第三章 经典单方程计量经济学模型：

多元线性回归模型
Multiple Linear Regression Model

1
 一元回归分析

• 总体回归函数 (Y|X)=)
 
线性总体回归函数： (Y|X)=
 
• 总体回归模型或总体回归函数的随机设定形式

• 样本回归函数

• 样本回归模型或样本回归函数的随机设定形式

Yi  Yˆi  ˆ i  ˆ 0  ˆ1 X i  ei 2
 回归分析的主要目的：根据样本回归函数 SRF ，
估计总体回归函数 PRF 。

Yi  Yˆi  ei  ˆ 0  ˆ1 X i  ei Yi  E (Y | X i )   i   0   1 X i   i

3
2.3 一元线性回归模型的参数估计

一、参数的普通最小二乘估计
（ OLS ）
二、参数估计的最大似然法 (ML)
三、参数估计的距估计法

 ˆ X i2 Yi  X i Yi X i
 0   ˆ xi y i
 n X i  (  X i )
2 2
 1 
  xi2

 ˆ1  nYi X i  Yi X i  ˆ  Y  ˆ X

 n X i  (  X i )
2 2  0 1
4
四、最小二乘估计量的性质

2.3 一元线性回归模型的参数估计
2、无偏性，即估计量 ̂ 0 、 ˆ1 的均值（期望）等于总体回归
参数真值 0 与 1

3、有效性（最小方差性），即在所有线性无偏估计量

中，最小二乘估计量 ̂ 0 、 ̂ 1 具有最小方差。

5
一元线性回归模型的统计检验

一、拟合优度检验
ESS RSS
R 
2
 1
TSS TSS

二、变量的显著性检验
F 检验、 t 检验、 Z 检验

三、参数的置信区间

6
 多元线性回归模型内容

• 多元线性回归模型概述
• 多元线性回归模型的参数估计

• 多元线性回归模型的统计检验
• 案例

7
 3.1 多元线性回归模型概述
(Regression Analysis)

一、多元线性回归模型
二、多元线性回归模型的基本假设

8
一、多元线性回归模型

9
 总体回归模型

• 总体回归模型： = 

• 总体回归模型还可以写成：

 
（ i=1,2…,n
k 为解释变量的数目； ）
习惯上，把常数项看成为虚变量的系数，该虚变量的样本观测值
始终取 1 。于是，模型中解释变量的数目为（ k+1 ）。；
j 称为回归参数（ regression coefficient ）。
10
 总体回归函数

• 总体回归函数：描述在给定解释变量 Xi 条件下
被解释变量 Yi 的条件均值。

E(Yi | X i1 ,X i2 , X ik )   0  1X i1   2X i2       k X ik

j 也被称为偏回归系数 (partial regression coefficients) ，表示在

其他解释变量保持不变的情况下， Xj 每变化 1 个单位时， Y 的均
值 E(Y) 的变化。
或者说  j 给出了 Xj 的单位变化对 Y 均值的“直接”或“净”
（不含其他变量）影响。

11
 总体回归模型的矩阵表示
Y  Xβ  μ
1 X 11 X 12  X 1k 
 
1 X 21 X 22  X 2k 
X 
   
 
1 X n 1 X n 2  X nk 

Y1   0   1 
   
Y2   1  
Y   β   2  μ   2
     
     
Y n  n 1   k 
( k 1 ) 1   n  n 1
12
 样本回归函数与样本回归模型
• 从一次抽样中获得的总体回归函数的近似，称为样
本回归函数（ sample regression function ）。
• 样本回归函数的随机形式，称为样本回归模型（ sa
mple regression model ）。

Yˆi  ˆ 0  ˆ1 X 1i  ˆ 2 X 2 i    ˆ ki X ki

Yi  ˆ 0  ˆ1 X 1i  ˆ 2 X 2 i    ˆ ki X ki  ei

13
 样本回归函数的矩阵表示

ˆ  Xβˆ
Y Y  Xβˆ  e

 ˆ 0   e1 
   
 ˆ   e2 
βˆ   1  e 
  
 
 ˆ  e 
 k  n

14
二、多元线性回归模型的基本假设

15
1 、关于模型关系的假设 ( 与一元回归模型基本相
同）
• 假设 1. 回归模型设定是正确的。
• 假设 2. 解释变量具有变异性
• 假设 3. 各自变量之间不存在严格线性相关性（无完全
多重共线性）
• 假设 4. 随机干扰项具有条件零均值性
• 假设 5. 随机干扰项具有条件同方差及不序列相关性
• 假设 6. 随机干扰项满足正态分布

