Ⅰ 如何做面板數據的聚類分析
如果你要考慮到面板數據本身的特定 還要再進行聚類的話，spss是沒法做的，因為spss無法處理面板分析。
但是如果只是進行聚類的話，無論是否有時間序列因素在，都可以直接採用一般的聚類方式進行操作就可以了。
實際上做聚類分析，不需要考慮面板的時間序列因素，所以你可以直接按照一般聚類方法做就好了
Ⅱ 如何用spss進行面板數據分析
spss不能做面板數據分析，一直我都期望spss把這塊功能加上去，這樣我就不用再研究其他軟體了，結果一直沒有。
所以做面板數據分析 要用stata或eviews
Ⅲ 什麼叫面板數據分析方法呀這種方法對數據有什麼要求嗎哪位好人能幫忙回答一下。小女子感激不盡
就是百分比圖啊！對數據的要求是越真實越好 越誇大 領導越喜歡。比如說群眾的災難打到0.0007% 領導的政績達到99.999% 就可以陞官 ，社會事實就這樣 不信你去改變它。
Ⅳ 面板數據回歸分析結果看不懂！！
我給你解讀一份stata的回歸表格吧，應該有標准表格的所有內容了，因為你沒有給範例，……不過我們考試基本就是考stata或者eview的輸出表格，它們是類似的。
X變數：教育年限
Y變數：兒女數目
各個系數的含義：
左上列：
Model SS是指計量上的SSE，是y估計值減去y均值平方後加總，表示的是模型的差異
Model df是模型的自由度，一般就是指解釋變數X的個數，這里只有一個
Resial SS 和df 分別是殘差平方和以及殘差自由度 N-K-1（此處K=1）=17565
Total SS 和 df分別是y的差異（y減去y均值平方後加總）以及其自由度N-1=17566
MS都是對應的SS除以df，表示單位的差異
右上列：
Number of obs是觀測值的數目N，這里意味著有17567個觀測值
F是F估計值，它是對回歸中所有系數的聯合檢驗（H0：X1=X2=…=0），這里因為只有一個X，所以恰好是t的平方。這里F值很大，因此回歸十分顯著。
Prob>F是指5%單邊F檢驗對應的P值，P=0意味著很容易否定H0假設，回歸顯著。
R-squared是SSE/SST的值，它的意義是全部的差異有多少能被模型解釋，這里R-squared有0.0855，說明模型的解釋度還是可以的。
Adj R-squared是調整的R-squared，它等於1-（n-1）SSR/（n-k-1）SST，它的目的是為了剔除當加入更多X解釋變數時，R-squared的必然上升趨勢，從而在多元回歸中更好的看出模型的解釋力，但是本回歸是一元的，這個值沒有太大意義。
Root MSE是RMS的開方，是單位殘差平方和的一種表現形式。
下列：
Coef分別出示了X變數schooling的系數和常數項的值，其含義是，如果一個人沒有受過教育，我們預測會平均生育3個子女，當其他因素不變時，一個人每多受一年教育，我們預測其將會少生0.096個孩子。X變數的coef並不大，因此其實際（也叫經濟）顯著性並不太高。
Std.err則是估計系數和常數項的標准差。一般我們認為，標准差越小，估計值越集中、精確。
t是t估計值，它用於檢驗統計顯著性，t值較大，因此回歸是顯著的。
P>abs(t)項是5%雙邊t檢驗對應的P值，P=0意味著很容易否定H0假設，統計顯著。
95%conf interval項是95%的置信區間，它是x變數的系數（或常數項）分別加減1.96*SE，這是說，有95%的可能性，系數的真值落在這個區域。
Ⅳ 什麼叫面板數據分析
面板數據，即Panel Data，也叫「平行數據」，是指在時間序列上取多個截面，在這些截面上同時選取樣本觀測值所構成的樣本數據。或者說他是一個m*n的數據矩陣，記載的是n個時間節點上，m個對象的某一數據指標。
