我国影响粮食产量的可量化因素实证分析

学校代码 专业代码

计量经济学实验报告

报告题目 ： 我国影响粮食产量的可量化因素实证分析 姓学班专学

名 ： 号 ： 级 ： 业 ： 院 ：

指导教师 ： 完成时间 ：

我国影响粮食产量的可量化因素实证分析

摘要：粮食是人类生存之本，经济发展之基。本文采用回归分析的方法对1985年-2014年影响我国粮食产量变化的主要可量化因素进行分析，建立了以粮食产量为因变量，以粮食作物播种面积、农用化肥施用量、有效灌溉面积、农业机械总动力、受灾面积、农产品生产价格指数六项因素为自变量的多元线性回归模型，并检验模型的正确性做出相关修正。在此基础上对提高粮食产量，促进农业发展提出可供参考的建议。

关键词：粮食产量 可量化因素 回归分析

一、引言

粮食安全、能源安全和金融安全并称为世界经济三大安全。而作为拥有十四亿人口的人口大国，粮食问题也一直是政府和社会各界所关心的战略问题。粮食作为人类生存最基本的消费品，而一个国家的粮食问题关系到本国国民经济的运行。在研究粮食问题时，本国的粮食生产安全是至关重要的。建国以来，我国粮食产量多次波动，一方面制约了宏观经济的发展，另一方面给粮食生产者和消费者的生活带来极大的不利影响。

通过查看近30年的数据可以发现，我国粮食产量在总趋势上呈上升趋势。而本文则希望通过分析六项可量化因素，研究各项因素对粮食产量增加的影响程度，并对进一步提高我国粮食产量做出建议。

二、理论模型构建

为了研究我国粮食年总产量，选择“粮食产量”作为被解释变量。根据对影响我国粮食产量的主要因素粮食作物播种面积、农用化肥施用量、有效灌溉面积、农业机械总动力、受灾面积、农产品生产价格指数6项可量化因素作为解释变量。由此，建立计量经济模型如下：

YiC0X11X22X33X44X55X6i

三、描述性分析 （一）总量分析

为了得出影响我国粮食产量的因素，我从粮食作物播种面积、农用化肥施用量、有效灌溉面积、农业机械总动力、受灾面积、农产品生产价格指数等方面进行考虑。设我国粮食产量为被解释变量Y，粮食作物播种面积、农用化肥施用量、有效灌溉面积、农业机械总动力、受灾面积、农产品生产价格指数为解释变量X1、X2、X3、X4、X5、X6。具体如下：

表格 1 影响粮食产量的各因素

变量 X1 X2 X3 X4 X5 X6

指标

粮食作物播种面积(千公顷) 农用化肥施用量(万吨) 有效灌溉面积(千公顷) 农业机械总动力(万千瓦) 受灾面积(千公顷)

为农产品生产价格指数(上年=100)

四、模型估计及检验

（一）、数据说明

表格 2 粮食产量及相关因素1985年至2014年数据

粮食作物农用化肥有效灌溉播种面积施用折纯面积(千(千公顷) 量(万吨) 公顷) 108845.13 110932.6 111267.77 110122.6 112204.67 113465.87 112313.6 110559.7 110508.7 109543.7 110060.4 112547.92 112912.1 113787.4 113160.98 108462.54 106080.03 103890.83 99410.37 101606.03 104278.38 104958 105638.36 106792.65 108985.75 109876.09 110573.02 111204.59 111955.56 112722.58

1775.8 1930.6 1999.3 2141.5 2357.1 2590.3 2805.1 2930.2 3151.9 3317.9 3593.7 3827.9 3980.7 4084 4124.3 4146.41 4253.76 4339.39 4411.6 4636.6 4766.22 4927.69 5107.83 5239.02 5404.4 5561.68 5704.24 5838.85 5911.86 5995.94

农业机械总动力(万千瓦)

农产品生产价格指数(上年=100) 108.6 106.4 112 123 115 97.4 98 103.4 113.4 139.9 119.9 104.2 95.5 92 87.8 96.4 103.1 99.7 104.4 113.1 101.4 101.2 118.5 114.1 97.6 110.9 116.5 102.7 103.2 99.8

