spss多元回归分析案例

企业管理对居民消费率影响因素的探究---以湖北省为例改革开放以来,我国经济始终保持着高速增长的趋势,三十多年间综合国力得到显著增强,但我国居民消费率一直偏低,甚至一直有下降的趋势。居民消费率的偏低必然会导致我国内需的不足,进而会影响我国经济的长期健康发展。本模型以湖北省1995年-2010年数据为例，探究各因素对居民消费率的影响及多元关系。（注：计算我国居民的消费率,用居民的人均消费除以人均GDP,得到居民的消费率）。通常来说，影响居民消费率的因素是多方面的，如:居民总收入，人均GDP，人口结构状况1（儿童抚养系数，老年抚养系数），居民消费价格指数增长率等因素。1.人口年龄结构一种比较精准的描述是：儿童抚养系数(0-14岁人口与15-64岁人口的比值)、老年抚养系数(65岁及以上人口与15-64岁人口的比值〉或总抚养系数(儿童和老年抚养系数之和)。0-14岁人口比例与65岁及以上人口比例可由《湖北省统计年鉴》查得。总消费(C:亿元)总GDP（亿元）消费率(%)19951095.972109.3851.9619971438.122856.4750.3520001594.083545.3944.9620011767.383880.5345.5420021951.544212.8246.3220032188.054757.4545.9920042452.625633.2443.5420052785.426590.1942.2720063124.377617.4741.0220073709.699333.439.7520084225.3811328.9237.30（注：数据来自《湖北省统计年鉴》）一、计量经济模型分析(一)、数据搜集根据以上分析，本模型在影响居民消费率因素中引入6个解释变量。X1:居民总收入（亿元），X2：人口增长率(‰），X3：居民消费价格指数增长率，X4：少儿抚养系数，X5：老年抚养系数，X6：居民消费占收入比重（%）。Y：消费率(%)X1:总收入（亿元）X2：人口增长率(‰）X3：居民消费价格指数增长率X4：少儿抚养系数X5：老年抚养系数X6：居民消费比重（%）199551.961590.759.2717.145.39.4268.9199750.352033.688.122.841.19.4470.72200044.962247.253.70.4399.5770.93200145.542139.712.440.737.839.7282.6200246.322406.552.21-0.436.189.8181.09200345.992594.612.322.234.439.8784.33200443.542660.112.44.932.699.892.2200542.273172.413.052.931.099.7387.8200641.023538.43.131.630.179.988.3200739.754168.523.234.829.4610.0488.99200837.34852.582.716.328.6210.187.07200934.385335.543.48-0.428.0510.2583.52201032.56248.754.342.927.8310.4182.2(二)、计量经济学模型建立假定各个影响因素与Y的关系是线性的，则多元线性回归模型为：6655443322110xxxxxxyt利用spss统计分析软件输出分析结果如下：20094456.3112961.134.3820105136.7815806.0932.50DescriptiveStatistics表1表2VariablesEntered/RemovedbModelVariablesEnteredVariablesRemovedMethod1X4,X3,X2,X6,X1,X5a.Entera.Allrequestedvariablesentered.b.DependentVariable:Y这部分被结果说明在对模型进行回归分析时所采用的方法是全部引入法Enter。表3CorrelationsYX1X2X3X6X5X4PearsonCorrelationY1.000-.965.480.354-.566-.960.927X1-.9651.000-.288-.215.451.932-.877X2.480-.2881.000.656-.767-.577.623X3.354-.215.6561.000-.293-.365.392X6-.566.451-.767-.2931.000.722-.795X5-.960.932-.577-.365.7221.000-.982X4.927-.877.623.392-.795-.9821.000Sig.(1-tailed)Y..000.049.118.022.000.000X1.000..170.240.061.000.000X2.049.170..007.001.020.011X3.118.240.007..166.110.093X6.022.061.001.166..003.001X5.000.000.020.110.003..000X4.000.000.011.093.001.000.NY13131313131313X113131313131313MeanStd.DeviationNY42.76005.7457413X13.3068E31436.4549013X23.87692.2353813X33.52314.5718613X682.20387.5374413X56.8638.4378513X423.52542.9375213X213131313131313X313131313131313X613131313131313X513131313131313X413131313131313这部分列出了各变量之间的相关性，从表格可以看出Y与X1的相关性最大。