基于回归分析法的高校科技产出能力影响因素分析与预测研究.docVIP

基于回归分析法的高校科技产出能力影响因素分析与预测研究 　　摘 要： 首先梳理出科技产出能力的所有可能的影响因素，并在数据可获得的前提下，以2000-2008年为时间维，采集科技产出能力及其影响因素的相关数据，然后对科技产出能力及其影响因素之间的相互关系进行回归分析，并利用多元线性回归分析方法从所有相关因素中筛选出影响程度较高的因素，构建科技产出能力的影响因素与预测模型，并对模型进行检验。 中国论文网 /9/view-7226990.htm 　　关键词： 回归分析法 科技产出能力 影响因素分析 预测研究 　　一、回归分析理论简介 　　回归分析方法是多元统计分析的各种方法中应用最广泛的一种。它是处理多个变量间相互依赖关系的一种数理统计方法。 　　1.多元线性回归 　　多元统计分析是运用数理统计方法来研究解决多指标问题的理论和方法。多元回归分析方法是根据实际问题的要求，在众多相关变量中，考查其中一个或几个变量与其余变量的依赖关系。 　　2.多元线性回归模型 　　称此模型为经典多元线性回归模型，其中Y是可观测的随机向量，？藓是不可观测的随机向量，C是已知矩阵，β，σ是未知参数，并设nm，且rank（C）=m+1. 　　3.回归预测的步骤 　　第一步：获取自变量和因变量的观测值。 　　第二步：绘制XY散点图。 　　第三步：写出带未知参数的回归方程。 　　第四步：确定回归方程中参数值。 　　第五步：判断回归方程的拟合优度。 　　第六步：进行预测。 　　4.回归模型的检验 　　（1）判定系数R 　　用来判断回归方程的拟合优度，通常可以认为当R大于0.9时，所得到的回归曲线拟合得较好，而当R小于0.5时，所得到的回归曲线很难说明变量之间的依赖关系。 　　（2）t统计量 　　如果对于某个自变量，其t统计量的p值小于显著水平（或称置信度、置信水平α），则可认为该自变量与因变量是相关的。 　　（3）F统计量 　　如果F统计量的P值小于显著水平（或称置信度、置信水平），则可认为方程的回归效果显著[1]。 　　二、回归分析法的应用 　　本文根据黑龙江省高校2000-2008年的理工类科技数据进行回归分析，文中数据来源于《历年统计年鉴》。我们将研究2000-2008年中影响黑龙江省高校科技产出能力的因素并作出回归模型，以便于预测其他年份的科技产出能力。 　　文中高校的科研产出能力用高校当年产出的论文与著作的加权和衡量，高校当年的经费使用情况我们采用当年经费支出的数据[3]。我们用Y来表示黑龙江省21所高校科技产出能力（单位：项），为黑龙江省21所高校当年经费支出总数（单位：百元），为黑龙江省高校当年投入的人员总数（单位：人）。把这九年的数据录入到SAS中，输出结果见表1[2]。 　　表1 输出结果 　　The REG Procedure 　　Model：MODEL1 　　Dependent Varible：y 　　Analysis of Variance 　　Sourc DF Sum of Squares Mean Square F Value prF 　　Model 223227079 11.61 0.0087 　　Error 62000482 　　Corrected Total 8 　　Root MSE 1414.38400 R-Square 0.7947 　　Dependent Mean 9727.88889 Adj R-Sq 0.7262 　　Coeff Var 14.53948 　　Parameter Estimates 　　Parameter Standard 　　Variable DF Estimate Error t Value pr|t| 　　Intercept 1 -348.67105 4372.23945 -0.80 0.4566 　　X1 1 0.00400 04.82 0.0030 　　X2 1 0.23290 0.11848 1.97 0.0969 　　表1的输出结果中截距项的p值为0.4566大于显著性水平α，显著性水平α取为0.05，截距项在模型中不显著，可以将截距项去掉，修改程序重新拟合模型，输出结果见表2。 　　表2 输出结果 　　The REG Procedure 　　Model：MODEL1 　　Dependent Varible：y 　　Analysis of Variance 　　Sourc DF Sum of Squares Mean Square F Value prF 　　Model 1 896874210 2095.20175