[北京物理高一巩固专题]1.匀变速直线运动规律

山东英才学院实训报告小组成员：王连群、李晓聪、程焕、宫恩麟、于彬、曹亮亮班级：本科市场营销1401班实训地点：商-5002实训时间：2016-06-17指导老师：尹晓宇实训项目：Spss回归分析实训内容：回归分析1、相关系数2、一元线性相关分析3、多元线性相关分析实训步骤与结果：6.2解：(1)先做散点图Graphs→Scatter/Dot→SimpleScatterplot，将y选入YAxis，将x选入XAxis；图6-2-1图6-2-1显示的是航班正点率和投诉率的散点图，由图形可以看出两者大致呈线性关系。因此以航班正点率为自变量，投诉率为因变量建立线性回归模型。（2）计算相关系数Analyze→Correlate→BivariateCorrelations，将y和x选入Variables，选中Person，Two-tailed和Flagsignificantcorrelations。表6-2-1Correlationsx航班正点率%y投诉率(次/10万名乘客)x航班正点率%PearsonCorrelation1-.883**Sig.(2-tailed).002N99y投诉率(次/10万名乘客)PearsonCorrelation-.883**1Sig.(2-tailed).002N99**.Correlationissignificantatthe0.01level(2-tailed).表6-2-1是自变量和因变量的相关分析表，两者的Pearson相关系数为-0.883，显著性概率为0.0020.01，线性相关性显著。（3）进行一元线性回归Analyze→Regression→LinearRegression，将y选入Dependent，将x选入Independent(s)。表6-2-2ANOVAbModelSumofSquaresdfMeanSquareFSig.1Regression.6381.63824.674.002aResidual.1817.026Total.8198a.Predictors:(Constant),x航班正点率%b.DependentVariable:y投诉率(次/10万名乘客)表6-2-3CoefficientsaModelUnstandardizedCoefficientsStandardizedCoefficientstSig.BStd.ErrorBeta1(Constant)6.0181.0525.719.001x航班正点率%-.070.014-.883-4.967.002a.DependentVariable:y投诉率(次/10万名乘客)表6-2-2是回归模型的方差分析表，F值为24.674，显著性概率是0.0020.05，从而拒绝原假设，认为解释变量和因变量之间的线性关系非常显著，可以建立线性模型。表6-1-4是回归模型的回归系数表，回归系数的显著性检验统计量t统计量的值为-4.967，对应的显著性水平Sig.=0.0020.05，认为方程显著，因此可以得出建立的回归模型为：ˆ6.0180.070yx（4）预测在X列中输入80，Analyze→Regression→LinearRegression，在save选项中PredictedValues下选中Unstandardized，在PredictedIntervals同时选中Mean和Individual。数据文件中将输出非标准化的预测值及均值和个体值的预测区间。如果航班正点率为80%，用回归方程预测的投诉率为0.38468，均值95%的预测区间为（0.15071，0.61865），个体值95%的预测区间为（-0.06180，0.83116），由于投诉率0，所以个体值95%预测区间应为（0，0.83116）。因此，如果航班正点率为80%，每10万名乘客投诉的次数为38468次，均值95%的预测区间为（15071，61865），个体值95%的预测区间为（0，83116）。6.1解：（1）对因变量和解释变量进行相关性分析，Analyze→Correlate→BivariateCorrelations，将y、x1、x2、x3、x4和x5选入Variables，选中Person，Two-tailed和Flagsignificantcorrelations。表6-1-1是相关分析的结果：民航客运量y与国民收入1x、消费额2x、民航航线里程4x和来华旅游入境人数5x相关系数较高，相关性显著，Sig.(1-tailed)=0.0000.01，而民航客运量y与铁路客运量3x相关系数较低，仅为0.266，Sig.(1-tailed)=0.1600.01，相关性不显著。表6-1-1Correlations民航客运量国民收入(亿元)消费额(亿元)铁路客运量(万人)民航航线里程(万公里)来华旅游入境人数(万人)民航客运量PearsonCorrelation1.961**.985**.266.987**.924**Sig.(2-tailed).000.000.320.000.000N161616161616国民收入(亿元)PearsonCorrelation.961**1.972**.231.960**.878**Sig.(2-tailed).000.000.389.000.000N161616161616消费额(亿元)PearsonCorrelation.985**.972**1.284.978**.942**Sig.(2-tailed).000.000.286.000.000N161616161616铁路客运量(万人)PearsonCorrelation.266.231.2841.232.358Sig.(2-tailed).320.389.286.388.173N161616161616民航航线里程(万公里)PearsonCorrelation.987**.960**.978**.2321.882**Sig.