实用回归分析期中论文Word格式文档下载.docx

1、19845547208.1374211035326.021285.22198574490164687.411211027.721783.3198699710275.25302.110857932.432281.951987131012058.66126.111242938.912690.231988144215042.87868.112264537.383169.481989128316992.38812.611380747.192450.141990166018667.89450.99571250.682746.21991217821781.510730.69508055.913335.65

2、1992288626923.513000.19969383.663811.51993338335333.916412.110545896.084152.71994403948197.921844.2108738104.564368.41995511760793.728369.7102745112.94638.651996555571176.633955.994797116.655112.75199756307897336921.593308142.55758.791998575584402.339229.395085150.586347.841999609489677.141920.41001

3、64152.227279.562000672299214.645854.6105073150.298344.3920017524109655.249435.9105155155.368901.2920028594120332.753056.6105606163.779790.8320038759135822.857649.897260174.959166.21200412123159878.365218.5111764204.9410903.82200513827184937.472652.5115583199.8512029.23200615968216314.482103.51256562

4、11.3512494.21200718576265810.395609.8135670234.313187.33200819251314045.4110594.5146193246.1813002.74200923052340506.9121129.9152451234.5112647.59201026843397983154554.1168145276.513182.34 2）研究方法：建立y与自变量的多元线性回归模型如下：其中 =0 var（）=3）实证分析：（1）对收集数据作相关分析，用spss软件计算增广相关矩阵，输出结果如下表2.相关性Pearson 相关性1.000.996.994

5、.809.936.932.995.820.929.922.784.950.937.597.622.978Sig. （单侧）.000从相关矩阵看出，y与, ,的相关系数都在0.9以上，说明所选自变量与y高度线性相关的，用y与自变量做多元线性回归是合适的。y与的相关系数=0.809，值=0，这说明铁路客运量对民航客运量影响较弱。一般认为铁路客运量与民航客运量之间呈负相关，铁路与民航共同拥有旅客，乘了火车就乘不了飞机。但就中国的实际情况分析我国居民收入普遍不高,一般外出、旅游乘火车的比较多，而且随着我国铁路建设越来越普遍，乘坐火车外出的人也越来愈多。但是仅凭相关系数的大小是不能决定变量的取舍的，在初

6、步建模时还是应该包含的。（2）对数据进行线性回归分析得出以下各表表3.模型汇总b模型RR 方调整 R 方标准 估计的误差Durbin-Watson1.997a.993620.9191.512a.预测变量: （常量）, x5来华旅游入境人数（万人）, x3铁路客运量（千人）, x2居民消费（万元）, x4民航航线里程（万公里）, x1GDP（万元）。b.因变量: y民航客运总量（万人）拟合优度用于描述回归方程对样本观测值的拟合程度，样本决定系数的取值在0,1区间内，越接近1，表明回归拟合的效果越好；越接近0，表明回归拟合的效果差。在实际应用中，人们用复相关系数R来表示回归方程对原始数据拟合程度的

7、的好坏，它衡量作为一个整体的与y的线性关系的大小，由表3可以看出样本决定系数，复相关系数，则表明回归方程对样本观测值的拟合程度较高，整体的与y的线性相关性较高。表4.Anovab平方和df均方FSig.回归1.529E953.058E8793.051.000a残差9252978.91024385540.788总计1.538E929再由表4可以看出：F=793.051,P值=0.000，表明回归方程高度显著，说明整体上对y有高度显著的线性影响表5.系数a非标准化系数标准系数t共线性统计量B标准 误差试用版部分容差VIF（常量）-1579.8492026.482-.780.443.052.015.

