spss课程设计客运量预测 - 图文

模型汇总 模型 R R 方 调整 R 方 标准 估计的误差 R 方更改 F 更改 更改统计量 df1 df2 Sig. F 更改 1 .833 a.694 .591 125.844 .694 6.790 1 3 .080 a. 预测变量: (常量), 年度。

系数 模型 非标准化系数 B 1 年度 103.700 39.795 .833 2.606 .080 -22.946 230.346 a. 因变量: 总人口（万人） 标准系数 t Sig. B 的 95.0% 置信区间 下限 -2.581 .082 上限 a标准 误差 试用版 (常量) -206272.800 79908.917 -460578.639 48033.039

C.结果分析：

①依据上述表格得到模型的拟合优度R^2=0.694，说明拟合程度较好; ②得到回归方程：Y=-206272.800+103.700X1.(Y：总人口，X1：年度) 表3-1-1：2011—2015年上海总人口的预测结果（单位：万人）

年份 预测量 2011 2267.9 2012 2371.6 2013 2475.3 2014 2579 2015 2682.7 （2）以年度为自变量，生产总值为因变量建立预测模型 A．SPSS操作步骤: 如上所述（略） B. 输出结果：

表3-1-2 ：生产总值为因变量时的输出结果

输入／移去的变量 模型 输入的变量 移去的变量 方法 a 11

1 年度 b. 输入 a. 因变量: 生产总值（亿元） b. 已输入所有请求的变量。

模型汇总 模型 R R 方 调整 R 方 标准 估计的误差 R 方更改 F 更改 更改统计量 df1 df2 Sig. F 更改 1 .994 a.989 .985 306.33516 .989 264.005 1 3 .001 a. 预测变量: (常量), 年度。

Anova 模型 平方和 df 1 3 4 均方 F Sig. .001 ba回归 24774508.161 1 残差 281523.693 24774508.161 264.005 93841.231 总计 25056031.854 a. 因变量: 生产总值（亿元） b. 预测变量: (常量), 年度。

系数 模型 非标准化系数 B 1 年度 1573.992 96.872 .994 16.248 .001 1265.703 1882.281 a. 因变量: 生产总值（亿元） 标准 误差 标准系数 试用版 -16.177 .001 t Sig. B 的 95.0% 置信区间 下限 上限 a(常量) -3146706.228 194518.389 -3765750.557 -2527661.899 C.结果分析：

①依据上述表格得到模型的拟合优度R^2=0.989，所以拟合程度很好； ②得到回归方程：Y=-3146706.228+1573.992X1。 （Y:生产总值，X1：年度）

表3-1-3上海2011-2015年生产总值预测结果（单位：亿元）

12

年份 预测量 2011 18591.68 2012 20165.68 2013 21739.67 2014 23313.66 2015 24887.65 （3）以年度为自变量，旅客周转量为因变量建立预测模型 A．SPSS操作步骤: 如上所述（略） B. 输出结果：

表3-1-4：旅客周转量为因变量时的输出结果

输入／移去的变量 模型 输入的变量 1 年度 ba移去的变量 . 方法 输入 a. 因变量: 旅客周转量（亿人公里） b. 已输入所有请求的变量。

模型汇总 模型 R R 方 调整 R 方 标准 估计的误差 R 方更改 F 更改 更改统计量 df1 df2 Sig. F 更改 1 .924 a.854 .805 4.7464 .854 17.506 1 3 .025 a. 预测变量: (常量), 年度。

Anova 模型 平方和 df 1 3 4 均方 394.384 22.528 F 17.506 Sig. .025 ba回归 394.384 1 残差 67.584 总计 461.968 a. 因变量: 旅客周转量（亿人公里） b. 预测变量: (常量), 年度。

系数

a

13

模型 非标准化系数 B 标准 误差 标准系数 试用版 t Sig. B 的 95.0% 置信区间 下限 上限 (常-12512.260 3013.874 1 量) 年度 6.280 1.501 -4.152 .924 4.184 .025 .025 -22103.753 -2920.767 1.503 11.057 a. 因变量: 旅客周转量（亿人公里） C.结果分析：

①依据上述表格得到模型的拟合优度R^2=0.854，所以拟合程度很好； ②得到回归方程 Y=-12512.260+6.280X1。（Y:旅客周转量，X1：年度）

表3-1-5：上海2011-2015年旅客周转量预测结果（单位：亿人公里）

年份 预测量 2011 116.82 2012 123.1 2013 129.38 2014 135.66 2015 141.94 3.2多元线性回归预测

3.2.1多元线性回归预测原理

多元回归分析是研究多个变量之间关系的回归分析方法, 按因变量和自变量的数量对应关系可划分为一个因变量对多个自变量的回归分析(简称为“一对多”回归分析)及多个因变量对多个自变量的回归分析(简称为“多对多”回归分析), 按回归模型类型可划分为线性回归分析和非线性回归分析。

利用二元线性回归方程，以旅客周转量，GDP,总人口为自变量，公路客运量为因变量，建立模型预测分析，结果如下：

3.2.2 SPSS操作步骤：

①按分析—回归—线性，打开对话框；

14