数理统计课程设计(一元线性回归)

二氧化碳吸附量与活性炭孔隙结构的线性回归分析

摘要：本文搜集了不同孔径下不同孔容的活性炭与CO2吸附量的实验数据。分别以同一孔径下的不同孔容作为自变量，CO2吸附量作为因变量，作出散点图。选取分布大致呈直线的一组数据为拟合的样本数据。对样本数据利用最小二乘法进行回归分析，参数确定，并对分析结果进行显著性检验。同时利用matlab 的regress 函数进行直线拟合。结果表明:孔径在3. 0～ 3. 5 nm 之间的孔容和CO2吸附量之间存在较好的线性关系。

关键字：活性炭 孔容 CO2吸附量 matlab

一、问题分析

1.1.数据的收集和处理

本文主要研究同一孔径的孔容的活性炭和co2吸附量之间的线性关系，有关实验数据是借鉴张双全，罗雪岭等人的研究成果[1]。以太西无烟煤为原料、硝酸钾为添加剂,将煤粉、添加剂和煤焦油经过充分混合后挤压成条状,在600℃下炭化15 min,然后用水蒸气分别在920℃和860℃下活化一定时间得到2组活性炭,测定了CO2吸附等温线,探讨了2组不同工艺制备的活性炭的CO2吸附量和孔容的关系.数据如下表所示：

表1：孔分布与CO2吸附值

编号1~12是在不同添加剂量，温度，活化时间处理下的对照组。因为处理方式不同得到不同结果是互不影响的，可以看出CO2的吸附量的值是互相独立的。我们将不同孔径下的孔容分为1~7组。

编号

孔容/(11

10L g μ--?)

CO2吸附量

1/()mL g -? 0.5~0.8nm 0.8~1.2nm 1.2~1.8nm 1.8~2.2nm 2.2~2.2nm 2.5~3.0nm 3.0~3.5nm 1 7.18 16.2 24.4 75.2 70 96 115 64 2 6.59 14.4 18.4 53.7 50 85.6 91 55.1 3 4.54 11 18.9 71 65 78.3 91 53.7 4 5.13 13.4 29.9 10.3 90 76 122 53.7 5 4.16 10.5 18.9 83.8 78 80.5 113 61.7 6 4.92 12.1 23.4 81.6 72 56 99 53.6 7 5.08 12.6 23.8 93.5 86 77.8 122 65.5 8 5.29 13 25.1 88.4 69 66.4 107 57.7 9 7.47 16.9 26.9 46.4 78 93.2 107 58.2 10 5.44 13 21.4 44.1 91 98.6 137 76.6 11 1.81 64.6 18.3 53.1 114 110 142 75 12

1.24

27.7

39.5 126 114 98.6 183 98.7

作出不同孔径下与CO2吸附量的散点图如下：

2

46

8

406080100

孔容

C O 2吸附量

1020

30

4050

60

70

406080100

孔容

C O 2吸附量

1520

2530

35

40

406080100

孔容

C O 2吸附量

50

100

150

406080100

孔容

C O 2吸附量

4060

80100

120

406080100

孔容

C O 2吸附量

50

60

70

8090

100

110

406080100

孔容

C O 2吸附量

80

100

120

140160

180

200

406080100

孔容

C O 2吸附量

图1：不同孔容与CO2吸附量的散点图

图1中从左往右依次是第1到第7组孔容，从图中可以看出第五、六、七组的点大致分散在一条直线附近，说明两个变量之间有一定的线性相关关系。且自变量的变化导致因变量CO2的浓度变化，因变量变化具有独立性。我们就选取第七组的数据进行回归分析。

112101()()?()??n

i i i n

i i x x y y x x y x

βββ==?

--?

?=??-??=-??∑∑

二、问题假设

1.假设误差分布服从正态分布。

2.为了简化模型，便于回归分析，我们不考虑实验中各种因素对活性炭吸附的影响，考虑孔容与co2吸附量的数据之间的线性关系。

三、模型建立

3.1.回归参数的引进

回归函数()(|)y f x E Y X x ===是线性函数的回归分析称为线性回归，当可控制变量只有一个时，即回归函数为01()y f x x ββ==+，那么

称为一元线性回归模型，上式称为Y 对x 的一元线性回归方程或者一元线性回归直线，0β、1β称为回归系数，常数0β、1β、2σ均未知。 3.2回归方程的构建

由于总体回归方程01()y f x x ββ==+中的参数0β、1β在实际中并不知

道，需要通过样本值对它们进行估计，得到估计值0?β，1?β，从而得到样本回归方程01??Y x ββ=+，此样本方程可用作总体回归方程()(|)y f x E Y X x ===的估计。

通常可用最小二乘法估计得到公式

由于总体回归方程01()y f x x ββ==+中的参数0β、1β在实际中并不知

道，需要通过样本值对它们进行估计，得到估计值0?β，1?β，从而得到样本回归方程01??Y x ββ=+，此样本方程可用作总体回归方程()(|)y f x E Y X x ===的估计。

通常可用最小二乘法估计得到公式

012

(0,)

Y x N ββεεσ=++??? (1)

(2)

()

2

22e S n σ=-101?/??xy xx l l y x

βββ?=??=-??其11n i i x x n ==∑，11n

i i y y n ==∑,记

12

112xy i i i l x y x y

==-?∑= ,

12

2

2

1

12xx i i l x x

==-∑

12

22

1

12yy i i l y y ==-∑

1?/xy xx

l l β=

01

?y x ββ=- 2?e T R xx xx S S S l l β=-=- 可得

2.3求一定孔容下的CO2的吸附量的回归直线方程

利用matlab 对数据进行计算，结果如下表所示:

实验编号

孔容i x

CO2吸附量

i y

2i x 2i y i i x y

1 115 64 13225 4096 7360

2 91 55.1 8281 3036.01 5014.1

3 91 53.7 8281 2883.69 4886.7

4 122 53.7 14884 2883.69 6551.4

5 113 61.7 12769 3806.89 6972.1

6 99 53.6 9801 2872.96 5306.4

7 122 65.5 14884 4290.25 7991

8 107 57.7 1144

9 3329.29 6173.9 9 107 58.2 11449 3387.24 6227.4 10 137 76.6 18769 5867.56 10494.2 11 142 75 20164 5625 10650 12 183 98.7 33489 9741.69 18062.1 ∑

1429

773.5

177445

51820.27

95689.3

表2：孔容与C02吸附度的回归计算

讲结果代入上上述公式可得下列计算表：

(3)