8、7833.532.002.056.005195.838.014.043.075.314.756.004226.766.018.037.834.413.013.1267.9063.56411.101.039.321.751.01757.963.134.138.079.975.339.03826.264可得回归方程为从表5中可以看出并不是所有的自变量x单独对y都有显著影响，最大的p值为0.756远大于0.05，没有通过回归系数的显著性检验，这说明尽管回归方程通过了显著性检验，但也会出现某些单个自变量x（甚至于每个x）对y并不显著的情况。（3）由于某些单个自变量不显著，因而在多元回归中并不是包含在回

9、归方程中的自变量越多越好，为了解决这个问题我们可以采取一种简单的剔除多余变量的方法：“后退法”得以下各表表6.模型汇总e2.997b609.6213.997c601.5914.997d594.9301.513由表6可以看出：用“后退法”进行分析其各个回归方程模型对样本观测值的拟合程度，回归方程均通过了显著性检验。表7.Anovae3.822E81028.372.000b9290953.01325371638.1215.095E81407.901.000c9409719.38226361912.2841.528E97.642E82159.200.000d9556437.20427353942.1

10、19a. 预测变量: （常量）, x5来华旅游入境人数（万人）, x3铁路客运量（千人）, x2居民消费（万元）, x4民航航线里程（万公里）, x1GDP（万元）。b. 预测变量: （常量）, x5来华旅游入境人数（万人）, x3铁路客运量（千人）, x4民航航线里程（万公里）, x1GDP（万元）。c. 预测变量: （常量）, x5来华旅游入境人数（万人）, x3铁路客运量（千人）, x1GDP（万元）。d. 预测变量: （常量）, x5来华旅游入境人数（万人）, x1GDP（万元）。e. 因变量:由表7可知=793.051 =1028.372 =1407.901 =2159.200 =

11、= = =0.000表明在利用“后退法”进行分析得到的四个回归方程高度显著。表8.系数a-1579.4841989.609-.794.435.006.8459.017.140.844.4075.3209.412.058.565.577.009.124.131.073.943.355-837.4171475.442-.568.575.059.88112.950.199.021.637.530.010.180.084.1062.127.03390.159231.011.390.699.061.003.91623.382.147.067.0872.212.036.034利用“后退法”首先剔除x2，得

12、到回归模型2：，其中=0.5770.05,回归方程系数未通过检验，再剔除x4得回归模型3=0.5300.05回归方程系数未通过检验，再剔除x3得回归模型4=0.000 =0.036 均小于0.05 回归方程系数通过检验通过以上的方法我们最终得到因变量y与x1和x5保持着高度线性相关性，但在实际应用时，为了模型的结构合理，我们有时也保留个别对y影响不大的变量，这种情况尤其是在建立宏观经济模型时常常如此。（4）作散点图如下图9图9 .民航客运量随年份变化趋势图由该散点图可以看出,从1981年至1990年我国的民航客运量变化的幅度较小,1990年至2010年变化幅度较大,为了使所建的模型能对未来的情

13、况进行预测,我把收集到的数据分成了两部分进行讨论：一部分是从1981年至1990年的数据，另一部分是1991年至2010年的数据。（二）对1981年至1990年我国民航客运量与各影响因之间的关系进行分析表10.1981年至1990年我国民航客运量与各影响因之间数据表1）对该表的数据用spss进行分析，得y与自变量相关性如表表11.相关性yx1x2x3x4x5.962.957.332.945.960.999.307.979.896.320.895.195.551.847.174.194.183.295.050.001=0.332 ，值=0，这说明铁路客运量对民航客运量影响较弱，就中国的实际情况分

14、析我国居民收入普遍不高,一般外出、旅游乘火车的比较多，因此影响较弱。2）对数据进行线性回归分析得出以下各表表12.模型汇总b.98853.242由表12可以看出样本决定系数表13.Anovab2038229.291407645.858143.80611338.8092834.7022049568.1009再由表13可以看出：F=143.806,P值=0.000，表明回归方程高度显著，说明表14.系数a742.011396.7411.870.135-.058.189-.606-.307.774.336.662.375.727-.010-.182-2.66311.63011.994.252.970.387.426.074.7985.757得回归方程：由表可知：只有=0.0050.05，通过了检验，其他的p值都大于0.05。这表明来华旅游入境人数对民航客运量的影响较大，1979年我国开始实行改革开放，国民经济有了迅猛发展，外国旅游人数愈来愈多，来华旅游者大都比较富裕，且路程较远，他们都会选择乘飞机作为交通工具，因此对民航客运量的影响较大。 3）直方图 ：（三）对1991年至2010年我国民航客运量与各影响因之间的关系进行分析 表15.1991年至2010年我国民航客运量与各影响因之间数据表