基于spss的城市环境竞争力差异绪论.docx

案例1 用PPI预测CPI 为研究CPI和PPI的关系，在中经网统计数据库，收集了1991年到2014年有关CPI和PPI的数据，并利用一般线性回归分析方法进行研究。被解释变量为CPI ，解释变量为PPI，最终的回归方程为：CPI=0.749×PPI+26.711，可利用该模型对CPI 进行预测。具体分析结果如下所示。 表1 关于CPI的线性回归分析结果（一） 模型汇总b模型RR 方调整 R 方标准 估计的误差1.873a.763.7523.0511a. 预测变量: (常量), PPI。b. 因变量: CPI由表1 可知：该模型的判定系数为0.873，回归方程的估计标准误差为3.0511。说明CPI和PPI的线性关系较强，该线性回归方程的对样本数据点的拟合优度较高。 表2 关于CPI的线性回归分析结果（二） Anovab模型平方和df均方FSig.1回归659.2921659.29270.820.000a残差204.806229.309总计864.09823 由表2可得：该模型的总离差平方和为864.098，回归平方和位659.292，剩余平方和为204.806，回归方程的显著性检验的F统计量的观测值为70.820，其对应的概率P-值近似为0。若显著性水平α为0.05，因概率P-值小于α，拒绝回归方程显著性检验的原假设，即回归系数不为0，解释变量和被解释变量之间存在显著的线性关系，选择该模型具有合理性。 表3 回归方程系数显著性检验 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)26.7119.2702.882.009PPI.749.089.8738.415.000由表3可知：PPI的回归系数显著性检验的t统计量观测值为8.415，概率P-值近似为0，所以应拒绝原假设，认为PPI和CPI有显著线性关系。可利用该模型对CPI 进行预测。 图1 回归标准化残差的P-P图 图2 回归标准化残差 由图1和图2可知：残差基本上服从以0为均值的正态分布。 图3 异方差分析图 由图3可知：不存在明显的异方差现象。因此最终的回归方程为： CPI=0.749×PPI+26.711，可利用该模型对CPI 进行预测。 案例2 对人均GDP水平进行预测 为研究某地区进出口总额，固定资产投资额，社会消费品零售总额以及人口数，对当地人均GDP水平的影响，现收集我国2014年各省市以上五个方面的数据，并利用多元线性回归分析方法，对解释变量采用逐步筛选策略进行研究，可得回归方程人均GDP=4.447×社会消费品零售总额-9.780×年末总人口+54717.798，可利用该方程对人均GDP进行预测。具体分析结果如下所示： 表1 模型汇总 模型RR 方调整 R 方标准 估计的误差更改统计量Durbin-WatsonR 方更改F 更改df1df2Sig. F 更改1.474a.225.19819774.7950.2258.404129.0072.576b.332.28418677.5933.1074.507128.0433.751c.565.51615359.1655.23214.406127.0014.751d.564.53315084.9515.000.009127.9251.832a. 预测变量: (常量), 进出口总额。b. 预测变量: (常量), 进出口总额, 年末总人口。c. 预测变量: (常量), 进出口总额, 年末总人口, 社会消费品零售总额。d. 预测变量: (常量), 年末总人口, 社会消费品零售总额。e. 因变量: 人均GDP 由表1可知：模型4是包含年末总人口和社会消费品零售总额的二元线性回归方程，且标准估计的误差最小，从拟合优度角度看，模型4的拟合效果最佳。此外，DW值为1.832，接近于2，残差序列无自相关，选择该回归模型是合适的。 表2 回归方程拟合优度检模型平方和df均方FSig.1回归3.286E913.286E98.404.007a残差1.134E10293.910E8总计1.463E10302回归4.859E9