 
16
3.2 多元线性回归模型的估计

一、普通最小二乘估计
二、最大似然估计
三、矩估计
四、参数估计量的性质
五、样本容量问题
六、估计实例

17
 说 明

估计方法：
– 三大类方法： OLS 、 ML 或者 MM
– 在经典模型中多应用 OLS
– 在非经典模型中多应用 ML 或者 MM

18
一、普通最小二乘估计 (OLS)

19
1 、普通最小二乘估计

• 最小二乘原理：根据被解释变量的所有观测值
与估计值之差的平方和最小的原则求得参数估
计量。

20
 • 步
骤：
(Yi , X ji ), i  1,2,  , n, j  0,1,2,  k 已知

假定
Yˆi  ˆ 0  ˆ1 X 1i  ˆ 2 X 2 i    ˆ ki X Ki
n n  
Q   e   (Yi  Yˆi )
2 2
 ˆ Q0
i
i 1 i 1  0
  Q0
n 2  ˆ
  (Yi  ( ˆ 0  ˆ1 X 1i  ˆ 2 X 2 i    ˆ k X ki ))  1
 
i 1
 ˆ Q0
  2
Min Q  
  Q0
 ˆ 21
 k
  ( ˆ 0  ˆ1 X 1i  ˆ 2 X 2 i    ˆ k X ki )  Yi
 ˆ ˆ ˆ ˆ
  (  0   1 X 1i   2 X 2 i     k X ki ) X 1i  Yi X 1i
 ˆ
 (  0  ˆ1 X 1i  ˆ 2 i X 2 i    ˆ k X ki ) X 2 i  Yi X 2 i
 

 ˆ ˆ ˆ ˆ
  (  0   1 X 1i   2 X 2 i     k X ki ) X ki  Yi X ki

ˆ j , j  0,1,2,  , k

22
 • 正规方程组的矩阵形式

 n
 X 1i  X ki  ˆ 0   1
  
1  1  Y1 
 
  X 1i X X X ˆ
2
1i  1i ki   1   X 11 X 12  X 1n  Y2 
     
              
 
 X X X k 2  X kn  Yn 
 ki  X ki X 1i   ki  k   k1
X 2   ˆ
 

(X X)βˆ  X Y

条件？

ˆ
β  ( X X) X Y
 1

23
• OLS 估计的矩阵表示

n
Q   ei2  ee  (Y  Xβˆ )( Y  Xβˆ )
i 1


( Y  Xβˆ ) ( Y  Xβˆ )  0
 βˆ

( Y Y  βˆ  X Y  Y Xβˆ  βˆ  X Xβˆ )  0
 βˆ

 X Y  X Xβˆ  0

X Y  X Xβˆ

βˆ  ( X X ) 1 X Y
24
2 、正规方程组的另一种表达

X Y  X Xβˆ

X Xβˆ  X e  X Xβˆ

X e  0

  ei  0
 i

 X ij ei  0 j  1, 2, , k
i
25
3 、随机误差项的方差 2 的无偏估计

e  Y  Xβˆ
 Xβ  μ  X( X X) X( Xβ  μ )
 1

 μ  X( XX) 1 Xμ
 (I  X( X X) X)μ
 1

 Mμ

ee  μMMμ  μMμ

M 为等幂矩阵
26
E (ee)  E (μ (I  X( XX) 1 X)μ )
  2 tr (I  X( XX) 1 X)
  (trI  tr ( X( X X) X))
2
 1

  2 (n  (k  1))

E (ee) ee
 
2
ˆ 2

n  k 1 n  k 1

27
二、最大似然估计

28
1 、最大似然法

• 最大似然法 (Maximum Likelihood,ML) ，也

称最大或然法，是不同于最小二乘法的另一种
参数估计方法，是从最大或然原理出发发展起
来的其它估计方法的基础。
• 基本原理：当从模型总体随机抽取 n 组样本观
测值后，最合理的参数估计量应该使得从模型
中抽取该 n 组样本观测值的概率最大。
• ML 必须已知随机项的分布。

