影响货币需求的因素分析

影响货币需求的因素 影响货币需求的因素分析 摘要：在量化和加入贷款利率、通胀平减指数、国内生产总值、固定资产投资占GDP的比重，建立中国长期货币需求函数的基础上，对函数进行各方面的分析，并进一步分析我国当前经济形势。 关键词：长期货币需求、贷款利率、通胀平减指数、国内生产总值、固定资产投资占GDP的比重 一、 文献综述： 1、《货币购买力》 费雪 1911年出版    这是货币数量论、现金交易数量说的代表，该理论揭示了对既定数量的总收入应该持有的货币的数量，并且认为利率对货币需求没有影响。其理论内容主要反映在费雪交易方程式中：  M× V= P ×Y     其中M是 给定年份的货币数量，V 是给定年份货币流通速度， P是给定年份的价格水平， Y是给定年份的交易量。    如果用货币需求量表示 M ，M ×V= P ×Y可以变形为：  M=1/V × P ×Y    因为短期内，V为常量，名义收入决定了其所引致的货币需求量,因此，货币需求仅为收入的函数，利率对货币需求是没有影响的。古典学派的经济的“二分法”的观点就是货币是中性的，货币只是影响价格水平等名义变量，而不会影响社会实际就业量和产量。  2、马歇尔和庇古    人们持有货币是因为货币具有交易媒介和价值贮藏功能，他们发展起来的货币需求理论（又称现金余额数量论）的内容和分析方法主要反映在“剑桥方程式”中，该方程式是      M=KPY    其中M表示人们手中持有的货币数量，即现金余额，Y代表总产量，P表示一般价格水平，K表示以货币形式保持的财富在全部财富中所占的比例，K是常量。如果以K表示费雪方程式中的 ，那么      M = 1/V×PY    可见，在形式上剑桥方程式和费雪方程式是没有区别的，只是在研究方法上有区别。 3、《就业、利息和货币通论》凯恩斯  强调利率的重要性，反对将实物经济和货币经济分开的“二分法”，提出了流动性偏好的货币需求理论。流动性偏好理论的特点是以人们意愿持有货币的动机作为划分货币需求的依据，对流动性陷阱进行了描述。 M=＋=＋  表示满足交易动机和谨慎动机所持有的货币数量，表示满足投机动机所持有的现款数量。L1，L2是对应于,的两个流动性偏好函数，L1主要取决于收入水平Y, L2主要取决于利息率r。    如果以P代表一般价格水平，则 表示实际货币需求量（以不变价格表示货币需求量）表示实际收入，货币流通速度V写作 4、《货币数量论-一个重新表述》弗里德曼 1956年    他将货币作为构成财富资产的一种，通过影响人们选择资产的种类来保存财富的因素来研究货币需求的，实际上是资产需求理论在货币需求理论上的应用。    在弗里德曼看来，货币是债券，股票，商品的替代品，货币需求是个人拥有的财富及其他资产相对于货币预期回报率的函数。据此，弗里德曼将他的货币需求公式定义如下： 其中， 表示对真实货币余额的需求； 表示永久性收入，即理论上的所有未来预期收入的折现值，也可成为长期  平均收入；表示货币预期回报率；表示债券预期回报率；表示股票预期回报率；表示预期通货膨胀率 5、《货币政策传导过程中的金融媒介的作用》布鲁纳和梅泽尔 1963年  该理论视货币为一种资产，认为社会大众会根据各种资产包括货币的相对利率来调整他们的资产结构，已达到理想的资产结构平衡。在这一过程中，尤其是对资产结构实物调整，会对实际产出产生影响。在解释长期货币需求时，梅泽尔认为财富效果和利率效果同样重要，财富和利率都是货币需求的决定要素，而且加入财富变量使货币需求非常稳定，这就为稳定货币政策提供了重要的理论根据。  二、经济理论阐述  凯恩斯在传统的货币数量论和现金余额说的基础上，考虑了货币的交易职能和货币的价值贮藏职能，提出了自己的货币需求理论。他认为人们之所以持有货币是处于三个动机：交易动机，预防动机和投机动机，从而相应地形成了货币的交易需求，预防需求和投机需求。随着经济的发展，交易与收入和支出往往在时间上不一致，人们为了应付日常的购买而持有一定量的货币即构成了货币的交易需求。而人们为了应付一些意外开支而持有的货币即为货币的预防需求。这两种需求都来源于货币的交易媒介职能。在影响交易动机和预防动机的众多因素中，货币收入起着决定作用，并且收入与货币的交易需求和预防需求成正方向变化。而货币的投机需求则是为了应付有价证券市场上价格的变化，从而获利。这一货币需求来源于货币的价值贮藏职能。人们总是根据对利率变动的预期持有一定量的货币，以在有利时机购买债券进行投机获利，因而，货币的投机需求与利率成反方向变化。凯恩斯根据对人们持有货币的心理动机的分析，将货币需求分为两个部分：货币的交易需求和预防需求L1(Y)和货币的投机需求L2(r), 从而提出了他的货币需求函数：L=L1(Y)+L2(r),其中，L代表对货币的需求，Y代表收入，r代表利率.  在凯恩斯的货币需求理论的基础上，后凯恩斯主义对其进行了发展。美国经济学家汉森将商品市场和货币市场结合起来建立了IS-LM模型，认为货币的交易需求不仅受到收入的影响，而且受到利率的影响。这是由于利率的变化会影响投资，进而影响收入，最终影响对货币的交易需求。此外，鲍莫尔的“平方根定理”，认为持有货币存在一定的机会成本，利率越高，投机机会越多，人们便会尽量减少手中持有的货币量。