP= ß1+ ß2G+ ß3T+ ß4M/P+Ut
 其中，G是政府购买支出，我们用基础建设支出，地质勘探支出，与国防支出之和来代替政府购买支出；T是税收总和；M是货币供应量，在这里我们使用的是狭义的货币供应量，即M1，是流通中的货币量与活期存款的总和；P是价格水平，用GDP平减指数。下面是我们的原始数据，是由历年的《中国统计年鉴》、《中国金融年鉴》及《中国金融统计1952-1999》的数据处理得来。
 
obs GDP M1 P G T
单位：年 单位：亿元 单位：亿元 1990年=1 单位：亿元 单位：亿元
1978  3624.100  944.0000  0.551463  639.9100  519.2800
1979  4038.200  1146.000  0.571074  685.9900  537.8200
1980  4517.800  1223.000  0.592669  562.7700  571.7000
1981  4862.400  1712.300  0.606346  447.3700  629.8900
1982  5294.700  1912.800  0.604075  468.5200  700.0200
1983  5934.500  2219.000  0.609424  545.7100  775.5900
1984  7171.000  2982.800  0.638684  661.1000  947.3500
1985  8964.400  3290.500  0.705311  775.6700  2040.790
1986  10202.20  4745.700  0.739816  827.2300  2090.730
1987  11962.50  5714.600  0.777995  761.5500  2140.360
1988  14928.30  6950.500  0.873879  744.8700  2390.470
1989  16909.20  7347.100  0.949940  766.3300  2727.400
1990  18547.90  8793.200  1.000000  873.8900  2821.860
1991  21617.80  10866.60  1.068297  928.2700  2990.100
1992  26638.10  15015.70  1.154725  977.8300  3296.910
1993  34634.40  16280.40  1.327457  1066.790  4255.300
1994  46759.40  20540.70  1.591635  1254.560  5126.880
1995  58478.10  23987.10  1.826171  1492.260  6038.000
1996  67884.60  28514.80  1.930709  1696.060  6069.820
1997  74462.60  34826.30  1.950088  1905.440  8234.040
1998  78345.20  38953.70  1.903311  2405.570  9262.800
1999  82067.50  45837.30  1.861569  3276.660  10682.58
2000  89442.20  53147.20  1.871635  3390.500  12581.51
2001  95933.30  59872.00  1.876136  3751.600  15301.38
      使用原始数据进行初次拟合
 首先我们将M/P的值定义为A,即真实的货币供应量，先用A、G、T对GDP进行回归，然后再对残差进行正态性检验
Dependent Variable: GDP
Method: Least Squares
Sample: 1978 2001
Included observations: 24
Variable Coefficient Std. Error t-Statistic Prob. 
C 3868.325 5109.435 0.757094 0.4578
A 0.047584 1.330184 0.035772 0.9718
G -9.171626 9.769445 -0.938807 0.3590
T 9.455154 3.719218 2.542243 0.0194
R-squared 0.939790     Mean dependent var 33050.85
Adjusted R-squared 0.930759     S.D. dependent var 31871.78
S.E. of regression 8386.646     Akaike info criterion 21.05768
Sum squared resid 1.41E+09     Schwarz criterion 21.25402
Log likelihood -248.6922     F-statistic 104.0576
Durbin-Watson stat 0.539034     Prob(F-statistic) 0.000000
其回归结果为：GDP=3868.325  +0.047584 A - 9.171626 G + 9.455154 T+et
          Se (5109.435) (1.330184) (9.769445)  (3.719218)
          t =(0.757094) (0.035772) (-0.938807)  (2.542243)
          p = (0.4578)  (0.9718)   (0.3590)     (0.0194)
         R2=0.939790(调整可决系数为0.930759)    DW=0.539034
 F=104.0576
         n=24
 从回归结果中可以看出，A与G的t值都比较小，R2较大，而G的系数为负不符合经济意义，估计解释变量间存在多重共线性（即货币政策和财政政策存在较大的相关性）。对A、G、T进行简单相关系数矩阵检验得到如下结果：
 A G T
   
A  1.000000  0.967409  0.987797
G  0.967409  1.000000  0.982637
T  0.987797  0.982637  1.000000
 可以看出，A、G、T之间存在高度相关.
再进行正态性检验，据此看出，该模型基本上服从正态性假定。

