《应用回归分析结课论文》由会员分享，可在线阅读，更多相关《应用回归分析结课论文（31页珍藏版）》请在金锄头文库上搜索。
1、应用回归分析结课论文影响财政收入的相关因素的分析班级姓名 学号：目录1. 问题的提出 42. 数据来源 43. 回归分析的模型方法介绍和总结 53.1 多元线性回归模型 53.1.1多元线性回归模型的一般形式 53.1.2多元线性回归模型的基本假定 63.2. 多元线性回归参数的最小二乘估计 74.SAS程序及结果输出84.1.建立数据集，进行相关分析84.2将数据做标准化处理，建立回归方程104.3. 异方差检验114.4自相关检验134.5.多重共线性检验134.5.1 方差扩大因子法134.5.2 特征根判定法 144.6消除多重共线性154.6.1 后退法 154.6.2.逐步回归19
2、4.7最佳子集回归214.8 岭回归 224.9主成分回归254.10偏最小二乘回归255.结论 26参考文献 28摘要本文选1985-2003年的农业增加值，工业增加值，建筑业增加值，社会消费总额，人口数，受灾面积六个因素通过多元线性回归分析和岭回归对国家财政收入行分析，主要分 析分析影响财政收入的主要原因，并联系实际进行分析，以供参考。关键词：财政收入 多元线性回归 多重共线性 岭回归1问题的提出财政参与分配社会产品，在一国经济发展和分配体系中占有重要地位和作用。可以 有力地促进经济的发展促进科学、教育、文化、卫生事业的发展，促进人民生活水平的 提高，为巩固国防提供可靠的物质保障。且可调节
3、资源配置，促进社会公平，改善人民 生活。促进经济机构的优化和经济发展方式的转变。在我国，财政收入的主体是税收收入，因此在税收体制及政策不变的条件下，财 政收入会随着经济繁荣而增加，随着经济衰退而下降。本文利用回归分析，确定影响我 国财政收入主要因素。2数据来源在研究国家收入时，我们把财政收入按形式分为：各项税收收入，企业收入，债务 收入，国家能源交通重点建设基金收入，基本建设贷款归还收入，国家调节基金收入， 其他收入等。为了建立国家财政收入回归模型，我们以财政收入y （亿元）为因变量，自变量如下： x1为农业增加值（亿元）；x2为工业增加值（亿元）；x3为建筑业增加值（亿元）；x4为人 口数（
4、万人）；X5为社会消费总额（亿元）；x6为 受灾面积（万公顷）。根据中国统计年鉴， 得到1985-2003年数据，如图：年悄叫正；山以.丄业増加值建慌业曾力口直人数社二消赛总前殳应面枳19S5823619. 59716&75. 11058. 513S0L. 4443. 6519S62122. 01401311194aos. 071 ?75. u74374471. 419S72199. 354075. 71381354. o5lu35115420. 91?SS2357. 245So5.3LS2251131.&1110. 26 53i. lS. 719S92664. 9 534. 7Z20iT12
5、82. 981127. 047u7i. 2469. 91丄2?37.-7602.11345. 011143. 33725?. 33S4. 741 21勺护一 4RR1 ry1 rf4. s；s1 1 HR.肿R工斗匚7nn. 77.1久斗f ScinR4. 72174. 4斗1 1 71 . 1 4- RH1 5.1 q*4S；+R. qn1nqqn.n斗 R4n?n1 1 RH. -.71 1斗RF.加1 24r.1n?nn.nmi ?ii4fns. 21 1 R. n1 ri2n+. 7nnr.斗只1 gn巧砂斗寸*一 yn1 ?fi7. 4Smi加F14F一 RR17斗 17. g22S
6、H.?粘 FiGFiR；.R2.1 ?1 1 . 2124774. 1斗HF. 211 97RCn1.14加柿一 41 1 E柿91 7X. 4R1 223. 897.77. 94Ci9. R91 9亦9875. 9524542. 9119C4E1 0061. 991 ?7C,. 27291 5E. 5521. 551 9991 1 4+4.加2451 9.11 ?C.1 1 -1 1 1Fi7. F；Ci1価一加m 17200013395. 232491 5. 885S73.71Ci1 84. 53丽41 Fi?. Ci471.1920011苛仇042G1 79. Ci9548. 981 n
7、rc.1. Fir.1 247一 G1r；7n9n. 2501. 4520021祁石一 Ci427390.811 r)7Ci. n18527. 181 ?H7. fl Ci42027. 1499. m21 7i n.29691.81 4771. ?加砧一1莎一肿45B42Fi4F. OCi3.回归分析的模型方法介绍和总结3.1 多元线性回归模型3.1.1多元线性回归模型的一般形式设随机变量 y 与一般变量 x ， x ， ， x 的线性回归模型为： 1 2 py =x + P x + + P x + (3.1)01122p p式中，P , P，P是p +1个未知参数，P称为回归常数，P，P称为