这两种理论都说明了利率与货币交易需求的反向变化关系，从而发展了凯恩斯货币需求理论中的交易需求部分。对于货币的预防需求而言，惠伦提出了“立方根定律”，说明了人们对货币预防需求的多少，主要取决于收入和支出的状况及持有货币的成本。其中利率是一个重要因素。且利率与货币的预防需求成反方向变化。并且托宾的资产选择理论也对凯恩斯的货币投机需求进行了发展。  由以上的分析可看出，不管是传统的凯恩斯的货币需求理论，还是后凯恩斯主义对其进行的发展，其一致性在于，利率和收入都是影响货币需求的重要因素，其中，收入与货币需求成正方向变化，而利率与货币需求呈反方向变化。 三、研究目的:为了讨论我们设想的因素是否可以影响货币需求。 四、建立模型  Y=a0+a1X1+a2X2+a3X3+a4X4 Y-M2  Y用广义货币供应量M2代替，因为货币的供给主要是由中央银行来进行，而货币的需求则取决于流动性偏好，尤其是投机动机。由于流动性偏好是一种心理活动，难以操纵和控制，货币需求也就难以预测和控制，需要变动的是货币供应量。这种替代具有一定的合理性. X1-贷款利率    贷款利率越低，越促进投资，从而影响货币需求。所以两者应该为负相关关系 X2-通胀平减指数     通胀平减指数代表了人们对未来物价的预期， 预期物价上涨多少,直接意味着实物资产升值多少,因此在此条件下,资产选择有转向实物资产而减少货币需求的倾向,所以PE同货币需求的关系应是逆向的。     考虑到居民及企业对物价反应的一般心态(大多数人习惯考虑某物品去年多少钱),我们用通胀平减指数代表反映预期物价，用以下公式计算得到：  （GDP平减指数公布的GDP的增长率+1 ）/（GDPt/GDPt-1）-1 X3-国内生产总值 根据凯恩斯货币需求理论，GDP越大货币需求越多 X4-固定资产投资占GDP的比重     麦金农把货币和投资的关系划分为两种:一种效应是货币的“导管”效应,即资本积累通过货币发生,另一种效应是货币和实物资本之间的竞争效应。在第一种效应占主导地位的情况下,货币和投资是互补关系,而在第二种效应占主导地位的情况下,货币和投资是替代关系。前一种效应在发展中国家表现明显,我国也不例外,即所谓的固定资产投资,一般说来固定资产投资的比重越大,货币需求量越大 五、数据搜集1、 数据说明：本来想以再贷款利率作为解释变量之一，可是只找到2002年的数据，于是只有以贷款利率替代。2、 数据的搜集情况 采用1985-2003年的时间序系列数据 3、数据来源：中经网、《中国统计年鉴》 原始数据: obs Y X1 X2 X3 X4 1985 5198.9 7.2 10.14014 8964.4 0.283699969 1986 6720.9 7.2 4.602897 10202.2 0.305875203 1987 8330.9 7.2 5.066417 11962.5 0.316965517 1988 10099.6 8.64 12.12262 14928.3 0.318442153 1989 11949.6 11.34 8.808288 16909.2 0.260828425 1990 15293.4 8.64 5.675505 18547.9 0.243531613 1991 19349.9 7.56 6.731868 21617.8 0.258791366 1992 25402.2 7.56 7.901044 26638.1 0.303328691 1993 34879.8 10.98 14.55355 34634.4 0.377436884 1994 46923.5 10.98 19.90102 46759.4 0.364463616 1995 60750.5 10.98 13.17801 58478.1 0.342338414 1996 76094.9 7.47 5.917435 67884.6 0.338427272 1997 90995.3 5.67 0.817991 74462.6 0.334948014 1998 104498.5 3.78 -2.398737 78345.2 0.362577414 1999 119897.9 2.25 -2.193135 82067.4 0.363782696 2000 134610.3 2.25 0.942314 89468.1 0.367926669 2001 158301.9 2.25 1.181757 97314.8 0.382403293 2002 185007 1.98 -0.208392 105172.3 0.413606054 2003 221222.8 1.98 1.999573 117251.9 0.470081082 六、模型的参数估计、检验及修正1、 模型的参数估计及其平稳性检验  对模型进行最小二乘估计得： Dependent Variable: Y Method: Least Squares Date: 06/24/05   Time: 15:22 Sample: 1985 2003 Included observations: 19 Variable Coefficient Std. Error t-Statistic Prob.  