表3：回归参数的计算表

由此可得线性回归方程为：

0.49 5.88y x =+

四、回归方程的显著性检验

对回归方程是否有意义做判断就是对如下的检验问题做出判断：

01:0H β= vs 11:0H β≠

拒绝域0H 表示回归方程是显著的。利用F 检验对参数进行检验。经计算有

T yy S l ==63.77

11

T f =

21R xx S l β==48.42 1R f = e T R S S S =-=15.35 10e f =

4.1F 值检验

取显著水平α=0.05，其拒绝域为：

i x ∑=1429.00

n=12

i y ∑=773.50

x =119.08

y =64.46

2i

x

∑=177445.00

i i x y ∑=95689.30

2i

y

∑=51820.27

2nx =2129340.00

n x y ??=1148271.60

2ny =621843.24

xx l =7274.92 xy l =3578.34

yy l =1961.75

e S =201.66

2σ=63.77

1/xy xx l l β==0.49

01

?y x ββ=-=5.88

（4） （5）

（6） （7）

（8）

1(1,10)F F α-≥

查表可得拒绝域的值为： 4.96F ≥ 计算得87.28/(2)

R

e S F S n =

=-，远远大于F 的临界值，说明拒绝原假设，原

假设不成立，自变量和因变量有着显著的线性关系。 4.2.p 值检验

将（6)(7)(8)中的各平方和和自由度移入方差分析表，继续进行计算可得：

来源 平方和 自由度 均方 F 比 P 值 回归 残差 总计 1760.093 1 1760.093 87.282 0.000b

201.656 10 20.166

1961.749 11

这里p 值很小，因此，在显著性水平0.01下回归方程是显著的。

五、计算方法的涉及和计算机的实现

4.1用matlab 拟合直线：

先将数据以txt 格式保存，再用dlmread 读取ASCII 码文件。调用matlab 中的regress 多元线性回归函数（代码见附录），对12个样本数据进行拟合，作出散点图和直线拟合图在一张图上如下：

90

100

110

120

130

140150

160

170

180

190

50556065707580859095100图2：孔容和CO2吸附量的直线拟合

孔容

C O 2吸附量

从图中可以看出样本点大致分布在直线附近,拟合效果比较好。

4.2直线参数的估计值的置信区间以及三种检验

利用regess函数求出参数的估计值和置信区间以及参数的检验统计量（设置α=0.05）如下：

图3：用matlab计算的参数值和检验值。

其中，R^2=0.8972指因变量（CO2吸附度）有89.7%可由模型确定，F的值远远超过F的临界值。P远小于α，因而模型从整体上看是可用的。

六、主要的结论

孔容和CO2吸附量之间存在线性关系,经过显著性检验,线性方程回归效果较好,即线性方程能基本描述孔径范围3. 0～ 3. 5 nm的活性炭孔容和CO2吸附量

七、参考文献

[1]张双全,罗雪岭,郭哲,董明建,岳晓明. CO2吸附量与活性炭孔隙结构线性关系的研究[J]. 中国矿业大学学报. 2008(04)

附录

Matlab制作散点图：

M=dlmread('co2.txt');%读取ASCII码文件

for i=1:1:7

subplot(4,2,i)

x1=M(:,i); y=M(:,8);

plot(x1,y, 'bo');

xlabel('孔容'),ylabel('CO2吸附量');

end

Matlab直线拟合：

clc; format short g;

M=dlmread('co2.txt');%读取ASCII码文件

x1=M(:,7); y=M(:,8);

plot(x1,y, 'bo');

b=regress(y,[ones(size(x1)),x1]); % b=[β0 β1] '，列向量

x1=sort(x1); %按升序排序，用于画图

y=[ones(size(x1)),x1]*b;%使用矩阵乘法

hold on;

plot(x1,y, '-r');

title('图2：孔容和CO2吸附量的直线拟合')

xlabel('孔容');

ylabel('CO2吸附量');

hold off;

Matlab参数估计：

clc; format compact; format short g;

M=dlmread('co2.txt');%读取ASCII码文件

x1=M(:,7); y=M(:,8);

[b,bint,r,rint,stats]=regress(y,[ones(size(x1)),x1],0.05);

fprintf('%2s%5s%11s\n','参数','估计值','置信区间');%1个汉字算1个字符

for i=1:length(b)

fprintf ('β%1d%9.4f [%7.4f, %7.4f]\n',i-1,[b(i,:),bint(i,:)]); end% %d将i当整数输出，%7.4f按实数格式输出，区域宽7个字符，4位小数

fprintf('\nR^2=%.4f F=%.4f p<%.4e s^2=%.4f\n',stats);

excel一元及多元线性回归实例

野外实习资料的数理统计分析 一元线性回归分析 一元回归处理的是两个变量之间的关系，即两个变量X和Y之间如果存在一定的关系，则通过观测所得数据，找出两者之间的关系式。如果两个变量的关系大致是线性的，那就是一元线性回归问题。 对两个现象X和Y进行观察或实验，得到两组数值：X1，X2,…，Xn和Y1，Y2，…，Yn,假如要找出一个函数Y=f(X),使它在 X=X1,X2, …,Xn时的数值f(X1),f(X2), …,f(Xn)与观察值Y1，Y2，…，Yn趋于接近。 在一个平面直角坐标XOY中找出（X1，Y1），（X2，Y2），…，（Xn，Yn）各点，将其各点分布状况进行察看，即可以清楚地看出其各点分布状况接近一条直线。对于这种线性关系，可以用数学公式表示： Y = a + bX 这条直线所表示的关系，叫做变量Y对X的回归直线，也叫Y对X 的回归方程。其中a为常数，b为Y对于X的回归系数。 对于任何具有线性关系的两组变量Y与X，只要求解出a与b的值，即可以写出回归方程。计算a与b值的公式为：

式中：为变量X的均值，Xi为第i个自变量的样本值，为因变量的均值，Yi为第i个因变量Y的样本值。n为样本数。 当前一般计算机的Microsoft Excel中都有现成的回归程序，只要将所获得的数据录入就可自动得到回归方程。 得到的回归方程是否有意义，其相关的程度有多大，可以根据相关系数的大小来决定。通常用r来表示两个变量X和Y之间的直线相关程度，r为X和Y的相关系数。r值的绝对值越大，两个变量之间的相关程度就越高。当r为正值时，叫做正相关，r为负值时叫做负相关。r 的计算公式如下： 式中各符号的意义同上。 在求得了回归方程与两个变量之间的相关系数后，可以利用F检验法、t检验法或r检验法来检验两个变量是否显著相关。具体的检验方法在后面介绍。