指标 1985年 1986年 1987年 1988年 1989年 1990年 1991年 1992年 1993年 1994年 1995年 1996年 1997年 1998年 1999年 2000年 2001年 2002年 2003年 2004年 2005年 2006年 2007年 2008年 2009年 2010年 2011年 2012年 2013年 2014年

粮食产量(万吨) 37910.8 39151.2 40297.7 39408.1 40754.9 44624.3 43529.3 44265.8 45648.8 44510.1 46661.8 50453.5 49417.1 51229.53 50838.58 46217.52 45263.67 45705.75 43069.53 46946.95 48402.19 49804.23 50160.28 52870.92 53082.08 54647.71 57120.85 58957.97 60193.84 60702.61

受灾面积(千公顷)

44365 47135 42086 50874 46991 38474 55472 51333 48829 55043 45821 46989 53427 50145 49981 54688 52215 46946 54506 37106 38818 41091 48992 39990 47214 37426 32471 24962 31350 24891

44035.9 20912.5 44225.8 22950 44403 24836 44375.91 26575 44917.2 28067 47403.1 28707.7 47822.1 29388.6 48590.1 30308.4 48727.9 31816.6 48759.1 33802.5 49281.2 36118.1 50381 38546.9 51239 42015.6 52296 45207.7 53158 48996.12 53820.33 52573.61 54249.39 55172.1 54355 57929.85 54014 60386.54 54478 64027.91 55029.34 68397.85 55750.5 72522.12 56518.34 76589.56 58471.68 82190.41 59261.4 87496.1 60347.7 92780.48 61681.56 97734.66 62490.52 102558.96 63473.3 103906.75 64539.53 108056.58

注：数据来源于《中国统计年鉴1985-2014》 将以上数据进行分析处理，得到以下图形：

图表 1 变量的线性相关图

注：由于X2数值过小，将万吨改为千吨。由于X6数值过小，将数值扩大100倍便于观察。

通过上图可以看出，解释变量X2，X3，X4与被解释变量呈正线性相关，解释变量X5与被解释变量呈负相关，解释变量X1，X6几乎围绕某一数值波动，难以判断与被解释变量存在何种线性关系。

（二）、模型估计

1.模型的回归估计

根据初步设定的模型对粮食产量（Y）、粮食作物播种面积（X1）、农用化肥施用量(X2)、有效灌溉面积(X3)、农业机械总动力(X4)、受灾面积(X5)以及农产品生产价格指数(X6)经行回归分析。

表格 3 模型估计结果

被解释变量：粮食产量Y 常数项C 粮食作物播种面积X1 农用化肥施用量X2 有效灌溉面积X3 农业机械总动力X4 受灾面积X5 农产品生产价格指数X6 系数估计值 -42419.85 0.62 4.98 0.22 -0.08 -0.13 11.17 样本个数30个 标准误 Z值 8226.38 -5.16 0.04 15.77 0.63 7.97 0.21 1.06 0.03 -2.56 0.02 -5.33 13.01 0.86 P值 0.00 0.00 0.00 0.30 0.02 0.00 0.40 R20.991387,F=441.2269，P=0.000000

根据结果可以发现X3，X6对解释变量的影响不显著，故剔除该两变量重新经行回归分析。

表格 4 剔除变量后的估计结果

被解释变量：粮食产量Y 常数项C 粮食作物播种面积X1 农用化肥施用量X2 农业机械总动力X4 受灾面积X5 样本个数30个 标准误 Z值 4369.97 -7.87 0.03 18.21 0.39 14.11 0.02 -2.64 0.02 -5.35 系数估计值 -34390.38 0.63 5.46 -0.06 -0.13 P值 0.00 0.00 0.00 0.01 0.00 R20.990882,F=679.2364，P=0.000000

ˆ -34390.38Y  0.63X1 5.46X2 -0.06X3-0.13X4

(4369.97) (0.03) (0.39) (0.02) (0.02)

t(-7.87) (18.21) (14.11) (-2.64) (-5.35) R20.990882 F=679.2364 D.W.= 1.642405

I.多重共线性检验

通过EViews软件得到各解释变量的相关系数矩阵如下：

表格 5 变量之间的相关系数矩阵

变量 粮食作物播种面积 农用化肥施用量 农业机械总动力 受灾面积

粮食作物播种面积 X1 1 -0.24 -0.20 -0.09 农用化肥施用量 X2 -0.242682 1.00 0.96 -0.54 农业机械总动力 X4 -0.20102 0.96 1.00 -0.68

