基于全国主要城市平均气温的统计解析.doc

基于全国主要城市平均气温的统计分析 摘要 本文主要采用2012年全国主要城市平均气温的统计数据，首先通过相关分析对全国主要城市的平均气温进行简单的相关分析，然后在控制平均气温的基础上对个月平均气温进行偏相关分析；其次运用聚类分析对各相似省份进行聚类分析；最后运用因子分析对各城市进行因子分析，计算出每个城市的综合得分，通过综合得分计算出每个城市平均气温的排名。 关键词：相关分析；聚类分析；因子分析 研究背景及目的 全球气温变暖为世人所瞩目，近几十年来的全球气候变暖是一个国内外都非常关注的重大问题。自从全球气温变暖的议题出现以来，关于气温的不正常变化仁者见仁，智者见智。气温的变化对农作物，人们的生活及经济的运行都有重要的影响。全世界的气温研究工作者都研究出了许多关于气温的结论，但都有一个共性即全球气温变暖。然而我国跨北纬4度到北纬53度，从东经73度到东经135度，具有比较丰富的气候和比较多变的气温，因此对我国气温的研究具有很重要的意义。 在此大背景下，对我国气温的研究不仅能说明我国气温的分布和变化，同时对世界气温的研究同样具有重要作用。 本文的研究目的如下：通过对我国主要城镇平均气温的研究和分析，一方面可以得出我国各市平均气温与全国平均气温差异；另一方面也可以给我们以后的就业进行指导，在适宜的季节去适宜的城市工作。 2、研究方法 气温的变化不仅能促进经济的发展，同时也能阻碍经济的发展。据此我们通过全国各主要城市每个月份的平均气温对我国气温的分布情况进行分析。 本研究采用的数据是《中国2012年主要城市平均气温的数据指标》，数据摘自《中国统计年鉴2013》7-7. 采用的分析方法主要有相关分析，聚类分析，因子分析等。 基本思路是：首先利用线图分析各个月份平均气温的分布，然后利用条形图分析全国主要城市平均气温的对比，得出平均气温最高和最低的城市；然后利用因子分析对各个月份的平均气温进行相关分析；其次利用聚类分析对各个城市在不同气温下的类别；再次利用因子分析对构成平均气温的各各月平均气温提取公因子；最后使用一些简单的SPSS数据处理技巧依据提出的公因子对各城市进行分类及排序。 3、实证分析 由于从国家统计局网站下载的数据为EXCEL格式，可以将数据导入成SPSS数据，我们共设置了14个变量，分别是“城市”、“@1月”、“@2月”、“@3月”、“@4月”、“@5月”、“@6月”、“@7月”、“@8月”、“@9月”、“@10月”、“@11月”、“@12月”和“年平均气温”。 样本是中国2012年全国重要城市平均气温的主要数据。数据参见附表1。 3.1、画基本图形 图1 通过图1可以看出全国平均的月份气温最低在0度左右，最高在25度左右，说明全国平均月份气温比较温和。 图2 条形图反映的是各个城市的年平均气温的情况，最高的为海口，最低的为哈尔滨，比较符合现实的气温分布。 3.2、相关分析 对于相关分析主要有以下几部分； 对每个季度的平均气温进行简单相关分析； 在控制年平均气温的情况下，再分别对各季度的平均气温进行偏相关分析。 3.2.1各季度平均气温的相关分析 图3 相关性 1月 2月 3月 1月 Pearson 相关性 1 .989** .981** 显著性（双侧） .000 .000 N 31 31 31 2月 Pearson 相关性 .989** 1 .984** 显著性（双侧） .000 .000 N 31 31 31 3月 Pearson 相关性 .981** .984** 1 显著性（双侧） .000 .000 N 31 31 31 **. 在 .01 水平（双侧）上显著相关。 图3显示的是1月、2月和3月的平均气温的相关性，可以看出这三个月的相关性比较明显。通过这三个月的相关分析我们容易得到其他三个季度的气温也具有比较强的相关性。 3.2.2各个季度平均气温的偏相关分析 图4 相关性 控制变量 1月 2月 3月 年平均 1月 相关性 1.000 .913 .724 显著性（双侧） . .000 .000 df 0 28 28 2月 相关性 .913 1.000 .859 显著性（双侧） .000 . .000 df 28 0 28 3月 相关性 .724 .859 1.000 显著性（双侧） .000 .000 . df 28 28 0 在控制年平均气温的情况下第一季度个月平均气温的相关性有所下降，但是没有改变它们的相关性。说明各个季度各个月份的平均气温都具有非常强的相关性。 图5 图5表示的是各个月份平均气温的相关图，可以看出每个月份之间的相关性都非常好。 3.3聚类分析 图6 图7 图8 聚类成员 案例号