其有時間序列和截面兩個維度，當這類數據按兩個維度排列時，是排在一個平面上，與只有一個維度的數據排在一條線上有著明顯的不同，整個表格像是一個面板,所以把panel data譯作「面板數據」。但是,如果從其內在含義上講,把panel data譯為「時間序列—截面數據」 更能揭示這類數據的本質上的特點。也有譯作「平行數據」或「TS-CS數據（Time Series - Cross Section）」。
1如
城市名：北京、上海、重慶、天津的GDP分別為10、11、9、8（單位億元）。這就是截面數據，在一個時間點處切開，看各個城市的不同就是截面數據。
如：2000、2001、2002、2003、2004各年的北京市GDP分別為8、9、10、11、12（單位億元）。這就是時間序列，選一個城市，看各個樣本時間點的不同就是時間序列。
2如
2000、2001、2002、2003、2004各年中國所有直轄市的GDP分別為：
北京市分別為8、9、10、11、12；
上海市分別為9、10、11、12、13；
天津市分別為5、6、7、8、9；
重慶市分別為7、8、9、10、11（單位億元）。
這就是面板數據。
面板數據是按照英文的直譯，也有人將Panel data翻譯成綜列數據、平行數據等。由於國內沒有統一的說法，因此直接使用Panel data這種英文說法應該更准確一些。說面板數據也是比較通用的，但是面板數據並不能從名稱上反映出該種數據的實際意義，故很多研究者不願使用。
面板數據分析方法是最近幾十年來發展起來的新的統計方法，面板數據可以克服時間序列分析受多重共線性的困擾,能夠提供更多的信息、更多的變化、更少共線性、更多的自由度和更高的估計效率，而面板數據的單位根檢驗和協整分析是當前最前沿的領域之一。
面板數據的單位根檢驗的方法主要有 Levin,Lin and CHU(2002)提出的LLC檢驗方法[5]。Im,Pesearn,Shin(2003)提出的IPS檢驗[6] , Maddala和Wu(1999)，Choi（2001）提出的ADF和PP檢驗[7]等。面板數據的協整檢驗的方法主要有Pedroni[8] (1999，2004)和Kao[9](1999)提出的檢驗方法，這兩種檢驗方法的原假設均為不存在協整關系，從面板數據中得到殘差統計量進行檢驗。Luciano(2003)中運用Monte Carlo模擬[10]對協整檢驗的幾種方法進行比較，說明在T較小（大）時，Kao檢驗比Pedroni檢驗更高（低）的功效。
1.指標選取和數據來源
經濟增長：本文使用地區生產總值 ，以1999年為基期，根據各地區生產總值指數折算成實際 ，單位：億元。
能源消費：考慮到近年來我國能源消費總量中，煤炭和石油供需存在著明顯低估，而電力消費數據相當准確。因此使用電力消費更能准確反映能源消費與經濟增長之間的內在聯系（林伯強，2003）。所以本文使用各地區電力消費量 作為能源消費量，單位：億千瓦小時。
環境污染：污染物以氣休、液體、固體形態存在，本文選取工業廢水排放量作為環境污染的量化指標，單位：萬噸。
本文採用1999-2006年全國30個省（直轄市，自治區）的地區生產總值 、電力消費量 和工業廢水排放量 的數據構建面板數據集。30個省（直轄市，自治區）包括北京、天津、河北、遼寧、上海、江蘇、浙江、福建、山東、廣東、山西、內蒙古、吉林、黑龍江、安徽、江西、河南、湖北、湖南、海南、廣西、重慶、四川、貴州、雲南、陝西、西藏、甘肅、青海、寧夏、新疆，由於西藏數據不全故不包括在內。數據來源於《中國統計年鑒2000-2007》。為了消除變數間可能存在的異方差，本文先對地區生產總值 、地區電力消費量和工業廢水排放量進行自然對數變換。
Ⅵ 如何用excel進行面板數據回歸分析
1、首先，在單元格里輸入要回歸的數據
2、選擇「插入」——散點圖，選擇自己想要的散點圖
3、做散點圖，在點上右擊，添加趨勢線
4、進入「趨勢線」選項，選擇顯示公式和顯示R平方值，就出現了回歸方程，這樣就能較粗略的得出系數和截距