受灾面积 X5 -0.094785 -0.54 -0.68 1.00 由相关系数矩阵可以看出，解释变量存在着一定的多重共线性。 为了进一步了解多重共线性的性质，作辅助回归，并计算各解释变量之间的方差扩大因子。

表格 6 方差扩大因子计算结果

被解释变量 粮食作物播种面积X1 农用化肥施用量X2 农业机械总动力X4 受灾面积X5

X4的方差扩大因子大于10，存在严重的多重共线性.故采用逐步回归的方法，解决多重共线性问题。分别作Y对X1、X2、X4、X5的一元回归结果如下：

可决系数R

2

值

方差扩大因子

VIFj11R2

0.141251 0.944153 0.958577 0.660917 1.02 9.21 12.33 1.78

表格 7 一元回归结果

变量

粮食作物播种面积X1 农用化肥施用量X2 农业机械总动力X4 受灾面积X5 2参数估计值 0.278491 4.338109 0.199882 -0.478355 t值 0.884419 11.37802 10.33998 -4.594331 2R

0.027176 0.822176 0.792462 0.429827 其中，加入X2的方程R最大，所以，以为X2基础，顺次加入其他变量逐步回归，结果如下：

表格 8 一个变量基础加入其他变量的结果

加入 X1 加入 X4 加入 X5 变量 农用化肥施用量（ X2) 粮食作物播种面积（ X1） 农用化肥施用量( X2) 农业机械总动力( X4) 农用化肥施用量( X2) 受灾面积( X5) 2参数估计值 0.510451 0.690920 3.147731 0.058286 3.730076 -0.172419 t值 35.50197 14.43343 4.659604 0.926415 9.189573 -2.785338 2R 0.979597 0.827655 0.861867 经比较，新加入X1的方程R=0.917510，改进较大，而且各个参数的t检验均显著，选择保留X1。以为X2、X1基础，顺次加入其他变量逐步回归，结果如下：

表格 9 两个变量基础加入其他变量的结果

变量 参数估计值 t值 2R 农用化肥施用量( X2) 4.341228 9.278538 加入 X4 粮食作物播种面积( X2) 0.685136 14.24773 0.980432 农业机械总动力（ X4） 0.022904 1.053260 农用化肥施用量( X2) 4.483894 34.96496 加入 X5 粮食作物播种面积( X1 0.644239 16.79983 0.988348 受灾面积( X5) -0.084218 -4.418963 继续加入X4发现方程存在多重共线性，因此将X4剔除，则最后消除了多重共线性影响后的方程模型修正为：

YiC0X11X24X5i

并根据修正后的模型重新进行回归分析，得到以下结果：

表格 10 修正多重共线性后回归结果

被解释变量：粮食产量 常数项 粮食作物播种面积 农用化肥施用量 受灾面积 样本个数30个 稳健标准误 Z值 4750.07 -7.72 0.13 34.96 0.04 16.80 0.02 -4.42 系数估计值 -36649.4 4.483894 0.644239 -0.08422 P值 0.00 0.00 0.00 0.00 R2=0.987004，F= 735.1439， P=0.000000 ˆ -36649.4Y 4.483894X1  0.644239X2 -0.08422X5

(4750.07) (0.13) (0.04) (0.02)

t(-7.72) (34.96) (16.80) (-4.42)

R20.987004 F=735.1439 D.W.= 1.390848

2.模型的检验与调整

（1）经济意义及检验。从回归结果来看粮食产量和粮食作物播种面积、农用化肥施用量存在正相关关系，粮食作物播种面积每增加1千公顷，粮食产量平均增加4.483894万吨；农用化肥施用量每增加1万吨，粮食产量平均增加0.644239万吨；粮食产量和受灾面积存在负相关关系，受灾面积每增加1千公顷，粮食产量平均减少0.08422万吨。这与经验判断相一致。

（2）统计检验

①拟合优度检验。由表10中的数据可以得出，可决系数R为0.988348，修正的可决系数R为0.987004，说明模型对数据的拟合度好。

②F检验。由表10的数据可以得出，F= 735.1439，给定显著性水平0.05下，在F分布表中查出自由度为k-1=3和n-k=26的临界值F(3,26)2.98735.1439应拒绝原假

