房价波动与银行信贷增长关系的实证研究 毕业论文.doc

房价波动与银行信贷增长关系的实证研究摘 要本文主要探讨房地产价格波动对银行信贷增长的作用机制。鉴于所要研究的问题具有很强的实践性，需要数据加以论证，所以搜集整理了2005年8月到2010年12月的月度数据，运用计量经济学分析技术对我国房地产价格影响银行信贷的效应进行实证检验。实践结果表明，房地产价格和银行信贷之间在长期内存在互为因果的关系，即房价波动通过影响微观经济主题的信贷需求和银行的信贷供给影响银行的信贷扩张总量；而银行信贷，尤其是房地产信贷会在长期内影响房地产价格。在短期内，房地产价格波动是通过协整关系成为银行信贷增长的原因。即房地产价格波动在短期内对银行贷款发放的直接影响十分有限主要是在长期内对银行贷款产生影响。货币当局应该密切关注房价波动，并制定合理的货币政策。关键词 房价波动；银行信贷；计量经济学模型AbstractThis paper mainly discusses real estate prices on the bank credit growth mechanism. In view of the problem to study with strong practicality, need data to argumentation, so collect sorted through the August 2005 in December 2010, the monthly data econometrical analysis technology of Chinese real estate price impact and the effect of bank credit empirical test. The practice indicates that between the real estate price and bank credit in long-term relationship exist inside the reciprocal causation-the actual prices fluctuate, namely the microeconomic theme through affecting the credit demand and bank credit supply affect bank credit expansion amount; And the bank credit, especially housing credit will influence the real estate prices in the long term. In the short term, the real estate price volatility is through the co-integration relationship became bank credit of the reasons for that increase. Namely estate price swings in the short term to bank loans directly affected very limited primarily in the long term impact on bank lending. Monetary authorities should pay close attention to house price fluctuations, and formulate the monetary policy. Keywords house price fluctuation; Bank credit; Econometrics model目 录一、文献回顾1二、房价波动的现状及其影响因素2（一） 经济基本面决定了房价波动中的均衡变动部分3（二）地方的宜人性因素和供给限制3（三）价格变化自身的发展、调整过程。4三、房价波动与银行信贷关系4（一）房价调整与银行贷款风险关系51.银行的经营状况和盈利能力受房价调整的影响52.房价下调阶段，银行信用风险和融资收紧的互动性变得更为复杂53.数据匮乏导致控制房价调整风险存在困难6（二）房价波动与银行信贷增长的关系61.银行信贷增长对房地产价格上涨的机制分析62.银行信贷增长对房地产价格下降的机制分析7四、房价波动与银行信贷增长关系的实证分析7（一） 数据的来源7（二） 房价波动与银行信贷增长的检验71.