關(guān)于多元線性回歸的畢業(yè)論文

1、<p><b>　　摘 要</b></p><p>　　許多現(xiàn)象往往不是簡(jiǎn)單的與某一因素有關(guān)而是要受多個(gè)因素的影響，此時(shí)就需要用兩個(gè)或兩個(gè)以上的影響因素作為自變量來(lái)解釋因變量的變化，這就是多元回歸亦稱(chēng)多重回歸。當(dāng)多個(gè)自變量與因變量之間是線性關(guān)系時(shí)，所進(jìn)行的回歸分析就是多元性回歸。</p><p>　　本文的研究主要從四個(gè)部分來(lái)進(jìn)行。第一章從基礎(chǔ)內(nèi)容和研究對(duì)

2、象著手，對(duì)主要研究?jī)?nèi)容進(jìn)行了簡(jiǎn)單的闡述。第二章對(duì)多元線性回歸的基礎(chǔ)進(jìn)行了詳細(xì)分析。第三章介紹了中國(guó)經(jīng)濟(jì)的現(xiàn)狀。最后通過(guò)多元線性回歸模型對(duì)我國(guó)工業(yè)生產(chǎn)總值進(jìn)行了分析。</p><p>　　總的來(lái)說(shuō)，本文在2007年全國(guó)各省市主要工業(yè)產(chǎn)品的產(chǎn)量與工業(yè)總產(chǎn)值的具體數(shù)據(jù)下，選用塑料、水泥、鋼筋、平板玻璃、粗鋼、盤(pán)條以及原煤等工業(yè)產(chǎn)品的產(chǎn)量作為研究對(duì)象，建立多元線性回歸模型，并對(duì)模型做出參數(shù)估計(jì).在此基礎(chǔ)上對(duì)模型做出一定的

3、解釋?zhuān)瑢?duì)于預(yù)測(cè)工業(yè)總產(chǎn)值具有一定的理論指導(dǎo)和現(xiàn)實(shí)意義。</p><p>　　關(guān)鍵詞：多元線性回歸模型 工業(yè)生產(chǎn)總值 假設(shè)檢驗(yàn) 預(yù)測(cè)</p><p><b>　　Abstract</b></p><p>　　Many phenomena are often not simply associated with a number of factor

4、s but with varieties. At this point we need to use two or more factors as independent variables to explain changes in the dependent variable. This is also known as multiple regression. When more than one independent vari

5、able and the dependent variable are linear relationship, the regression analysis is carried out by diversity regression.</p><p>　　The main research work of this thesis is divided into four parts. In the firs

6、t chapter, the thesis proceed from the basic content and object of study and elaborate main content simply. In the second chapter, multiple linear regression model is analyzed detail. In the third chapter, the thesis int

7、roduces status quo of china. And at last, gross industrial production is analyzed by multiple linear regression model in this article.</p><p>　　Over all, this article use the specific data of the output of m

8、ajor industrial products and industrial output in nationwide provinces in 2007, and select the output of plastics, cement, steel, plate glass, crude steel, wire rod and raw coal as study object to establish multiple line

9、ar regression model, and then make the model parameter estimation. Based on this，we make some explanations to the model. All of these are of momentous current significance and far-reaching historical significance to t<

10、;/p><p>　　Key Words: Multiple linear regression model Gross industrial production Hypothetical test Prediction</p><p><b>　　目 錄</b></p><p>　　摘要........................

11、.....................................................................................................................1</p><p>　　Abstract.......................................................................

12、................................................................2</p><p><b>　　1 緒論4</b></p><p>　　2 多元線性回歸分析基礎(chǔ)5</p><p>　　2.1 多元線性回歸定義5</p><p>　　2.2多元線性回歸模

13、型........................................................................................................6</p><p>　　2.2.1模型的建立及矩陣表示............................................................................

14、.........6</p><p>　　2.2.2模型的假設(shè)7</p><p>　　2.3 多元線性回歸參數(shù)估計(jì)7</p><p>　　2.3.1 最小二乘估計(jì)和正規(guī)方程組7</p><p>　　2.3.2 最小二乘估計(jì)的矩陣形式8</p><p>　　2.4 回歸擬合度評(píng)價(jià)和決定系數(shù)9</p>

15、<p>　　2.4.1 離差分解和決定系數(shù)9</p><p>　　2.4.2 決定系數(shù)的性質(zhì)及修正可決系數(shù)10</p><p>　　2.5 統(tǒng)計(jì)檢驗(yàn)11</p><p>　　2.5.1回歸參數(shù)的顯著性檢驗(yàn)（檢驗(yàn)）11</p><p>　　2.5.2回歸方程的顯著性檢驗(yàn)（F檢驗(yàn)）12</p><p&g

16、t;　　2.5.3 多重共線性檢驗(yàn)12</p><p>　　2.5.4 異方差檢驗(yàn).......................................................................................................13</p><p>　　3 中國(guó)經(jīng)濟(jì)現(xiàn)狀15</p><p>　　3.1中

17、國(guó)經(jīng)濟(jì)現(xiàn)狀15</p><p>　　3.2 工業(yè)生產(chǎn)總值的概述15</p><p>　　4 工業(yè)生產(chǎn)總值的多因素模型分析16</p><p>　　4.1建立多因素分析模型16</p><p>　　4.2數(shù)據(jù)收集16</p><p>　　4.3 統(tǒng)計(jì)檢驗(yàn)19</p><p>　　4.4

18、 計(jì)量經(jīng)濟(jì)學(xué)檢驗(yàn)及模型修正20</p><p>　　4.4.1 異方差檢驗(yàn)21</p><p>　　4.4.2 自相關(guān)檢驗(yàn)21</p><p>　　5 結(jié)論.......................................................................................................

19、................................26</p><p>　　致 謝...................................................................................................................................27</p><p>　　參

20、 考 文 獻(xiàn)28</p><p><b>　　1緒 論</b></p><p>　　在各個(gè)方面，變量之間的關(guān)系一般來(lái)說(shuō)可分為確定性的與非確定性的兩種。確定性關(guān)系是指變量之間的關(guān)系可以用函數(shù)關(guān)系來(lái)表達(dá)的。另一種非確定性的即所謂的相關(guān)關(guān)系。例如人的身高與體重之間存在著關(guān)系，一般來(lái)說(shuō)，人高一些，體重也要重一些，但同樣高度的人，體重往往不相同。人的血壓與年齡之間也存在著關(guān)系

21、，但同年齡的人的血壓往往不相同。氣象中的溫度與濕度之間的關(guān)系也是這樣的。這是因?yàn)槲覀兩婕暗淖兞浚ㄈ珞w重、血壓、適度）是隨機(jī)變量，上面所說(shuō)的變量關(guān)系是非確定性的。此時(shí) ，便可以用到回歸分析?；貧w分析能幫助我們從一個(gè)變量取得的值去估計(jì)另一個(gè)變量所取的值。</p><p>　　工業(yè)生產(chǎn)總值從數(shù)值上反應(yīng)一個(gè)地區(qū)的工業(yè)生產(chǎn)規(guī)模，是衡量一個(gè)地區(qū)的經(jīng)濟(jì)繁榮程度的重要指標(biāo)。研究研究工業(yè)總產(chǎn)值與格工業(yè)產(chǎn)出指標(biāo)之間的關(guān)系具有非常重要