多元线性回归模型练习题及答案.doc

ESS&i-k)A RSS[(k -1) ESS /(SI)I). TSS/(n-k) 多元线性回归模型练习 一、单项选择题 1. 在由〃 =30的一组样本估计的、包含3个解释变量的线性回归模型中，计算 得可决系数为0.8500,则调整后的可决系数为（D ） A. 0. 8603 B. 0. 8389 C. 0. 8655 D. 0. 8327 2. 用一组有30个观测值的样本估计模型乂 =如玷气+E +0后,在0. 05的 显著性水平上对九的显著性作「检验，则气显著地不等于零的条件是其统计量， 大于等于 （C ） A. ，O .O 5（3°） B . ‘。025（28） c.，。。25（27） p ^*0.025 （^28） 3?线性回归模型乂 =4+"1也+勾％ +……+ b k x h +u i 中,检验 =0（，= 0,1,2,..人）时，所用的统计量 服从（C ） A. t （n _k+l ） B. t （n -k -2） C. t （n -k _l ） D. t （n -k+2） 4. 调整的可决系数与多元样本判定系数R ，之间有如下关系（ D ） 局=公—/?2 职=]_qj R2 A. n-k -1 B ? n-k-\ R 2=[—- （1 + R2） 斤 2 =]— （I-/?2） C. n-k-\ D. n-k-\ 5. 对模型Y L B 。+ B 伏"B 2X 2i + u 「进行总体显著性F 检验,检验的零假设是 （A ） A. P 1= 3 2=0 B. 3 i=0 C. B 2-O D. B 0二0 或 B i=0 6. 设k 为[q 归模型中的参数个数，n 为样本容量。则对多元线性同归方程进行 显著性检验时，所用的F 统计量可表示为（B ） R2/ k B (1-R2)/(D b/d) c. (1-R2)/(S1) 7. 多元线性问归分析中（回归模型中的参数个数为k ）,调整后的可决系数与 可决系数R2之间的关系（A ）

案例分析(一元线性回归模型)

案例分析报告（2014——2015学年第一学期） 课程名称：预测与决策 专业班级：电子商务1202 学号：2204120202 学生姓名：陈维维 2014 年11月

案例分析（一元线性回归模型） 我国城镇居民家庭人均消费支出预测 一、研究目的与要求 居民消费在社会经济的持续发展中有着重要的作用，居民合理的消费模式和居民适度的消费规模有利于经济持续健康的增长，而且这也是人民生活水平的具体体现。从理论角度讲，消费需求的具体内容主要体现在消费结构上，要增加居民消费，就要从研究居民消费结构入手，只有了解居民消费结构变化的趋势和规律，掌握消费需求的热点和发展方向，才能为消费者提供良好的政策环境，引导消费者合理扩大消费，才能促进产业结构调整与消费结构优化升级相协调，才能推动国民经济平稳、健康发展。例如，2008年全国城镇居民家庭平均每人每年消费支出为11242.85元，最低的青海省仅为人均8192.56元，最高的上海市达人均19397.89元，上海是黑龙江的2.37倍。为了研究全国居民消费水平及其变动的原因，需要作具体的分析。影响各地区居民消费支出有明显差异的因素可能很多，例如，零售物价指数、利率、居民财产、购物环境等等都可能对居民消费有影响。为了分析什么是影响各地区居民消费支出有明显差异的最主要因素，并分析影响因素与消费水平的数量关系，可以建立相应的计量经济模型去研究。 二、模型设定 我研究的对象是各地区居民消费的差异。居民消费可分为城镇居民消费和农村居民消费，由于各地区的城镇与农村人口比例及经济结构有较大差异，最具有直接对比可比性的是城市居民消费。而且，由于各地区人口和经济总量不同，只能用“城镇居民每人每年的平均消费支出”来比较，而这正是可从统计年鉴中获得数据的变量。 所以模型的被解释变量Y选定为“城镇居民每人每年的平均消费支出”。 因为研究的目的是各地区城镇居民消费的差异，并不是城镇居民消费在不同时间的变动，所以应选择同一时期各地区城镇居民的消费支出来建立模型。因此建立的是2008年截面数据模型。影响各地区城镇居民人均消费支

eviews多元线性回归案例分析

中国税收增长的分析 一、研究的目的要求 改革开放以来，随着经济体制的改革深化和经济的快速增长，中国的财政收支状况发生了很大的变化，中央和地方的税收收入1978年为519.28亿元到2002年已增长到17636.45亿元25年间增长了33倍。为了研究中国税收收入增长的主要原因，分析中央和地方税收收入的增长规律，预测中国税收未来的增长趋势，需要建立计量经济学模型。 影响中国税收收入增长的因素很多，但据分析主要的因素可能有：（1）从宏观经济看，经济整体增长是税收增长的基本源泉。（2）公共财政的需求，税收收入是财政的主体，社会经济的发展和社会保障的完善等都对公共财政提出要求，因此对预算指出所表现的公共财政的需求对当年的税收收入可能有一定的影响。（3）物价水平。我国的税制结构以流转税为主，以现行价格计算的DGP等指标和和经营者收入水平都与物价水平有关。（4）税收政策因素。我国自1978年以来经历了两次大的税制改革，一次是1984—1985年的国有企业利改税，另一次是1994年的全国范围内的新税制改革。税制改革对税收会产生影响，特别是1985年税收陡增215.42%。但是第二次税制改革对税收的增长速度的影响不是非常大。因此可以从以上几个方面，分析各种因素对中国税收增长的具体影响。 二、模型设定 为了反映中国税收增长的全貌，选择包括中央和地方税收的‘国家财政收入’中的“各项税收”（简称“税收收入”）作为被解释变量，以放映国家税收的增长；选择“国内生产总值（GDP）”作为经济整体增长水平的代表；选择中央和地方“财政支出”作为公共财政需求的代表；选择“商品零售物价指数”作为物价水平的代表。由于税制改革难以量化，而且1985年以后财税体制改革对税收增长影响不是很大，可暂不考虑。所以解释变量设定为可观测“国内生产总值（GDP）”、“财政支出”、“商品零售物价指数” 从《中国统计年鉴》收集到以下数据 财政收入（亿元） Y 国内生产总值(亿 元） X2 财政支出（亿 元） X3 商品零售价格指 数（%) X4 1978519.283624.11122.09100.7 1979537.824038.21281.79102 1980571.74517.81228.83106

