宏观经济统计数据是国家或地区经济运行和社会发展的量化体现，是学术界和实际部门进行相关研究的信息载体，也是政府部门进行预测与决策的依据，统计数据质量是国内外研究的热点。正是由于中国政府统计数据质量存在着很大的质疑与争议，对这一问题的研究具有一定的理论价值和现实意义。　　通过对统计数据质量有关准确性评估方法的文献梳理了解到以往研究主要运用了各种计量模型和多种检验方法进行质量评估，各种模型和方法都有各自的缺陷和限制条件；对统计数据质量研究的应用实例上多是对GDP数据的质量评估研究，以对模型本身的研究为重点，忽视了样本数据的影响；而统计诊断思想恰恰是从数据出发，考察实际数据与既定模型之间的偏离，检测出数据中的异常点并结合经济背景从而评估数据质量，统计诊断不仅仅识别出异常点，而且对经济现象的解释、模型的选择和计量分析都是有实际意义的。　　本文是从狭义角度即统计数据的准确性进行评估，从计量模型诊断出发研究宏观经济统计数据的质量，从检验异常值和影响点角度来对统计数据质量进行评估。首先，在线性回归模型框架下，选择经典计量模型中的柯布-道格拉斯生产函数和凯恩斯消费函数作为研究的经济理论基础，分别采用基于数据删除模型和逐步局部影响分析法进行异常点诊断分析；其次，在时间序列模型框架下，分别对GDP建立MA(1)模型、对城镇消费数据建立ARMA(1，1)、对农村消费数据建立AR(1)模型，分别对其进行逐步局部影响分析法的诊断分析；再次，选取了财政收入占GDP比重、出口增速、城镇居民消费价格指数和固定资产投资增速等其他宏观经济数据进行逐步局部影响分析，并与现有文献进行比照，通过比对也证实了这两种统计诊断分析方法的有效性和优越性。　　本文所采用的研究方法有：一是，采用基于数据删除模型的诊断方法来进行异常点检测，这种传统的统计诊断方法其优势在于可以综合多个诊断统计量来检测异常点或强影响点；二是，考虑到宏观经济统计数据之间可能会存在相互影响，尤其是时间序列数据易出现成片（聚集）的异常点的问题，本文首次尝试将逐步局部影响分析法应用到中国宏观经济数据的诊断中来，以消除强影响点之间的相互影响，即掩盖问题。通过两种诊断方法的结合，可以更加全面客观地检测出异常点，更科学地对中国宏观经济数据进行评价。　　本文的研究结果显示：在对GDP数据的诊断分析时，无论线性回归模型框架下还是时间序列模型框架下，逐步局部影响分析法诊断出传统的数据删除法未检测到的异常点；对消费数据的诊断分析时，在时间序列框架下的逐步局部影响分析法有效解决了掩盖问题。在对宏观经济数据质量诊断时，两种方法分别检测出不同的异常点（强影响点），不能简单去评价哪一种方法的准确性与适用性。但逐步局部影响分析法诊断出传统的数据删除法未检测到的异常点，而这些异常点大多处在原数据删除法诊断出的异常点附近，这是已经识别的强影响点对相邻年份影响过大导致其他影响点无法被识别，即“掩盖”现象。因此，逐步局部影响分析法对于解决中国宏观经济数据的异常点“掩盖”问题是有效的。