    于是，对多重共线性采用逐步回归法进行修正。
 第一步，用A、G、T分别对GDP回归得下面的结果：
Dependent Variable: GDP
Method: Least Squares
Sample: 1978 2001
Included observations: 24
Variable Coefficient Std. Error t-Statistic Prob. 
C -6240.025 3172.842 -1.966699 0.0620
A 3.592356 0.230928 15.55614 0.0000
R-squared 0.916665     Mean dependent var 33050.85
Adjusted R-squared 0.912877     S.D. dependent var 31871.78
S.E. of regression 9407.486     Akaike info criterion 21.21605
Sum squared resid 1.95E+09     Schwarz criterion 21.31423
Log likelihood -252.5927     F-statistic 241.9936
Durbin-Watson stat 0.350037     Prob(F-statistic) 0.000000
Dependent Variable: GDP
Method: Least Squares
Sample: 1978 2001
Included observations: 24
Variable Coefficient Std. Error t-Statistic Prob. 
C -6753.305 3773.294 -1.789764 0.0873
G 30.90940 2.357537 13.11088 0.0000
R-squared 0.886537     Mean dependent var 33050.85
Adjusted R-squared 0.881379     S.D. dependent var 31871.78
S.E. of regression 10977.08     Akaike info criterion 21.52466
Sum squared resid 2.65E+09     Schwarz criterion 21.62283
Log likelihood -256.2959     F-statistic 171.8953
Durbin-Watson stat 0.338332     Prob(F-statistic) 0.000000
Dependent Variable: GDP
Method: Least Squares
Sample: 1978 2001
Included observations: 24
Variable Coefficient Std. Error t-Statistic Prob. 
C 1198.921 2425.064 0.494388 0.6259
T 7.441128 0.411099 18.10058 0.0000
R-squared 0.937077     Mean dependent var 33050.85
Adjusted R-squared 0.934216     S.D. dependent var 31871.78
S.E. of regression 8174.579     Akaike info criterion 20.93510
Sum squared resid 1.47E+09     Schwarz criterion 21.03327
Log likelihood -249.2212     F-statistic 327.6309
Durbin-Watson stat 0.397048     Prob(F-statistic) 0.000000
 可以看出,用T对GDP回归的修正可决系数最大(等于0.934216),F值也较大所以选取T作为第一个解释变量。
    第二步，用T再加上其它任一个解释变量对GDP回归得：
Dependent Variable: GDP
Method: Least Squares
Sample: 1978 2001
Included observations: 24
Variable Coefficient Std. Error t-Statistic Prob. 
C 772.4795 3891.770 0.198491 0.8446
T 7.061774 2.700332 2.615150 0.0162
A 0.187456 1.318075 0.142220 0.8883
R-squared 0.937137     Mean dependent var 33050.85
Adjusted R-squared 0.931150     S.D. dependent var 31871.78
S.E. of regression 8362.922     Akaike info criterion 21.01747
Sum squared resid 1.47E+09     Schwarz criterion 21.16473
Log likelihood -249.2097     F-statistic 156.5300
Durbin-Watson stat 0.384792     Prob(F-statistic) 0.000000

Dependent Variable: GDP
Method: Least Squares
Sample: 1978 2001
Included observations: 24
Variable Coefficient Std. Error t-Statistic Prob. 
C 3988.427 3758.808 1.061088 0.3007
T 9.560456 2.218486 4.309450 0.0003
G -9.210770 9.474312 -0.972184 0.3420
R-squared 0.939787     Mean dependent var 33050.85
Adjusted R-squared 0.934052     S.D. dependent var 31871.78
S.E. of regression 8184.790     Akaike info criterion 20.97441
Sum squared resid 1.41E+09     Schwarz criterion 21.12167
Log likelihood -248.6929     F-statistic 163.8795
Durbin-Watson stat 0.545004     Prob(F-statistic) 0.000000
 可以看到，无论是用T、A或是T、G对GDP回归的修正可决系数（分别为0.931150和0.934052）都比T对GDP回归的（0.934216）小。所以，初步模型为
      GDP=1198.921 +  7.441128T + et
 Se (2425.064)  (0.411099)
 t =(0.494388)  (18.10058)
 p = (0.6259)   (0.0000)
 R2=0.937077(调整可决系数为0.934216)   DW=0.545004
 F=327.6309
 n=24
 