多元线性回归模型的案例分析

1. 表1列出了某地区家庭人均鸡肉年消费量Y 与家庭月平均收入X ，鸡肉价格P 1，猪肉价格P 2与牛肉价格P 3的相关数据。 年份 Y/千 克 X/ 元 P 1/(元/千克) P 2/(元/千克) P 3/(元/千克) 年份 Y/千克 X/元 P 1/(元/ 千克) P 2/(元/ 千克) P 3/(元/千克) 1980 2.78 397 4.22 5.07 7.83 1992 4.18 911 3.97 7.91 11.40 1981 2.99 413 3.81 5.20 7.92 1993 4.04 931 5.21 9.54 12.41 1982 2.98 439 4.03 5.40 7.92 1994 4.07 1021 4.89 9.42 12.76 1983 3.08 459 3.95 5.53 7.92 1995 4.01 1165 5.83 12.35 14.29 1984 3.12 492 3.73 5.47 7.74 1996 4.27 1349 5.79 12.99 14.36 1985 3.33 528 3.81 6.37 8.02 1997 4.41 1449 5.67 11.76 13.92 1986 3.56 560 3.93 6.98 8.04 1998 4.67 1575 6.37 13.09 16.55 1987 3.64 624 3.78 6.59 8.39 1999 5.06 1759 6.16 12.98 20.33 1988 3.67 666 3.84 6.45 8.55 2000 5.01 1994 5.89 12.80 21.96 1989 3.84 717 4.01 7.00 9.37 2001 5.17 2258 6.64 14.10 22.16 1990 4.04 768 3.86 7.32 10.61 2002 5.29 2478 7.04 16.82 23.26 1991 4.03 843 3.98 6.78 10.48 （1） 求出该地区关于家庭鸡肉消费需求的如下模型： 01213243ln ln ln ln ln Y X P P P u βββββ=+++++ （2） 请分析，鸡肉的家庭消费需求是否受猪肉及牛肉价格的影响。 先做回归分析，过程如下： 输出结果如下：

多元线性回归分析预测法

多元线性回归分析预测法 (重定向自多元线性回归预测法) 多元线性回归分析预测法（Multi factor line regression method，多元线性回归分析法） [编辑] 多元线性回归分析预测法概述 在市场的经济活动中，经常会遇到某一市场现象的发展和变化取决于几个影响因素的情况，也就是一个因变量和几个自变量有依存关系的情况。而且有时几个影响因素主次难以区分，或者有的因素虽属次要，但也不能略去其作用。例如，某一商品的销售量既与人口的增长变化有关，也与商品价格变化有关。这时采用一元回归分析预测法进行预测是难以奏效的，需要采用多元回归分析预测法。 多元回归分析预测法，是指通过对两上或两个以上的自变量与一个因变量的相关分析，建立预测模型进行预测的方法。当自变量与因变量之间存在线性关系时，称为多元线性回归分析。 [编辑] 多元线性回归的计算模型[1] 一元线性回归是一个主要影响因素作为自变量来解释因变量的变化，在现实问题研究中，因变量的变化往往受几个重要因素的影响，此时就需要用两个或两个以上的影响因素作为自变量来解释

因变量的变化，这就是多元回归亦称多重回归。当多个自变量与因变量之间是线性关系时，所进行的回归分析就是多元性回归。 设y为因变量，为自变量，并且自变量与因变量之间为线性关系时，则多元线性回归模型为： 其中，b0为常数项，为回归系数，b1为固定时，x1每增加一 个单位对y的效应，即x1对y的偏回归系数；同理b2为固定时，x2每增加一个单位对y的效应，即，x2对y的偏回归系数，等等。如果两个自变量x1,x2同一个因变量y呈线相关时，可用二元线性回归模型描述为： 其中，b0为常数项，为回归系数，b1为固定时，x2每增加一 个单位对y的效应，即x2对y的偏回归系数，等等。如果两个自变量x1,x2同一个因变量y呈线相关时，可用二元线性回归模型描述为： y = b0 + b1x1 + b2x2 + e 建立多元性回归模型时，为了保证回归模型具有优良的解释能力和预测效果，应首先注意自变量的选择，其准则是： (1)自变量对因变量必须有显著的影响，并呈密切的线性相关； (2)自变量与因变量之间的线性相关必须是真实的，而不是形式上的； (3)自变量之彰应具有一定的互斥性，即自变量之彰的相关程度不应高于自变量与因变量之因的相关程度； (4)自变量应具有完整的统计数据，其预测值容易确定。 多元性回归模型的参数估计，同一元线性回归方程一样，也是在要求误差平方和()为最小的前提下，用最小二乘法求解参数。以二线性回归模型为例，求解回归参数的标准方程组为 解此方程可求得b0,b1,b2的数值。亦可用下列矩阵法求得

(完整版)多元线性回归模型习题及答案

多元线性回归模型 一、单项选择题 1.在由30n =的一组样本估计的、包含3个解释变量的线性回归模型中，计算得多重决定系数为0.8500，则调整后的多重决定系数为（ D ） A. 0.8603 B. 0.8389 C. 0.8655 D.0.8327 2.下列样本模型中，哪一个模型通常是无效的（B ） A. i C （消费）=500+0.8 i I （收入） B. d i Q （商品需求）=10+0.8i I （收入）+0.9i P （价格） C. s i Q （商品供给）=20+0.75i P （价格） D. i Y （产出量）=0.650.6i L （劳动）0.4 i K （资本） 3.用一组有30个观测值的样本估计模型01122t t t t y b b x b x u =+++后，在0.05的显著性水 平上对1 b 的显著性作t 检验，则1 b 显著地不等于零的条件是其统计量t 大于等于（ C ） A. )30(05.0t B. ) 28(025.0t C. ) 27(025.0t D. ) 28,1(025.0F 4.模型 t t t u x b b y ++=ln ln ln 10中，1b 的实际含义是（ B ） A.x 关于y 的弹性 B. y 关于x 的弹性 C. x 关于y 的边际倾向 D. y 关于x 的边际倾向 5、在多元线性回归模型中，若某个解释变量对其余解释变量的判定系数接近于１，则表明模型中存在（ C ） A.异方差性 B.序列相关 C.多重共线性 D.高拟合优度 6.线性回归模型01122......t t t k kt t y b b x b x b x u =+++++ 中，检验0:0(0,1,2,...) t H b i k ==时，所用的统计量 服从( C ) A.t(n-k+1) B.t(n-k-2) C.t(n-k-1) D.t(n-k+2)

一元线性回归分析的结果解释

一元线性回归分析的结果解释 1.基本描述性统计量 分析：上表是描述性统计量的结果，显示了变量y和x的均数(Mean)、标准差(Std. Deviation)和例数(N)。 2．相关系数 分析：上表是相关系数的结果。从表中可以看出，Pearson相关系数为0.749，单尾显著性检验的概率p值为0.003，小于0.05，所以体重和肺活量之间具有较强的相关性。 3．引入或剔除变量表