5、成果展示圖
6、對應框入Y值和X值，即可進行分析
Ⅶ 面板數據分析方法總結
面板數據分析方法總結
橫截面的異方差與序列的自相關性是運用面板數據模型時可能遇到的最為常見的問題,此時運用OLS可能會產生結果失真,因此為了消除影響,對我國東、中、西部地區的分析將採用不相關回歸方法( SeeminglyUnrelated Regression, SUR)來估計方程。而對於全國范圍內的估計來說,由於橫截面個數大於時序個數,所以採用截面加權估計法(Cross SectionWeights, CSW) 。
一般而言，面板數據可用固定效應(fixed effect) 和隨機效應(random effect) 估計方法,即如果選擇固定效應模型,則利用虛擬變數最小二乘法(LSDV) 進行估計;如果選擇隨機效應模型,則利用可行的廣義最小二乘法(FGLS) 進行估計(Greene ,2000) 。它可以極大限度地利用面板數據的優點,盡量減少估計誤差。至於究竟是採用固定效應還是隨機效應,則要看Hausman 檢驗的結果。
單位根檢驗：在進行時間序列的分析時,研究者為了避免偽回歸問題,會通過單位根檢驗對數據平穩性進行判斷。但對於面板數據則較少關注。隨著面板數據在經濟領域應用,對面板數據單位根的檢驗也逐漸引起重視。面板數據單位根的檢驗主要有Levin、Lin 和Chu 方法(LLC 檢驗) (1992 ,1993 ,2002) 、Im、Pesaran 和Shin 方法( IPS 檢驗) (1995 ,1997) 、Maddala 和Wu 方法(MW檢驗) (1999) 等。
協整檢驗：協整檢驗是考察變數間長期均衡關系的方法。在進行了各變數的單位根檢驗後,如果各變數間都是同階單整，那麼就可以進行協整檢驗了。面板協整檢驗理論目前還不成熟,仍然在不斷的發展過程中,目前的方法主要有:(1)Kao(1999)、Kao and Chiang(2000)利用推廣的DF和ADF檢驗提出了檢驗面板協整的方法,這種方法零假設是沒有協整關系,並且利用靜態面板回歸的殘差來構建統計量。(2)Pedron(i1999)在零假設是在動態多元面板回歸中沒有協整關系的條件下給出了七種基於殘差的面板協整檢驗方法。和Kao的方法不同的是,Pedroni的檢驗方法允許異質面板的存在。(3)Larsson et a(l2001)發展了基於Johansen(1995)向量自回歸的似然檢驗的面板協整檢驗方法。這種檢驗的方法是檢驗變數存在共同的協整的秩。
一般的順序是：先檢驗變數的平穩性,當變數均為同階單整變數時,再採用協整檢驗以判別變數間是否存在長期均衡關系。如果變數間存在長期均衡的關系,我們可以通過誤差修正模型(ECM) 來檢驗變數間的長期因果關系;如變數間不存在協整關系,我們將對變數進行差分,然後通過向量自回歸模型(VAR),檢驗變數間的短期因果關系。
Ⅷ 面板數據怎麼做因子分析和主成分分析的區別
主成分分析和因子分析有十大區別：
1.原理不同
主成分分析基本原理：利用降維（線性變換)的思想，在損失很少信息的前提下把多個指標轉化為幾個不相關的綜合指標（主成分),即每個主成分都是原始變數的線性組合,且各個主成分之間互不相關,使得主成分比原始變數具有某些更優越的性能（主成分必須保留原始變數90%以上的信息），從而達到簡化系統結構，抓住問題實質的目的。
因子分析基本原理：利用降維的思想，由研究原始變數相關矩陣內部的依賴關系出發，把一些具有錯綜復雜關系的變數表示成少數的公共因子和僅對某一個變數有作用的特殊因子線性組合而成。就是要從數據中提取對變數起解釋作用的少數公共因子（因子分析是主成分的推廣，相對於主成分分析，更傾向於描述原始變數之間的相關關系）
2.線性表示方向不同
因子分析是把變數表示成各公因子的線性組合；而主成分分析中則是把主成分表示成各變數的線性組合。
3.假設條件不同