对其残差进行正态性检验得：

 可以认为其基本上服从正态性分布。
 再进行异方差检验：
先为ARCH检验，滞后两期：
ARCH Test:
F-statistic 1.851545     Probability 0.184227
Obs*R-squared 3.588409     Probability 0.166260
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample(adjusted): 1980 2001
Included observations: 22 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob. 
C 49223415 28714509 1.714235 0.1028
RESID^2(-1) 0.545856 0.286044 1.908297 0.0716
RESID^2(-2) -0.202617 0.284854 -0.711302 0.4855
R-squared 0.163109     Mean dependent var 66668186
Adjusted R-squared 0.075016     S.D. dependent var 1.21E+08
S.E. of regression 1.17E+08     Akaike info criterion 40.11468
Sum squared resid 2.59E+17     Schwarz criterion 40.26346
Log likelihood -438.2615     F-statistic 1.851545
Durbin-Watson stat 1.681442     Prob(F-statistic) 0.184227
 从结果中可以看出，滞后变量的t值均不显著。再进行滞后三期的检验，结果为
ARCH Test:
F-statistic 1.111473     Probability 0.371893
Obs*R-squared 3.443561     Probability 0.328156
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample(adjusted): 1981 2001
Included observations: 21 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob. 
C 55249890 32364000 1.707140 0.1060
RESID^2(-1) 0.524778 0.303381 1.729767 0.1018
RESID^2(-2) -0.156449 0.342254 -0.457113 0.6534
RESID^2(-3) -0.097098 0.302738 -0.320734 0.7523
R-squared 0.163979     Mean dependent var 69801212
Adjusted R-squared 0.016446     S.D. dependent var 1.23E+08
S.E. of regression 1.22E+08     Akaike info criterion 40.25362
Sum squared resid 2.55E+17     Schwarz criterion 40.45258
Log likelihood -418.6630     F-statistic 1.111473
Durbin-Watson stat 1.628480     Prob(F-statistic) 0.371893
 仍然发现滞后变量的t值都不显著，所以该模型不存在因为样本误差随时间积累造成的异方差。
 再对模型进行怀特检验，得：
White Heteroskedasticity Test:
F-statistic 4.113129     Probability 0.031095
Obs*R-squared 6.755233     Probability 0.034129
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample: 1978 2001
Included observations: 24
Variable Coefficient Std. Error t-Statistic Prob. 
C -5863654. 42723707 -0.137246 0.8921
T 16669.12 17926.36 0.929866 0.3630
T^2 -0.121668 1.260998 -0.096486 0.9240
R-squared 0.281468     Mean dependent var 61255094
Adjusted R-squared 0.213036     S.D. dependent var 1.17E+08
S.E. of regression 1.04E+08     Akaike info criterion 39.87716
Sum squared resid 2.28E+17     Schwarz criterion 40.02442
Log likelihood -475.5260     F-statistic 4.113129
Durbin-Watson stat 1.478312     Prob(F-statistic) 0.031095
 同样可以看到，变量的t值均不显著，说明模型不存在因为缺损解释变量而造成异方差的问题。
 综合ARCH和怀特检验的结论，我们可以断定，该模型并不存在异方差。
 
 接着进行自相关检验。首先用et与et-1的散点图进行观测。图示如下：
 
 可以看到，et与et-1存在明显的正自相关关系。再看模型的回归结果，其回归结果表明，D-W值为0.545004。而在0.05的显著性水平下，有n=24 ，k’=1，查D-W表得dl=1.273，du=1.446。因为 d=0.545004<dl，断定模型可能存在正自相关。
 我们用CORC法对正自相关进行修正，可得到下面的结果：
Dependent Variable: GDP
Method: Least Squares
Sample(adjusted): 1979 2001
Included observations: 23 after adjusting endpoints
Convergence achieved after 7 iterations
Variable Coefficient Std. Error t-Statistic Prob. 
C -22533.17 18551.14 -1.214651 0.2386
T 0.023549 1.482588 0.015884 0.9875
AR(1) 1.075782 0.029137 36.92090 0.0000
R-squared 0.991799     Mean dependent var 34330.27
Adjusted R-squared 0.990979     S.D. dependent var 31951.71
S.E. of regression 3034.765     Akaike info criterion 18.99476
Sum squared resid 1.84E+08     Schwarz criterion 19.14287
Log likelihood -215.4398     F-statistic 1209.357
Durbin-Watson stat 0.413515     Prob(F-statistic) 0.000000
Inverted AR Roots        1.08
 Estimated AR process is nonstationary
 从结果中可以看出，由于我国的货币供给量、税收及政府购买支出随着时间发展呈现一种高速增长状态使得原模型的数据存在不稳定性，所以用CORC法反而使修正后的D-W值变得更小。因此，无法用CORC法对该模型的自相关进行修正。于是，我们考虑转换模型的形式以求得到更好的模型。
 