分析：上表显示回归分析的方法以及变量被剔除或引入的信息。表中显示回归方法是用强迫引入法引入变量x的。对于一元线性回归问题，由于只有一个自变量，所以此表意义不大。 4．模型摘要 分析：上表是模型摘要。表中显示两变量的相关系数(R)为0.749，判定系数(R Square)为0.562，调整判定系数(Adjusted R Square)为0.518，估计值的标准误差(Std. Error of the Estimate)为0.28775。 5．方差分析表 分析：上表是回归分析的方差分析表(ANOVA)。从表中可以看出，回归的均方(Regression Mean Square)为1.061，剩余的均方(Residual Mean Square)为0.083，F检验统计量的观察值为12.817,相应的概率p 值为0.005，小于0.05，可以认为变量x和y之间存在线性关系。

6．回归系数 分析：上表给出线性回归方程中的参数(Coefficients)和常数项(Constant)的估计值，其中常数项系数为0(注：若精确到小数点后6位，那么应该是0.000413)，回归系数为0.059，线性回归参数的标准误差(Std. Error)为0.016,标准化回归系数(Beta)为0.749，回归系数T检验的t统计量观察值为3.580，T检验的概率p值为0.005，小于0.05，所以可以认为回归系数有显著意义。由此可得线性回归方程为： y=0.000413+0.059x 7．回归诊断 分析：上表是对全部观察单位进行回归诊断(Casewise Diagnostics-all cases)的结果显示。从表中可以看出每一例的标准

北航数理统计大作业-多元线性回归

应用数理统计多元线性回归分析 （第一次作业） 学院： 姓名： 学号： 2013年12月

交通运输业产值的多元线性回归分析 摘要：本文基于《中国统计年鉴》（2012年版）统计数据，寻找影响交通运输业发展的因素，包括工农业发展水平、能源生产水平、进出口贸易交流以及居民消费水平等，利用统计软件SPSS对各因素进行了筛选分析，采用逐步回归法得到最优多元线性回归模型，并对模型的回归显著性、拟合度以及随机误差的正态性进行了检验，最后可以利用有效的最优回归模型对将来进行预测。 关键字：多元线性回归，逐步回归，交通运输产值，工业产值，进出口总额1，引言 交通运输业指国民经济中专门从事运送货物和旅客的社会生产部门，包括铁路、公路、水运、航空等运输部门。它是国民经济的重要组成部分，是保证人们在政治、经济、文化、军事等方面联系交往的手段，也是衔接生产和消费的一个重要环节。交通运输业在现代社会的各个方面起着十分重要的作用，因此研究交通运输业发展水平与各个影响因素间的关系显得十分重要，建立有效的数学相关模型对于预测交通运输业的发展，制定相关政策方案提供依据。根据经验交通运输业的发展受到工农业发展、能源生产、进出口贸易以及居民消费水平等众因素的影响，故建立一个完整精确的数学模型在理论上基本无法实现，并且在实际运用中也没有必要，一种简单有效的方式就是寻找主要影响因素，分析其与指标变量的相关性，建立多元线性回归模型就是一种有效的方式。 变量与变量之间的关系分为确定性关系和非确定性关系，函数表达确定性关系。研究变量间的非确定性关系，构造变量间经验公式的数理统计方法称为回归分析。回归分析是指通过提供变量之间的数学表达式来定量描述变量间相关关系的数学过程，这一数学表达式通常称为经验公式。一方面，研究者可以利用概率统计知识，对这个经验公式的有效性进行判定；另一方面，研究者可以利用经验公式，根据自变量的取值预测因变量的取值。如果是多个因素作为自变量的时候，还可以通过因素分析，找出哪些自变量对因变量的影响是显著的，哪些是不显著的。 回归分析目前在生物统计、医学统计、经济分析、数据挖掘中得到了广泛的应用。通过对训练数据进行回归分析得出经验公式，利用经验公式就可以在已知自变量的情况下预测因变量的取值。实际问题的控制中往往是根据预测结果来进

多元线性回归模型案例

我国农民收入影响因素的回归分析 本文力图应用适当的多元线性回归模型,对有关农民收入的历史数据和现状进行分析,探讨影响农民收入的主要因素,并在此基础上对如何增加农民收入提出相应的政策建议。?农民收入水平的度量常采用人均纯收入指标。影响农民收入增长的因素是多方面的，既有结构性矛盾因素，又有体制性障碍因素。但可以归纳为以下几个方面：一是农产品收购价格水平。二是农业剩余劳动力转移水平。三是城市化、工业化水平。四是农业产业结构状况。五是农业投入水平。考虑到复杂性和可行性，所以对农业投入与农民收入，本文暂不作讨论。因此，以全国为例，把农民收入与各影响因素关系进行线性回归分析，并建立数学模型。 一、计量经济模型分析 (一)、数据搜集 根据以上分析，我们在影响农民收入因素中引入7个解释变量。即：2x -财政用于农业的支出的比重，3x -第二、三产业从业人数占全社会从业人数的比重，4x -非农村人口比重，5x -乡村从业人员占农村人口的比重，6x -农业总产值占农林牧总产值的比重，7x -农作物播种面积，8x —农村用电量。

资料来源《中国统计年鉴2006》。 (二)、计量经济学模型建立 我们设定模型为下面所示的形式： 利用Eviews 软件进行最小二乘估计，估计结果如下表所示： DependentVariable:Y Method:LeastSquares Sample: Includedobservations:19 Variable Coefficient t-Statistic Prob. C X1 X3 X4 X5 X6 X7 X8 R-squared Meandependentvar AdjustedR-squared 表1最小二乘估计结果 回归分析报告为： () ()()()()()()()()()()()()()()() 2345678 2? -1102.373-6.6354X +18.2294X +2.4300X -16.2374X -2.1552X +0.0100X +0.0634X 375.83 3.7813 2.066618.37034 5.8941 2.77080.002330.02128 -2.933 1.7558.820900.20316 2.7550.778 4.27881 2.97930.99582i Y SE t R ===---=230.99316519 1.99327374.66 R Df DW F ====二、计量经济学检验 (一)、多重共线性的检验及修正 ①、检验多重共线性 (a)、直观法 从“表1最小二乘估计结果”中可以看出，虽然模型的整体拟合的很好，但是x4x6