主成分分析：不需要有假設(assumptions),
因子分析：需要一些假設。因子分析的假設包括：各個共同因子之間不相關，特殊因子（specificfactor）之間也不相關，共同因子和特殊因子之間也不相關。
4.求解方法不同
求解主成分的方法：從協方差陣出發（協方差陣已知），從相關陣出發（相關陣R已知），採用的方法只有主成分法。
（實際研究中，總體協方差陣與相關陣是未知的，必須通過樣本數據來估計）
注意事項：由協方差陣出發與由相關陣出發求解主成分所得結果不一致時，要恰當的選取某一種方法；一般當變數單位相同或者變數在同一數量等級的情況下，可以直接採用協方差陣進行計算；對於度量單位不同的指標或是取值范圍彼此差異非常大的指標，應考慮將數據標准化，再由協方差陣求主成分；實際應用中應該盡可能的避免標准化，因為在標准化的過程中會抹殺一部分原本刻畫變數之間離散程度差異的信息。此外，最理想的情況是主成分分析前的變數之間相關性高，且變數之間不存在多重共線性問題(會出現最小特徵根接近0的情況)；
求解因子載荷的方法：主成分法，主軸因子法，極大似然法，最小二乘法，a因子提取法。
5.主成分和因子的變化不同
主成分分析：當給定的協方差矩陣或者相關矩陣的特徵值唯一時，主成分一般是固定的獨特的；
因子分析：因子不是固定的，可以旋轉得到不同的因子。
6.因子數量與主成分的數量
主成分分析：主成分的數量是一定的，一般有幾個變數就有幾個主成分（只是主成分所解釋的信息量不等），實際應用時會根據碎石圖提取前幾個主要的主成分。
因子分析：因子個數需要分析者指定（SPSS和sas根據一定的條件自動設定，只要是特徵值大於1的因子主可進入分析），指定的因子數量不同而結果也不同；
7.解釋重點不同：
主成分分析：重點在於解釋個變數的總方差，
因子分析：則把重點放在解釋各變數之間的協方差。
8.演算法上的不同：
主成分分析：協方差矩陣的對角元素是變數的方差；
因子分析：所採用的協方差矩陣的對角元素不在是變數的方差，而是和變數對應的共同度（變數方差中被各因子所解釋的部分）
Ⅸ 面板數據模型的定義和操作方法
(第3組 宏現經濟增長與發展，6686個字元)
中國能源、環境與經濟增長基於面板數據的計量分析
王洲洋
（河北經貿大學數統學院，石家莊，050061）
摘 要
本文運用面板數據的分析方法對我國各地區的能源消費、環境污染與經濟增長進行了實證研究。研究表明：能源消費、環境污染與經濟增長變數均為不平穩變數，但它們之間存在著長期的協整關系。如果能源供應每增加1%，GDP就會增加0.269%；環境污染每減少1%，GDP就能增加0.043%。
關鍵詞 經濟增長 面板協整檢驗 Hausman檢驗
Abstract
This paper assesses the relationship among the energy consumption, environment pollution and economic growth in all the regions of China by the method of Panel Data. Research results indicate that the energy consumption, environment pollution and economic growth are not balanced variables，but they have the Co-integration relations in a long run.If the energy supply increases 1%,the economic growth will increase 0.269%;And if the environment pollution decreases 1%,the economic growth will increase 0.043%.