29
2 、估计步骤 : 以一元模型为例
Yi 的分布
Yi ~ N ( ˆ 0  ˆ1 X i ,  )
2

1 ˆ  ˆ X ) 2
 ( Y  
1 2 2 i 0 1 i
Yi 的概率函数
P (Yi )  e
 2

L( ˆ 0 , ˆ1 ,  2 )  P (Y1 , Y2 ,  , Yn ) Y 的所有样


1
 ( Y  ˆ  ˆ X ) 2

本观测值的
1 2 2 i 0 1 i
联合概率—
 n
e 似然函数
(2 )  2 n

30
L*  ln( L)
1 ˆ  ˆ X ) 2 对数似然
 n ln( 2  )   (Yi   0 1 i
2 2
函数

  ˆ  ˆ X ) 2  0
  (Y   对数似然函
 ˆ 0
i 0 1 i

  数极大化的
 (Yi  ˆ 0  ˆ1 X i ) 2  0 一阶条件
  ˆ

 1

ˆ X i2 Yi  X i Yi X i
 0  结构参数的
 nX i2  (X i ) 2
 ML 估计量
 ˆ1  nYi X i  Yi X i

 n  X i
2
 (  X i ) 2
31
  * ˆ ˆ
L   2 2  2 2 (Yi   0   1 X i )  0
n 1 2

 2

1
ˆ  (Yi  ˆ 0  ˆ1 X i ) 2 
2 i
e 2

n n

分布参数的
ML 估计量

32
3 、似然函数
Yi   0   1 X 1i   2 X 2 i       k X ki   i


Yi ~ N ( X i β ,  2 ) i ~ N (0,  2 )

L (βˆ ,  2 )  P (Y1 , Y2 ,  , Yn )
1
  ( Yi  ( ˆ 0  ˆ1 X 1i  ˆ 2 X 2 i  ˆ k X ki )) 2
1 2 2
 n
e
( 2 )  n
2

1
 ( Y  Xβˆ )( Y  Xβˆ )
1 2 2
 n
e
( 2 )  n
2

33
4 、 ML 估计量
• 由对数似然函数求极大，得到参数估计量
Max L*  Ln( L)
1
 nLn( 2 )  (Y  Xβˆ ) (Y  Xβˆ )
2 2

Min (Y  Xβˆ )( Y  Xβˆ )

βˆ  ( X X) 1 X Y

结果与参数的 OLS 估计相同

34
• 分布参数估计结果与 OLS 不同

ˆ 2ML 
(Y  Xβˆ )(Y  Xβˆ )

i
e 2

n n

ˆ 2

e 2
i

ee
OLS
n  k 1 n  k 1

35
• 注意：
– ML 估计必须已知 Y 的分布。
– 只有在正态分布时 ML 和 OLS 的结构参数估计结
果相同。
– 如果 Y 不服从正态分布，不能采用 OLS 。例如：
选择性样本模型、计数数据模型等。

36
 三、矩估计
Moment Method, MM

37
1 、参数的矩估计
• 参数的矩估计就是用样本矩去估计总体矩。
• 用样本的一阶原点矩作为期望的估计量。
• 用样本的二阶中心矩作为方差的估计量。
• 从样本观测值计算样本一阶（原点）矩和二阶
（原点）矩，然后去估计总体一阶矩和总体二阶
矩，再进一步计算总体参数（期望和方差）的估
计量。

38
 1 n 1 n 2
X (1)   yi X ( 2)   yi 样本的一阶
n i 1 n i 1 矩和二阶矩

1 n
ˆ
M  E (Y )  X
(1) (1)
  yi
n i 1 总体一阶矩和总体
1 n 2 二阶矩的估计量
Mˆ ( 2)
 E (Y )  X
2 ( 2)
  yi
n i 1
总体参数
ˆ  Mˆ (1)
 E (Y )  X (1)
（期望和
方差）的
ˆ  Mˆ
2 (2) ˆ
 (M )  X  ( X )
(1) 2 (2) (1) 2
估计量
39
 2 、多元线性计量经济学模型的矩估计
• 如果模型的设定是正确，则存在一些为 0 的条件矩。
矩估计的基本思想是利用矩条件估计模型参数。
Yi   0   1 X 1i   2 X 2 i       k X ki   i i  1,  n
n