多元线性回归模型练习题及答案

多元线性回归模型练习 一、单项选择题 1. 在由n =30的一组样本估计的、包含3个解释变量的线性回归模型中，计算 得 可决系数为0.8500，贝U 调整后的可决系数为（D ） A. 0.8603 B. 0.8389 C. 0.8655 D.0.8327 2. 用一组有30个观测值的样本估计模型 y t =b o ? b i x it b 2 X 2t U t 后，在0.05的 显著 性水平上对b l 的显著性作t 检验，则b l 显著地不等于零的条件是其统计量 t 大于等于（C ） A t o 』5（3O ） B t o.025 （28） C t o.o25（27） D F 0.025 （1,28） 3. 线性回归模型y t =b ° "旳+6x 21 + ............ +b k X kt +4中，检验 A H o ：b =0（i 二。，1,2 ，.*）时，所用的统计量 / ■■ ■X 服从（C ） A.t (n-k+1) B.t (n-k-2) C.t (n-k-1) D.t( n k+2) 4. 调整的可决系数 :与多元样本判定系数: ‘之间有如下关系（ D) R 2= n " R 2 R 2 =1 - n " R 2 A . n- k-1 B. n -k -1 R 2=1 - n " (1 R 2) R 2 =1 - n " (1-R 2 ) C n —k -1 D. n- k-1 5.对模型Y = B 0+ B 1X i + B 2X 2i + 卩 i 进行总体显著性F 检验，检验的零假设是 A ) A . B 1= B 2=0 B. B 1=0 C .B 2=0 D. B 0=0 或 B 1=0 6?设 k 为回归模型中的参数个数，n 为样本容量。则对多元线性回归方程进 行显著性检验时，所用的F 统计量可表示为（ B ） ESS （n-k ） 一k A. RSS （k-1） B . （1-R 2 ）/（n —k — 1 ） R 2 (n - k) C. (1 - R 2) '(k-1) 7.多元线性回归分析中（回归模型中的参数个数为 k ），调整后的可决系数 R 2与可决系数R 2之间的关系（ A ） n -1 R 2 =1 _（1 _R 2 ） ESS/(k-1) D. TSS (n-k)

最新北航数理统计大作业-多元线性回归

北航数理统计大作业-多元线性回归

应用数理统计多元线性回归分析 （第一次作业） 学院： 姓名： 学号： 2013年12月

交通运输业产值的多元线性回归分析 摘要：本文基于《中国统计年鉴》（2012年版）统计数据，寻找影响交通运输业发展的因素，包括工农业发展水平、能源生产水平、进出口贸易交流以及居民消费水平等，利用统计软件SPSS对各因素进行了筛选分析，采用逐步回归法得到最优多元线性回归模型，并对模型的回归显著性、拟合度以及随机误差的正态性进行了检验，最后可以利用有效的最优回归模型对将来进行预测。 关键字：多元线性回归，逐步回归，交通运输产值，工业产值，进出口总额1，引言 交通运输业指国民经济中专门从事运送货物和旅客的社会生产部门，包括铁路、公路、水运、航空等运输部门。它是国民经济的重要组成部分，是保证人们在政治、经济、文化、军事等方面联系交往的手段，也是衔接生产和消费的一个重要环节。交通运输业在现代社会的各个方面起着十分重要的作用，因此研究交通运输业发展水平与各个影响因素间的关系显得十分重要，建立有效的数学相关模型对于预测交通运输业的发展，制定相关政策方案提供依据。根据经验交通运输业的发展受到工农业发展、能源生产、进出口贸易以及居民消费水平等众因素的影响，故建立一个完整精确的数学模型在理论上基本无法实现，并且在实际运用中也没有必要，一种简单有效的方式就是寻找主要影响因素，分析其与指标变量的相关性，建立多元线性回归模型就是一种有效的方式。 变量与变量之间的关系分为确定性关系和非确定性关系，函数表达确定性关系。研究变量间的非确定性关系，构造变量间经验公式的数理统计方法称为

(完整word版)多元线性回归模型案例分析

多元线性回归模型案例分析 ——中国人口自然增长分析一·研究目的要求 中国从1971年开始全面开展了计划生育,使中国总和生育率很快从1970年的5.8降到1980年2.24,接近世代更替水平。此后，人口自然增长率（即人口的生育率）很大程度上与经济的发展等各方面的因素相联系，与经济生活息息相关，为了研究此后影响中国人口自然增长的主要原因，分析全国人口增长规律，与猜测中国未来的增长趋势，需要建立计量经济学模型。 影响中国人口自然增长率的因素有很多，但据分析主要因素可能有：（1）从宏观经济上看，经济整体增长是人口自然增长的基本源泉；（2）居民消费水平，它的高低可能会间接影响人口增长率。(3)文化程度，由于教育年限的高低，相应会转变人的传统观念，可能会间接影响人口自然增长率（4）人口分布，非农业与农业人口的比率也会对人口增长率有相应的影响。 二·模型设定 为了全面反映中国“人口自然增长率”的全貌，选择人口增长率作为被解释变量，以反映中国人口的增长；选择“国名收入”及“人均GDP”作为经济整体增长的代表；选择“居民消费价格指数增长率”作为居民消费水平的代表。暂不考虑文化程度及人口分布的影响。 从《中国统计年鉴》收集到以下数据（见表1）： 表1 中国人口增长率及相关数据

设定的线性回归模型为： 1222334t t t t t Y X X X u ββββ=++++ 三、估计参数 利用EViews 估计模型的参数，方法是： 1、建立工作文件：启动EViews ，点击File\New\Workfile ，在对 话框“Workfile Range ”。在“Workfile frequency ”中选择“Annual ” (年度)，并在“Start date ”中输入开始时间“1988”，在“end date ”中输入最后时间“2005”，点击“ok ”，出现“Workfile UNTITLED ”工作框。其中已有变量：“c ”—截距项 “resid ”—剩余项。在“Objects ”菜单中点击“New Objects”，在“New Objects”对话框中选“Group”，并在“Name for Objects”上定义文件名，点击“OK ”出现数据编辑窗口。 年份 人口自然增长率 （%。） 国民总收入（亿元） 居民消费价格指数增长 率（CPI ）% 人均GDP （元） 1988 15.73 15037 18.8 1366 1989 15.04 17001 18 1519 1990 14.39 18718 3.1 1644 1991 12.98 21826 3.4 1893 1992 11.6 26937 6.4 2311 1993 11.45 35260 14.7 2998 1994 11.21 48108 24.1 4044 1995 10.55 59811 17.1 5046 1996 10.42 70142 8.3 5846 1997 10.06 78061 2.8 6420 1998 9.14 83024 -0.8 6796 1999 8.18 88479 -1.4 7159 2000 7.58 98000 0.4 7858 2001 6.95 108068 0.7 8622 2002 6.45 119096 -0.8 9398 2003 6.01 135174 1.2 10542 2004 5.87 159587 3.9 12336 2005 5.89 184089 1.8 14040 2006 5.38 213132 1.5 16024