Key words : economical growth Panel data Co-integration Test Hausman-test
一、引言
自從進入工業化時期以來，世界上許多國家為了追求經濟的快速增長和物質產品的極大豐富，對能源進行了大規模的開發和利用，而能源的逐漸枯竭及能源帶來的生態環境問題，都將嚴重阻礙經濟的發展。環境作為經濟、社會發展的物質條件，作為經濟發展的基礎，既可以直接地促進經濟的發展，也可能成為經濟的發展的阻力，環境污染已成為危害人們健康、制約經濟和社會發展的重要因素之一。如今能源與環境問題已成為制約一個國家經濟增長的瓶頸，而這種現象在我國尤為突出。不斷開發新能源，開發可再生能源，提高能源利用效率，保護環境將對我國經濟發展起到重要作用。黨的十七大報告再次強調要加強能源資源節約和生態環境保護，並指出，加強能源資源節約和環境環境保護，增強可持續發展能力，堅持節約資源和保護環境的基本國策，關系人民群眾切身利益和中華民族生存發展。因此，對於我國能源消費、環境保護和經濟發展的關系研究具有十分重要的理論價值和現實意義。
近年來我國的能源、環境問題已成為被關注的熱點，許多學者從不同的角度進行了大量的分析，得出了許多有用的啟示。如林伯強[1]（2003）通過協整分析考察了我國能源需求與經濟增長的關系；王逢寶[2]等（2006）運用線性回歸的方法對區域能源、環境與經濟增長進行了研究。馮秀[3]（2006）則探討了我國能源利用現狀及能源、環境與經濟增之長的關系。林師模等[4]（2006）研究了能源技術創新對我國經濟，環境與能源之間的關系。目前大多的文獻是用時間序列的數據，或是從總量的角度來分析全國或某個地區的能源消費、環境污染與經濟增長之間的關系，但由於我國幅員遼闊，各地區間的經濟、能源消費與環境方面都存在著巨大的差異，因而不能把各個地區的經濟、能源消費與環境污染視為一個同質的整體，且運用時間序列數據往往很難解釋它們間的內在聯系。
本文使用我國省級的面板數據，運用面板數據的分析方法對我國各地區的能源消費、環境污染與經濟增長進行實證分析，從而來揭示我國能源消費、環境污染與經濟增長之間的內在聯系。
二、研究方法
面板數據分析方法是最近幾十年來發展起來的新的統計方法，面板數據可以克服時間序列分析受多重共線性的困擾,能夠提供更多的信息、更多的變化、更少共線性、更多的自由度和更高的估計效率，而面板數據的單位根檢驗和協整分析是當前最前沿的領域之一。在本文的研究中，我們首先運用面板數據的單位根檢驗與協整檢驗來考察能源消費、環境污染與經濟增長之間的長期關系，然後建立計量模型來量化它們之間的內在聯系。
面板數據的單位根檢驗的方法主要有 Levin,Lin and CHU(2002)提出的LLC檢驗方法[5]。Im,Pesearn,Shin(2003)提出的IPS檢驗[6] , Maddala和Wu(1999)，Choi（2001）提出的ADF和PP檢驗[7]等。面板數據的協整檢驗的方法主要有Pedroni[8] (1999，2004)和Kao[9](1999)提出的檢驗方法，這兩種檢驗方法的原假設均為不存在協整關系，從面板數據中得到殘差統計量進行檢驗。Luciano(2003)中運用Monte Carlo模擬[10]對協整檢驗的幾種方法進行比較，說明在T較小（大）時，Kao檢驗比Pedroni檢驗更高（低）的功效。具體面板數據單位根檢驗和協整檢驗的方法見參考文獻[5-10]。
三、實證分析
1.指標選取和數據來源
經濟增長：本文使用地區生產總值 ，以1999年為基期，根據各地區生產總值指數折算成實際 ，單位：億元。
能源消費：考慮到近年來我國能源消費總量中，煤炭和石油供需存在著明顯低估，而電力消費數據相當准確。因此使用電力消費更能准確反映能源消費與經濟增長之間的內在聯系（林伯強，2003）。所以本文使用各地區電力消費量 作為能源消費量，單位：億千瓦小時。
環境污染：污染物以氣休、液體、固體形態存在，本文選取工業廢水排放量 作為環境污染的量化指標，單位：萬噸。
本文採用1999-2006年全國30個省（直轄市，自治區）的地區生產總值 、電力消費量 和工業廢水排放量 的數據構建面板數據集。30個省（直轄市，自治區）包括北京、天津、河北、遼寧、上海、江蘇、浙江、福建、山東、廣東、山西、內蒙古、吉林、黑龍江、安徽、江西、河南、湖北、湖南、海南、廣西、重慶、四川、貴州、雲南、陝西、西藏、甘肅、青海、寧夏、新疆，由於西藏數據不全故不包括在內。數據來源於《中國統計年鑒2000-2007》。為了消除變數間可能存在的異方差，本文先對 、 和 進行自然對數變換。
記 , , .
