《(整理)中国民航客运量的回归模型》由会员分享，可在线阅读，更多相关《(整理)中国民航客运量的回归模型（20页珍藏版）》请在金锄头文库上搜索。
1、回归分析论文题目:中国民航客运量的回归模型学校:平顶山学院院系:数学与信息科学学院专业:10级统计学学号:101120154姓名:赵春杰日期:2012年10月26日我国民航客运量的变化趋势及其成因摘要改革开放以来,中国的经济飞速发展，人民的生活水平也发生了很大的变化；民航一直是交通运输中的一种不可少的方式，一定程度上也反映了人民的生活水平的提高，为了对民航客运量做出准确地评估和预测,本文利用多元线性回归分析方法研究我国民航客运量的变化趋势及其成因，数据来自中国统计年鉴（19812010年民航客运量），利用spss软件对数据进行处理和分析.关键词多元线性回归分析、回归方程、显著性检验、相关性、民
2、航客运量、模型的建立与分析（一）研究我国1981年至2010年民航客运量与各影响因素之间的关系1）数据来源：中国统计年鉴（19812010年民航客运量）如下表1表1.我国民航客运量与影响因素年份y民航客运总量（万人）xlGDP（万元）x2居民消费（万元）x3铁路客运量（千人）x4民航航线里程（万公里）x5来华旅游入境人数（万人）19814014891.62627.99530021.83776.7119824455323.42902.99992223.27792.4319833915962.73231.110604422.91947.719845547208.1374211035326.0212
3、85.22198574490164687.411211027.721783.3198699710275.25302.110857932.432281.951987131012058.66126.111242938.912690.231988144215042.87868.112264537.383169.481989128316992.38812.611380747.192450.141990166018667.89450.99571250.682746.21991217821781.510730.69508055.913335.651992288626923.513000.19969383.
4、663811.51993338335333.916412.110545896.084152.71994403948197.921844.2108738104.564368.41995511760793.728369.7102745112.94638.651996555571176.633955.994797116.655112.75199756307897336921.593308142.55758.791998575584402.339229.395085150.586347.841999609489677.141920.4100164152.227279.562000672299214.6
5、45854.6105073150.298344.3920017524109655.249435.9105155155.368901.298594120332.753056.6105606163.779790.83200220038759135822.857649.897260174.959166.21200412123159878.365218.5111764204.9410903.82200513827184937.472652.5115583199.8512029.23200615968216314.482103.5125656211.3512494.21200718576265810.3
6、95609.8135670234.313187.33200819251314045.4110594.5146193246.1813002.74200923052340506.9121129.9152451234.5112647.59201026843397983154554.1168145276.513182.342）研究方法：建立y与自变量x，x2,X3,X4,X5的多元线性回归模型如下：y邙+卩x+卩兀+卩兀+卩兀+卩兀+01122334455其中E（s）=0var（e）=63）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y民航客运总量（万
7、人）X1GDP（万元）x2居民消费（万元）x3铁路客运量（千人）x4民航航线里程（万公里）x5来华旅游入境人数（万人）Pearson相关性y民航客运总量（万人）1.000.996.994.809.936.932xlGDP（万元）.9961.000.995.820.929.922x2居民消费（万元）.994.9951.000.784.950.937x3铁路客运量（千人）.809.820.7841.000.597.622x4民航航线里程（万公里）.936.929.950.5971.000.978x5来华旅游入境人数（万人）.932.922.937.622.9781.000Sig.（单侧）y民航客运
8、总量（万人）.000.000.000.000.000xlGDP（万元）.000.000.000.000.000x2居民消费（万元）.000.000.000.000.000x3铁路客运量（千人）.000.000.000.000.000x4民航航线里程（万公里）.000.000.000.000.000x5来华旅游入境人数（万人）.000.000.000.000.000.从相关矩阵看出，y与X,x,x,x的相关系数都在0.9以上，说明所选自变量1245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x的相关系数3r=0.809，p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
9、y3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，在初步建模时还是应该包含x3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1.997a.994.993620.919a. 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），xlGDP（万元）。b. 因变量：y民航客运总量
10、（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R2的取值在0,1区间内，R2越接近1,表明回归拟合的效果越好；R2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的好坏，它衡量作为一个整体的x,x,x与y的线性关系的大小，12p由表3可以看出样本决定系数R2=0.994，复相关系数R=0.997，则表明回归方程对样本观测值的拟合程度较高，整体的x,x,x与y的线性相关性较12p表4.Anovab模型平方和df均方FSig.1回归1.529E953.058E8793.051.000a残差9252978.91024385540
11、.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xi，x2,X3,x4x5整体上对y有高度显著的线性影响表5系数a模型非标准,化系数标准系数tSig.B标准误差试用版1（常量）xlGDP（万元）x2居民消费（万元）x3铁路客运量（千人）x4民航航线里程（万公里）x5来华旅游入境人数（万人）-1579.849.052.014.0153.564.1342026.482.015.043.01811.101.138.783.075.037.039.079-.7803.532.314.834.321.975.443.002.756.413.
12、751.339可得回归方程为y=-1579.849b0.052x+0.014x+0.015x+3.564x+0.134x12345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p2二0.756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e模型RR方调整R方标准估计的误差1.997a.994.993620.9192.997b.994.993609.6213.997c.994.993601.5914997d.994.993594.930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7Anovae模型平方和df均方FSig.1回归1.529E953.058E8793.051.000a残差9252978.91024385540.788总计1.538E9292回归1.529E943.822E81028.372.000b残差9290953.01325371638.121总计1.538E9293回归1.