一元线性回归模型案例分析

一元线性回归模型案例分析 一、研究的目的要求 居民消费在社会经济的持续发展中有着重要的作用。居民合理的消费模式和居民适度的消费规模有利于经济持续健康的增长，而且这也是人民生活水平的具体体现。改革开放以来随着中国经济的快速发展，人民生活水平不断提高，居民的消费水平也不断增长。但是在看到这个整体趋势的同时，还应看到全国各地区经济发展速度不同，居民消费水平也有明显差异。例如，2002年全国城市居民家庭平均每人每年消费支出为6029.88元, 最低的黑龙江省仅为人均4462.08元，最高的上海市达人均10464元，上海是黑龙江的2.35倍。为了研究全国居民消费水平及其变动的原因，需要作具体的分析。影响各地区居民消费支出有明显差异的因素可能很多，例如，居民的收入水平、就业状况、零售物价指数、利率、居民财产、购物环境等等都可能对居民消费有影响。为了分析什么是影响各地区居民消费支出有明显差异的最主要因素，并分析影响因素与消费水平的数量关系，可以建立相应的计量经济模型去研究。 二、模型设定 我们研究的对象是各地区居民消费的差异。居民消费可分为城市居民消费和农村居民消费，由于各地区的城市与农村人口比例及经济结构有较大差异，最具有直接对比可比性的是城市居民消费。而且，由于各地区人口和经济总量不同，只能用“城市居民每人每年的平均消费支出”来比较，而这正是可从统计年鉴中获得数据的变量。所以模型的被解释变量Y 选定为“城市居民每人每年的平均消费支出”。 因为研究的目的是各地区城市居民消费的差异，并不是城市居民消费在不同时间的变动，所以应选择同一时期各地区城市居民的消费支出来建立模型。因此建立的是2002年截面数据模型。 影响各地区城市居民人均消费支出有明显差异的因素有多种，但从理论和经验分析，最主要的影响因素应是居民收入，其他因素虽然对居民消费也有影响，但有的不易取得数据，如“居民财产”和“购物环境”；有的与居民收入可能高度相关，如“就业状况”、“居民财产”；还有的因素在运用截面数据时在地区间的差异并不大，如“零售物价指数”、“利率”。因此这些其他因素可以不列入模型，即便它们对居民消费有某些影响也可归入随即扰动项中。为了与“城市居民人均消费支出”相对应，选择在统计年鉴中可以获得的“城市居民每人每年可支配收入”作为解释变量X。 从2002年《中国统计年鉴》中得到表2.5的数据: 表2.52002年中国各地区城市居民人均年消费支出和可支配收入

多元线性回归实例分析

SPSS--回归-多元线性回归模型案例解析！(一） 多元线性回归，主要是研究一个因变量与多个自变量之间的相关关系，跟一元回归原理差不多，区别在于影响因素（自变量）更多些而已，例如：一元线性回归方程为： 毫无疑问，多元线性回归方程应该为： 上图中的x1, x2, xp分别代表“自变量”Xp截止，代表有P个自变量，如果有“N组样本，那么这个多元线性回归，将会组成一个矩阵，如下图所示： 那么，多元线性回归方程矩阵形式为： 其中：代表随机误差，其中随机误差分为：可解释的误差和不可解释的误差，随机误差必须满足以下四个条件，多元线性方程才有意义（一元线性方程也一样） 1：服成正太分布，即指：随机误差必须是服成正太分别的随机变量。 2：无偏性假设，即指：期望值为0 3：同共方差性假设，即指，所有的随机误差变量方差都相等 4：独立性假设，即指：所有的随机误差变量都相互独立，可以用协方差解释。 今天跟大家一起讨论一下，SPSS---多元线性回归的具体操作过程，下面以教程教程数据为例，分析汽车特征与汽车销售量之间的关系。通过分析汽车特征跟汽车销售量的关系，建立拟合多元线性回归模型。数据如下图所示：

点击“分析”——回归——线性——进入如下图所示的界面：

将“销售量”作为“因变量”拖入因变量框内，将“车长，车宽，耗油率，车净重等10个自变量拖入自变量框内，如上图所示，在“方法”旁边，选择“逐步”，当然，你也可以选择其它的方式，如果你选择“进入”默认的方式，在分析结果中，将会得到如下图所示的结果：（所有的自变量，都会强行进入） 如果你选择“逐步”这个方法，将会得到如下图所示的结果：（将会根据预先设定的“F统计量的概率值进行筛选，最先进入回归方程的“自变量”应该是跟“因变量”关系最为密切，贡献最大的，如下图可以看出，车的价格和车轴跟因变量关系最为密切，符合判断条件的概率值必须小于0.05，当概率值大于等于0.1时将会被剔除）

一元线性回归模型习题及答案解析

一元线性回归模型 一、单项选择题 1、变量之间的关系可以分为两大类__________。A A 函数关系与相关关系 B 线性相关关系和非线性相关关系 C 正相关关系和负相关关系 D 简单相关关系和复杂相关关系 2、相关关系是指__________。D A 变量间的非独立关系 B 变量间的因果关系 C 变量间的函数关系 D 变量间不确定性的依存关系 3、进行相关分析时的两个变量__________。A A 都是随机变量 B 都不是随机变量 C 一个是随机变量，一个不是随机变量 D 随机的或非随机都可以 4、表示x 和y 之间真实线性关系的是__________。C A 01???t t Y X ββ=+ B 01()t t E Y X ββ=+ C 01t t t Y X u ββ=++ D 01t t Y X ββ=+ 5、参数β的估计量?β 具备有效性是指__________。B A ?var ()=0β B ?var ()β为最小 C ?()0β β－＝ D ?()ββ－为最小 6、对于01??i i i Y X e ββ=++，以σ?表示估计标准误差，Y ?表示回归值，则__________。B A i i ??0Y Y 0σ∑ ＝时，（－）＝ B 2 i i ??0Y Y σ∑＝时，（－）＝0 C i i ??0Y Y σ∑＝时，（－）为最小 D 2 i i ??0Y Y σ∑＝时，（－）为最小 7、设样本回归模型为i 01i i ??Y =X +e ββ+，则普通最小二乘法确定的i ?β的公式中，错误的是__________。D A ()()()i i 1 2 i X X Y -Y ?X X β--∑∑＝ B ()i i i i 1 2 2 i i n X Y -X Y ?n X -X β ∑∑∑∑∑＝ C i i 1 2 2 i X Y -nXY ?X -nX β ∑∑＝ D i i i i 1 2 x n X Y -X Y ?β σ ∑∑∑＝ 8、对于i 01i i ??Y =X +e ββ+，以 ?σ表示估计标准误差，r 表示相关系数，则有__________。D A ?0r=1σ ＝时， B ?0r=-1σ ＝时， C ?0r=0σ ＝时， D ?0r=1r=-1σ ＝时，或 9、产量（X ，台）与单位产品成本（Y ，元/台）之间的回归方程为?Y 356 1.5X -＝，这说明__________。D