2．面板數據的單位根檢驗
為了避免單一方法可能存在的缺陷，本文使用LLC檢驗、IPS檢驗、Fisher-ADF檢驗和Fisher-PP檢驗四種方法來進行面板數據的單位根檢驗。利用Eviews 6.0軟體(下同)，檢驗結果見表1。
表1 ， ， 的面板單位根檢驗
變 量 LLC p值 IPS p值 Fisher-ADF p值 Fisher-PP p值
4.21 1.00 5.78 1.00 16.95 1.00 7.67 1.00
6.35 1.00 10.24 1.00 5.37 1.00 9.45 1.00
-2.91 0.0018 1.26 0.89 56.97 0.058 90,56 0.0066
-14.89 0.00 -3.17 0.0008 103.88 0.0004 86.42 0.0144
-21.99 0.00 -5.80 0.00 143.77 0.00 146.44 0.00
-12.21 0.00 -4.52 0.00 135.51 0.00 184.48 0.00
從表1可以看出， ， 在5%水平不平穩，經一階差分後 ， 均在5%水平拒絕原假設， 的LLC檢驗在5%水平不顯著，但其它三種檢驗方法均顯著， 的四種檢驗方法均在5%水平下拒絕原假，所以我們認為 ， ， 均為一階差分平穩變數。
3．面板數據的協整檢驗
對 ， ， 的協整關系進行Pedroni協整檢驗和Kao協整檢驗。其檢驗結果見表2和表3。
表2 Pedroni協整檢驗
統計量 p值
Panel v統計量 -1.145 0.0056
Panel rho統計量 2.588 0.0277
Panel PP統計量 -1.543 0.0013
Panel ADF統計量 -3.811 0.0000
Group rho統計量 5.088 0.0000
Group PP統計量 -2.559 0.0151
Group ADF統計量 -6.985 0.0000
表3 Kao協整檢驗
t統計量 p值
ADF -5.873 0.0000
由表2和表3的面板協整檢驗結果可知： Pedroni協整檢驗的七個統計量與Kao協整檢驗的ADF統計量均在5%顯著性水平下拒絕原假設，表明 ， ， 之間存在顯著的協整關系。
4.模型檢驗
(1) 固定效應模型顯著性檢驗
固定效應模型顯著性檢驗是檢驗模型中固定效應系數 是否有差異，即原假設為 。其檢驗結果如表4所示：
表4 固定效應模型的顯著性檢驗
固定效應顯著性檢驗 統計量 自由度 p值
Cross-section F 374.484 (29,208) 0.0000
Cross-section Chi-square 953.827 29 0.0000
由表4固定效應模型的顯著性檢驗結果可知，p值小於5%，因此拒絕固定效應系數 相同的原假設，所以我們選取固定效應模型比較合適。
(2)Hausman檢驗
Hausman檢驗的原假設是隨機效應模型的系數與固定效應模型的系數沒有差別，如果接受原假設，表明應選擇隨機效應模型，否則就應該選擇固定效應模型。檢驗結果在表4和表5中列出。
表5 Hausman檢驗
Chi-Sq. 統計量 Chi-Sq. Statistic自由度 p值
Cross-section random 117.766 2 0.000
表6 固定效應與隨機效應檢驗比較
變數 固定效應 隨機效應 兩種效應方差之差 p值
0.269 0.279 0.000002 0.0000
-0.0434 -0.017 0.000007 0.0000
從表5中Hausman檢驗結果與表6中固定效應與隨機效應檢驗比較可以看出，p值在5%水平下拒絕原假設，模型中被忽視的效應與模型中的兩個解釋變數相關，所以我們認為固定效應模型是更好的選擇。
5．模型的估計
根據上面的分析我們採用固定效應模型對模型進行估計，模型估計結果如下式所示：
(1)
(44.647) (20.341) (-3.097)
[0.0000] [0.0000] [0.0022]
小括弧中是t統計量，中括弧中是相應的p值。
模型調整後的 為0.996，F值為2484.3，殘差平方和為0.599，各個系數均通過t檢驗，模型擬合的相當不錯。
固定效應系數 見表7所示：
表7各地區的固定效應系數
地區
地區
地區
北京 0.207 浙江 0.792 海南 -1.044
天津 -0.268 安徽 0.283 重慶 -0.222
河北 0.582 福建 0.425 四川 0.440
山西 -0.351 江西 -0.00158 貴州 -0.808
內蒙古 -0.454 山東 1.034 雲南 -0.121
遼寧 0.473 河南 0.623 陝西 -0.228
吉林 -0.138 湖北 0.429 甘肅 -0.815
黑龍江 0.251 湖南 0.424 青海 -1.962
上海 0.555 廣東 1.139 寧夏 -1.908