，设H0：0140，说明回归方程显著，即“粮食作物播种面积”、“ 农用化肥施用量”以及“受灾面积”等变量联合起来确实对“粮食产量”有显著影响。

③t检验。给定显著性水平0.05，查t分布表得到自由度为nk26的临界值

22t0.052ˆ、ˆ、ˆ、ˆ的t统计量分别为 -(nk)1.706。由表中数据可得，与2031

7.715535、34.96496、16.79983、-4.418963，绝对值均大于1.701，这说明在显著性水平

=0.05下,分别都应决绝原假设H0:j0，即当其他解释变量不变的情况下，解释变

量“粮食作物播种面积”、“ 农用化肥施用量”以及“受灾面积”分别对被解释变量“粮食产量”有显著影响。 II.异方差检验

通过EViews软件做White检验，得到以下结果：

表格 11 White检验的结果

被解释变量：残差平方e2 常数项C 粮食作物播种面积X1 X1^2 X1* X2 X1* X5 农用化肥施用量X2 X2^2 X2* X5 受灾面积X5 X5^2 样本个数30个 稳健标准误 Z值 P值 143000000.0 -0.93 0.36 2344.76 0.63 0.54 0.01 -0.41 0.69 0.08 -0.36 0.72 0.01 -1.51 0.15 8999.94 0.68 0.50 0.15 -1.01 0.32 0.03 -1.38 0.18 951.79 1.85 0.08 0.00 -1.85 0.08 系数估计值 -134000000 1466.20 0.00 -0.03 -0.01 6142.11 -0.15 -0.04 1759.44 -0.01 nR2= 6.736833，F= 0.643538， P=0.747614

2由White检验可知，在=0.05下，nR2= 6.736833<0.05(9)=16.919,所以不拒绝原

假设，表明模型不存在异方差。

III.自相关检验

由表的回归结果中得出DW= 1.390848，对于样本容量为30,3个解释变量的模型，在显著性水平0.05下，查DW表可得dL=1.214 dU=1.650，模型中dL表格 12 BG检验的结果

被解释变量：残差平方e2 常数项C 粮食作物播种面积X1 农用化肥施用量X2 受灾面积X5 残差值RESID(-1) 样本个数30个 稳健标准误 Z值 4699.73 0.36 0.04 -0.26 0.13 -0.34 0.02 -0.51 0.20 1.68 ,不能判断

系数估计值 1686.30 -0.01 -0.04 -0.01 0.34 P值 0.72 0.80 0.74 0.61 0.11 TR2= 3.047931，F= 0.706794， P= 0.594848

2在显著性水平0.05下，通过卡方分布表可得LM=TR2= 3.047931<0)3.84146.05(1,

所以接受原假设，表明模型不存在自相关。

五、结论及建议

1.结论

根据模型可以发现粮食作物播种面积1单位的变动对于粮食产量的影响是最大的，这也反映了耕种面积对于粮食产量来说是最基础的决定性因素。

通过图可以发现农用化肥施用量、农业机械总动力呈现共同增长的趋势，故出现了严重的多重共线性。尽管为了修正模型剔除了农业机械总动力这一因素，但在逐步回归的过

程中可以得到农用化肥使用量和农业机械总动力是影响粮食的显著性因素。这两者都反映了科技对于粮食产量的直接推动作用。而近几年成灾面积的减少对于粮食产量的提高，可以认为是科技的间接作用。

最开始选定的六大可量化因素在模型估计过程还剔除了有效灌溉面积和农产品生产价格指数。其中，农产品生产价格指数对粮食产量缺乏显著性影响，可能源于粮食价格引起的一系列波动受到国家政策的调控，使得粮食产量较少的受到价格的影响。

当然除了选取的因素之外，还包括劳动力、政策、作物品种等因素没有考虑到，所以模型所反映的经济意义不能包含现实中的每一种情况。

2.建议

①在我国工业化和城市化进程加快的背景下，保证耕地面积不减少是粮食产量稳定增加的基石。因此，必须制定严格的耕地保护措施和环境保护措施。一方面，坚定18亿亩耕地红线，保证耕地的绝对数量不减少；一方面，注重耕地质量的保护，合理利用耕地，科学使用化肥，通过治理环境问题减少各种污染源对于土壤的破坏，改造中低产耕地。