理论模型的设计72.样本数据的收集73.参数模型的估计10（三）结论19五、政策建议19（一）建立专门的抵押贷款风险评估与预警系统19（二）加强住房抵押贷款业务的创新19（三）建立政府担保制度，创造良好的外部风险分散机制20（四）注意业务的配套经营以分散系统风险20（五）开发适合市场需求的住房贷款保险品种20参考文献22房价波动与银行信贷增长关系的实证研究一、文献回顾房价波动与银行信贷增长的论题在理论界和学术界都有很广泛的研究，通过对相关文章的拜读研究，整理了不同学者对房价波动和银行信贷增长关系的论点。段中东（2007）通过选取2000年1月至2006年8月的月度数据，运用多变量协整分析技术对我国房地产价格影响银行信贷的效应进行实证研究。研究结果为房地产价格和银行信贷之间存在互为因果关系，这种影响在短期十分有限，主要为长期影响。涂序平（2008）截取2002年1月至2007年9月的月度数据，运用协整理论对我国房地产价格影响银行信贷的效应进行实证分析。结果表明，房价与银行信贷之间存在单项因果关系，银行贷款是房地产价格的原因，房地产价格波动在短期内对银行信贷发放的影响远没有长期那样显著。钟诚通过对2006年房价高位运行，国家四万亿经济刺激计划的实施，大量基金进入房地产市场的情况的研究，分析房地产信贷波动与房价波动的关系，利用误差修正模型分析信贷在短期和长期对房价的影响大小，在此基础上使用VAR模型具体分析两者的因果关系。最后得出结论即房地产价格波动性和房地产信贷资金量在长期存在稳定的均衡关系。罗莉（2009）在文章中具体分析了房地产的特性及其价格影响因素，通过对现阶段我国房地产业的困境、房价调整与银行贷款风险关系的特点的研究，对银行的风险管理提出相应建议。李成（2009）基于次贷危机的启示，构建了在不同的全融发展程度下房地产价格波动对商业银行资产影响的理论模型，并在此基础上对中国的现状进行分析，指出当前对中国的影响主要集中于商业银行负债业务发放的贷款领域。进一步利用向量自回归模型（VAR）及冲击响应函数对中国房地产价格波动对商业银行贷款的影响进行了实证检验。结果表明：金融创新改变了房地产价格波动对商业银行资产的影响模式，中国房价波动对商业银行资产的影响主要集中在源于银行负债发放的贷款领域，但总体影响有限，中国应加快发展银行资产证券化业务，谨慎发展信用衍生产品。童薇（2008）对房地产价格波动和银行信贷支持之间的内在关系进行实证研究，提出合理的房地产金融支持政策。以上是近几年学术界研究出的理论成果，对现实有很强的理论指导意义，从他们研究的结果可以看出，通过对不同年度数据的选取，运用经济方法对房价波动和银行信贷增长关系得出的结论基本一致。段中东，曾令华，黄泽，涂序平，程国雄，钟诚，卞菠这几位学者的观点大致相同，即房价波动与银行信贷增长呈现互为因果的关系，房价波动与银行信贷的短期波动不明显，与其长期波动很明显，呈现长期稳定的均衡关系。本文基于之前学者们的研究成果，运用所学的计量经济学模型，对2005年以来的月度数据进行实证研究。二、房价波动的现状及其影响因素近年来，我国房价不断攀升，老百姓望房兴叹。2007年我国商品房均价较2006年上涨超过50%，由于房价高位运行，再加上银行收紧房贷、第二套房贷政策出，市场销售出现了观望情绪，造成销量下降。2008年长期的宏观调控政策起作用，很多人有观望情绪。2009年的房地产市场价格的过快增长，已引起相关部门的高度关注。社科院2010年经济蓝皮书指出，2009年城镇居民收入房价比达到8.3，大大超出了合理的承受范围。2009年的10月份以来，国内的房地产市场成交量和成交价格不断走高。我国幅员辽阔，各个地区的经济发展水平和房地产市场成熟程度非常不平衡，房地产价格波动在区域间也存在较大的差异性，一线城市和主要二线城市成交量和成交价格突然放大导致了全国房价再次出现同比、环比大幅上涨，部分城市的商品房成交价格创历史最高纪录。目前国内房价涨势过快的区域主要是集中在一些大中城市，尤其是东部沿海地区的大中城市，中西部特别是西部边远地区的一些中小城市，房价也在缓慢攀升。在中央经济工作常务会议上，相关部门领导研究完善促进房地产市场健康发展的政策措施，明确提出：“加强市场监管，稳定市场预期，遏制部分城市房价过快上涨的势头。”可见，房地产价格的稳定、房地产市场的健康稳定是国民经济协调发展的基本保障，是关系国计民生的一个重要问题。随着我国经济的发展，房地产不再仅仅意味着供人们消费和生产的住宅或厂房，而更多地成为一种投资工具和投资对象。