江蘇 1.058 廣西 -0.0147 新疆 -0.380
式(1)表明，GDP與能源消費、環境污染之間存在著顯著的長期均衡關系，從全國的平均水平來看，能源消費的彈性系數是0.269,也就是能源供應每增加1%，GDP就會增加0.269%；環境污染的彈性系數是-0.043,即環境污染每減少1%，GDP就能增加0.043%，這說明GDP與環境污染存在著反向的關系，與我們普遍認為的保護環境能促進經濟健康快速發展的觀點相一致。
四、主要結論
本文通過採用比較前沿的面板單位根檢驗、面板協整檢驗等分析方法，對1999年到2006年我國能源消費、環境污染與經濟增長的省級面板數據進行了實證研究。研究表明：我國能源消費、環境污染與經濟增長均為不平穩過程，這主要是因為我國各地區由於政策、環境等多種原因，使得各地區間存在著很大的差異，所以不同的地區表現出非一致性，但不同地區的能源消費、環境污染與經濟增長之間都存在著顯著的協整關系。能源和環境作為經濟持續增長的要素，對我國經濟發展有著重大的影響作用。能源供應與經濟增長存在著正向的關系，經濟增長對能源有很強的信賴性，而環境污染與經濟增長存在著反向的關系，環境污染程度的加劇將會嚴重阻礙經濟的增長。從全國平均水平來看，能源供應每增加1%，GDP將增加0.269%；環境污染每減少1%，GDP將增加0.043%。因此堅持節約能源、提高能源使用效率和保護環境將對我國經濟的持續、快速、健康發展具有極其重要的意義。
需要指出的是，由於數據方面的原因，本文使用的面板數據時間跨度並不長(1999-2006)，得到的長期關系有可能受到質疑 (DimitrisK.Christopoulos and Efthvmios G.Tsionas,2004) [11]。本文使用各地區電力消費量來代替能源消費總量，工業廢水排放量來反映環境污染程度，但它們都只反映了能源消費、環境污染程度的一個方面，所以指標的選取並不全面，應該將煤、石油等能源的消費以及大氣污染、固體廢棄物污染等全部納入指標體系，這樣指標體系才更加全面、更加合理，這有待我們今後更加深入的研究。
參考文獻:
[1]林伯強：《電力消費與中國經濟增長:基於生產函數的研究》[J]，《管理世界》2003年第11期。
[2]王逢寶、張磊、秦貞蘭：《能源、環境與區域經濟增長的計量分析》[J]，《天津財貿管理幹部學院學報》2006年第3期。
[3]馮秀、丁勇：《可持續發展下中國的能源、環境與經濟》[J]，《北方經濟》2006年第2期。
[4]林師模、蘇漢邦、林幸樺：《能源技術創新對經濟、能源及環境》的影響[J]《東莞理工學院學報》2006年第4期。
[5]Levin.A.,C.F.Lin Unit Root Tests in Panel Data:Asymptotic and Finite Sample Properties[C].UC San Diego.Working Paper,1992.92-93.
[6]Im K.S.,M.H.Pesaran and Y.Shin.Testing for Unit Roots in Heterogeneous Panels[J].Journal of Econometrics 2003,115:53-74.
[7]Maddala G.S.,Wu Shaowen,1999.Acomparative Study of Unit Root Tests with Panel Data and a New Simple Test [J].Oxford Bulletin of Economics and Statistics,1999,61:631-652.
[8]Luciano,G..On the Power of Panel Cointegration Tests:A Monte Carlo Comparison[J].Economics Letters,2003,80:105-111.
[9]Pedroni,P.Critical Value for Cointegration Tests in Heterogeneous Panels with Multiple Regressors[J].Oxford Bulletin of Economics and Statistics,1999,61:653-678.
[10]Kao,C,Spurious Regression and Resial-based Tests for Cointetration in Panel Data[J].Journal of Econometrics,1999,90:1-44.
[11]Dimitris K. Christopoulos,Efthymios G.Tsionas,2004,Financial development and economic growth: evidence from panel.