C -23944.09 37815.69 -0.633179 0.5368 X1 -4708.719 2415.028 -1.949757 0.0715 X2 515.4310 1197.222 0.430523 0.6734 X3 1.314811 0.191304 6.872880 0.0000 X4 161256.9 116617.1 1.382789 0.1884 R-squared 0.973862     Mean dependent var 70290.94 Adjusted R-squared 0.966394     S.D. dependent var 66910.42 S.E. of regression 12265.95     Akaike info criterion 21.88798 Sum squared resid 2.11E+09     Schwarz criterion 22.13651 Log likelihood -202.9358     F-statistic 130.4053 Durbin-Watson stat 0.579855     Prob(F-statistic) 0.000000 即 Y = -23944.08938 - 4708.718657*X1 + 515.4310231*X2 + 1.314811338*X3 + 161256.8969*X4 可见，模型设置符合经济意义。不过X2、X4的t值不是很显著。故我们对上述模型进行计量经济学的检验，并进行修正，看是否能使模型方程得到改进 平稳性检验 X1在一阶差分无截距项无趋势滞后一阶时平稳 ADF Test Statistic -2.509827     1%   Critical Value* -2.7275       5%   Critical Value -1.9642       10% Critical Value -1.6269 *MacKinnon critical values for rejection of hypothesis of a unit root. X2在一阶差分有截距项有趋势滞后一阶时平稳 ADF Test Statistic -3.324651     1%   Critical Value* -4.6712       5%   Critical Value -3.7347       10% Critical Value -3.3086 *MacKinnon critical values for rejection of hypothesis of a unit root. X3在二阶差分无截距项无趋势滞后一阶时平稳 ADF Test Statistic -2.281001     1%   Critical Value* -2.7411       5%   Critical Value -1.9658       10% Critical Value -1.6277 *MacKinnon critical values for rejection of hypothesis of a unit root. X4在一阶差分有截距项无趋势滞后一阶时平稳 ADF Test Statistic -2.770774     1%   Critical Value* -3.9228       5%   Critical Value -3.0659       10% Critical Value -2.6745 *MacKinnon critical values for rejection of hypothesis of a unit root. Y在一阶差分有截距项有趋势滞后二阶时平稳 ADF Test Statistic -3.876754     1%   Critical Value* -4.7315       5%   Critical Value -3.7611       10% Critical Value -3.3228 *MacKinnon critical values for rejection of hypothesis of a unit root. 由于不是每个变量都能满足一阶条件，我们不能对模型进行协整，也就不能得出长期模型。 原因分析 （1）1985-2003年M2的时间序列图  从下图中可以看出，从92年开始m2的增长速度非常快，主要是我国经济发展速度开始加快。从2000年开始，图像斜率再次增大。根据我们的分析，就是由于这两次跳跃使得m2极为不平稳。   （2）1985-2003年利率的时间序列图 可以看出在此段时期内,利率波动较大.由于利率数据的不平稳,因而可能存在伪回归 （3）但从收入和货币需求的关系图中可以看出，两者关系近乎成一条直线.  从以上对年度数据和季度数据的分析。我们认为，虽然贷款利率是银行根据货币市场需求进行调整的，但是由于中国货币市场的市场化程度较低，其代表性仍然很低。 