22、的現(xiàn)實(shí)意義，對(duì)于做好一個(gè)地區(qū)的的工業(yè)產(chǎn)值預(yù)測(cè)以及制定國(guó)民經(jīng)濟(jì)發(fā)展規(guī)劃都有的非常重要的作用。</p><p>　　工業(yè)總產(chǎn)值 是指以貨幣表現(xiàn)的工業(yè)企業(yè)在一定時(shí)期內(nèi)生產(chǎn)的已出售或可供出售的工業(yè)的產(chǎn)品的總量。它是反映一定時(shí)間內(nèi)工業(yè)生產(chǎn)總規(guī)模和，總水平的重要指標(biāo)，是計(jì)算工業(yè)生產(chǎn)發(fā)展速度和主要比例關(guān)系，計(jì)算工業(yè)產(chǎn)品銷(xiāo)售率和其他經(jīng)濟(jì)指標(biāo)的重要依據(jù)。工業(yè)總產(chǎn)值包括成品價(jià)值、工業(yè)性作業(yè)價(jià)值和自制半成品、在產(chǎn)品期末期初差額價(jià)值。工

23、業(yè)，總產(chǎn)值采用“工廠法”計(jì)算，即以工業(yè)企業(yè)作為一個(gè)整體，按企業(yè)工業(yè)生產(chǎn)活動(dòng)的最終成果來(lái)計(jì)算。但各企業(yè)之間、行業(yè)之間、地區(qū)之間存在著重復(fù)計(jì)算。其計(jì)算公式為：報(bào)告期工業(yè)總產(chǎn)值=報(bào)告期全部產(chǎn)品的成品價(jià)值+報(bào)告期工業(yè)性作業(yè)價(jià)值+（報(bào)告期自制半成品和在產(chǎn)品期末余額- 報(bào)告期自制半成品和在產(chǎn)品期初余額） 計(jì)算工業(yè)總產(chǎn)值采用的價(jià)格有不變價(jià)格和現(xiàn)行價(jià)格。</p><p>　　即，工業(yè)生產(chǎn)總值收多個(gè)因素影響，此時(shí)便需要多個(gè)影響因素

24、來(lái)分析工業(yè)生產(chǎn)總值的變化。而這些變量之間的關(guān)系是線性的，這樣在分析工業(yè)生產(chǎn)總值是用到的回歸分析方法便是多元線性回歸。</p><p>　　2 多元線性回歸分析基礎(chǔ)</p><p>　　2.1多元線性回歸定義</p><p>　　在客觀世界中普遍存在著變量之間的關(guān)系。變量之間的關(guān)系一般來(lái)說(shuō)可分為確定性的與非確定性的兩種。確定性關(guān)系是指變量之間的關(guān)系可以用函數(shù)關(guān)系來(lái)表達(dá)

25、的。另一種非確定性的即所謂的相關(guān)關(guān)系。例如人的身高與體重之間存在著關(guān)系，一般來(lái)說(shuō)，人高一些，體重也要重一些，但同樣高度的人，體重往往不相同。人的血壓與年齡之間也存在著關(guān)系，但同年齡的人的血壓往往不相同。氣象中的溫度與濕度之間的關(guān)系也是這樣的。這是因?yàn)槲覀兩婕暗淖兞浚ㄈ珞w重、血壓、適度）是隨機(jī)變量，上面所說(shuō)的變量關(guān)系是非確定性的。此時(shí) ，便可以用到回歸分析?；貧w分析能幫助我們從一個(gè)變量取得的值去估計(jì)另一個(gè)變量所取的值。</p>

26、<p>　　在回歸分析中，如果有兩個(gè)或兩個(gè)以上的自變量，就稱(chēng)為多元回歸。事實(shí)上，一種現(xiàn)象常常是與多個(gè)因素相聯(lián)系的，由多個(gè)自變量的最優(yōu)組合共同來(lái)預(yù)測(cè)或估計(jì)因變量，比只用一個(gè)自變量進(jìn)行預(yù)測(cè)或估計(jì)更有效，更符合實(shí)際。因此多元線性回歸比一元線性回歸的實(shí)用意義更大。</p><p>　　在研究問(wèn)題是，我們考慮一個(gè)變量受其他變量的影響時(shí)，把這變量稱(chēng)為因變量，記為，其他變量稱(chēng)為自變量，記為，這時(shí)相關(guān)系數(shù)可記作&l

27、t;/p><p>　　其中為當(dāng)時(shí)，因變量的均值，即</p><p><b>　　.</b></p><p>　　稱(chēng)為對(duì)的回歸函數(shù)，為與的偏差，它是隨機(jī)變量，并假定。</p><p>　　回歸函數(shù)可以是一元函數(shù)，也可以是多元函數(shù)，即</p><p>　　其中 為元回歸函數(shù)，統(tǒng)稱(chēng)為多元回歸函數(shù)。</

28、p><p>　　2.2多元線性回歸模型</p><p>　　2.2.1 模型的建立及矩陣表示</p><p>　　多元線性回歸模型的一般形式是：</p><p><b>　　(2.1)</b></p><p>　　其中是回歸系數(shù)，Y是被解釋變量，,，是k個(gè)對(duì)Y有顯著影響的解釋變量（k2），是 反映各種

29、誤差擾動(dòng)綜合影響的隨機(jī)項(xiàng)，下標(biāo)i表示第i期觀察值（,,,）, 。</p><p>　　假設(shè)多元樣本回歸函數(shù)為：回歸殘差為：。</p><p>　　由于有n期的觀察值，這一模型實(shí)際上包含個(gè)方程</p><p><b>　　寫(xiě)成矩陣形式：</b></p><p><b>　　(2.2)</b></

30、p><p><b>　　其中</b></p><p>　　2.2.2 模型的假設(shè)</p><p>　　因?yàn)槎嘣€性模型的建立或選擇過(guò)程包含相當(dāng)?shù)闹饔^性，所依據(jù)的理論和經(jīng)驗(yàn)也可能不正確，因此并不能保證模型符合變量的實(shí)際關(guān)系。而如果模型本身有問(wèn)題，那么分析的有效性和價(jià)值就很難有保證，為了保證所分析的變量關(guān)系符合多元線性回歸分析的基本規(guī)定性，明確分析對(duì)象

31、，保證回歸分析的有效性和性質(zhì)，也為了檢驗(yàn)判斷的依據(jù)，需要對(duì)多元線性回歸模型作一些架設(shè)，共包括下列六條：</p><p>　　(1)變量和,,,(=1,2...n)之間，存在線性隨機(jī)函數(shù)關(guān)系，其中是隨機(jī)誤差項(xiàng)。</p><p>　　(2)對(duì)應(yīng)每組觀測(cè)數(shù)據(jù)的誤差項(xiàng)，都為零均值的隨機(jī)變量，即的數(shù)學(xué)期望E()=0對(duì)=1,2...n都成立。</p><p>　　(3)誤差項(xiàng)的

32、方差為常數(shù)，即 對(duì)=1,2...n 都成立（假設(shè)（2）成立為前提）。</p><p>　?。?）對(duì)應(yīng)不同觀測(cè)數(shù)據(jù)的誤差項(xiàng)不相關(guān)，即</p><p>　　對(duì)任意的都成立（假設(shè)（1）成立為前提）。</p><p>　?。?）解釋變量是確定性變量而非隨機(jī)變量。當(dāng)存在多個(gè)解釋變量（r>1）時(shí)假設(shè)不同解釋變量之間不存在線性關(guān)系，包括嚴(yán)格的線性關(guān)系和強(qiáng)的近似線性關(guān)系。&l