(2-tailed).000.000.000.388.000N161616161616来华旅游入境人数(万人)PearsonCorrelation.924**.878**.942**.358.882**1Sig.(2-tailed).000.000.000.173.000N161616161616**.Correlationissignificantatthe0.01level(2-tailed).（2）将所有解释变量引入建立多元线性回归模型，进行全变量回归。Analyze→Regression→LinearRegression，将y选入Dependent，将x1、x2、x3、x4和X5选入Independent(s)，Method选择Enter。表6-1-2是回归模型统计量：复相关系数R为0.994，解释变量和因变量的相关性很强；可决系数2R为0.988，用自变量可以解释因变量变异的程度为98.8%，调整后的可决系数为0.982，模型整体的拟合效果很好。表6-1-3是回归模型的方差分析表，F值为162.787，显著性概率是0.000，从而拒绝原假设，认为解释变量和因变量之间的线性关系非常显著，可以建立线性模型。表6-1-4是回归模型的回归系数表，可以得出建立的回归模型为：512345ˆ401.2240.0140.0215.8101030.4400.200yxxxxx可以发现，仅有民航航线里程数的回归系数显著性检验（t检验）的p值分小于0.05，认为其显著，其他变量不显著，说明这些变量之间存在共线性。表6-1-2ModelSummaryModelRRSquareAdjustedRSquareStd.ErroroftheEstimate1.994a.988.982129.62078a.Predictors:(Constant),来华旅游入境人数(万人),铁路客运量(万人),国民收入(亿元),民航航线里程(万公里),消费额(亿元)表6-1-3ANOVAbModelSumofSquaresdfMeanSquareFSig.1Regression1.368E752735071.255162.787.000aResidual168015.4771016801.548Total1.384E715a.Predictors:(Constant),来华旅游入境人数(万人),铁路客运量(万人),国民收入(亿元),民航航线里程(万公里),消费额(亿元)b.DependentVariable:民航客运量表6-1-4CoefficientsaModelUnstandardizedCoefficientsStandardizedCoefficientstSig.BStd.ErrorBeta1(Constant)-401.224143.142-2.803.019国民收入(亿元).014.024.104.601.561消费额(亿元)-.021.087-.092-.241.814铁路客运量(万人)5.810E-5.001.002.040.969民航航线里程(万公里)30.4408.298.7483.668.004来华旅游入境人数(万人).200.111.2601.798.102a.DependentVariable:民航客运量（3）进行逐步回归，Analyze→Regression→LinearRegression，将y选入Dependent，将x1、x2、x3、x4和x5选入Independent(s)，Method选择Stepwise。结果见表6-1-5、表6-1-6、表6-1-7和表6-1-8。由结果可知，最终建立两个模型，模型一：4ˆ382.50840.147yx，20.974R模型二：45ˆ401.07431.4710.187yxx，20.987R两个模型的拟合效果都很好，可决系数2R大于0.970，且模型中因变量的系数通过了显著性检验。表6-1-8的结果显示了排除在模型之外的变量。表6-1-5ModelSummaryModelRRSquareAdjustedRSquareStd.ErroroftheEstimate1.987a.974.973159.256842.994b.987.985115.99148a.Predictors:(Constant),民航航线里程(万公里)b.Predictors:(Constant),民航航线里程(万公里),来华旅游入境人数(万人)表6-1-6ANOVAcModelSumofSquaresdfMeanSquareFSig.1Regression1.349E711.349E7531.815.000aResidual355078.3961425362.743Total1.384E7152Regression1.367E726834234.721507.970.000bResidual174902.3081313454.024Total1.384E715a.Predictors:(Constant),民航航线里程(万公里)b.Predictors:(Constant),民航航线里程(万公里),来华旅游入境人数(万人)c.DependentVariable:民航客运量表6-1-7CoefficientsaModelUnstandardizedCoefficientsStandardizedCoefficientstSig.BStd.ErrorBeta1(Constant)-382.50877.808-4.916.000民航航线里程(万公里)40.1471.741.98723.061.0002(Constant)-410.07457.168-7.173.000民航航线里程(万公里)31.4712.688.77411.706.000来华旅游入境人数(万人).187.051.2423.660.003表6-1-7CoefficientsaModelUnstandardizedCoeff