 模型的修正——转换为对数形式的拟合
 由于无法用CORC法对上述模型的自相关进行修正，我们变换模型的形式，采用对数形式对模型进行拟合。
 首先，用LogA、LogG、LogT分别对LogGDP回归，得到：
Dependent Variable: LOGGDP
Method: Least Squares
Sample: 1978 2001
Included observations: 24
Variable Coefficient Std. Error t-Statistic Prob. 
C 0.310531 1.136914 0.273135 0.7876
LOGA 0.305812 0.300634 1.017224 0.3212
LOGG 0.200544 0.192488 1.041852 0.3099
LOGT 0.687025 0.284896 2.411490 0.0256
R-squared 0.969863     Mean dependent var 9.858089
Adjusted R-squared 0.965343     S.D. dependent var 1.131745
S.E. of regression 0.210691     Akaike info criterion -0.125833
Sum squared resid 0.887817     Schwarz criterion 0.070509
Log likelihood 5.509997     F-statistic 214.5463
Durbin-Watson stat 0.345327     Prob(F-statistic) 0.000000
其回归结果为：LogGDP= 0.310531 + 0.305812 LogA - 0.200544LogG + 0.687025Log T+et
            Se  (1.136914)  (0.300634)     (0.192488)    (0.284896)
            t = (0.273135)  (1.017224)     (1.041852)    (2.411490)
            p = (0.7876)    (0.3212)       (0.3099)      (0.0256)
            R2=0.969863(调整可决系数为0.965343)    DW=0.345237
 F=214.5463
            n=24
 从回归结果中可以看出，LogA、LogG、LogT的t值都比较小，R2较大，而G的系数为负不符合经济意义，估计该模型存在多重共线性。对LogA、LogG、LogT进行简单相关系数矩阵检验得到如下结果：
 LOGA LOGG LOGT
   
LOGA  1.000000  0.895540  0.984411
LOGG  0.895540  1.000000  0.926769
LOGT  0.984411  0.926769  1.000000
 可以看出，LogA、LogG、LogT之间存在高度相关。
 再进行正态性检验，得：
 