33、t;/p><p>　?。?）誤差項(xiàng)服從正態(tài)分布[7]。</p><p>　　2.3 多元線性回歸參數(shù)估計(jì)</p><p>　　2.3.1 最小二乘估計(jì)和正規(guī)方程組</p><p>　　這里直接根據(jù)回歸殘差平方和最小的準(zhǔn)則，推導(dǎo)多元線性回歸模型參數(shù)的最小二乘估計(jì)量。對(duì)于多元線性回歸模型，</p><p>　　如果用，…，分別

34、表示模型參數(shù)，…,的估計(jì)，那么樣本回歸方程就是</p><p><b>　　回歸殘差平方和為：</b></p><p><b>　　(2.3)</b></p><p>　　當(dāng)V對(duì)，…，的一階偏導(dǎo)數(shù)都等于0，即下列方程組：</p><p><b>　　，</b></p>

35、;<p><b>　　，</b></p><p>　　同時(shí)成立時(shí),有最小值。對(duì)這個(gè)方程組整理，可得到如下的正規(guī)方程組：</p><p><b>　　其中</b></p><p><b>　　，</b></p><p>　　上述正規(guī)方程組有K+1個(gè)方程，未知數(shù)也是K

36、+1個(gè)。只要系數(shù)矩陣非奇異即滿(mǎn)足</p><p>　　解釋變量矩陣列滿(mǎn)秩：。此時(shí)，有，可逆?？梢越獬?，…，的唯一的一組解，就是，…，的最小二乘估計(jì)[8]。</p><p>　　2.3.2 最小二乘估計(jì)的矩陣形式</p><p>　　引進(jìn)參數(shù)估計(jì)量，解釋變量回歸值和回歸殘差的下列向量表示：</p><p>　　， ，

37、 (2.4)</p><p>　　把樣本數(shù)據(jù)分別帶入樣本回歸方程，得到回歸方程組為：</p><p>　　, (2.5)</p><p>　　寫(xiě)成等價(jià)的向量方程，則為：</p><p>　　這樣回歸殘差向量為：</p><p>　

38、　在利用向量，矩陣的運(yùn)算法則，可以得到殘差平方和為</p><p><b>　　=</b></p><p>　　求對(duì)，…，的偏導(dǎo)數(shù)，等價(jià)于對(duì)向量求梯度，因此最小二乘估計(jì)的正規(guī)方程組為：整理得到矩陣 形式：</p><p>　　當(dāng)可逆，也就是是滿(mǎn)秩矩陣，在上述向量方程兩端左乘的逆矩陣，得到：</p><p><b&g

39、t;　　(2.6)</b></p><p>　　這就是多元線性回歸模型最小二乘估計(jì)的矩陣一般形式。</p><p>　　2.3.3 最小二乘估計(jì)量的性質(zhì)</p><p><b>　　(1)線性性：</b></p><p>　　多元線性回歸模型參數(shù)的最小二乘估計(jì)向量為：，各個(gè)參數(shù)的最小二乘估計(jì)向量為，其中的是矩

40、陣的+1行元素構(gòu)成的行向量，上式對(duì)=1，…，K都成立，正是被解釋變量觀測(cè)值的線性組合，也就是多元線性回歸參數(shù)的最小二乘估計(jì)是線性估計(jì)。</p><p><b>　　(2)無(wú)偏性：</b></p><p>　　多元線性回歸的最小二乘估計(jì)也是無(wú)偏估計(jì)，即參數(shù)最小二乘估計(jì)量的數(shù)學(xué)期望都等于相應(yīng)參數(shù)的真實(shí)值，最小二乘估計(jì)向量的數(shù)學(xué)期望等于參數(shù)真實(shí)值的向量，參數(shù)真實(shí)值是參數(shù)估計(jì)

41、量的概率分布中心。</p><p><b>　　(3)最小方差性：</b></p><p>　　根據(jù)最小二乘估計(jì)公式和模型假設(shè)，可以直接導(dǎo)出包含各個(gè)參數(shù)估計(jì)量方差和不同參數(shù)估計(jì)量協(xié)方差的，參數(shù)估計(jì)向量的協(xié)方差矩陣為：</p><p><b>　　(2.7)</b></p><p>　　2.4 回歸擬

42、合度評(píng)價(jià)和決定系數(shù)</p><p>　　2.4.1 離差分解和決定系數(shù)</p><p>　　判斷回歸結(jié)果好壞基本標(biāo)準(zhǔn)，是回歸直線對(duì)樣本數(shù)據(jù)的逆合程度，稱(chēng)為“擬合度”?；貧w直線的逆合度一方面取決于回歸直線的選擇，這就是由參數(shù)估計(jì)方法決定的，另一方面則取決于樣本數(shù)據(jù)的分布。當(dāng)參數(shù)估計(jì)方法固定時(shí)，主要取決于樣本數(shù)據(jù)的分布。</p><p>　　樣本數(shù)據(jù)的分布在本質(zhì)上是由變

43、量關(guān)系決定的。因此回歸擬合度也是檢驗(yàn)?zāi)Ｐ妥兞筷P(guān)系真實(shí)性，判斷模型假設(shè)是否成立的重要方法。擬合度較好是對(duì)模型的支持，否則，可能意味著必須對(duì)模型進(jìn)行修改。</p><p>　　首先需要從Y的離差中分離出由解釋變量決定的部分，因變量的實(shí)際觀測(cè)值與其樣本均值的離差即總離差（）可以分解為兩部分：一部分是因變量的理論回歸值與其樣本均值的離差（）， 它可以看成是能夠由回歸直線解釋的部分，稱(chēng)為可解釋離差；另一部分是實(shí)際觀測(cè)值與理

44、論回歸值的離差（），它是不能由回歸直線加以解釋的殘差。 對(duì)任一實(shí)際觀測(cè)值Y總有：</p><p><b>　　(2.8)</b></p><p>　　對(duì)公式（2.8）兩邊平方并求和并計(jì)算，可得到：</p><p>　　根據(jù)最小二乘估計(jì)和回歸殘差的相關(guān)公式，所有的離差的平方和記為=稱(chēng)為“總離差平方和”，而記為稱(chēng)為“殘差平方和”， 記為稱(chēng)為“回歸平

45、方和”。</p><p>　　式（2.9）兩邊同除以，得：</p><p><b>　　(2.10)</b></p><p>　　顯而易見(jiàn)，各個(gè)樣本觀測(cè)點(diǎn)與樣本回歸直線靠的越近，在中所占的比重就越大。（2.10）式中的正是反映解釋變量（或回歸直線）對(duì)被解釋變量決定程度的指標(biāo)，我們稱(chēng)它為“決定系數(shù)”（determined coefficient）

46、，通常用表示。計(jì)算公式為：</p><p>　　2.4.2 決定系數(shù)的性質(zhì)及修正可決系數(shù)</p><p>　　決定系數(shù)是對(duì)回歸模型擬合程度的綜合度量，決定系數(shù)越大，模型擬合程度越高。決定系數(shù)越小，則模型對(duì)樣本的擬合程度越差。決定系數(shù)具有如下性質(zhì)：</p><p>　　(1) 決定系數(shù)具有非負(fù)性。</p><p>　　由決定系數(shù)的定義式可知，的

47、分子分母均是不可能為負(fù)值的平方和，因此其比</p><p><b>　　值必大于零。</b></p><p>　　(2) 判定系數(shù)的取值范圍為01。</p><p>　　由的計(jì)算公式可以看出：當(dāng)所有的觀測(cè)值都位于回歸直線上時(shí)，=0，這時(shí)=1，說(shuō)明總離差可以完全由所估計(jì)的樣本回歸直線來(lái)解釋?zhuān)划?dāng)觀測(cè)值并不是全部位于回歸直線上時(shí)， >0，則／&