房地产价格的波动幅度远远超过普通商品，而价格的强烈波动性正是虚拟资产的重要特征。以下是影响房价波动的主要因素：（一） 经济基本面决定了房价波动中的均衡变动部分长期均衡住房价格反映了住房的基本价值，住房的基本价值由住房未来收益的现值体现，或是通过经济基本面反映。前者因为折现率即期望收益率难以确定，实际较少采用。许多研究者尝试用后一种方法估计住房的基本价值，证实均衡价格主要由人口、收入、利率等经济基本面因素所决定。因此，城市住房价格波动的一个主要决定因素是经济基本面的波动，在我国因为利率的变动是全国范围的。因此，从城市层面看，影响住房价格变动差异的经济基本面因素主要包括人口、收入和建设成本的变动。人口和收入的增加直接刺激住房的需求，助长价格上涨。建设成本虽然从长期看是受住房需求量的影响，与房价是相互影响的关系，但在短期通过供给方影响价格，建设成本的升高会在短期促进价格的上涨。我国近年房价涨幅较大的上海、杭州、宁波等城市的人均可支配收入近十年的年平均增长率都在10%以上，杭州、深圳的人口增幅近十年的平均增长率也在10%以上。（二）地方的宜人性因素和供给限制除经济基本面因素外，地方的宜人性因素和供给限制也是导致城市间价格波动差异的原因之一。宜人性因素是指城市吸引人居住的一些先天自然因素和后天形成的人文氛围，包括城市生态和自然景观，年龄在18-60岁人口比例，高等院校人口百分比，总的生活质量，每天通勤时间，以及一些人口统计特征总和，如健康、教育和文化娱乐等。世界上一些“明星”城市的房价水平及其波动证明了这一点，在美国的旧金山、波士顿和洛杉矶，因为有娱乐业、世界级大学和高科技产业和国际名流之家，住房价格高而且波动。海南在90年代初期的房地产价格泡沫也是因为高估了其稀缺自然景观的价值而引发的过度开发。供给限制是一些城市由于本身山海江湖带来的地形限制，或由于地方管制引起的房价波动。东京的地域特点带来的供给限制，是20世纪80年代末引起日本地产价格泡沫的原因之一。美国近年的一些研究表明，土地利用限制等管制政策是大都市区之间房价变化差异的决定因素之一，高管制高宜人性的大都市区经历着房价租金比的更快速增长。这些基本面因素的变动构成了房价变动的均衡变动部分。在一些城市均衡变动解释了大部分的房价波动。但在一些经济发达的大都市或沿海城市，均衡变动只能起较小的解释作用。（三）价格变化自身的发展、调整过程基本面独自并不能很好地解释短期住房价格波动，还需要考虑非均衡因素的影响，也就是说，在偏离了均衡价格变动率之后，价格变化有个自身发展、调整过程。当整个房地产市场形势很好，住房价格处于较高水平时，人们会预期价格按照先前的增长率继续上涨，这就是价格变化的自相关性。当出现市场繁荣，价格节节上涨，如同国内大部分城市从2000年以来所表现的那样，市场信心大增，开发商过分乐观并进一步通过媒体造势，有居住需求的人们唯恐落后地下单，有进一步需求打算的提前了改善居住条件的计划，看到房价增长率超过银行贷款利率的急忙人市，这就产生了大量的投机需求，因此国外有学者将价格变化的自相关系数称为“泡沫制造者”，实证研究发现在一些房价变化大的沿海城市比一般城市有更大的自相关性。当价格上涨到一定的程度，明显偏离基本面时，市场信心开始动摇，当一些先知先觉者开始出售住房，引起市场恐慌情绪时，价格就会朝基本价值回落，这就是所谓的“均值回复”，也就是说，实际价格与均衡价格的偏离程度会对下一期的价格变动产生影响。与价格变化自相关相反，均值回复体现了价格变化的理性，因此被称为“泡沫破灭者”。三、房价波动与银行信贷关系当前，我国房地产投资出现局部过热迹象，房地产价格在一些城市不断创出新高。在这种情况下，对房地产价格影响银行信贷的机制和效应展开理论分析和实践检验具有重要作用。房地产价格的波动受宏观经济基本面与非基本面的影响，反过来又对宏观经济产生重要的反馈作用。这种反馈作用对宏观经济有直接影响，但更重要的是通过银行信贷扩张所形成的间接影响。尤其在银行信贷作为我国最主要的融资渠道情况下，房地产价格的波动通过影响银行信贷从而对产出和宏观经济的波动产生了深刻影响。（一）房价调整与银行贷款风险关系1.银行的经营状况和盈利能力受房价调整的影响Herring和Wachter(1999)认为房价上涨会提高包括自有房地产在内的银行资本的经济价值，因此，银行将会在房价上涨时增加房地产贷款的敞口。同时，价格上涨会提高银行自有房地产价值，从而提高银行自有资本价值，这种价格效应会刺激银行放松信贷标准。