    从图中可以看出，残差基本上服从正态性分布。
 于是，对多重共线性采用逐步回归法进行修正。
 第一步，用A、G、T分别对GDP回归得下面的结果：
Dependent Variable: LOGGDP
Method: Least Squares
Sample: 1978 2001
Included observations: 24
Variable Coefficient Std. Error t-Statistic Prob. 
C -1.662996 0.579512 -2.869647 0.0089
LOGA 1.282578 0.064233 19.96758 0.0000
R-squared 0.947707     Mean dependent var 9.858089
Adjusted R-squared 0.945330     S.D. dependent var 1.131745
S.E. of regression 0.264621     Akaike info criterion 0.258619
Sum squared resid 1.540533     Schwarz criterion 0.356790
Log likelihood -1.103423     F-statistic 398.7042
Durbin-Watson stat 0.411570     Prob(F-statistic) 0.000000
Dependent Variable: LOGGDP
Method: Least Squares
Sample: 1978 2001
Included observations: 24
Variable Coefficient Std. Error t-Statistic Prob. 
C -1.700498 1.029054 -1.652487 0.1126
LOGG 1.663406 0.147515 11.27615 0.0000
R-squared 0.852499     Mean dependent var 9.858089
Adjusted R-squared 0.845794     S.D. dependent var 1.131745
S.E. of regression 0.444425     Akaike info criterion 1.295586
Sum squared resid 4.345307     Schwarz criterion 1.393757
Log likelihood -13.54704     F-statistic 127.1515
Durbin-Watson stat 0.232752     Prob(F-statistic) 0.000000
Dependent Variable: LOGGDP
Method: Least Squares
Sample: 1978 2001
Included observations: 24
Variable Coefficient Std. Error t-Statistic Prob. 
C 1.700034 0.322555 5.270520 0.0000
LOGT 1.036580 0.040624 25.51657 0.0000
R-squared 0.967315     Mean dependent var 9.858089
Adjusted R-squared 0.965829     S.D. dependent var 1.131745
S.E. of regression 0.209206     Akaike info criterion -0.211338
Sum squared resid 0.962878     Schwarz criterion -0.113167
Log likelihood 4.536058     F-statistic 651.0952
Durbin-Watson stat 0.546204     Prob(F-statistic) 0.000000
 可以看出,用LogT对LogGDP回归的修正可决系数最大(等于0.965829),F值也较大,所以选取LogT作为第一个解释变量。
 第二步，用T再加上其它任一个解释变量对GDP回归得：
Dependent Variable: LOGGDP
Method: Least Squares
Sample: 1978 2001
Included observations: 24
Variable Coefficient Std. Error t-Statistic Prob. 
C 1.069902 0.874314 1.223704 0.2346
LOGT 0.858404 0.233083 3.682825 0.0014
LOGA 0.226257 0.291366 0.776539 0.4461
R-squared 0.968228     Mean dependent var 9.858089
Adjusted R-squared 0.965202     S.D. dependent var 1.131745
S.E. of regression 0.211120     Akaike info criterion -0.156315
Sum squared resid 0.936001     Schwarz criterion -0.009058
Log likelihood 4.875782     F-statistic 319.9746
Durbin-Watson stat 0.392940     Prob(F-statistic) 0.000000
Dependent Variable: LOGGDP
Method: Least Squares
Sample: 1978 2001
Included observations: 24
Variable Coefficient Std. Error t-Statistic Prob. 
C 1.295598 0.596143 2.173299 0.0413
LOGT 0.954815 0.109006 8.759324 0.0000
LOGG 0.150811 0.186329 0.809378 0.4274
R-squared 0.968304     Mean dependent var 9.858089
Adjusted R-squared 0.965285     S.D. dependent var 1.131745
S.E. of regression 0.210866     Akaike info criterion -0.158723
Sum squared resid 0.933750     Schwarz criterion -0.011466
Log likelihood 4.904677     F-statistic 320.7713
Durbin-Watson stat 0.524027     Prob(F-statistic) 0.000000
 可以看到，无论是用LogT、LogA或是LogT、LogG对LogGDP回归的修正可决系数（分别为0.965202和0.965285）都比T对GDP回归的（0.965829）小。所以，模型最后确定为：
 LogGDP=1.700034+ 1.036580 LogT + et
  Se (0.322555)  (0.040624)
               t =(5.270520)  (25.51657)
               p = (0.0000)   (0.0000)
         R2=0.967315(调整可决系数为0.965829)   DW=0.546204
 F=651.0952
         n=24
 对其残差进行正态性检验得：
 
 
 
 可以认为其基本上服从正态性分布。
 再进行异方差检验：
滞后三期：
ARCH Test:
F-statistic 1.471947     Probability 0.257593
Obs*R-squared 4.330097     Probability 0.227955
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample(adjusted): 1981 2001
Included observations: 21 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob. 
C 0.040718 0.019295 2.110243 0.0500
RESID^2(-1) 0.411124 0.237787 1.728959 0.1019
RESID^2(-2) -0.132741 0.256867 -0.516770 0.6120
RESID^2(-3) -0.187925 0.237828 -0.790171 0.4403
R-squared 0.206195     Mean dependent var 0.044623
Adjusted R-squared 0.066112     S.D. dependent var 0.064860
S.E. of regression 0.062679     Akaike info criterion -2.531922
Sum squared resid 0.066788     Schwarz criterion -2.332965
Log likelihood 30.58518     F-statistic 1.471947
Durbin-Watson stat 2.048362     Prob(F-statistic) 0.257593
 从结果中可以看出，滞后变量的t值均不显著，所以该模型不存在因为样本误差随时间积累造成的异方差。
 再对模型进行怀特检验，得：
White Heteroskedasticity Test:
F-statistic 1.621782     Probability 0.221330
Obs*R-squared 3.210978     Probability 0.200791
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample: 1978 2001
Included observations: 24
Variable Coefficient Std. Error t-Statistic Prob. 
C -1.262663 0.734966 -1.717989 0.1005
LOGT 0.332632 0.190193 1.748918 0.0949
LOGT^2 -0.020860 0.012133 -1.719215 0.1003
R-squared 0.133791     Mean dependent var 0.040120
Adjusted R-squared 0.051295     S.D. dependent var 0.061753
S.E. of regression 0.060148     Akaike info criterion -2.667551
Sum squared resid 0.075973     Schwarz criterion -2.520294
Log likelihood 35.01061     F-statistic 1.621782
Durbin-Watson stat 1.255677     Prob(F-statistic) 0.221330
 同样可以看到，变量的t值均不显著，说明模型不存在因为缺损解释变量而造成异方差的问题。
 综合ARCH和怀特检验的结论，我们可以断定，该模型并不存在异方差。
 接着进行自相关检验。首先用et与et-1的散点图进行观测。图示如下：
 