8、回归01p01p系数。y称为被解释变量(因变量)，x ,x,x是p个可以精确测量并控制的一般变量。 12,p称为解释变量(自变量)。p二1时，式(3.1)为一元线性回归模型；p 2时，我们就称式(3.1)为多元线性回归模型。 是随机误差，与一元线性回归一样，对随机误差项我们常假定3.2)3.3)E( ) = 0var()= 2称E (y )=P + P x + P x + + P x01122p p为理论回归方程。对一个实际问题，如果我们获得n组观测数(x ,x ,x ; y X二1,2,n),则线性i1 i 2ip i回归模型式(3.1)可表示为：ny=P+P x+P x+P101 112
9、12py=P+P x+P x+P1201 212 22y=P+P x+P x+ + P01 n12 n 2x +1p1x +2p2x +p np n3.4)3.5)写成矩阵形式为：y = XP + 8X是一个nx（p +1）阶矩阵，称为回归设计矩阵或资料矩阵。在实验设计中，X的 元素是预先设定并可以控制的，人的主观因素可作用其中，因而称 X 为设计矩阵。 3.1.2多元线性回归模型的基本假定为了方便地进行模型的参数估计，对回归方程式（3.4）有如下一些基本假定（1）解释变量x，x ,，x是确定性变量，不是随机变量，且要求12prank （X ）= p +1 n。这里的rankG ）= p +1
10、 n，表明设计矩阵X中的自变量列之间不相 关，样本量的个数应大于解释变量的个数， X 是一满秩矩阵。（2）随机误差性具有零均值和等方差，即IeG ）= 02r b 2， i = Jcov C , 8 ）= *i, J = 1,2,ni j丄0，i丰j这个假定通常称为高斯一马尔柯夫条件。eG）= 0，即假设观测值没有系统误差，随i机误差项8 的平均值为零，随机误差项8 的协方差为零，表明随机误差项在不同的样本 ii点之间是不相关的（在正态假定下即为独立的），不存在序列相关，并且有相同的精度（3）正态分布的假定条件为：2)对于多元线性回归的矩阵模型式（3.5），这个条件便可表示为8 N Cq 21
11、 ）n由上述假定和多元正态分布的性质可知，随机变量y服从n维正态分布，回归模型 式（3.5）的期望向量E （y ）= X0var(y)=b 21n因此3.2.多元线性回归参数的最小二乘估计多元线性回归模型未知参数P，P，P，的估计与一元线性回归方程的参数估计原理0 1 p一样，仍可采用最小二乘估计。对于y二邓+8,所谓最小二乘法，就是寻找参数Po，P ， P 的估计值，使离差平方和 Q（P ， P ， P ）极小，即:1po 1p最小二乘估计要寻找几k H r 瓦使得（几min（7； fi） 陀込一 2Xi2dQdQ2g （儿-A-炉;；F.j J-0ocfft*- j经整理后得用矩阵形式表示
12、的正规方程组XUy X0 = 0移项得丘祁=卫y当卩勾存 在时，即得回归参数的量小二乘估计丸R = （X X）_1K74.SAS程序及结果输出4.1 建立数据集，进行相关分析程序1data a;input year y x1-x6;cards;19852004.823619.59716675.11058.513801.4443.6519862122.01401311194808.071075.074374471.419872199.354675.713813954.6510935115420.919882357.245865.3182251131.651110.266534.6 508.719
13、892664.96534.7 220171282.981127.047074.2469.9119902937.17662.1 239241345.011143.337250.3384.7419913149.488157266251564.331158.238245.7 554.729704.8 513.3312462.1488.291992 3483.379084.7 34599 2174.441171.711993 4348.9510995.548402 3253.5 1185.171198.5 16264.7550.431267.4320620546.881994 5218.1 15750.570176 4653.321995 6242.2 20340.991894 5793.75200321715.2529691.814771.223083.871292.2745842545.0619967407.9922353.7995958282.25