且自变量之间也存在相关性，如X1与X5，X1与X4，相关系数分别为0.932和0.877，表明他们之间也存在相关性。表4这部分结果得到的是常用统计量，相关系数R=0.991，判定系数=0.982，调整的判定系数=0.964，回归估计的标准误差S=1.09150。说明样本的回归效果比较好。表5ANOVAbModelSumofSquaresdfMeanSquareFSig.1Regression389.015664.83654.421.000aResidual7.14861.191Total396.16312a.Predictors:(Constant),X4,X3,X2,X6,X1,X5b.DependentVariable:Y该表格是方差分析表，从这部分结果看出：统计量F=54.421，显著性水平的值P值为0，说明因变量与自变量的线性关系明显。SumofSquares一栏中分别代表回归平方和为389.015,、残差平方和7.148、总平方和为396.163.ModelSummarybModelRRSquareAdjustedRSquareStd.ErroroftheEstimateDurbin-Watson1.991a.982.9641.091502.710a.Predictors:(Constant),X4,X3,X2,X6,X1,X5b.DependentVariable:Y表6CoefficientsaModelUnstandardizedCoefficientsStandardizedCoefficientstSig.BStd.ErrorBeta1(Constant)-33.36466.059-.505.632X1-.006.002-1.475-2.663.037X2.861.391.3352.201.070X3.036.121.029.301.774X6-.091.198-.120-.460.662X512.7159.581.9691.327.233X4.527.818.269.644.543a.DependentVariable:Y该表格为回归系数分析，其中UnstandardizedCoefficients为非标准化系数，StandardizedCoefficients为标准化系数，t为回归系数检验统计量，Sig.为相伴概率值。从表格中可以看出该多元线性回归方程：Y=-33.364-0.006X1+0.861X2+0.036X3+0.527X4+12.715X5-0.091X6＋ε二、计量经济学检验(一)、多重共线性的检验及修正①、检验多重共线性从“表3相关系数矩阵”中可以看出，个个解释变量之间的相关程度较高，所以应该存在多重共线性。②、多重共线性的修正——逐步迭代法运用spss软件中的剔除变量法，选择stepwise逐步回归。输出表7：进入与剔除变量表。VariablesEntered/RemovedaModelVariablesEnteredVariablesRemovedMethod1X1.Stepwise(Criteria:Probability-of-F-to-enter=.050,Probability-of-F-to-remove=.100).2X2.Stepwise(Criteria:Probability-of-F-to-enter=.050,Probability-of-F-to-remove=.100).a.DependentVariable:Y可以看到进入变量为X1与X2.表8：ModelSummarycModelRRSquareAdjustedRSquareStd.ErroroftheEstimateDurbin-Watson1.965a.932.9251.570162.988b.976.971.976731.983a.Predictors:(Constant),X1b.Predictors:(Constant),X1,X2c.DependentVariable:Y表8是模型的概况，我们看到下图中标出来的五个参数，分别是负相关系数、决定系数、校正决定系数、随机误差的估计值和D-W值，这些值（除了随机误差的估计值，D-W越接近2越好）都是越大表明模型的效果越好，根据比较，第二个模型应该是最好的。表9：方差分析表ANOVAcModelSumofSquaresdfMeanSquareFSig.1Regression369.0431369.043149.689.000aResidual27.119112.465Total396.163122Regression386.6232193.311202.632.000bResidual9.54010.954Total396.16312a.Predictors:(Constant),X1b.Predictors:(Constant),X1,X2c.DependentVariable:Y方差分析表，四个模型都给出了方差分析的结果，这个表格可以检验是否所有偏回归系数全为0，sig值小于0.05可以证明模型的偏回归系数至少有一个不为零。表10：参数检验CoefficientsaModelUnstandardizedCoefficientsStandardizedCoefficientstSig.BStd.ErrorBeta1(Constant)55.5261.13149.109.000X1-.004.000-.965-12.235.0002(Constant)52.497.99652.686.000X1-.004.000-.902-17.599.000X2.565.132.2204.293.001a.DependentVariable:Y参数的检验，这个表格给出了对偏回归系数和标准偏回归系数的检验，偏回归系数用于不同模型的比较，标准偏回归系数用于同一个模型的不同系数的检验，其值越大表明对因变量的影响越大。综上可得：模型2为最优模