与此同时，尽管增加耕地面积有助于增加粮食产量，但是历史教训告诉我们，通过过度开垦林地、草地、围湖造田等方法增加耕地面积会对当地的生态环境造成难以逆转的破坏，不仅在长期中不利于粮食的生产，也会对当地居民的生存造成不利影响。所以，新增耕地必须要合理科学规划，更多地利用开发荒地废地。

②科学技术就是第一生产力，这句话在农业方面有着很好的反映。

合理增加化肥的使用量，有助于提升每亩的单位产量。这在耕地供需日益紧张的今天，对于粮食产量稳定增加是至关重要的一点。常言道过犹不及，使用化肥也必须遵循一个度，过度使用化肥也会对环境和土地肥力造成巨大破坏。政府应该推进测土配方施肥和施用有机肥，推进化肥使用调控措施。

此外，现代农机装备推进、良种繁育、水利建设等对促进单位亩产量都有着积极作用。而完成这些，都需要政府加大对农业的资金投入。加快农业基础设施建设，加大农业科技基础研究、应用开发研究和科技成果推广的支持力度，实现科技兴农对粮食产量增长起着很大支撑作用。

③另一方面，成灾面积对粮食产量也有重要影响。完善有效的预警机制可以使灾害发生时的损失减小到最低程度，做到以防为主，防救结合。首先，营造农田防护林，兴修水利，营造良好的农业生态环境，可以加强抵御自然灾害的能力；其次，加大财政投入，重视农业自然灾害预警体系的科学研究，运用现代监测系统，加强对自然灾害的有效预警，促进防灾的科学化和决策化；最后设立粮食生产自然灾害保险基金，灾后及时帮助农户恢复生产。

④粮食作为消费品也遵循着价值规律，政府维持粮食价格的稳定，既保证了粮食生产者和消费者的切身利益，也有利于工业的良好发展和国民经济的平稳发展。但是，随着我

国经济的高速发展，社会平均物价的增长速度明显快过了粮价。在这现实情况下，政府通过补贴等政策提高农民收入，保证农民生产粮食的积极性。

参考文献

[1] 李琳凤.我国粮食安全问题研究[D].博士论文.北京交通大学，2013.

[2]黄禹, 刘德方, 贾宇亭,等. 完善农业自然灾害预警机制进一步提高粮食综合生产能力[J]. 现代化农业, 2013(10):1-3.

[3]赵慧江. 基于回归分析的粮食产量影响因素分析[J]. 怀化学院学报, 2009, 28(2):31-35.

[4]马九杰, 崔卫杰, 朱信凯. 农业自然灾害风险对粮食综合生产能力的影响分析[J]. 农业经济问题, 2005(4):14-17.

[5]徐浪,贾静.化肥施用量对粮食产量的贡献率分析[J].四川粮油科技,2003,20(1):10-13.

附录

1.表3回归结果

Dependent Variable: Y Method: Least Squares Date: 06/23/16 Time: 23:39 Sample: 1985 2014 Included observations: 30

Variable Coefficient Std. Error t-Statistic C -42419.85 8226.382 -5.156562 X1 0.621851 0.039429 15.77152 X2 4.984848 0.625499 7.969396 X3 0.218775 0.206691 1.058461 X4 -0.081720 0.031903 -2.561487 X5 -0.129503 0.024306 -5.327989 X6 11.16592 13.00518 0.858575 R-squared 0.991387 Mean dependent var

Adjusted R-squared 0.989140 S.D. dependent var S.E. of regression 645.7281 Akaike info criterion Sum squared resid 9590188. Schwarz criterion Log likelihood -232.6940 Hannan-Quinn criter. F-statistic 441.2269 Durbin-Watson stat Prob(F-statistic) 0.000000

Prob. 0.0000 0.0000 0.0000 0.3008 0.0174 0.0000 0.3994 48061.59 6196.346 15.97960 16.30654 16.08419 1.638609 2.表4回归结果

Dependent Variable: Y Method: Least Squares Date: 06/23/16 Time: 22:32 Sample: 1985 2014 Included observations: 30