因果检验： 1阶 Pairwise Granger Causality Tests Date: 06/14/05   Time: 18:06 Sample: 1985 2003 Lags: 1   Null Hypothesis: Obs F-Statistic Probability   M2 does not Granger Cause X1 18  5.09974  0.03926   X1 does not Granger Cause M2  11.2211  0.00439 1阶 Pairwise Granger Causality Tests Date: 06/14/05   Time: 18:08 Sample: 1985 2003 Lags: 1   Null Hypothesis: Obs F-Statistic Probability   M2 does not Granger Cause X2 18  1.30674  0.27090   X2 does not Granger Cause M2  17.1321  0.00087 2阶 Pairwise Granger Causality Tests Date: 06/14/05   Time: 18:09 Sample: 1985 2003 Lags: 2   Null Hypothesis: Obs F-Statistic Probability   M2 does not Granger Cause X3 17  3.07783  0.08337   X3 does not Granger Cause M2  10.7855  0.00209 1阶 Pairwise Granger Causality Tests Date: 06/14/05   Time: 18:14 Sample: 1985 2003 Lags: 1   Null Hypothesis: Obs F-Statistic Probability   M2 does not Granger Cause X4 18  5.41890  0.03432   X4 does not Granger Cause M2  1.96814  0.18100 取其他阶数情况下，Y-M2反而成为了X4的解释变量 2、计量经济检验 （1）多重共线性检验  X1 X2 X3 X4 X1 1 0.863165384295 -0.74652407221 -0.571159086569 X2 0.863165384295 1 -0.564234456806 -0.265366381058 X3 -0.74652407221 -0.564234456806 1 0.837106478962 X4 -0.571159086569 -0.265366381058 0.837106478962 1  可见，X1、X2，X1、X3，X3、X4，之间的相关系数都较大，存在严重的多重共线性。从经济意义上说贷款利率、通胀平减指数、国内生产总值、固定资产投资占GDP的比重都与货币需求切相关，这使得他们之间的相关性很强。     但是，这些变量都是模型不可缺少的，我们不能为了计量上的数字而盲目排除变量，否则模型的经济意义将不能很好的表现出来。所以我们决定不排除变量。   异方差检验（white检验） White Heteroskedasticity Test: F-statistic 5.697281     Probability 0.006504 Obs*R-squared 15.58140     Probability 0.048779      Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 06/24/05   Time: 15:42 Sample: 1985 2003 Included observations: 19 Variable Coefficient Std. Error t-Statistic Prob.  C 1.98E+09 9.84E+08 2.013869 0.0717 X1 57319995 61000765 0.939660 0.3695 X1^2 429496.4 3538175. 0.121389 0.9058 X2 -38859241 16622537 -2.337744 0.0415 X2^2 1012170. 809440.7 1.250456 0.2396 X3 -4507.230 5249.651 -0.858577 0.4107 X3^2 0.064697 0.062100 1.041813 0.3220 X4 -1.28E+10 5.75E+09 -2.224554 0.0503 X4^2 1.87E+10 9.11E+09 2.051464 0.0673 R-squared 0.820073     Mean dependent var 1.11E+08 Adjusted R-squared 0.676132     S.D. dependent var 1.50E+08 S.E. of regression 85335789     Akaike info criterion 39.66760 Sum squared resid 