经典计量经济学应用资源配置问题研究论文（共2篇）

导读：经典计量经济学论文要如何写作？想必对于当下的很多专业作者来说，应该都是不清楚要如何写的吧，特别是第一次写作的人更是会迷茫无措的，本论文分类为经济论文，下面是小编为大家整理的几篇经典计量经济学论文论文范文供大家参考。

第1篇：经典计量经济学模型下卫生资源配置问题研究

摘要：卫生资源配置与人类健康息息相关，对社会经济发展有促进作用。随着我国经济发展，医疗卫生事业建设有了明显变化。运用计量经济学方法，实证分析了卫生资源配置与经济增长的直接和间接关系，拓宽了医疗卫生资源配置的研究领域。

关键词：经济增长；卫生资源配置；计量经济学

文章编号：1004-7026（2020）03-0121-02中国图书分类号：R1文献标志码：A

1研究内容

选择卫生机构床位数、卫生技术人员数、卫生总费用作为卫生资源配置的指标，选择GDP作为社会经济发展的指标，利用2005—2018年相關数据，构建卫生资源配置与社会经济增长的联立回归方程模型。通过预测和结构分析，探讨我国卫生资源配置与社会经济发展的关系。

2研究意义

医疗卫生资源的优化配置属于卫生经济学的研究领域和范畴，但如果仅从卫生经济学的角度进行研究过于狭隘，无法从各方面、多角度对这一问题进行充分探讨。以经济增长与医疗卫生资源优化配置效率为研究对象，运用计量经济学探究经济增长与医疗卫生资源配置效率之间的实际关系，在经济学和其他部门经济学理论研究的基础上，从新的角度拓宽了医疗卫生资源配置的研究领域。

3实证分析

卫生资源配置与经济之间存在多种联系[1]。通过资料查询和文献参考，得出在卫生资源配置方面影响经济增长的因素包括医疗卫生机构数量、卫生技术人员数量、卫生总费用和医疗卫生机构床位数[2-3]。查询中国卫生统计年鉴和国家统计局的相关数据，得到2005—2018年相关数据，建立模型并实证分析。

3.3显著性检验

（1）F检验。在给定显著性水平？琢=0.05的条件下，在F分布表中查出自由度为k=4和n-k-1=9的临界值F？琢（4，9）=3.6331，F=740.9921>2.9752，所以拒绝原假设，说明回归方程是显著的。

（2）t检验。在给定显著性水平？琢=0.05的条件下，查t分布表的自由度为n-k-1=9的临界值t？琢/2（n-k-1）=2.2622。由数据可知，LNX3解释变量对被解释变量的影响是显著的，其余变量的影响是不显著的。

3.4多重共线性检验

对模型进行多重共线性检验，通过相关系数矩阵与方差膨胀因子两种方法进行确认。

根据相关性分析，解释变量之间存在着高度相关关系，因此变量之间的共线性较高。为了进一步确认变量的共线性，对模型进行方差膨胀因子检验。由于解释变量的VIF值均是大于10的，变量之间的共线性比较高，对变量进行进行逐步回归。

（1）一元回归：所有变量的t检验均通过，但LNX3的拟合优度最高，因此以LNX3为基础加入其他变量。

（2）二元回归：由于加入LNX2的拟合优度最高，且t检验均通过，因此以LNX3、LNX2为基础加入其他变量。

（3）三元回归：可以看到新加入的变量均是不显著的，因此逐步回归留下的变量为LNX2、LNX3。

3.5异方差检验

运用怀特检验对变量的异方差性进行检验，检验逐步回归后的结果是否存在异方差。检测结果“Obs*R-squared”为3.2609，相对应的概率值prob值为0.6598>0.05。在0.05的显著性水平下，接受同方差的原假设，即模型不存在异方差。

3.6自相关检验

对样本量为n=14、2个解释变量的模型，在？琢=0.05的显著水平下，查DW分布表，可得临界值dL=0.905，dU=1.551，模型中dU<DW=1.7404<4-dU，因此判断模型不存在一阶自相关。

为了检验变量是否存在二阶自相关，运用LM检验方法，可以看到“Obs*R-squared”为4.1745，对应的prob值为0.1240>0.05，在0.05的显著性水平下，接受不存在序列相关的原假设，且“RESID（-1）”和“RESID（-2）”对应的p值大于0.05，因此模型既不存在一阶序列相关，也不存在二阶序列相关。

3.7最终模型

3.8经济意义

模型估计结果说明，在假定其他变量不变的情况下，平均每千人口卫生技术人员数量每增长1%，国内生产总值减少1.0737%；卫生总费用每增长1%，国内生产总值增加1.1773%。

从变量的当期系数所反映的结果来看，每千人口卫生技术人员数量会对国内生产总值产生负面影响，卫生总费用的提高会促使国内生产总值稳步提升。这说明卫生总费用会拉动社会经济的增长，对社会经济有积极影响。

随着国民经济发展和社会进步，卫生投入不足成为卫生资源配置的首要经济结构问题。卫生支出的逐年增长，是卫生资源与社会经济健康和谐发展的关键和保障。只有将增加卫生投入作为一项长远政策，才能保证和促进我国卫生事业与社会经济同步和谐发展。要最大限度利用现有资源，提高资源配置效率，促进卫生服务发展，维护社会稳定，促进社会发展。

第2篇：机器学习在经典计量经济学中的应用

【摘要】随着计算机技术的发展，机器学习技术广泛应用于工业界各个领域。传统计量经济学与机器学习有着共同的理论基础和相同的研究方法，同时从研究方式与目的，对模型的要求、模型检验方式都有着明显的差异。对于传统计量经济学存在诸多不足，例如理论假设过强、样本不足、模型泛化能力弱等问题，机器学习的范式和方法可以应用于其中，可以有效解决传统计量经济学中的问题。