 可以看到，et与et-1存在较明显的正自相关关系。而模型的回归结果表明，D-W值为0.524027。而在0.05的显著性水平下，有n=24 ，k’=1，查D-W表得dl=1.273，du=1.446。因为 d=0.524027<dl，断定模型可能存在正自相关。
 我们用CORC法对正自相关进行修正，可得到下面的结果：
Dependent Variable: LOGGDP
Method: Least Squares
Sample(adjusted): 1979 2001
Included observations: 23 after adjusting endpoints
Convergence achieved after 28 iterations
Variable Coefficient Std. Error t-Statistic Prob. 
C 24.75748 33.72838 0.734025 0.4715
LOGT 0.144418 0.095797 1.507546 0.1473
AR(1) 0.992470 0.015570 63.74153 0.0000
R-squared 0.996370     Mean dependent var 9.930381
Adjusted R-squared 0.996007     S.D. dependent var 1.099062
S.E. of regression 0.069448     Akaike info criterion -2.375368
Sum squared resid 0.096461     Schwarz criterion -2.227260
Log likelihood 30.31673     F-statistic 2744.971
Durbin-Watson stat 0.533042     Prob(F-statistic) 0.000000
Inverted AR Roots        .99
 从结果中可以看到，经过CORC法修正后的D-W值比修正前变大，这说明用CORC法对该模型进行修正是有效的。至此，我们得到了一个修正后的最终模型。
 模型的经济意义
 在最终模型中，影响GDP的因素由三个（真实货币供给、税收、政府购买支出）减至一个（税收），但并不意味着其它两个因素（真实货币供给、政府购买支出）不影响GDP，而是因为在模型中上述三个变量之间存在高度的线性相关关系，所以用税收代表了这三个因素对GDP的影响。同时，模型为对数形式，其系数的经济含义为衡量税收对GDP的影响时，其变化量均为相对数的形式。
 从模型中可以看到，税收政策与GDP为正相关关系,而普遍认为税收政策与GDP之间应是负相关关系。对此我们认为模型的结果还是可以理解的，因为税收与产出之所以存在负相关关系在于认为税收会抑制劳动者积极性，但就我国发展历程来说，体制改革对劳动者积极性的促进作用才是主要的方面，而税收对其影响并不明显，因此税收的增长并不意味着产出会减少。
 通过以上分析，我们可以看到财政政策和货币政策对经济的短期发展所起到的作用。
当政府增加购买支出时，会对经济的发展起到促进作用。反之，当减少政府购买支出时，会减缓经济的发展速度。事实证明，我国在近几年来内需不足，但经济任保持高速增长，这与我国政府大力发展基础建设是分不开的。
当政府增加真实货币供给时，短期内GDP会受其影响而增加。而当减少时，则会减缓GDP发展速度。我国一直实行稳健的货币政策，真实货币量的稳定增长对GDP的发展起到了良好的促进作用。
当政府增加征税时，GDP也会随之增加。表面上看似乎很荒谬，但这是与中国的实际发展情况符合的。中国的税收制度正处于完善阶段，而税收制度的完善对我国收入再分配、缩小贫富差距以调动人们的积极性起到了较好的作用。

主要参考文献：
多恩布什，《宏观经济学》，第七版
Macroeconomics (second edition) ，Olivier Blanchard，Massachusetts Institute of Technology
丁冰，《当代西方经济学流派》，北京经济学院出版社
《中国统计年鉴—2002》至《中国统计年鉴—1981》
《中国金融年鉴—1999》至《中国金融年鉴—1986》
庞浩，《计量经济学》，西南财经大学出版社