若价格下降，这种价格效应作用的过程是相反的，房价大幅下跌能导致银行信贷资产质量恶化和盈利能力降低，对那些过度涉及房地产和房地产相关行业的银行尤其如此。这将侵蚀银行资本金，消弱银行贷款能力，建筑和借贷市场的萎缩，将减少银行来自房地产相关交易的酬金和代理收入，最终房价下跌可能对整个经济环境产生负面反馈。2.房价下调阶段，银行信用风险和融资收紧的互动性变得更为复杂银行贷款准则被认为是顺经济周期的，加之较差的风险管理实践、较少的数据和不恰当的安全网奖励等原因，银行往往会低估房地产相关行业贷款的违约率。这种由Herring and Wachter(1999)定义的“灾难近视”是资产价格上涨和银行信用风险增加的主要原因。因为房地产资产被广泛用作其他类型贷款的抵押物，当房地产价格下跌时，借款人的贷款能力减弱，并面临资金收紧。资金紧缩限制新的投资规模以及降低公司的盈利能力，最终其他类型贷款的信用风险也会增加，尽管房价大幅波动并不一定造成银行业陷入萧条，但它确实给一些工业化和新兴市场经济国家银行业带来危机。典型的例子如二十世纪70年代末和80年代初的西班牙、80年代末的北欧国家、过去十年的日本、90年代中期的泰国和近期美国的次债危机。可以看出，随着金融的不断发展，金融机构之间的竞争加强，贷款利率趋于下降。银行在寻找新的贷款机会的压力下，往往会低估新的风险，尤其是当未建立起有效银行监管制度时，过度竞争很容易加剧金融失衡，从而在未来某阶段引发金融危机。3.数据匮乏导致控制房价调整风险存在困难银行缺乏详细分析未来房价的数据基，资产价值评估程序以可比资产价格为基础来评估资产的市场价值和贷款，即贷款房价比（LTV），反映贷款的价值相当于抵押房屋价值的百分比，其公式为：LTV=贷款市场价值抵押房屋市场价值*100%。当LTV小于100%时，说明贷款的市场价值小于抵押房屋的市场价值，对于借款人来说，其负债价值小于其资产价值，借款人拥有一定数额的净资产，反之则反是。该预期贯穿借贷活动的整个过程，它受市场“泡沫”和其他短期波动的影响。但理想的信贷决策应以资产的长期市场价格预期为基础，这意味着以评估为基础的价格指数通常滞后于住房价格的实际运动。（二）房价波动与银行信贷增长的关系1.银行信贷增长对房地产价格上涨的机制分析我国现行的的银行制度不完善，绝大多数房地产信贷是以抵押为依据的。因此房地产的市场价值直接影响银行信贷额度。目前房地产市场过热，房价不断升高，继而导致银行信贷的投放量增加。房地产的需求呈刚性，这是因为房地产是大多数人的生活必需品，是衣食住行中处于重要地位的一部分，由于宏观因素，预期等多方面的因素，导致了房地产热，在近几年尤其突出，这种情况下银行贷款额也在不断升高。在国外，消费习惯使得超前消费成为普遍现象，对于房地产的授信资格没有严格的限制。而在我国，房地产的贷款被看作是优质贷款，是银行等金融机构贷款业务重要组成部分，银行会竞争争取房地产贷款资金，这样会在一定程度上放松贷款条件。此外，大量的投资者，投机者和消费者会跟风，也推动房价上涨。大量的实践证明，房价的上升推动了地价，因为地价是房地产成本的主要部分。以上的因素共同作用使得房价不断上升，必然导致房价上涨带动银行信贷增长在加速房价上涨的循环。2.银行信贷增长对房地产价格下降的机制分析 大多数的情况下银行信贷与房价成正比例增加的趋势，但是房地产的周期波动下降阶段同样重要，比如2007年的美国次贷危机就是典型的例子，贷款人的信誉不合格，使得还贷不及时，出现违约，银行的贷款不能及时收回，资金周转困难使得银行用房地产抵债，抵押品的价格出现大幅下降，银行的资产大规模的缩水，这些因素促使银行减少贷款规模，房地产是资金密集型产业，投入资金的减少，预期价格的下降导致有效需求减少，此外，监管的严格也会使房价下降。四、房价波动与银行信贷增长关系的实证分析（一） 数据的来源本文选用的是2005年9月到2010年12月期间的共64个月度数据。选择的变量为银行贷款（Y），房地产销售价格指数（X1），经济增长（X2）与居民消费增长指数（X3），为消除统计数据中价格因素的影响，故对相关数据进行了处理，银行贷款取自信贷增长率，房地产价格指数很容易从国家统计局网站中获得。由于没有GDP月度数据，故用相关的工业增加值的增长速度表示，此外还加上了居民消费物价指数。将银行贷款，房地产销售价格指数，工业增加值，居民消费价格指数分别用Y，X1，X2，X3表示。以上原始数据来源于国家统计局网站。（二） 房价波动与银行信贷增长的检验1.