48、gt;0，這時(shí)<1；當(dāng)回歸直線沒(méi)有解釋任何離差，即模型中解釋變量與因變量完全無(wú)關(guān)時(shí)，的總離差全部歸于殘差平方和，即＝，這時(shí)＝0。</p><p>　　(3) 判定系數(shù)是樣本觀測(cè)值的函數(shù)，它也是一個(gè)統(tǒng)計(jì)量。</p><p>　　判定系數(shù)的大小受到自變量的個(gè)數(shù)k的影響。可以證明，增加自變量的個(gè)數(shù)，回歸平方和增大，從而使得增大。由于增加自變量個(gè)數(shù)引起的增大與擬合好壞無(wú)關(guān)，在含自變量個(gè)數(shù)k

49、不同的模型之間比較擬合程度時(shí)，就不是一個(gè)合適的指標(biāo)，必須加以調(diào)整。</p><p>　　調(diào)整方法為：把殘差平方和與總離差平方和之比的分子分母分別除以各自的自由度，變成均方差之比，以剔除自變量個(gè)數(shù)對(duì)擬合優(yōu)度的影響。調(diào)整的判定系數(shù)為：</p><p><b>　　(2.11)</b></p><p>　　用這個(gè)調(diào)整的決定系數(shù)作為評(píng)價(jià)多元線性回歸擬合

50、度的評(píng)價(jià)標(biāo)準(zhǔn)，可以基本消除由于解釋變量數(shù)目的差異所造成的影響，更加合理和具有可比性。</p><p><b>　　2.5 統(tǒng)計(jì)檢驗(yàn)</b></p><p>　　2.5.1回歸參數(shù)的顯著性檢驗(yàn)（檢驗(yàn)）</p><p>　　先要找出回歸系數(shù)的分布，由上述知識(shí)得知：</p><p><b>　　(2.12)</

51、b></p><p>　　其中為的第j行j列的元素。將標(biāo)準(zhǔn)化。一般有未知，用代替，得統(tǒng)計(jì)量，以下可用統(tǒng)計(jì)量來(lái)進(jìn)行回歸系數(shù)的假設(shè)檢驗(yàn)。</p><p>　　同一元線性回歸一樣，要檢驗(yàn)解釋變量對(duì)因變量的線性作用是否顯著，要使用檢驗(yàn)。步驟如下：</p><p><b>　　(1) 提出假設(shè)。</b></p><p>&l

52、t;b>　　,</b></p><p><b>　　,</b></p><p>　　(2) 在成立條件下，根據(jù)樣本計(jì)算</p><p>　　(3) 給定顯著性水平，查表得臨界值</p><p><b>　　(4) 判斷</b></p><p>　　若，就拒絕

53、，對(duì)有顯著線性作用；</p><p>　　若，就接受，對(duì)線性作用不顯著。</p><p>　　2.5.2回歸方程的顯著性檢驗(yàn)（檢驗(yàn)）</p><p>　　多元線性回歸模型還可以進(jìn)行模型總體顯著性檢驗(yàn)，也就是全體解釋變量總體對(duì)被解釋變量是否存在明顯影響的檢驗(yàn)，回歸顯著性檢驗(yàn)的基本方法，是檢驗(yàn)?zāi)Ｐ统?shù)項(xiàng)以外所有參數(shù)同時(shí)為0的假設(shè)，使用檢驗(yàn)。步驟如下：</p>

54、<p><b>　　(1) 提出假設(shè)。</b></p><p><b>　　不全為0</b></p><p>　　(2) 選擇、（根據(jù)樣本）計(jì)算統(tǒng)計(jì)量</p><p>　　(3) 給定顯著性水平，查表，得</p><p><b>　　(4) 判斷</b></

55、p><p>　　若，就拒絕，回歸方程顯著成立，所有自變量對(duì)Y 的影響是顯著的；</p><p>　　若，就接受，回歸方程不顯著，所有自變量對(duì)Y 的線性作用不顯著。</p><p>　　2.5.3 多重共線性檢驗(yàn)</p><p>　　在多元線性回歸模型中，對(duì)的基本假定是：矩陣的各列向量之間是線性無(wú)關(guān)的，即有：如果這一假定不滿(mǎn)足，則稱(chēng)模型存在多重共線

56、性。多重共線性表現(xiàn)為兩種情況： </p><p>　　(1) 完全多重共線性：，也就是，不存在。</p><p>　　(2) 不完全多重共線性：（實(shí)際中多為此情況），對(duì)角線元素較大。而一般產(chǎn)生多重共線性的背景為：</p><p>　?。?）時(shí)間序列數(shù)據(jù)中經(jīng)濟(jì)變量在時(shí)間上常有共同的變動(dòng)趨勢(shì)；</p><p>　　（2）經(jīng)濟(jì)變量之間本身具有內(nèi)在聯(lián)

57、系（常在截面數(shù)據(jù)中出現(xiàn)）；</p><p>　?。?）由于某種決定性因素的影響可能使各個(gè)變量向著同方向變化；</p><p>　　（4）滯后變量引入模型，同一變量的逐次值一般都存在相互關(guān)系；</p><p>　　多重共線性的檢驗(yàn)方法有：</p><p>　?。?）簡(jiǎn)單相關(guān)系數(shù)矩陣法（輔助手段）</p><p>　　此法

58、簡(jiǎn)單易行；但要注意兩變量的簡(jiǎn)單相關(guān)系數(shù)包含了其他變量的影響，并非它們真實(shí)的線性相關(guān)程度的反映；一般在0.8以上可初步判定它倆之間有線性相關(guān)。</p><p>　　（2）變量顯著性與方程顯著性綜合判斷；</p><p>　?。ㄐ拚┛蓻Q系數(shù)大，值顯著大于臨界值，而值不顯著；那么可認(rèn)為存在多重共線性。</p><p><b>　?。?）輔助回歸：</b&

59、gt;</p><p>　　將每個(gè)解釋變量對(duì)其余變量回歸，若某個(gè)回歸方程顯著成立，則該解釋變量和其余變量有多重共線性。</p><p>　　多重共線性的克服和處理方法有：</p><p>　　截面數(shù)據(jù)和時(shí)序數(shù)據(jù)結(jié)合，有時(shí)在時(shí)間序列數(shù)據(jù)中多重共線性嚴(yán)重的變量，在截面數(shù)據(jù)中不一定有嚴(yán)重的共線性。在假定截面數(shù)據(jù)估計(jì)出的參數(shù)在時(shí)間序列數(shù)據(jù)中變化不大的前提下，可先用截面數(shù)據(jù)估

60、計(jì)出一些變量的參數(shù)，再代入原模型估計(jì)另一些變量的參數(shù)。</p><p>　　變換模型形式（差分法）:</p><p>　　假設(shè)和存在高度線性相關(guān)。</p><p><b>　　設(shè)原模型為：</b></p><p><b>　　將其滯后一期：</b></p><p>　　將上述

61、兩式相減，得：</p><p>　　則上述差分式子變成：</p><p>　　差分后，和的共線性將明顯減弱。</p><p>　　2.5.4 異方差檢驗(yàn)</p><p>　　在回歸模型的假設(shè)得到滿(mǎn)足之后，用最小二乘法估計(jì)的模型參數(shù)具有無(wú)偏和方差在線性無(wú)偏估計(jì)方法中最小的有效性，在這些假設(shè)中，其中有一條是誤差項(xiàng)的方差不變。如果誤差項(xiàng)的方差隨觀測(cè)