Variable Coefficient Std. Error t-Statistic C -34390.38 4369.969 -7.869707 X1 0.633946 0.034814 18.20955 X2 5.456326 0.386622 14.11281 X4 -0.055536 0.021069 -2.635975 X5 -0.128089 0.023929 -5.352927 R-squared 0.990882 Mean dependent var

Adjusted R-squared 0.989424 S.D. dependent var S.E. of regression 637.2432 Akaike info criterion Sum squared resid 10151974 Schwarz criterion Log likelihood -233.5479 Hannan-Quinn criter. F-statistic 679.2364 Durbin-Watson stat Prob(F-statistic) 0.000000

Prob. 0.0000 0.0000 0.0000 0.0142 0.0000 48061.59 6196.346 15.90319 16.13672 15.97790 1.642405

3.表10回归结果

Dependent Variable: Y Method: Least Squares Date: 06/23/16 Time: 22:36 Sample: 1985 2014 Included observations: 30

Variable Coefficient Std. Error t-Statistic C -36649.35 4750.072 -7.715535 X1 0.644239 0.038348 16.79983 X2 4.483894 0.128240 34.96496 X5 -0.084218 0.019058 -4.418963 R-squared 0.988348 Mean dependent var

Adjusted R-squared 0.987004 S.D. dependent var S.E. of regression 706.3873 Akaike info criterion Sum squared resid 12973558 Schwarz criterion Log likelihood -237.2266 Hannan-Quinn criter. F-statistic 735.1439 Durbin-Watson stat Prob(F-statistic) 0.000000

Heteroskedasticity Test: White F-statistic 0.643538 Prob. F(9,20)

Obs*R-squared 6.736833 Prob. Chi-Square(9) Scaled explained SS 5.104367 Prob. Chi-Square(9)

Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 06/23/16 Time: 22:38 Sample: 1985 2014 Included observations: 30

Variable Coefficient Std. Error t-Statistic C -1.34E+08 1.43E+08 -0.934497 X1 1466.196 2344.761 0.625307 X1^2 -0.004048 0.009959 -0.406503 X1*X2 -0.027294 0.076187 -0.358258 X1*X5 -0.009442 0.006244 -1.512130 X2 6142.107 8999.938 0.682461 X2^2 -0.153662 0.152132 -1.010057 X2*X5 -0.042334 0.030660 -1.380762 X5 1759.439 951.7926 1.848553 X5^2 -0.006236 0.003365 -1.853205 R-squared 0.224561 Mean dependent var

Adjusted R-squared -0.124386 S.D. dependent var S.E. of regression 662465.4 Akaike info criterion Sum squared resid 8.78E+12 Schwarz criterion Log likelihood -438.5979 Hannan-Quinn criter. F-statistic 0.643538 Durbin-Watson stat Prob(F-statistic) 0.747614

Prob. 0.0000 0.0000 0.0000 0.0002 48061.59 6196.346 16.08177 16.26860 16.14154 1.390848 0.7476 0.6645 0.8251 Prob. 0.3612 0.5388 0.6887 0.7239 0.1461 0.5028 0.3245 0.1826 0.0794 0.0787 432451.9 624748.8 29.90653 30.37359 30.05594 2.522494

4.white检验结果

0.1051 0.0808 Prob. 0.7228 0.7964 0.7368 0.6115 0.1051 3.48E-12 668.8528 16.04130 16.27483 16.11601 1.912877 5.BG检验结果

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 2.827177 Prob. F(1,25)

Obs*R-squared 3.047931 Prob. Chi-Square(1)

Test Equation: Dependent Variable: RESID Method: Least Squares Date: 06/23/16 Time: 22:38 Sample: 1985 2014 Included observations: 30 Presample missing value lagged residuals set to zero.

Variable Coefficient Std. Error t-Statistic C 1686.299 4699.730 0.358808 X1 -0.009783 0.037521 -0.260736 X2 -0.043022 0.126571 -0.339904 X5 -0.009953 0.019350 -0.514357 RESID(-1) 0.335614 0.199601 1.681421

R-squared 0.101598 Mean dependent var

Adjusted R-squared -0.042147 S.D. dependent var S.E. of regression 682.8023 Akaike info criterion Sum squared resid 11655474 Schwarz criterion Log likelihood -235.6195 Hannan-Quinn criter. F-statistic 0.706794 Durbin-Watson stat Prob(F-statistic) 0.594848