SPSS多元线性回归分析实例操作步骤

SPSS 统计分析 多元线性回归分析方法操作与分析 实验目的： 引入1998~2008年上海市城市人口密度、城市居民人均可支配收入、五年以上平均年贷款利率和房屋空置率作为变量，来研究上海房价的变动因素。 实验变量： 以年份、商品房平均售价（元/平方米）、上海市城市人口密度(人/平方公里)、城市居民人均可支配收入(元)、五年以上平均年贷款利率(%)和房屋空置率(%)作为变量。 实验方法：多元线性回归分析法 软件：spss19.0 操作过程： 第一步：导入Excel数据文件 1.open data document——open data——open；

2. Opening excel data source——OK. 第二步： 1.在最上面菜单里面选中Analyze——Regression——Linear，Dependent （因变量）选择商品房平均售价，Independents（自变量）选择城市人口密度、城市居民人均可支配收入、五年以上平均年贷款利率、房屋空置率；Method选择Stepwise. 进入如下界面： 2.点击右侧Statistics，勾选Regression Coefficients（回归系数）选项组中的Estimates；勾选Residuals（残差）选项组中的Durbin-Watson、

Casewise diagnostics默认；接着选择Model fit、Collinearity diagnotics；点击Continue. 3.点击右侧Plots，选择*ZPRED（标准化预测值）作为纵轴变量，选择DEPENDNT（因变量）作为横轴变量；勾选选项组中的Standardized Residual Plots（标准化残差图）中的Histogram、Normal probability plot；点击Continue.

多元线性回归例题与解析

作业： 在农作物害虫发生趋势的预报研究中,所涉及的5个自变量及因 变量的10组观测数据如下,试建立y对x1-x5的回归模型，指出那些变量对y有显著的线性贡献，贡献大小顺序。 x1 x2 x3 x4 x5 y 9.200 2.732 1.471 0.332 1.138 1.155 9.100 3.732 1.820 0.112 0.828 1.146 8.600 4.882 1.872 0.383 2.131 1.841 10.233 3.968 1.587 0.181 1.349 1.356 5.600 3.732 1.841 0.297 1.815 0.863 5.367 4.236 1.873 0.063 1.352 0.903 6.133 3.146 1.987 0.280 1.647 0.114 8.200 4.646 1.615 0.379 4.565 0.898 8.800 4.378 1.543 0.744 2.073 1.930 7.600 3.864 1.599 0.342 2.423 1.104 （！）回归性方程显著性检验： 由Analysis of variance 表可知，其 r F P 的值0.0170小于0.05，则1 y x 与、2 x3x4x、5x之间具有显著性相关性；由R-square的值为0.9356可知该方程的拟合度高，（2）参数显著性检验：

a.由Parameter Estimates 表可知，对自变量x1。t 检验值为t=1.06,Pr t >的值等于 0.3479，大于0.05，故x1的系数为0，即x1未通过检验，去掉x1，再次运行程序。 b.结果表明所有变量的系数均通过检验，得到线性模型。 （3）拟合区间。 2350.75463 1.999640.33313 2.24781y x x x =--+ 故对y 有显著的线性贡献大小顺序为 325 x x x >>。 附件： data ex; input x1-x5 y@@; cards ; 9.200 2.732 1.471 0.332 1.138 1.155 9.100 3.732 1.820 0.112 0.828 1.146 8.600 4.882 1.872 0.383 2.131 1.841 10.233 3.968 1.587 0.181 1.349 1.356 5.600 3.732 1.841 0.297 1.815 0.863 5.367 4.236 1.873 0.063 1.352 0.903 6.133 3.146 1.987 0.280 1.647 0.114 8.200 4.646 1.615 0.379 4.565 0.898 8.800 4.378 1.543 0.744 2.073 1.930

案例分析 一元线性回归模型

案例分析报告 （2014——2015学年第一学期） 课程名称：预测与决策 专业班级：电子商务1202 学号： 2204120202 学生姓名：陈维维 2014 年 11月 案例分析（一元线性回归模型） 我国城镇居民家庭人均消费支出预测 一、研究目的与要求 居民消费在社会经济的持续发展中有着重要的作用，居民合理的消费模式和居民适度的消费规模有利于经济持续健康的增长，而且这也是人民生活水平的具体体现。从理论角度讲，消费需求的具体内容主要体现在消费结构上，要增加居民消费，就要从研究居民消费结构入手，只有了解居民消费结构变化的趋势和规律，掌握消费需求的热点和发展方向，才能为消费者提供良好的政策环境，引导消费者合理扩大消费，才能促进产业结构调整与消费结构优化升级相协调，才能推动国民经济平稳、健康发展。例如，2008年全国城镇居民家庭平均每人每年消费支出为11242.85元，?最低的青海省仅为人均8192.56元，最高的上海市达人均19397.89元，上海是黑龙江的2.37倍。为了研究全国居民消费水平及其变动的原因，需要作具体的分析。影响各地区居民消费支出有明显差异的因素可能很多，例如，零售物价指数、利率、居民财产、购物环境等等都可能对居民消费有影响。为了分析什么是影响各地区居民消费支出有明显差异的最主要因素，并分析影响因素与消费水平的数量关系，可以建立相应的计量经济模型去研究。 二、模型设定?

我研究的对象是各地区居民消费的差异。居民消费可分为城镇居民消费和农村居民消费，由于各地区的城镇与农村人口比例及经济结构有较大差异，最具有直接对比可比性的是城市居民消费。而且，由于各地区人口和经济总量不同，只能用“城镇居民每人每年的平均消费支出”来比较，而这正是可从统计年鉴中获得数据的变量。 所以模型的被解释变量Y选定为“城镇居民每人每年的平均消费支出”。 因为研究的目的是各地区城镇居民消费的差异，并不是城镇居民消费在不同时间的变动，所以应选择同一时期各地区城镇居民的消费支出来建立模型。因此建立的是2008年截面数据模型。影响各地区城镇居民人均消费支出有明显差异的因素有多种，但从理论和经验分析，最主要的影响因素应是居民收入，其他因素虽然对居民消费也有影响，但有的不易取得数据，如“居民财产”和“购物环境”；有的与居民收入可能高度相关，如“就业状况”、“居民财产”；还有的因素在运用截面数据时在地区间的差异并不大，如“零售物价指数”、“利率”。因此这些其他因素可以不列入模型，即便它们对居民消费有某些影响也可归入随即扰动项中。 为了与“城镇居民人均消费支出”相对应，选择在统计年鉴中可以获得的“城市居民每人每年可支配收入”作为解释变量X。 以下是2008年各地区城镇居民人均年消费支出和可支配收入表