基于spss的城市环境竞争力差异分析

1、案例1 用PPI预测CPI 为研究CPI和PPI的关系，在中经网统计数据库，收集了1991年到2014年有关CPI和PPI的数据，并利用一般线性回归分析方法进行研究。被解释变量为CPI ，解释变量为PPI，最终的回归方程为：CPI=0.749×PPI+26.711，可利用该模型对CPI 进行预测。具体分析结果如下所示。表1 关于CPI的线性回归分析结果（一）模型汇总b模型RR 方调整 R 方标准 估计的误差1.873a.763.7523.0511a. 预测变量: (常量), PPI。b. 因变量: CPI由表1 可知：该模型的判定系数为0.873，回归方程的估计标准误差为3.0511

2、。说明CPI和PPI的线性关系较强，该线性回归方程的对样本数据点的拟合优度较高。表2 关于CPI的线性回归分析结果（二）Anovab模型平方和df均方FSig.1回归659.2921659.29270.820.000a残差204.806229.309总计864.09823 由表2可得：该模型的总离差平方和为864.098，回归平方和位659.292，剩余平方和为204.806，回归方程的显著性检验的F统计量的观测值为70.820，其对应的概率P-值近似为0。若显著性水平为0.05，因概率P-值小于，拒绝回归方程显著性检验的原假设，即回归系数不为0，解释变量和被解释变量之间存在显著的线性关系，选

3、择该模型具有合理性。 表3 回归方程系数显著性检验系数a模型非标准化系数标准系数tSig.B标准 误差试用版1(常量)26.7119.2702.882.009PPI.749.089.8738.415.000由表3可知：PPI的回归系数显著性检验的t统计量观测值为8.415，概率P-值近似为0，所以应拒绝原假设，认为PPI和CPI有显著线性关系。可利用该模型对CPI 进行预测。 图1 回归标准化残差的P-P图 图2 回归标准化残差由图1和图2可知：残差基本上服从以0为均值的正态分布。 图3 异方差分析图由图3可知：不存在明显的异方差现象。因此最终的回归方程为：CPI=0.749×PPI

4、+26.711，可利用该模型对CPI 进行预测。案例2 对人均GDP水平进行预测为研究某地区进出口总额，固定资产投资额，社会消费品零售总额以及人口数，对当地人均GDP水平的影响，现收集我国2014年各省市以上五个方面的数据，并利用多元线性回归分析方法，对解释变量采用逐步筛选策略进行研究，可得回归方程人均GDP=4.447×社会消费品零售总额-9.780×年末总人口+54717.798，可利用该方程对人均GDP进行预测。具体分析结果如下所示：表1 模型汇总模型RR 方调整 R 方标准 估计的误差更改统计量Durbin-WatsonR 方更改F 更改df1df2Sig. F 更

5、改1.474a.225.19819774.7950.2258.404129.0072.576b.332.28418677.5933.1074.507128.0433.751c.565.51615359.1655.23214.406127.0014.751d.564.53315084.9515.000.009127.9251.832a. 预测变量: (常量), 进出口总额。b. 预测变量: (常量), 进出口总额, 年末总人口。c. 预测变量: (常量), 进出口总额, 年末总人口, 社会消费品零售总额。d. 预测变量: (常量), 年末总人口, 社会消费品零售总额。e. 因变量: 人均GDP由

6、表1可知：模型4是包含年末总人口和社会消费品零售总额的二元线性回归方程，且标准估计的误差最小，从拟合优度角度看，模型4的拟合效果最佳。此外，DW值为1.832，接近于2，残差序列无自相关，选择该回归模型是合适的。表2 回归方程拟合优度检模型平方和df均方FSig.1回归3.286E913.286E98.404.007a残差1.134E10293.910E8总计1.463E10302回归4.859E922.429E96.964.004b残差9.768E9283.489E8总计1.463E10303回归8.257E932.752E911.668.000c残差6.369E9272.359E8总计1.