62、次數(shù)的改變而改變，或隨解釋變量增減而變化，則稱(chēng)回歸模型中存在異方差。異方差可以表示為或</p><p>　　其中異方差的的發(fā)現(xiàn)和檢驗(yàn)方法有戈德菲爾德-夸特檢驗(yàn)：構(gòu)造統(tǒng)計(jì)量： </p><p><b>　　.</b></p><p>　　如果，誤差項(xiàng)存在明顯的遞增異方差性；</p><p>　　如果，誤差項(xiàng)

63、沒(méi)有明顯的異方差性。</p><p>　　異方差的克服和處理：如線性回歸模型為，經(jīng)檢驗(yàn)，誤差項(xiàng)有如下異方差性，可以用除模型各項(xiàng)，得到：</p><p><b>　　,</b></p><p>　　新模型的誤差項(xiàng)方差為：</p><p><b>　　.</b></p><p>

64、<b>　　3 中國(guó)經(jīng)濟(jì)現(xiàn)狀</b></p><p>　　3.1 中國(guó)經(jīng)濟(jì)現(xiàn)狀</p><p>　　改革開(kāi)放30年來(lái)，中國(guó)經(jīng)濟(jì)持續(xù)高速增長(zhǎng)，相當(dāng)程度上是依賴(lài)于中小企業(yè)的崛起。快速、健康和持續(xù)發(fā)展的中小企業(yè)，對(duì)經(jīng)濟(jì)增長(zhǎng)的貢獻(xiàn)有目共睹：在繁榮經(jīng)濟(jì)、促進(jìn)增長(zhǎng)、國(guó)際貿(mào)易、擴(kuò)大就業(yè)、推動(dòng)創(chuàng)新、提高消費(fèi)能力等方面發(fā)揮著重要的作用，已成為推動(dòng)我國(guó)經(jīng)濟(jì)社會(huì)發(fā)展的重要力量，是大企業(yè)發(fā)展

65、的依托，是活躍市場(chǎng)的基本主體，也是經(jīng)濟(jì)活力的具體體現(xiàn)[1]。</p><p>　　回顧2008年中國(guó)：我們經(jīng)歷了年初的雪災(zāi)、5月的地震災(zāi)害、8月承辦奧運(yùn)、中國(guó)股市連連下挫，上證指數(shù)從2007年的最高點(diǎn)6124點(diǎn)一路下滑至2008年8月份的最低點(diǎn)2284點(diǎn)、半年光景約有6.7萬(wàn)家中小企業(yè)倒閉、國(guó)際油價(jià)的居高不下，煤、電、油、運(yùn)全面緊張。</p><p>　　針對(duì)新局勢(shì)、新變化，我國(guó)政府把防過(guò)

66、熱、防通脹的經(jīng)濟(jì)政策迅速調(diào)整為保發(fā)展、控通脹。確保發(fā)展和控制物價(jià)是對(duì)立的統(tǒng)一，既有矛盾，也可以相互促進(jìn)，關(guān)鍵在于我們采取什么樣的政策，拉動(dòng)GDP的三大要素是——投資、消費(fèi)和進(jìn)出口，根據(jù)相關(guān)研究今年經(jīng)濟(jì)增長(zhǎng)如果不超過(guò)9.4%，通貨膨脹率控制在5%左右，就是一個(gè)很好的平衡點(diǎn)，能為明年打下一個(gè)好的基礎(chǔ)[2]。 </p><p>　　中國(guó)經(jīng)濟(jì)正處在低谷的邊緣。因?yàn)槲覈?guó)經(jīng)濟(jì)面臨內(nèi)憂外患，內(nèi)憂是通貨膨脹，外患是全球經(jīng)濟(jì)放緩，

67、這些都對(duì)我國(guó)經(jīng)濟(jì)有很大影響，我們正在經(jīng)歷著動(dòng)蕩的考驗(yàn)：美元走低、人民幣升值、外需放緩，這對(duì)于對(duì)外依存度超過(guò)60%的中國(guó)經(jīng)濟(jì)，是一次巨大的挑戰(zhàn)[3]。</p><p>　　對(duì)于中小企業(yè)而言在投資和出口問(wèn)題上主要依賴(lài)于國(guó)家的宏觀調(diào)控，就困境中的中小企業(yè)本身來(lái)說(shuō)基本上是無(wú)能為力的，然而可以團(tuán)結(jié)起來(lái)、集合資源，向管理要效益，向降低成本要效益，從擴(kuò)大內(nèi)需中要效益，那么就要進(jìn)一步激勵(lì)民眾擴(kuò)大內(nèi)需、大力推動(dòng)消費(fèi)、刺激消費(fèi)，尋找

68、一種能夠產(chǎn)生新的消費(fèi)熱情的方法上下功夫，在實(shí)現(xiàn)消費(fèi)增值的基礎(chǔ)上取得企業(yè)效益，從而保持企業(yè)持續(xù)健康的發(fā)展。</p><p>　　3.2工業(yè)生產(chǎn)總值的概述</p><p>　　工業(yè)總產(chǎn)值是指以貨幣表現(xiàn)的工業(yè)企業(yè)在報(bào)告期內(nèi)生產(chǎn)的工業(yè)產(chǎn)品總量。工業(yè)總產(chǎn)值按“工廠法”計(jì)算，即以工業(yè)企業(yè)作為一個(gè)整體，按企業(yè)工業(yè)生產(chǎn)活動(dòng)的最終成果計(jì)算[5]。企業(yè)內(nèi)部不允許重復(fù)計(jì)算，不能把企業(yè)內(nèi)部各個(gè)車(chē)間生產(chǎn)的成果相加。

69、工業(yè)總產(chǎn)值包括成品價(jià)值、對(duì)外加工費(fèi)收入和自制半成品、在產(chǎn)品期末期初差額價(jià)值[8]。</p><p>　　4 工業(yè)生產(chǎn)總值的多因素模型分析</p><p>　　4.1建立多因素分析模型</p><p><b>　　設(shè)</b></p><p><b>　　其中：</b></p><p

70、>　　為工業(yè)總產(chǎn)值（按當(dāng)年價(jià)格，單位：億元）</p><p>　　為塑料制品產(chǎn)量（單位：萬(wàn)噸）</p><p>　　為水泥產(chǎn)量（單位：萬(wàn)噸）</p><p>　　為平板玻璃產(chǎn)量（單位：萬(wàn)重量箱）</p><p>　　為生鐵產(chǎn)量（單位：萬(wàn)噸）</p><p>　　為粗鋼產(chǎn)量（單位：萬(wàn)噸）</p>&l

71、t;p>　　為鋼筋產(chǎn)量（單位：萬(wàn)噸）</p><p>　　為盤(pán)條產(chǎn)量（單位：萬(wàn)噸）</p><p><b>　　為隨機(jī)誤差項(xiàng)。</b></p><p><b>　　4.2數(shù)據(jù)收集</b></p><p>　　研究工業(yè)生產(chǎn)總值與經(jīng)濟(jì)發(fā)展之間的關(guān)系嚴(yán)格來(lái)說(shuō)可以對(duì)每個(gè)地區(qū)進(jìn)行研究，但是具體到各個(gè)地區(qū)