理论模型的设计设银行信贷增长函数为Y=银行信贷的增长率 X1=房地产销售价格指数X2=工业增长率 X3=居民消费增长指数2.样本数据的收集日期信贷增长率（Y）居民消费价格指数(X1)工业增加值(X2)房屋销售价格指数(X3)2005-9-10.1007 100.90 0.165100.62005-10-10.1004 101.20 0.161100.52005-11-10.1038 101.30 0.166100.62005-12-10.0977 101.60 0.165100.62006-1-10.1017 101.90 0.203100.92006-2-10.1043 100.90 0.201100.72006-3-10.1129 100.80 0.178100.32006-4-10.1213 101.20 0.166100.42006-5-10.1362 101.40 0.179100.72006-6-10.1564 101.50 0.195100.72006-7-10.1672 101.00 0.167100.52006-8-10.1655 101.30 0.157100.42006-9-10.1576 101.50 0.161100.42006-10-10.1571 101.40 0.147100.42006-11-10.1537 101.90 0.149100.52006-12-10.1571 102.80 0.147100.62007-1-10.1581 102.20 0.134100.62007-2-10.1699 102.70 0.126100.62007-3-10.1608 103.30 0.176100.62007-4-10.1634 103.00 0.174100.72007-5-10.1636 103.40 0.1811012007-6-10.1648 104.40 0.1941012007-7-10.1667 105.60 0.18101.22007-8-10.1704 106.50 0.175101.42007-9-10.1716 106.20 0.189101.72007-10-10.1769 106.50 0.179101.62007-11-10.1706 106.90 0.173100.82007-12-10.1616 106.50 0.174100.22008-1-10.1674 107.10 0.155100.32008-2-10.1573 108.70 0.154100.22008-3-10.1478 108.30 0.178100.32008-4-10.1472 108.50 0.157100.22008-5-10.1486 107.70 0.16100.12008-6-10.1412 107.10 0.161002008-7-10.1458 106.30 0.147100.12008-8-10.1429 104.90 0.12899.92008-9-10.1448 104.64 0.11499.92008-10-10.1458 103.97 0.08299.69162008-11-10.1322 102.43 0.05499.47182008-12-10.1594 101.20 0.05799.53912009-1-10.1862 100.95 0.06199.82009-2-10.2148 98.44 0.1199.84592009-3-10.2711 98.83 0.083100.17242009-4-10.2710 98.50 0.073100.40872009-5-10.2802 98.63 0.089100.5952009-6-10.3188 98.33 0.107100.81312009-7-10.3142 98.19 0.108100.93042009-8-10.3160 98.80 0.123100.92009-9-10.3168 99.21 0.139100.67212009-10-10.3173 99.47 0.161100.70632009-11-10.3386 100.60 0.192101.19872009-12-10.3174 101.90 0.185101.47482010-1-10.2931 101.50 0.141101.32010-2-10.2723 102.70 0.128100.92010-3-10.2181 102.40 0.181101.12010-4-10.2196 102.80 0.178101.42010-5-10.2150 103.10 0.165100.19382010-6-10.1817 102.90 0.13799.92010-7-10.1843 103.30 0.1341002010-8-10.1858 103.48 0.1391002010-9-10.1855 103.61 0.133100.4512010-10-10.1928 104.37 0.131100.22010-11-10.1983 105.12 0.133100.32010-12-10.1989 104.59 0.135100.3 数据来源：国家统计局网站3.