影响我国在校研究生人数剧增的多因素分析
[摘要]本文以 Eviews软件作为分析工具，通过对1997—2008年各项数据的进行分析，建立模型，运用经济学原理，解释影响我国在校研究生在校人数的影响因素以及它们的关系，并利用模型，预测今后几年研究生报考人数。得出随着大学生人数增加而报考研究生人数也大量增加的结论，建议大学生不要随波逐流，并不一定硕士生的前途好过本科生。
[关键词] 计量经济学分析 Eviews软件 在校研究生总数
从1999年高校扩招政策实施以来，在校研究生人数增加了5.56倍，而硕士导师人数仅仅增加了2.77倍，师资力量的缺乏导致了学校教学质量的大幅下降。究竟是什么因素在对研究生报考人数方面起着关键作用，并以此针对未来研究生人数变动走向来提出建议。 一、 实证设计（模型、变量、方法） （一）确定变量：
影响在校研究生学生总数Y变动的主要影响因素有：
X1(在校大学生人数)——本科是报考研究生的关键阶段，本科生人数直接影响研究生人数。
X2(研究生导师人数)——这是影响在校研究生学生总数的一个不小的相关因素，正是有了更多的研究生导师，才可以允许更多的人参加考研。 X3(居民储蓄)——读研究生不是一件容易的事，每年学费要花费上万，没有雄厚的家庭储蓄是不能轻松度过的。
μ为随机误差项, 即除了在校大学生、研究生导师、居民储蓄之外, 影响在校研究生总数的其他次要的、随机的因素。 （二）建立模型：
从Y与X1、X2、X3的散点图可以看出，在校研究生总数与在校大学生人数、研究生导师人数、居民储蓄之间存在线性关系。因此，可建立模型：Y=c+β1X1+β2X2+β3X3+μ （三）采用方法：
首先构建回归模型, 根据1997——2008 年我国在校研究生人数Y与在校大学生人数X1、研究生导师人数X2、居民储蓄X3的统计资料，利用EVIEWS 软件采用普通最小二乘法(OSL) 进行回归, 估计出消费支出模型的参数值。然后利用EVIEWS 软件的相关功能对模型的参数进行相关检验。
中国在1997——2008年的在校研究生的时间序列
年度在校研究生总数/人在校本科生人数/人研究生导师人数/人居民储蓄/亿元199713570219861257159846279.8199815311022346477456053407.5199917852527244218081359621.8200023314434001818882564332.42001366479521200610109773762.42002392136527084511546286910.620035141146292089128652103617.320046542867378436150789119555.42005787293848818816274314105120068966159433395188835161587.3200797253910243030206034172534.192008104642911042207223944217885 数据来源：《中国统计年鉴》 二、 实证结果分析 （一） 模型的参数估计
对被解释变量与各解释变量的总体回归
将上述回归结果整理如下：
Y=-227386.7+0.051688X1+3.685031X2-0.478435X3+μ
t值：（-4.146734）（2.992559）（2.006546） （-0.408561）
R2=0.995999 F=663.8544 DW=1.033386
由于R2较大且接近1，而且F=663.8544>F0.05(3,8)=2.92,故认为在校研究生人数与上述解释变量间总体线性关系显著。但由于其中X1、X2、X3前的参数估计值都未能通过t检验，而且X4符号的经济意义也不合理（从经济意义上讲，在校研究生的总人数应该是随着居民储蓄的增加而增加，所以在校研究生人数与居民储蓄应该是正相关的关系），故认为解释变量间存在多重共线性。 （二）模型的检验及修正
1、多重共线性检验 （1）检验简单相关系数 X1、X2、X3的相关系数
X1、X2、X3间存在高度相关性。
（2）找出最简单的回归形式
分别作Y与X1、X2、X3间的回归形式： Y与X1：Y=-113958.4+0.1044441X1+μ t值 （-5.268638）（33.12644） R2=0.990970 F=1097.361 DW=0.539854
Y与X2：Y=-304313.6+6.264865X2+μ t值 （-10.90525）（31.92735） R2=0.990285 F=1019.355 DW=1.491539
Y与X3：Y=-123750.9+6.009315X3+μ t值 （-2.891772）（16.90730） R2=0.966200 F=285.8569 DW=1.256986
可见，在校研究生人数受大学生人数的影响最大，与经验相符，因此选Y=-113958.4+0.1044441X1+μ作为初始的回归方程。 （3）逐步回归
将其他解释变量分别加入上述初始回归模型，寻找最佳回归方程： 加入X2，对Y关于X1、X2做最小二乘回归
Y=-209978.1+0.05490X1+3,047676X2+μ
t值 (-6.386354)(3.522344)(3.301354) R2=0.995916 F=1097.266 DW=0.913189
可以看到，在初始模型加入X2后，模型拟合度很高，且参数符号合理，变量也通过了t检验，所以保留X2。