X
i 1
ji i  0 j  0,1, 2, , k

X
i 1
ji (Yi  (  0  1 X 1i     k X ki ))  0, j  0,1, 2, , k

一组矩条件，等同于 OLS 估计的正规方程组。

40
四、参数估计量的性质

41
 说明
• 在满足基本假设的情况下，多元线性模型结构
参数的普通最小二乘估计、最大或然估计及
矩估计具有线性性、无偏性、有效性。
• 同时，随着样本容量增加，参数估计量具有渐
近无偏性、渐近有效性、一致性。
• 利用矩阵表达可以很方便地证明 , 注意证明过
程中利用的基本假设。

42
1 、无偏性
E (βˆ )  E (( X X ) 1 X Y )
 E (( X X ) 1 X ( Xβ  μ ))
 β  ( X X ) 1 E ( X μ )
β

这里利用了假设 : E(X’)=0

43
 2 、有效性（最小方差性）


E (μ μ )   I
2

44
五、样本容量问题

45
1 、最小样本容量

• 所谓“最小样本容量”，即从最小二乘原理和
最大或然原理出发，欲得到参数估计量，不管其
质量如何，所要求的样本容量的下限。
• 样本最小容量必须不少于模型中解释变量
的数目（包括常数项） , 即
n  k+1

46
2 、满足基本要求的样本容量
• 从统计检验的角度：
n30 时， Z 检验才能应用；
n-k8 时 , t 分布较为稳定。

• 一般经验认为 :
当 n30 或者至少 n3(k+1) 时，才能说满足
模型估计的基本要求。
• 模型的良好性质只有在大样本下才能得到理
论上的证明。
47
六、例题

48
 地区城镇居民消费模型
• 被解释变量：地区城镇居民人均消费 Y
• 解释变量：
– 地区城镇居民人均可支配收入 X1
– 前一年地区城镇居民人均消费 X2
• 样本： 2006 年， 31 个地区

49
 数据
地区 2006年消费 2006年可 2005年消 地区 2006年消费 2006年可 2005年消
支出 支配收入 费支出 支出 支配收入 费支出
Y X1 X2 Y X1 X2
北 京 14825.4 19977.5 13244.2 湖 北 7397.3 9802.7 6736.6
天 津 10548.1 14283.1 9653.3 湖 南 8169.3 10504.7 7505.0
河 北 7343.5 10304.6 6699.7 广 东 12432.2 16015.6 11809.9
山 西 7170.9 10027.7 6342.6 广 西 6792.0 9898.8 7032.8
内蒙古 7666.6 10358.0 6928.6 海 南 7126.8 9395.1 5928.8
辽 宁 7987.5 10369.6 7369.3 重 庆 9398.7 11569.7 8623.3
吉 林 7352.6 9775.1 6794.7 四 川 7524.8 9350.1 6891.3
黑龙江 6655.4 9182.3 6178.0 贵 州 6848.4 9116.6 6159.3
上 海 14761.8 20667.9 13773.4 云 南 7379.8 10069.9 6996.9
江 苏 9628.6 14084.3 8621.8 西 藏 6192.6 8941.1 8617.1
浙 江 13348.5 18265.1 12253.7 陕 西 7553.3 9267.7 6656.5
安 徽 7294.7 9771.1 6367.7 甘 肃 6974.2 8920.6 6529.2
福 建 9807.7 13753.3 8794.4 青 海 6530.1 9000.4 6245.3
江 西 6645.5 9551.1 6109.4 宁 夏 7205.6 9177.3 6404.3
山 东 8468.4 12192.2 7457.3 新 疆 6730.0 8871.3 6207.5
河 南 6685.2 9810.3 6038.0

50
 变量间关系

16000

14000

12000
Y

10000

8000

6000
5000 10000 15000 20000 25000

X1

51
 变量间关系

16000

14000

12000
Y

10000

8000

6000
4000 6000 8000 10000 12000 14000

X2

52
OLS 估计

53
OLS 估计结果

54
ML 估计

55
ML 估计结果

56
MM 估计

57
MM 估计结果

58
3.3 多元线性回归模型的统计检验
Statistical Test of Multiple Linear Re
gression Model

一、拟合优度检验
二、方程的显著性检验 (F 检验 )
三、变量的显著性检验（ t 检验）
四、参数的置信区间
59
一、拟合优度检验
Goodness of Fit

