第11章-相关分析与回归分析.docxVIP

11.5 一家物流公司的管理人员想研究货物的运输距离和运输时间的关系，为此，他抽出了 公司最近10个卡车运货记录的随机样本，得到运送距离 （单位：km）和运送时间（单位：天） 的数据如下： 运送距离x 825 215 1 070 550 480 920 1 350 325 670 1 215 运送时间y 3.5 1.0 4.0 2.0 1.0 3.0 4.5 1.5 3.0 5.0 要求： （1） 绘制运送距离和运送时间的散点图，判断二者之间的关系形态： （2） 计算线性相关系数，说明两个变量之间的关系强度。 ⑶利用最小二乘法求出估计的回归方程，并解释回归系数的实际意义。 解:(1)2505007501000 解: (1) 250 500 750 1000 1250 x运送距离（km 可能存在线性关系。 相关性 x运送距离（km ） y运送时间（天） x运送距离（km ）Pearson 相关性 1 .949（ x运送距离（km ） 显著性（双侧） 0.000 10 N 10 y运送时间（天） Pearson相关性 .949(**) 1 显著性（双侧） 0.000 N 10 10 **.在.01水平（双侧）上显著相关。 有很强的线性关系。 （3） 系数（a） 非标准化系数 标准化系数 模型 B 标准误 Beta t 显著性 1 （常量） 0.118 0.355 0.333 0.748 x运送距离（km） 0.004 0.000 0.949 8.509 0.000 a.因变量：y运送时间（天） 回归系数的含义：每公里增加 0.004天。 11.6下面是7个地区2000年的人均国内生产总值（GDP ）和人均消费水平的统计数据: 地区 人均GDP（元） 人均消费水平（元） 北京 22 460 7 326 辽宁 11 226 4 490 上海 34 547 11 546 江西 4 851 2 396 河南 5 444 2 208 贵州 2 662 1 608 陕西 4 549 2 035 要求: （1） 人均GDP作自变量，人均消费水平作因变量，绘制散点图，并说明二者之间的关系 形态。 （2） 计算两个变量之间的线性相关系数，说明两个变量之间的关系强度。 （3） 利用最小二乘法求出估计的回归方程，并解释回归系数的实际意义。 （4） 计算判定系数，并解释其意义。 （5） 检验回归方程线性关系的显著性 （a=0.05）。 （6） 如果某地区的人均 GDP为5 000元，预测其人均消费水平。 人均消费水平{元（7） 求人均GDP为5 000元时，人均消费水平 95 %的置信区间和预测区间。 解: （1 ） 人均消费水平{元 12000 10000 - ） 8000 6000 一 4000 2000 一 10000 20000 人均GDP(元) 30000 40000 可能存在线性关系。 （2 ）相关系数： 相关性 人均GDP （元） 人均消费水平（元） 人均GDP （元） Pearson相关性 1 .998(**) 显著性（双侧） 0.000 N 7 7 人均消费水平（元） Pearson相关性 .998(**) 1 显著性（双侧） 0.000 N 7 7 **在.01水平（双侧）上显著相关。 有很强的线性关系。 （3）回归方程: 系数（a） 模型 非标准化系数 标准化系数 t 显著性 B 标准误 Beta 1 （常量） 734.693 139.540 5.265 0.003 人均GDP （元） 0.309 0.008 0.998 36.492 0.000 a.因变量：人均消费水平（元） 回归系数的含义：人均 GDP没增加1元，人均消费增加 0.309元。 （4） 模型摘要 模型 R R方 调整的R方 估计的标准差 1 .998(a) 0.996 0.996 247.303 a.预测变量:（常量），人均GDP （元） 人均GDP对人均消费的影响达到 99.6% 。 （5）F检验: ANOVA(b) 模型 平方和 df 均方 F 显 1 回归 81,444,968.680 1 81,444,968.680 1,331.692 残差 305,795.034 5 61,159.007 合计 81,750,763.714 6 预测变量:（常量），人均GDP （元） 因变量：人均消费水平（元） 回归系数的检验：t检验 系数（a） 模型 非标准化系数 标准化系数 t 显著性 B 标准误 Beta 1 （常量） 734.693 139.540 5.265 0.003 人均GDP （元） 0.309 0.008 0.998 36.492 0.000 a.因变量：人均消费水平（元） （6） 某地区的人均 GDP为5 000元，预测其人均消费水平为 2278