72、，根據(jù)各個(gè)地區(qū)的條件情形不同，所以對(duì)研究得出的數(shù)據(jù)也會(huì)有很大的差異，所以此次就對(duì)同一地區(qū)的工業(yè)生產(chǎn)總值與經(jīng)濟(jì)發(fā)展之間的關(guān)系作為研究，就對(duì)一個(gè)地區(qū)的數(shù)據(jù)進(jìn)行收集，然后得出結(jié)論，這個(gè)結(jié)論可以反映出這個(gè)地區(qū)的工業(yè)生產(chǎn)值與經(jīng)濟(jì)發(fā)展的關(guān)系，為促進(jìn)經(jīng)濟(jì)發(fā)展，針對(duì)某一地區(qū)的經(jīng)濟(jì)發(fā)展，我們可以對(duì)它進(jìn)行幾十年的數(shù)據(jù)收集，得出這個(gè)地區(qū)的經(jīng)濟(jì)發(fā)展情況。下面我們以中國(guó)2007年各省市的主要工業(yè)產(chǎn)品產(chǎn)量統(tǒng)計(jì)量為研究對(duì)象，通過(guò)對(duì)這些數(shù)據(jù)和工業(yè)總產(chǎn)值的數(shù)據(jù)建立的線性

73、關(guān)系來(lái)預(yù)測(cè)工業(yè)總產(chǎn)值。</p><p>　　(1) 工業(yè)總產(chǎn)值來(lái)自中國(guó)2007年按地區(qū)分組的專(zhuān)用設(shè)備制造業(yè)工業(yè)企業(yè)主要經(jīng)濟(jì)指標(biāo)統(tǒng)計(jì)(一)；</p><p>　　(2) 原煤來(lái)自中國(guó)2007年按地區(qū)分組的主要工業(yè)產(chǎn)品產(chǎn)量統(tǒng)計(jì)(一)；</p><p>　　(3) 由于西藏自治區(qū)一行中缺省數(shù)據(jù)太多，故刪除了西藏一欄；</p><p>　　(4) 中

74、國(guó)2007年按地區(qū)分組的主要工業(yè)產(chǎn)品產(chǎn)量統(tǒng)計(jì)(六)</p><p>　　具體數(shù)據(jù)見(jiàn)下表4.1：</p><p>　　表4.1 原始數(shù)據(jù)</p><p>　　注1)：數(shù)據(jù)來(lái)自中國(guó)2007年統(tǒng)計(jì)年鑒8w。</p><p><b>　　4.3 統(tǒng)計(jì)檢驗(yàn)</b></p><p><b>　　由

75、SPSS計(jì)算結(jié)果</b></p><p>　　表4.2 Variables Entered/Removed(b)</p><p>　　a All requested variables entered.</p><p>　　b Dependent Variable: 工業(yè)總產(chǎn)值y</p><p>　　表4.3 Model Su

76、mmary(b)</p><p>　　a Predictors: (Constant), 盤(pán)條x7, 塑料制品x1, 生鐵x4, 平板玻璃x3, 水泥x2, 鋼筋x6, 粗</p><p><b>　　鋼x5</b></p><p>　　b Dependent Variable: 工業(yè)總產(chǎn)值y</p><p>　　表4.

77、4 ANOVA(b)</p><p>　　a Predictors: (Constant), 盤(pán)條x7, 塑料制品x1, 生鐵x4, 平板玻璃x3, 水泥x2, 鋼筋x6, 粗鋼x5</p><p>　　b Dependent Variable: 工業(yè)總產(chǎn)值y</p><p>　　表4.5 Coefficients(a)</p><p>　　

78、a Dependent Variable: 工業(yè)總產(chǎn)值y</p><p><b>　　即有：</b></p><p>　　=0.987 ,=0.983,=249.059</p><p>　　方程的決定系數(shù)較高，=0.987，修正可決系數(shù)=0.983，又回歸模型擬合程度與決定系數(shù)有關(guān)，決定系數(shù)越大，模型擬合程度越高，可見(jiàn)本模型擬合程度較好，又F

79、=249.059>10, 模型總體顯著性檢驗(yàn)得知模型總體顯著，也就是全體解釋變量總體對(duì)被解釋變量存在明顯影響。對(duì)t檢驗(yàn)由上述分析結(jié)果知，除粗鋼和原煤外其余預(yù)測(cè)變量都是顯著的。故我們對(duì)上述模型進(jìn)行計(jì)量經(jīng)濟(jì)學(xué)的檢驗(yàn)，并進(jìn)行修正，看是否能使模型方程得到改進(jìn)。</p><p>　　其中我們看到平板玻璃和盤(pán)條產(chǎn)量的系數(shù)是負(fù)值，一般來(lái)說(shuō)，平板玻璃和盤(pán)條產(chǎn)量等經(jīng)濟(jì)發(fā)展量應(yīng)該與工業(yè)總產(chǎn)值成正比關(guān)系，但由于在研究具體某個(gè)地區(qū)

80、的經(jīng)濟(jì)發(fā)展關(guān)系時(shí)，由于政策領(lǐng)導(dǎo)或其它的因?yàn)榈貐^(qū)的特殊性的原因，造成了平板玻璃和盤(pán)條產(chǎn)量的系數(shù)是可能成為負(fù)值的。比如工業(yè)總產(chǎn)值在下降，但是因?yàn)檎呋蚱渌蚱桨宀ＡШ捅P(pán)條產(chǎn)量卻在上升，或工業(yè)總產(chǎn)值在上升，但是平板玻璃和盤(pán)條產(chǎn)量卻在下降。</p><p>　　4.4 計(jì)量經(jīng)濟(jì)學(xué)檢驗(yàn)及模型修正</p><p>　　4.4.1 異方差檢驗(yàn)</p><p>　　計(jì)算殘差絕對(duì)值

81、與個(gè)自變量的斯皮爾曼相關(guān)系數(shù)，結(jié)果如下表：</p><p>　　表4.6 Correlations</p><p>　　殘差絕對(duì)值與各自變量的相關(guān)系數(shù)分別為0.59，0.47，0.287,0.489,0.513,0.416，0.547說(shuō)明存在異方差，需采用加權(quán)最小二乘估計(jì)；</p><p>　　加權(quán)估計(jì)，得到最優(yōu)權(quán)重為3.000，對(duì)其進(jìn)行加權(quán)分析。</p>

82、;<p>　　表4.7 Variables Entered/Removed(b,c)</p><p>　　a All requested variables entered.</p><p>　　b Dependent Variable: 工業(yè)總產(chǎn)值y</p><p>　　c Weighted Least Squares Regression -

83、 Weighted by Weight for 工業(yè)總產(chǎn)值y from WLS, MOD_4 abs_1** -3.000</p><p>　　表4.8 Model Summary(b,c)</p><p>　　a Predictors: (Constant), 盤(pán)條x7, 塑料制品x1, 鋼筋x6, 生鐵x4, 平板玻璃x3, 粗鋼x5, 水泥x2</p><p&

84、gt;　　b Dependent Variable: 工業(yè)總產(chǎn)值y</p><p>　　c Weighted Least Squares Regression - Weighted by Weight for 工業(yè)總產(chǎn)值y from WLS, MOD_4 abs_1** -3.000</p><p>　　表4.9 ANOVA(b,c)</p><p>　　a

85、Predictors: (Constant), 盤(pán)條x7, 塑料制品x1, 鋼筋x6, 生鐵x4, 平板玻璃x3, 粗鋼x5, 水泥x2</p><p>　　b Dependent Variable: 工業(yè)總產(chǎn)值y</p><p>　　c Weighted Least Squares Regression - Weighted by Weight for 工業(yè)總產(chǎn)值y from WLS