【关键词】机器学习计量经济学模型泛化

一、引言

机器学习被视为人工智能的子集，是对算法和统计模型的科学研究，计算机系统使用这些算法和统计模型来执行特定任务而无需使用明确的指令，而是依靠模式和推理。机器学习算法基于样本数据（称为训练数据）建立数学模型，以便进行预测或决策，而无需明确程序来执行任务。随着信息技术的快速发展以及互联网普及，大数据得以产生，机器学习在诸多领域如医学、金融、数据分析等发挥着重要的作用。随着机器学习在各行各业应用的不断深入，经济学界也开始广泛应用机器学习于经济领域的研究。这方面，国外学者已经取得积极进展，如诺贝尔奖得主萨金特就开设“量化经济”（QuantEco）项目，运用机器学习方法对传统经济学重新演绎。

计量经济学是以数理经济学和数理统计学为方法论基础，对于经济问题试图对理论上的数量接近和经验（实证研究）上的数量接近这两者进行综合而产生的经济学分支。然而，传统的计量经济学有着其固有的缺陷，无法对很多现实问题作出令人信服解释，尤其是在预测方面。而基于现有的样本数据对测试数据作出准确预测是机器学习基本任务。因此，将机器学习范式和方法运用于计量经济学中，可以很好地弥补传统计量经济学中的不足。

二、机器学习与计量经济学的异同

某种程度上，机器学习与计量经济学是“一枚硬币的两面”，许多经典的机器学习算法如线性回归、Logit回归等线性模型最早开始也是在经济学研究中运用，并随着计算机技术的发展逐渐开始在其他领域中应用。线性模型也是机器学习算法的基础，近年兴起的神经网络也是从线性模型发展而来。最优化是计量经济学主要研究手段，同时也是机器学习优化模型主要方法，因此两者研究本质都是最优化问题。从中可以看出，计量经济学和机器学习有着共同的理论基础和研究方法。

然而，两者的“任务”是不同的。传统计量经济学主要任务是对经济理论进行实证分析，对研究者提出理论进行事后检验，模型的可解释性非常重要；机器学习的主要任务是预测，主要解决回归和分类问题，模型的可解释性的重要程度并非最高。

三、机器学习能弥补计量经济学的不足

传统计量经济学广泛应用于主流经济学的研究，在学术界引起了许多争议，一方面，很多学者认为这使得“工具主义”在经济学界泛滥，忽略经济研究的本质；另一方面，传统经济学一直强于解释而疏于预测，对未来经济趋势总是无法作出准确合理预测。传统计量经济学的实证结果仅能对已有数据和观测结果进行检验，往往不重视对新样本的预测，这很容易使得模型过拟合。而机器学习其中一个主要研究方向是解决模型的过拟合问题，以更好地给出合理的预测。谷歌首席经济学家范里安（HalVarian）认为，机器学习的范式和可以和计量经济学无缝衔接，机器学习诸多方法解决传统经济学存在的诸多问题。

1.划分训练-测试数据集。传统计量经济学主要是通过统计量检验模型的拟合好坏，但这种方法有着很大局限，强于解释而疏于预测，尤其在对未知数据的预测上。算法模型使用训练集进行拟合，并对训练集预测，然后再对测试集进行预测，将两者的结果进行比较。如果训练集的预测结果与测试集的结果相差很小，则表示模型的泛化能力很好；反之，模型的泛化能力很差。

传统计量经济学一般不会划分数据集来检验模型的拟合好坏，无法检测模型的泛化能力，这使得计量经济模型无法应用到未知的数据。

2.正则化。正则化在机器学习中主要用于防止模型的过拟合，提高模型的泛化能力。正则化是为解决过拟合问题而加入的额外信息的过程，而额外信息一般作为惩罚项加入到最优化过程中，以降低模型的复杂度。复杂的模型往往无法很好地拟合训练数据，但无法拟合未知数据。损失函数内置正则化技术，以“惩罚”参数过多的模型。“正则化”的意思是要让预测更加“规范”或更可接受，让模型更能适应未知的数据。

线性回归、Logit回归等线性模型在传统计量经济学有着广泛应用，但在计量经济学中线性模型有着很强的假设，比如同方差、不存在多重共线性等，这些假设在现实中很难实现。这就导致计量经济模型都存在过拟合现象。通过在计量模型加入惩罚项可以很好解决计量经济模型中不能满足假设的情况，可以很好解决模型过拟合情况。

3.马氏链蒙特卡洛方法。马尔可夫链蒙特卡洛方法（MCMC）是一组用马氏链从随机分布取样的算法，之前步骤的作为底本。它从连续随机变量创建样本，其概率密度与已知函数成正比。它能有效解决数据分析中样本不足的问题。在传统的计量经济学中，数据样本的获取和样本质量的好坏对实证结果有着重要的影响。现实中，样本不仅在获取上存在困难，而且取得的样本质量上往往参差不齐。因此，MCMC能有效解决计量经济学中样本不足的问题。

四、结论与展望

随着计算机技术的发展和大数据的兴起，机器学习与其他学科领域融合会越来越多，而传统计量经济学与机器学习有着共同的理论基础和相同的研究方法。将机器学习的方法和范式运用于计量经济学中，既可以有效解决传统计量经济学强于解释而疏于预测的不足，还可放宽传统计量经济学过于严苛的理论假设，让理论模型更贴近于现实。此外，机器学习更加注重模型的预测能力，而不是模型的可解释性，因而大大降低了研究者的理论门槛。

作者简介：朱明（1992），男，汉，湖南省郴州市，学生，硕士，广东财经大學，产业经济学