参数模型的估计用Eviews软件OLS估计结果如下：Dependent Variable: YMethod: Least SquaresDate: 05/02/11 Time: 21:11Sample: 2005:09 2010:12Included observations: 64VariableCoefficientStd. Errort-StatisticProb. C-7.6405921.694600-4.5087890.0000X10.0843950.0160845.2472720.0000X2-1.0282970.233410-4.4055350.0000X3-0.0049120.002474-1.9859060.0516R-squared0.458036 Mean dependent var0.185628Adjusted R-squared0.430938 S.D. dependent var0.063653S.E. of regression0.048017 Akaike info criterion-3.174042Sum squared resid0.138341 Schwarz criterion-3.039111Log likelihood105.5693 F-statistic16.90284Durbin-Watson stat0.304428 Prob(F-statistic)0.000000 (-4.5088) (5.2473) (-4.4055) (-1.9859)0.4580 F=16.9028 D.W.=0.3044从回归结果可以看出，模型的拟合优度不是很高（0.4580），F统计量的值在给定的显著性水平=0.01的情况下显著，经观察，统计量只有房地产价格指数较显著，另外两个工业增加值和居民消费价格指数对信贷增长不显著。由于X2,X3前参数估计未通过t检验，且符号的经济意义不合理，故认为解释变量之间存在多重共线性。（1）多重共线性检验采用简单相关系数矩阵法对其进行检验：X1X2X3X11.0000000.589807-0.060385X20.5898071.0000000.325354X3-0.0603850.3253541.000000由表中数据得到各解释变量之间不存在高度相关性。找出最简单的回归形式，分别做Y与X1，X2，X3的回归，经过逐步回归，可知房地产价格指数对银行信贷的影响最大，且成正相关关系。因此，此回归模型为 (-4.5088) (5.2473) (-4.4055) (-1.9859)0.4580 F=16.9028 D.W.=0.3044（2）异方差性检验 图示法：通过模型OLS回归得到的残差平方项与X1,X2,X3的散点图表明，存在单调递增型异方差性。再采用怀特检验：记为对原始模型进行OLS回归得到的残差平方项，将其与X1,X2，X3及平方项与交叉项作辅助回归，得： 由于没有哪个参数的t检验是显著的，可决系数的值也较小，怀特统计量=26.31，该值小于1%显著水平下自由度为8的分布的临界值，因此，拒绝同方差性的原假设。 去掉交叉项后的辅助回归结果为：=0.34 - 7.41X1 -0.02X2 + 0.19X22 - 0.006X3 + 2.78 X32 (0.50) (0.00098) (0.064) (0.24) (0.009) (4.48)显然,X3的平方项的参数是显著的，且怀特统计量= 11.19，因此，在1%的显著性水平下，仍拒绝同方差性这一假设。