60
2 、可决系数与调整的可决系数
• 总离差平方和的分解

TSS   (Yi  Y ) 2
  ((Yi  Yˆi )  (Yˆi  Y )) 2
  (Yi  Yˆi ) 2  2 (Yi  Yˆi )(Yˆi  Y )   (Yˆi  Y ) 2

TSS   (Yi  Yi )   (Yi  Y )  RSS  ESS

2
ˆ 2 ˆ
61
• 可决系数（ Coefficient of Determination ）
ESS RSS
R 
2
1
TSS TSS

该统计量越接近于 1 ，模型的拟合优度越高。
• 从 R2 的表达式中发现，如果在模型中增加解
释变量， R2 往往增大。
这就给人一个错觉：要使得模型拟合得好，
只要增加解释变量即可。
但是，由增加解释变量引起的 R2 的增大与
拟合好坏无关，所以 R2 需调整。
62
• 调整的可决系数（ adjusted coefficient of
determination ）
RSS /( n  k  1)
R  1
2

TSS /( n  1)
其中： n-k-1 为残差平方和的自由度， n-1 为总体
平方和的自由度。

调整的可决系数多大才是合适的？

63
 二、方程的显著性检验 (F 检验 )
Testing the Overall Significance of a M
ultiple Regression (the F test)

64
1 、假设检验（ Hypothesis Testing ）
• 所谓假设检验，就是事先对总体参数或总体分
布形式作出一个假设，然后利用样本信息来判
断原假设是否合理，即判断样本信息与原假设
是否有显著差异，从而决定是否接受或否定原
假设。
• 假设检验采用的逻辑推理方法是反证法。先假
定原假设正确，然后根据样本信息，观察由此
假设而导致的结果是否合理，从而判断是否接
受原假设。
• 判断结果合理与否，是基于“小概率事件不易
发生”这一原理的。
65
2 、方程显著性的 F 检验
• 方程的显著性检验，旨在对模型中被解释变量
与解释变量之间的线性关系在总体上是否显著成
立作出推断。
• 在多元模型中，即检验模型中的参数 j 是否
显著不为 0 。

Yi   0   1 X 1i   2 X 2i     k X ki   i

H 0 : 1  0, 2  0, , k  0

H 1 :  j ( j  1,2,, k )不全为0

66
• F 检验的思想来自于总离差平方和的分解式
TSS=ESS+RSS
由于回归平方和 ESS   yˆ i2 是解释变量 X 的联合体对被解
释变量 Y 的线性作用的结果，考虑比值
ESS / RSS   yˆ i2 i
e 2

如果这个比值较大，则 X 的联合体对 Y 的解释

程度高，可认为总体存在线性关系，反之总体上可能
不存在线性关系。
因此 , 可通过该比值的大小对总体线性关系
进行推断。
67
地区城镇居民消费模型

拒绝 0 假设，犯错
误的概率为 0

68
3 、关于拟合优度检验与方程显著性检验
关系的讨论
RSS /( n  k  1) ESS / k
R  1
2
F 
TSS /( n  1) RSS /( n  k  1)

n 1
R  1
2

n  k  1  kF
R2 /k
F 
(1  R 2 ) /( n  k  1)

69
 对于一般的实际问题，在 5% 的显著性水平
下， F 统计量的临界值所对应的 R2 的水平是较
低的。所以，不宜过分注重 R2 值，应注重模型
的经济意义；在进行总体显著性检验时，显著性
水平应该控制在 5% 以内。
70
三、变量的显著性检验（ t 检验）
Testing the Significance of Variables
(the t test)

71
• 方程的总体线性关系显著不等于每个解释变量
对被解释变量的影响都是显著的。
• 必须对每个解释变量进行显著性检验，以决定
是否作为解释变量被保留在模型中。
• 这一检验是由对变量的 t 检验完成的。