86、, MOD_4 abs_1** -3.000</p><p>　　表4.10 Coefficients(a,b)</p><p>　　由上表所知，方程的決定系數(shù)較高，=1.000，修正可決系數(shù)=1.000，又回歸模型擬合程度與決定系數(shù)有關(guān)，決定系數(shù)越大，模型擬合程度越高，可見(jiàn)本模型擬合程度較好，又=50065.439>10, 模型總體顯著性檢驗(yàn)得知模型總體顯著，也就是全體解釋變量總

87、體對(duì)被解釋變量存在明顯影響。但是值為1.581，要比原來(lái)多元線性回歸的值要小，自相關(guān)性比較嚴(yán)重，需要進(jìn)一步討論</p><p>　　4.4.2 自相關(guān)檢驗(yàn)</p><p>　　自相關(guān)(Autocorrelation)是對(duì)隨機(jī)擾動(dòng)項(xiàng)之間相互獨(dú)立假定的違背，指擾動(dòng)項(xiàng)序列相鄰期之間不是隨機(jī)獨(dú)立而是存在相關(guān)關(guān)系，又稱(chēng)為序列相關(guān)。自相關(guān)主要表現(xiàn)在時(shí)間序列中。因此對(duì)于線性回歸模型：</p>

88、<p><b>　　自相關(guān)可表示為：</b></p><p>　　用于檢驗(yàn)擾動(dòng)項(xiàng)是否存在自相關(guān)的方法主要有：D-W 檢驗(yàn)（Durbin-Watson 杜賓-瓦特森檢驗(yàn)），D-W 檢驗(yàn)是Durbin 和Watson 于1951 年提出的一種自相關(guān)檢驗(yàn)方法。它只適用于擾動(dòng)項(xiàng)的形式為：（為自相關(guān)系數(shù)）的一階自相關(guān)問(wèn)題。這種方法是最常用的一階自相關(guān)檢驗(yàn)方法。其檢驗(yàn)步驟如下：</p

89、><p><b>　　（1）提出假設(shè)。</b></p><p>　?。?，即擾動(dòng)項(xiàng)不存在一階自相關(guān)；</p><p>　?。?，即擾動(dòng)項(xiàng)存在一階自相關(guān)。</p><p>　?。?）構(gòu)造統(tǒng)計(jì)量。定義DW 統(tǒng)計(jì)量為，對(duì)于大樣本可以把統(tǒng)計(jì)量寫(xiě)為，其中為自相關(guān)系數(shù)的估計(jì)。因?yàn)閨|1，所以檢驗(yàn)統(tǒng)計(jì)的值域?yàn)?DW4。</p>

90、<p>　?。?）判斷。根據(jù)樣本容量n 和解釋變量的數(shù)目p 查分布表，得下臨界值和上臨界值，并依下列準(zhǔn)則判斷擾動(dòng)項(xiàng)的自相關(guān)情形。</p><p>　?、偃绻?<<，則拒絕零假設(shè)，擾動(dòng)項(xiàng)存在一階正自相關(guān)。越接近于0，正自相關(guān)性越強(qiáng)。</p><p>　?、谌绻?lt;<，則無(wú)法判斷是否有自相關(guān)。</p><p>　?、廴绻?lt;<4

91、-，則接受零假設(shè)，擾動(dòng)項(xiàng)不存在一階正自相關(guān)。越接近2，判斷無(wú)自相關(guān)性把握越大。</p><p>　　④如果4-<<4-，則無(wú)法判斷是否有自相關(guān)。</p><p>　?、萑绻?-<<4，則拒絕零假設(shè)，擾動(dòng)項(xiàng)存在一階負(fù)自相關(guān)。越接近于4，負(fù)自相關(guān)性越強(qiáng)。</p><p>　　由上圖4.3得知Durbin-Watson Statistics=1.，

92、查表得在顯著水平=0.05下，查表 n=30，k=3時(shí)，=1.21，=1.55，由于</p><p>　　=1.21<DW=1.<4-=2.45，</p><p>　　則接受零假設(shè)，擾動(dòng)項(xiàng)不存在一階正自相關(guān)。DW 越接近2，判斷無(wú)自相關(guān)性把握越大。</p><p>　　由表可知，值為1.739，可以看出存在正自相關(guān)性,通過(guò)迭代</p>&l

93、t;p><b>　　,</b></p><p>　　來(lái)改善自相關(guān)性。.進(jìn)行迭代計(jì)算,得</p><p>　　表4.11 Variables Entered/Removed(b)</p><p>　　a All requested variables entered. b Dependent Variable: y11</p>

94、;<p>　　表4.12 Model Summary(b)</p><p>　　a Predictors: (Constant), x71, x11, x41, x31, x21, x61, x51</p><p>　　b Dependent Variable: y11</p><p>　　表4.13 ANOVA(b)</p><

95、;p>　　a Predictors: (Constant), x71, x11, x41, x31, x21, x61, x51</p><p>　　b Dependent Variable: y11</p><p>　　表4.14 Coefficients(a)</p><p>　　a Dependent Variable: y11</p>

96、<p>　　方程的決定系數(shù)較高，=0.988，修正可決系數(shù)=0.984，又回歸模型擬合程度與決定系數(shù)有關(guān)，決定系數(shù)越大，模型擬合程度越高，可見(jiàn)本模型擬合程度較好，又F=262.418>10, 模型總體顯著性檢驗(yàn)得知模型總體顯著，也就是全體解釋變量總體對(duì)被解釋變量存在明顯影響，并且值為1.867，與原來(lái)的線性回歸結(jié)果相比自相關(guān)性得到了進(jìn)一步的優(yōu)化。此時(shí)的多元線性回歸方程為：</p><p>　　

97、由表可知，值為1.867，可以看出自相關(guān)性得到了進(jìn)一步改善,下面再次迭代：</p><p><b>　　,</b></p><p>　　來(lái)改善自相關(guān)性。.進(jìn)行迭代計(jì)算，得到如下結(jié)果：</p><p>　　表4.15 Variables Entered/Removed(b)</p><p>　　a All request

98、ed variables entered.</p><p>　　b Dependent Variable: Y22</p><p>　　表4.16 Model Summary(b)</p><p>　　a Predictors: (Constant), X72, X12, X42, X32, X22, X62, X52</p><p>　

99、　b Dependent Variable: Y22</p><p>　　表4.17 ANOVA(b)</p><p>　　a Predictors: (Constant), X72, X12, X42, X32, X22, X62, X52</p><p>　　b Dependent Variable: Y22</p><p>　　

100、表4.18 Coefficients(a)</p><p>　　a Dependent Variable: Y22</p><p>　　由上表可知方程的決定系=0.988，修正可決系數(shù)=0.984，與上次迭代相比基本穩(wěn)定，且均接近于1，可見(jiàn)本模型擬合程度較好，又F=270.499>10, 模型總體顯著性檢驗(yàn)得知模型總體顯著，也就是全體解釋變量總體對(duì)被解釋變量存在明顯影響，并且值為2

101、.072，自相關(guān)性的影響基本消除。此時(shí)的多元線性回歸方程為：</p><p><b>　　5 結(jié) 論</b></p><p>　　在本文中，我們通過(guò)一系列主要工業(yè)產(chǎn)品產(chǎn)量的分析，探索通過(guò)個(gè)工業(yè)產(chǎn)品產(chǎn)量來(lái)預(yù)測(cè)工業(yè)總產(chǎn)值的方法。我們?cè)诒疚闹羞x取了工業(yè)總產(chǎn)值，塑料制品產(chǎn)量，水泥產(chǎn)量，平板玻璃產(chǎn)量，生鐵產(chǎn)量，粗鋼產(chǎn)量，鋼筋產(chǎn)量，盤(pán)條產(chǎn)量。在通過(guò)對(duì)模型的異方差性和自相關(guān)性的檢驗(yàn)