7、463E10304回归8.255E924.128E918.139.000d残差6.372E9282.276E8总计1.463E1030a. 预测变量: (常量), 进出口总额。b. 预测变量: (常量), 进出口总额, 年末总人口。c. 预测变量: (常量), 进出口总额, 年末总人口, 社会消费品零售总额。d. 预测变量: (常量), 年末总人口, 社会消费品零售总额。e. 因变量: 人均GDP由表2可得：模型4的回归方程的显著性检验的F统计量的观测值为18.139，其对应的概率P-值近似为0。若显著性水平为0.05，因概率P-值小于，拒绝回归方程显著性检验的原假设，即回归系数不同时为0，解

8、释变量和被解释变量之间存在显著的线性关系，选择该模型具有合理性。表3 回归系数显著性检验模型非标准化系数标准系数tSig.相关性共线性统计量B标准 误差试用版零阶偏部分容差VIF1(常量)44962.3154073.09611.039.000进出口总额.000.000.4742.899.007.474.474.4741.0001.0002(常量)55872.0166419.2618.704.000进出口总额.001.000.6793.728.001.474.576.576.7201.389年末总人口-3.0501.437-.386-2.123.043-.027-.372-.328.7201.3

9、893(常量)54795.9905286.36510.366.000进出口总额1.921E-5.000.022.096.925.474.018.012.3083.245年末总人口-9.6922.111-1.228-4.590.000-.027-.662-.583.2254.438社会消费品零售总额4.3641.1501.3993.796.001.372.590.482.1198.4244(常量)54717.7985129.41510.667.000年末总人口-9.7801.869-1.239-5.232.000-.027-.703-.653.2773.606社会消费品零售总额4.447.739

10、1.4266.019.000.372.751.751.2773.606a. 因变量: 人均GDP表4 已排除的变量e模型Beta IntSig.偏相关共线性统计量容差VIF最小容差1固定资产投资-.047a-.251.804-.047.8001.250.800社会消费品零售总额-.003a-.012.990-.002.3792.637.379年末总人口-.386a-2.123.043-.372.7201.389.7202固定资产投资.966b3.461.002.554.2204.550.198社会消费品零售总额1.399b3.796.001.590.1198.424.1193固定资产投资.51

11、3c1.464.155.276.1267.953.0684固定资产投资.329d1.148.261.216.1875.351.183进出口总额.022d.096.925.018.3083.245.119a. 模型中的预测变量: (常量), 进出口总额。b. 模型中的预测变量: (常量), 进出口总额, 年末总人口。c. 模型中的预测变量: (常量), 进出口总额, 年末总人口, 社会消费品零售总额。d. 模型中的预测变量: (常量), 年末总人口, 社会消费品零售总额。e. 因变量: 人均GDP 由表4可得：对于第一个模型，因进出口总额与人均GDP的相关性最强，所以首先进入模型得到一元线性回归

12、方程，此时按照逐步回归策略，另外三个解释变量未进入回归模型，由表4表明，若其他三个解释变量加入到第一个模型中（即建立四元回归方程）在考虑了进出口总额的条件下，年末总人口的偏相关系数为-0.372，线性关系较其他两个解释变量更为显著，所以引进第二个模型。同理引进社会消费品零售总额建立第三个模型，由表3可知：第三个模型中进出口总额的回归系数显著性检验概率P-值为0.925，若显著性水平为0.05，因概率P-值远远大于，按照逐步回归策略，进出口总额不应保留在模型中，应被剔除出去，再结合表4，在考虑进出口总额，年末总人口和社会消费零售总额的条件下，固定资产投资与人均GDP的偏相关系数为0.276，线性

13、关系较弱，也不应该引入回归方程，因此最终得到第四个模型。表5 共线性诊断a模型维数特征值条件索引方差比例(常量)进出口总额年末总人口社会消费品零售总额111.4901.000.26.262.5101.708.74.74212.3421.000.04.06.032.5352.093.15.69.013.1234.362.81.25.95313.2861.000.02.01.01.002.5422.462.18.26.01.003.1454.766.79.25.13.044.02710.940.02.48.86.96412.7181.000.03.01.012.2343.408.78.02.133.0477.569.18.97.86a. 因变量: 人均GDP由表5可知：模型4的最大特征