72
1 、 t 统计量

Cov (βˆ )   2 ( X X ) 1
以 cii 表示矩阵
(X’X)-1 主对角线
上的第 i 个元素
Var ( ˆ i )   2 c ii

ˆi ~ N (  i ,  cii )
2
ˆ 
2 i
e 2


e e
n  k 1 n  k 1

ˆ j   j ˆ j   j
t  ~ t (n  k  1)
s ˆ ee
j c jj
n  k 1
73
2 、 t 检验
设计原假设与备择假设：
H0 ： i=0 （ i=1,2…
k
H）1 ： i0

给定显著性水平，可得到临界值 t/2(n-k-
1) ，由样本求出统计量 t 的数值，通过
|t| t/2(n-k-1) 或 |t|t/2(n-k-1)
判断拒绝或不拒绝原假设 H0 ，从而判定对应的解
释变量是否应包括在模型中。
74
地区城镇居民消费模型

75
 四、参数的置信区间
Confidence Interval of Parameter

76
1 、区间估计
• 回归分析希望通过样本得到的参数估计量能够
代替总体参数。
• 假设检验可以通过一次抽样的结果检验总体参
数可能的假设值的范围（例如是否为零），但
它并没有指出在一次抽样中样本参数值到底离
总体参数的真值有多“近”。
• 要判断样本参数的估计值在多大程度上“近
似”地替代总体参数的真值，需要通过构造一
个以样本参数的估计值为中心的“区间”，来
考察它以多大的可能性（概率）包含着真实的
参数值。这种方法就是参数检验的置信区间估
计。 77
 P ( ˆ      ˆ   )  1  

如果存在这样一个区间，称之为置信区间；
1- 称为置信系数（置信度）（ confidence coeffic
ient ）， 称为显著性水平；置信区间的端点称
为置信限（ confidence limit ）。

78
2 、参数的置信区间

ˆ i   i ˆ i   i
t ~ t ( n  k  1)
S ˆ e e
i c ii
n  k 1
在 (1-) 的
置信水平下

( i  t   s , i  t   s )

2 i 2 i

79
3 、如何才能缩小置信区间？
• 增大样本容量 n ，因为在同样的样本容量下，
n 越大， t 分布表中的临界值越小，同时，增大
样本容量，还可使样本参数估计量的标准差减
小。
• 提高模型的拟合优度，因为样本参数估计量的
标准差与残差平方和呈正比，模型优度越高，残
差平方和应越小。
• 提高样本观测值的分散度 , 一般情况下，样本
观测值越分散， (X’X)-1 的分母的 |X’X| 的值越
大，致使区间缩小。
80
例题：

GPA=1.392-0.0135hsper+0.00148sat

n=1500 ， 𝑅  2=0.273 , =0.287

 

Hsper ：在高中班上的名次的百分数
Sat ：学习能力测验中数学与英语的综合成绩

问题 1 ： hsper 的系数为负数能讲得通？
问题 2 ：评论各变量之间关系

81
3.4 回归模型的其他函数形式

82
 说 明
• 在实际经济活动中，经济变量的关系是复杂的
，直接表现为线性关系的情况并不多见。
• 如著名的恩格尔曲线 (Engle curves) 表现为幂
函数曲线形式、宏观经济学中的菲利普斯曲线
（ Pillips cuves ）表现为双曲线形式等。
• 但是，大部分非线性关系又可以通过一些简单
的数学处理，使之化为数学上的线性关系，从
而可以运用线性回归模型的理论方法。

83
 一、模型的类型与变换
1 、倒数模型、多项式模型与变量的直接置换法

例如，描述税收与税率关系的拉弗曲线：抛物线
s = a + b r + c r2 c<0
s ：税收； r ：税率
设 X1 = r ， X2 = r2 ， 则原方程变换为
s = a + b X1 + c X2 c<0

84
2 、幂函数模型、指数函数模型与对数变换法

例如， Cobb-Dauglas 生产函数：幂函数

Q = AKL
Q ：产出量， K ：投入的资本； L ：投入的劳动

方程两边取对数：
ln Q = ln A +  ln K +  ln L

85
• 生产函数（ production function ）是指在一
定时期内，在技术水平不变的情况下，生
产中所使用的各种生产要素的数量与所能
生产的最大产量之间的关系。

