{生产管理知识}国内生产总值分析.docxVIP

金融07班 SAS论文 {生产管理知识}国内生产总值分析  从上图的正态检验看，Shapiro-Wilk的W值为0.647778太小，其检验的显著性水平小于α值0.05，即拒绝原假设H0假设，表明数据基本上不属于正态分布。因此，我们可以得出第一产业自1952年——1998年，其数据不属于正态分布。 （如果数据呈现正态性，正态概率图中的*点应该覆盖+号，因为*号线表示数据实际的“分布线”，“+”号线表示理论上要求的“正态线”）因此，得出第一产业的自1952至1998年的数据为非正态分布。 2.2.2第二产业正态分布检验 （第二产业正态检验数据） 从上图的正态检验看，Shapiro-Wilk的W值为0.58483太小，其检验的显著性水平小于α值0.05，即拒绝原假设H0假设，表明数据不属于正态分布。 （第二产业正态分布检验图） （如果数据呈现正态性，正态概率图中的*点应该覆盖+号，因为*号线表示数据实际的“分布线”，“+”号线表示理论上要求的“正态线”）因此，第二产业的自1952至1998年的数据为非正态分布。 2.2.3第三产业正态分布检验 （第三产业正态检验数据） 从上图的正态检验看，Shapiro-Wilk的W值为0.591922太小，其检验的显著性水平小于α值0.05，即拒绝原假设H0假设，表明数据不属于正态分布。 （第三产业正态检验图） （如果数据呈现正态性，正态概率图中的*点应该覆盖+号，因为*号线表示数据实际的“分布线”，“+”号线表示理论上要求的“正态线”）因此，得出第三产业的自1952至1998年的数据为非正态分布。 2.3双因素方差分析 从图中，我们可以得知：a、模型的显著水平α=0.050.0001，非常显著，模型效果好。 b、图中的i因素一行，显著水平α=0.050.0001，非常显著，所以，有足够充分的理由拒绝原假设H0，说明各年之间有显著的差异。 同理，我们分析道，对于g行显著水平α=0.050.1313,显著性不好。同时，我们也观察到R-Square值为0.98466，说明总体方差有98.466%是来自组间变异，非常理想。 综上所述，每年各产业之间的具有显著的差异。 2.4皮尔逊相关系数分析 为了了解第一、二、三产业与国内生产的相关性，于是进行了其进行了皮尔逊相关系数分析，同时，通过对三大产业与国内生产总值的相关性的分析，为后面做关于国内生产总值的回归奠定基础。分析结果如下： 如图所示，国内生产总值也第一产业的相关系数为：0.99591，且“当H0：Pho=0时，Prob|r|”的概率值0.00010.05，非常显著，所以第一产业与国内生产总值有非常强的皮尔逊相关。同理，国内生产总值也第二产业的相关系数为：0.99925，且“当H0：Pho=0时，Prob|r|”的概率值0.00010.05，非常显著，所以第二产业与国内生产总值有非常强的皮尔逊相关。国内生产总值也第三产业的相关系数为：0.99873，且“当H0：Pho=0时，Prob|r|”的概率值0.00010.05，非常显著，所以第一产业与国内生产总值有非常强的皮尔逊相关。 综上所述，三大产业与国内生产总值有非常强的皮尔逊相关性。 2.5回归分析 令国内生产总值为Y，其中第一产业为,第二产业为。设：国内生产总值的函数为： 结果分析： 方差分析的统计量 Model的SumofSquare：回归平方和（SSR）=1，误差平方和（SSE）=8，总平方和（SST）=，三者的自由度分别为：2、44、46。回归平方和得均值（MSR）=175，误差平方和均值（MSE）=234821。实际的F值=40290.4，其概率0.00010.05，非常显著。此结论说明，模型拟合数据，回归模型好。 判断系数R-Square:R-Square=0.999454。 所以说明当前有99.94%是来自于第一、二产业水平的变化。因此，选择第一、二产业做自变量是合理的。 RootMSE：等于SQRT（MSE）=SQRT（234821）=484.5837。 C·V值：偏差，表示总体的变异性，C·V=（ROOTMSE/MEAN）*100=（234821/12177.14）*100=3.979455 TypeISS：表示第一类型的平方和，即：一个自变量分别入选到回归模型的MODEL的平方和（SSR）的增值。第一产业（firs）所能解释的平方和为，而第二产业（seco）所能解释的平方和为：75。可见，预先进入回归模型的自变量，比以后进入的回归模型的自变量大得多。 TypeIIISS：表示，在在计算每个变量的平方和时，先排除其他自变量的影响，由此获得的平方和称为“偏方和”，也称为第三类型的平方和。此次回归中，第一产业（firs），第二产业（seco）自变量的偏平方和分别为：6.0和75