采用加权最小二乘法对原模型进行回归：Dependent Variable: YMethod: Least SquaresDate: 05/03/11 Time: 22:01Sample: 2005:09 2010:12Included observations: 64Weighting series: 1/ABS(RESID)VariableCoefficientStd. Errort-StatisticProb. C-8.0565100.475756-16.934110.0000X10.0877320.00423220.731210.0000X2-1.0487840.043482-24.120050.0000X3-0.0041050.000659-6.2326940.0000Weighted StatisticsR-squared0.999745 Mean dependent var0.169446Adjusted R-squared0.999732 S.D. dependent var0.516722S.E. of regression0.008462 Akaike info criterion-6.645899Sum squared resid0.004297 Schwarz criterion-6.510969Log likelihood216.6688 F-statistic78276.59Durbin-Watson stat0.599382 Prob(F-statistic)0.000000Unweighted StatisticsR-squared0.456681 Mean dependent var0.185628Adjusted R-squared0.429515 S.D. dependent var0.063653S.E. of regression0.048077 Sum squared resid0.138687Durbin-Watson stat0.318850用原模型OLS估计量作为随机干扰项方差-协方差矩阵的主对角线元素，这相当于用1/为权重进行加权最小二乘估计（WLS），有 （-16.93）（20.73） （-24.12） （-6.23） F=78276.59 D.W.=0.5994可以看出，无论是拟合优度，还是各参数的t统计量的值都有了显著的改进。（3）序列相关性检验从残差项与时间t以及与的关系图看，呈现正序列相关性。呈D.W.检验结果表明，在1%的显著性水平下，n=64,k=4(包含常数项)，查表得，由于D.W.=0.318<，故存在正自相关。再进行拉格朗日乘数检验，含二阶滞后残差项的辅助回归为=1.935 - 0.018X1 + 0.238 X2 - 0.002 X3 + 0.83+ 0.011 (1.011) (0.0096) (0.139) (0.001) (0.1287) (0.1337) = 0.6895于是，LM=44.13，该值大于显著性水平为1%，自由度为4的的临界值=13.28，由此判断原模型存在2阶序列相关性。含三阶滞后残差项的的辅助回归为=2.005-0.018X1+0.249*X2-0.002*X3+0.83 - 0.045+0.0689（1.026）(0.009) ( 0.142) （0.001）（0.130） (0.171) ( 0.130)于是，LM=44.228，该值大于显著性水平为1%，自由度为5的的临界值=15.09，仍说明原模型存在序列相关性，但由于，的参数不显著，说明不存在3阶序列相关性。采用科克伦奥科特迭代法进行修正：一阶广义差分的估计结果：Dependent Variable: YMethod: Least SquaresDate: 05/19/11 Time: 16:29Sample(adjusted): 2005:10 2010:12Included observations: 63 after adjusting endpointsConvergence achieved after 9 iterationsVariableCoefficientStd. Errort-StatisticProb. C-1.2896740.765903-1.6838610.0976X10.0185970.0074122.5089240.0149X2-0.0563020.106813-0.5271060.6001X3-0.0034170.002649-1.2902120.2021AR(1)0.9475240.03329928.454940.0000R-squared0.948267 Mean dependent var0.186976Adjusted R-squared0.944699 S.D. dependent var0.063237S.E. of regression0.01