86
• 1 、生产
从经济学角度来讲，生产含义是十分广泛的，它不仅仅意
味着制造了一台机器或生产出一些钢材等，它还包含了各种各
样的经济活动。如：律师为他人打官司，商场的经营，医生为
病人看病等等。这些活动都涉及到某个人或经济实体提供产品
或服务。因此，简单讲，任何创造价值的活动都是生产。
• 2 、生产要素
在西方经济学中，生产要素一般被划分为劳动、土地、资
本和企业家才能这四种类型。
1 ）劳动：指人们在生产过程中提供的体力和脑力的总和。
2 ）土地：不仅指土地本身，还包括地上和地下的一切自然资
源，如森林、江河湖泊、海洋和矿藏等。
3 ）资本：资本可以表现为实物形态或货币形态。资本的货币
形态又称为货币资本；资本的实物形态又称资本品或投资品，
如厂房、机器、原材料等。
87
4 ）企业家才能：指企业家组织建立和经营管理企业的才能。
假定 X1 、 X2……Xn 顺次表示某产品生产过程
中所使用的 n 种生产要素的投入数量， Q 表示所
能生产的最大产量。
Q= f （ L ， K ， N ， E ）
式中，各变量分别代表产量、投入的劳动、资本、
土地、企业家才能。
其中 N 是固定的， E 难以估算。
在经济学分析中，通常只使用劳动
（ L ）和资本（ K ）这两种生产要素，所以生产
函数可以写成：
Q = f(L ， K)
88
• 生产函数分一种可变投入生产函数和多
种可变投入生产函数。
在微观经济学中，一种可变投入的生产函
数通常用来考察短期生产理论，两种（或以上）
可变投入的生产函数用来考察长期生产函数。

1 、一种可变投入生产函数
对既定产品，技术条件不变、固定投入 ( 通常是资
本）一定、一种可变动投入（通常是劳动 ) 与可能生产
的最大产量间的关系，通常又称作短期生产函数。

89
• 2 、多种可变投入生产函数
在考察时间足够长时， 可能两种或两种以上
的投入都可以变动、甚至所有的投入都可以变动，
通常称为长期生产函数。
在这里，长短期的划分是以生产者能否变动所
有的要素投入量来作为标准的，而不同的产品的生
产，长短期的划分是不固定的（纺织厂 -1 年，豆腐
坊 -3 月）。所以对于长短期的区分，有如下标准：
短期是指生产者来不及调整所有生产要素的数量，至
少有一种生产要素的数量是固定不变的时间周期。
长期是生产者可以调整全部生产要素的数量的时间周
期。

90
• 1 、固定替代比例生产函数
固定替代比例生产函数是指在每一产
量水平上任何两种要素之间的替代比例都
是固定的。

函数的通常形式是

Q=aL+bK ,

其中 Q 是产量， L 、 K 分
别表示劳动和资本，常数
a 、 b>0 。
91
• 2 、固定投入比例生产函数（也被称为里
昂剔夫生产函数）
固定投入比例生产函数是指在每一个
产量水平上任何一对要素投入量之间的比
例都是固定的。
函数的通常形式为
Q=min{ cL ， dK } ，
其中 Q 是产量， L 、 K 分别表
示劳动和资本，常数 c 、 d>0 ，
分别为劳动和资本的生产技术系
数，它们分别表示生产每一单位
的产品所需要的固定的劳动投入
量和资本投入量。 92
L
3 、柯布 - 道格拉斯生产函数

•   20 世纪 30 年代，数学家柯布 (C.W.Cob
b) 和经济学家道格拉斯 (Paul H. Dougla
s) ，利用美国 1899-1922 年的数据资料导
出了著名的 C-D 函数：

从此不断有新的研究成果出现，使生
产函数得研究与应用呈现长盛不衰的局
面。

93
• 3 、柯布 - 道格拉斯生产函数

柯布—道格拉斯生产函数被认为是一
种很实用的生产函数，因为该函数以其简单
的形式具备了经济学家所关心一些性质，它
在经济理论的分析和应用中都具有一定意
义。

94
•  
函数的通常形式

其中 A 、 α 、 β 为三个参数，且 0<
α 、 β<1 。 α 、 β 分别表示劳动和资本在
生产中所占的相对重要性。
α 为劳动所得在总产量中所占的份额，
β 为资本在总产量中所占的份额。

