多元线性回归分析在粮食产量预测中的应用.docVIP

. 多元线性回归分析在粮食产量预测中的应用 摘要 ：本文主要介绍了如何用 SPSS软件，运用多元线性回归的方法对中国 1991至 2010 年度的粮食产量进行处理分析和预测。 首先导入数据建立回归方程， 然后对回归方程进 行了显著性检验和残差分析，并对粮食产量进行了预测。 关键词 :多元回归分析 粮食产量预测 SPSS 多元线性回归 引言 回归分析是统计学的一个重要分支，它基于观测数据建立变量之间的某种依赖关 系，分析数据的内在规律， 并可用于预测等方面。 常用的粮食产量数据处理方法有回归分析法、时间序列分析法、灰色系统分析法等。而回归分析法是在获得大量粮食产量、 粮食播种面积、 自然灾害对农田的影响面积以及机械化农耕的数据的基础上， 利用多元统计的方法建立自变量和因变量之间的回归关系， 并对所建立的模型进行检验， 以通过回归模型进行预测，对粮食安全形势的预警有着至关重要的作用。 本文在介绍多元线性回归的基本原理、 方法的基础上， 将其引入变形监测的数据处理中，接着说明了回归方程的建立、 回归方程的显著性和回归系数的显著性， 最后结合实例数据处理分析，说明回归分析在粮食产量数据处理中的应用是可行的。 多元线性回归模型 （1）多元线性回归分析是研究一个变量 (因变量 )与多个因子（自变量）之间非确定关系（相关关系）的最基本方法。设 y是一个可观测的随机变量，它受到 p个随机因素的 影响，其数学模型为 yt0 1 xt 1 2 xt 2 L p x tp t 式中：（ t 1, 2,L , n ） , t ~ N 0, 2 1,L , ， 0 ， p 是待定参数； 是随机变量，它表示出 x以外其它随机因素对 y影响的总和；其中称 E ( y )01 x t 12 x t 2Lp x tp 为理论回归方程。 （2）多元线性回归方程中的未知参数一般采用最小二乘法进行估计，即选择 0 ， 精选文本 . 1 , L , p 使误差平方和 Q= 最小。然后利用微积分的极值求法， 由最小二乘原 理可求得 的估值，在求得多元线性回归方程后，还需要对其进行统计检验。 应用多元线性回归进行案例分析 3.1研究背景及相关数据 2010年全球粮食产量约在 22.8亿吨，接近 2008-2009年度的 22.82亿吨，比 2009-2010年 度的粮食产量提高 1.2%。调查显示，中国粮食产量占据世界粮食产量的首位。 2009年全 球粮食作物产量将低于上次预估， 因部分主要出产国收成下降， 不过库存充实将支撑整 体供给。中国 1991至2010年度的粮食产量、粮食耕种面积、自然灾害成灾面积和农用机 械总动力的相关数据如下： 表 3-1 1991-2010主要农业数据 年份 粮食产量（万吨） 粮食作物（千公顷） 成灾面积（千公顷） 农用机械总动力 (万千瓦 ) 1991 43529.3 112314 27814 29388.6 1992 44265.8 110560 25893 30308.4 1993 45648.8 110509 23134 31816.6 1994 44510.1 109544 31382 33802.5 1995 46661.8 110060 22268 36118.1 1996 50453.5 112548 21234 38546.9 1997 49417.1 112912 30307 42015.6 1998 51229.5 113787 25181 45207.7 1999 50838.6 113161 26734 48996.1 2000 46217.5 108463 34374 52573.6 2001 45263.7 106080 31793 55172.1 2002 45705.8 103891 27160 57929.9 2003 43069.5 99410 32516 60386.5 2004 46946.9 101606 16297 64027.9 2005 48402.2 104278 19966 68397.8 2006 49804.2 104958 24632 72522.1 2007 50160.3 105638 25064 76589.6 2008 52870.9 106793 22283 82190.4 精选文本 . 2009 53082.1 108986 21234 87496.1 2010 54647.7 109876 18538 92780.5 3.2利用 SPSS进行数据分析 首先将观测数据导入 SPSS18.中0，在 SPSS变量视图中创建粮食产量（万吨）、粮食 作物（千公顷）、成灾面积（千公顷）、农用机械总动力 (万千瓦 )四个变量，然后再从 数据视图窗口导入数据