102、以及修正之后我們得到的最終的線性回歸方程為：</p><p>　　通過(guò)以上線性回歸方程我們可以知道，工業(yè)總產(chǎn)值與塑料制品產(chǎn)量有較大關(guān)系，塑料產(chǎn)量每增加一個(gè)單位，工業(yè)總產(chǎn)值就會(huì)增加1.120個(gè)單位，水泥產(chǎn)量每增加1個(gè)單位總也總產(chǎn)值就會(huì)增加0.032個(gè)單位，生鐵產(chǎn)量每增加一個(gè)單位，工業(yè)總產(chǎn)值就會(huì)增加0.129個(gè)單位，同樣的鋼筋每增加1個(gè)單位工業(yè)總產(chǎn)值就會(huì)增加0.55個(gè)單位。</p><p>　

103、　但同時(shí)我們看到有些主要工業(yè)產(chǎn)品的產(chǎn)量系數(shù)是負(fù)值，一般來(lái)說(shuō)，各主要工業(yè)產(chǎn)品的產(chǎn)量等經(jīng)濟(jì)發(fā)展量應(yīng)該與工業(yè)總產(chǎn)值成正比關(guān)系，但由于在研究具體某個(gè)地區(qū)的經(jīng)濟(jì)發(fā)展關(guān)系時(shí)，由于政策領(lǐng)導(dǎo)或其它的因?yàn)榈貐^(qū)的特殊性的原因，造成了水泥產(chǎn)量的系數(shù)是可能成為負(fù)值的。比如工業(yè)總產(chǎn)值在下降，但是因?yàn)檎呋蚱渌蛞恍┕I(yè)產(chǎn)品產(chǎn)量卻在上升，或工業(yè)總產(chǎn)值在上升，但是某些工業(yè)產(chǎn)品的產(chǎn)量卻在下降。</p><p>　　在我國(guó)，目前經(jīng)濟(jì)發(fā)展速度很快

104、，工業(yè)生產(chǎn)總值能夠保持穩(wěn)定增長(zhǎng)，我們要保持住這種增長(zhǎng)勢(shì)頭，實(shí)現(xiàn)經(jīng)濟(jì)的又好又快發(fā)展，那么對(duì)于多元線性回歸研究經(jīng)濟(jì)發(fā)展的問(wèn)題就有很現(xiàn)實(shí)的作用。并且，在我國(guó)，經(jīng)濟(jì)發(fā)展還不是很平衡，對(duì)各地區(qū)進(jìn)行經(jīng)濟(jì)發(fā)展的研究，使我們可以在宏觀調(diào)控的條件下，也可以結(jié)合各地區(qū)的實(shí)際情況作出經(jīng)濟(jì)決策，使經(jīng)濟(jì)發(fā)展達(dá)到最好的效果。</p><p>　　由以上得到的回歸方程我們可以看到變量和的系數(shù)絕對(duì)值最大，可見(jiàn)對(duì)的影響是最大，即機(jī)塑料制品產(chǎn)量，是

105、鋼筋產(chǎn)量，所以對(duì)全國(guó)各地區(qū)從目前的經(jīng)濟(jì)發(fā)展?fàn)顩r和條件看，塑料制品產(chǎn)量和鋼筋產(chǎn)量對(duì)工業(yè)總產(chǎn)值有最大的正影響關(guān)系，也就是說(shuō)，為了最高的提高全國(guó)各地區(qū)工業(yè)總產(chǎn)值的指標(biāo)，我們可以加大對(duì)塑料制品和鋼筋的生產(chǎn)，它對(duì)全國(guó)各地區(qū)工業(yè)總產(chǎn)值的指標(biāo)有最明顯的正向關(guān)系。這樣，我們?cè)趯?duì)于資源的配置方面，可以先考慮對(duì)各地區(qū)紙塑料制品和鋼筋制造的投資加大，能夠達(dá)到資源的優(yōu)化配置。</p><p><b>　　致 謝</b&

106、gt;</p><p>　　在本文的體系和材料數(shù)據(jù)的收集及處理過(guò)程中及在撰寫(xiě)整篇論文的過(guò)程中，王小勝王導(dǎo)師給了我很大的幫助，在材料的選擇、文章的重心、參數(shù)估計(jì)統(tǒng)計(jì)檢驗(yàn)及計(jì)量經(jīng)濟(jì)學(xué)檢驗(yàn)等許多方面給了我有益的指導(dǎo)和啟迪。在此，我表示最衷心的感謝。</p><p><b>　　參考文獻(xiàn)</b></p><p>　　[1] 謝建平.回歸分析在經(jīng)濟(jì)中的應(yīng)

107、用[J].學(xué)術(shù)月刊,2009,11 (6):71-74.</p><p>　　[2] 張潤(rùn)楚.數(shù)理統(tǒng)計(jì)學(xué)[M].北京:科學(xué)出版社,2010.</p><p>　　[3] 謝宇.回歸分析[M].北京:社會(huì)科學(xué)文獻(xiàn)出版社,2010.</p><p>　　[4] 王松桂.線性模型引論[M].北京:科學(xué)出版社,2003.</p><p>　　[5]

108、 陳正昌,程炳林,陳新豐等.多變量分析方法統(tǒng)計(jì)軟件應(yīng)用[M].北京:中國(guó)稅務(wù)出版社,2008.</p><p>　　[6] 米紅 張文璋.實(shí)用現(xiàn)代統(tǒng)計(jì)分析方法與SPSS應(yīng)用[M].北京:當(dāng)代中國(guó)出版社,2006.</p><p>　　[7] 任慶玉.當(dāng)代中國(guó)經(jīng)濟(jì)[M].北京:中國(guó)經(jīng)濟(jì)出版社,2005.</p><p>　　[8] 何東耀.中國(guó)4萬(wàn)億投資解讀[M].北

109、京:中國(guó)人民大學(xué)出版社,2008.</p><p>　　[9] Harbert White.A Heteroskedasticity-Consistent Covariance Matrix Estimator and a DirectTest for Heteroskedasticiry[J]. The Econometric Society May,1980,17(2):817-838.</p>

110、<p>　　[10] Eilat P, Einav L.Determinants of international tourism: a three-dimensional panel data analysis. Applied Economics,2004,36( 12) : 1315-1327. 34</p><p>　　[11]王祖蘭.全國(guó)各地區(qū)工業(yè)經(jīng)濟(jì)實(shí)力分析[J].復(fù)印報(bào)刊資料,2009

111、,15 (7):177-181.</p><p>　　*Jg&6a*CZ7H$dq8KqqfHVZFedswSyXTy#&QA9wkxFyeQ^!djs#XuyUP2kNXpRWXmA&UE9aQ@Gn8xp$R#&#849Gx^Gjqv^$UE9wEwZ#Qc@UE%&qYp@Eh5pDx2zVkum&gTXRm6X4NGpP$vSTT#&ksv*3tnG

112、K8!z89AmYWpazadNu##KN&MuWFA5uxY7JnD6YWRrWwc^vR9CpbK!zn%Mz849Gx^Gjqv^$UE9wEwZ#Qc@UE%&qYp@Eh5pDx2zVkum&gTXRm6X4NGpP$vSTT#&ksv*3tnGK8!z89AmYWpazadNu##KN&MuWFA5ux^Gjqv^$UE9wEwZ#Qc@UE%&qYp@Eh5pDx2zVkum