95
增加技术因素之后，可变为：

•  

式中 Y 是工业总产值， At 是综合技术水平， L 是
投入的劳动力数（单位是万人或人）， K 是投入的资
本，一般指固定资产净值（单位是亿元或万元，但必须
与劳动力数的单位相对应，如劳动力用万人作单位，固
定资产净值就用亿元作单位）， α 是劳动力产出的弹性
系数， β 是资本产出的弹性系数， μ 表示随机干扰的影
响， μ≤1 。

96
 从这个模型看出，决定工业系统发展水平的主要因
素是投入的劳动力数、固定资产和综合技术水平（包括
经营管理水平、劳动力素质、引进先进技术等）。根据 α
和 β 的组合情况，它有三种类型：

①α+β>1 ， 称为递增报酬型，表明按技术用扩大生产规
模来增加产出是有利的。

②α+β<1 ，称为递减报酬型，表明按技术用扩大生产规模
来增加产出是得不偿失的。

③α+β=1 ，称为不变报酬型，表明生产效率并不会随着生
产规模的扩大而提高，只有提高技术水平，才会提高经
济效益。
97
•  
经对数变换，可用如下双对数线性回
归模型进行估计：

式中， =lnA

98
案例：
表 1 列出了 2010 年中国 39 个制造
业的工业总产值（ Y ）与固定资产净值
（ K1 ）、流动资产（ K2 ）以及年均的从
业人员（ L ）。建立 2010 年中国制造业的
生产函数。

99
 Y （亿
K( 亿元） L( 万人）
元）
编号 行业 Y K L
1煤炭开采和洗选业 22109 21785 527
2石油和天然气开采业 9917 12904 106
3黑色金属矿采选业 5999 4182 67
4有色金属矿采选业 3799 2317 55
5非金属矿采选业 3093 1424 57
6其他矿采选业 31 14 0.5
7木材及竹材采运业 34928 14373 369
8食品加工业 11350 6114 176
9食品制造业 9153 6527 130
10饮料制造业 5842 4570 21
11烟草加工业 28508 16253 647
12纺织业 12331 6045 447
13服装及其他纤维制品制造业 7897 3411 276
14皮革、毛皮、羽绒及其制品业 7393 3038 142
15木材加工及竹、藤、棕、草制品业 4415 2261 112
16家具制造业 10434 7949 158
17造纸及纸制品业 3563 2802 85
100
18印刷业、记录媒介的复制 3135 1602 128
19文教体育用品制造业 29239 13361 92
20石油加工及炼焦业 47920 31947 474
21化学原料及化学制品制造业 11741 9017 173
22医药制造业 4954 3526 44
23化学纤维制造业 5907 3596 103
24橡胶制品业 13872 8033 283
25塑料制品业 32057 21491 545
26非金属矿物制造业 51834 37102 346
27黑色金属冶炼及压延加工业 28119 16993 192
28有色金属冶炼及压延加工业 20135 11477 345
29金属制品业 35133 24006 539
30普通机械制造业 21562 16879 334
31专用设备制造业 55453 40225 574
32交通运输设备制造业 43344 27455 604
33电气机械及器材制造业 54971 34005 773
34电子及通信设备制造业 6399 4566 125
35仪器仪表及文化办公用机械制造业 5663 2905 140
36其它制造业 2306 830 14
37电力、蒸汽、热水的生产和供应业 40551 58989 276
38煤气生产和供应业 2394 2264 101 19
39自来水的生产和供应业 1137 4208 46
• 根据 Stata 回归，输出结果如下：

劳力 l 的散点图 资本 K 的散点图

102
103
lnY=1.818+0.677 （ lnK ） +0.290 （ lnL ）
R2=0.9408
回归结果表明，在 2010 年， lnY 变化的 9
4.1% 可由资本与劳动投入的变化来解释。
在 5% 的显著水平下，模型的线性关系显
著成立。

104
• 有 lnY 的参数估计来看， 2010 年，中国
工业总产出关于资本投入的产出弹性为
0.677 ，表明当其他因素保持不变时，工
业的资本投入增加 1% ，总产出将增加 0.
677% 。
• 同样的，当其他因素保持不变时，劳动
力投入每增长 1% ，工业总产出将增加 0.
29% 。

105
• 可见资本投入的增加对工业总产出的增
加起到了更大的作用。
与 C-D 函数中参数的差别？
• 估计的资本投入与劳动投入的产出弹性
之和为 0.967 ，接近于 1.

106