7.28E+16     Schwarz criterion 40.11497 Log likelihood -367.8422     F-statistic 5.697281 Durbin-Watson stat 2.435832     Prob(F-statistic) 0.006504 由上图可知，有三个t值大于2，所以拒绝原假设，表示存在异方差   异方差检验（arch检验） ARCH Test: F-statistic 0.905414     Probability 0.467135 Obs*R-squared 2.953191     Probability 0.398899      Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 06/24/05   Time: 15:45 Sample(adjusted): 1988 2003 Included observations: 16 after adjusting endpoints Variable Coefficient Std. Error t-Statistic Prob.  C 1.61E+08 68595980 2.354084 0.0364 RESID^2(-1) 0.283337 0.380865 0.743931 0.4712 RESID^2(-2) -0.417835 0.380650 -1.097687 0.2939 RESID^2(-3) -0.259033 0.384256 -0.674114 0.5130 R-squared 0.184574     Mean dependent var 1.31E+08 Adjusted R-squared -0.019282     S.D. dependent var 1.56E+08 S.E. of regression 1.57E+08     Akaike info criterion 40.79648 Sum squared resid 2.97E+17     Schwarz criterion 40.98963 Log likelihood -322.3719     F-statistic 0.905414 Durbin-Watson stat 1.655428     Prob(F-statistic) 0.467135 由上图可知，没有t值大于2，所以不存在异方差。虽然我们的数据为小样本，但是为了保险起见，综合两种检验方法的结果，总的来说还是有异方差的，需要进行修正。 用加权最小二乘法对异方差进行修正： Dependent Variable: Y Method: Least Squares Date: 06/24/05   Time: 15:58 Sample: 1985 2003 Included observations: 19 Weighting series: W Variable Coefficient Std. Error t-Statistic Prob.  C -8370.593 5168.644 -1.619495 0.1276 X1 -5304.006 215.6904 -24.59083 0.0000 X2 513.5027 75.66034 6.786946 0.0000 X3 1.348692 0.024518 55.00902 0.0000 X4 121469.8 20062.90 6.054450 0.0000 Weighted Statistics     R-squared 0.999936     Mean dependent var 8178.038 Adjusted R-squared 0.999918     S.D. dependent var 17749.41 S.E. of regression 160.9521     Akaike info criterion 13.22102 Sum squared resid 362678.0     Schwarz criterion 13.46956 Log likelihood -120.5997     F-statistic 7848.495 Durbin-Watson stat 2.143854     Prob(F-statistic) 0.000000 Unweighted Statistics     R-squared 0.972863     Mean dependent var 70290.94 Adjusted R-squared 0.965110     S.D. dependent var 66910.42 S.E. of regression 12498.15     Sum squared resid 2.19E+09 Durbin-Watson stat 0.610218    修正后的模型 Y = -8370.593257 - 5304.00569*X1 + 513.5026501*X2 + 1.348692096*X3 + 121469.8022*X4 再进行WHITE和ARCH 检验，可以看到著，经比较