先做一下，线性回归吧，看看拟合和显著性。因为是时间序列数据，好像还很麻烦。

可叹啊！现在的线性回归真的用烂掉了，什么指标都拿来做回归，我狂汗！

首先，你建立的模型连最基本的理论基础都没有，模型的理论体系就更谈不上了。现实中，经济变量的影响因素往往是非常多的，而且相互之间也都或多或少的存在着些许关联性，有的显著，有的不显著，针对研究的具体目标对其中的关联性进行取舍，确定初始的变量集。就以你的研究为例，生产性服务业的年增加值，其影响因素有很多，你只选择了GDP、从业人数，这显然是犯了大忌，任何一个行业的产出都与其投入和行业技术水平直接挂钩，这是最基本的，另外还会涉及政策影响、市场影响、相关行业的影响等等，可以根据你的研究层次加以取舍。同时，你选取的GDP指标明显存在缺陷，生产性服务业的产出值只是GDP里的一小部分，你选取增加值的指标，虽然已经过一阶差分，但二者之间的共线性程度依然是很高的，共线性是回归分析之前就必须要首先克服的问题。另外关于指标筛选以及替代等的处理方法，这里不说了。

其次，回归分析是建立在几个经典假设基础之上的，包括正态性（正态性的理解，很多人存在偏差，并非说变量必须是正态分布）、独立性、平稳性、相关性等等，涉及很多检验方法，尤其你又做的是经济模型，数据涉及的是时间序列，在序列的自相关性等方面要进行细致的检验，只有在上述各项检验均通过的前提下，你最终得到的回归结果才是有意义的！请注意：随便一个回归出来的结果，是不可以直接拿来做结论的，很多人喜欢用拟合优度（R平方）来评判回归模型的优劣，这属于无知的范畴，这里不再多说！

接下来的工作还有很多，包括初始模型的拟合情况、模型的优化或调整、最终模型的建立及回归分析结果，其中涉及很多技术细节，比如替代变量的使用，变量形式的比较，模型的修正等，你可以去查阅相关资料。

回归分析，很多人都觉得简单，但是从统计专业的角度来讲，回归分析是件很费力的工作，它里面不仅仅就是一个软件的点击操作，其中涉及很多交叉性的理论，是和计量经济学及时间序列等有直接互动的。涉及到时间序列的数据，往往不只是一个简单的回归，更会偏重于对序列的处理，而当中往往蕴含着序列数据不少于50条的前提假设，这些经验都是靠实践不断才能得到积累的。

前几天和一个在美国高校进行学术访问的前辈交流，他说了一个故事：有一天，导师（美国人，经济类大师）叫齐手下的几个学生一起开学术报告会，当中有很多国家的学生，当天安排报告讲演的是一个来自中国的南大的学生和一个美国的学生。南大的前辈选题是某某因素对GDP的影响，美国学生选题是某某调研及结论。报告结束后，导师、还有其他国家的学生全都问到中国学生一个问题：为什么要选GDP做因变量，你这些因素对GDP是没有直接的作用关系和影响的，反而是对某某有着更大的贡献。在国内，这想来也觉得很正常，但是，在国外学者的眼中，我们很奇怪，为什么只要是经济问题，就一定要扯上GDP？

感叹啊！这就是中国当今的国情。以GDP为量纲的经济发展方式直接表现在学术研究中，难怪美国人会说：在美国我可以静下心来做学问，而且我收到社会的极大尊重，生活质量也很高，但是同样的情况，如果要我去中国，我相信自己一定会很悲惨的！因为在中国学术已经不再是单纯的学术！

sangxiao830  真是热心人啊，学习了。

3# sangxiao830

我写的只是本科论文，水平有限啦，没那么高的要求吧？？？而且我对生产性服务业研究只是选取了其中的2个重要衡量指标（GDP增加值，就业人数）。

     拜托啦，批评完了就帮我建立一个稍微合理点的模型吧！！！！！谢谢啊！！！