基于逐步回归分析的河南省粮食产量影响因素分析

基于逐步回归分析的河南省粮食产量影响因素分析

1内容和方法的研究1.1对河南粮食产量y的影响因素的传统观点影响河南省粮食产量的因素很多。由于不同的研究方法、不同的地理区域和不同的经济发展水平，分析结果也存在很大差异。根据河南省的实际情况，结合河南省统计年鉴2011年的数据，选择影响河南省粮食产量y的因素。粮食产量xx（kghgm）、农村人口x（1万人）、农业机械总动力p3（104kw）、化肥利用率ts（104t）和农村消耗量a5（108kwh）。相关数据如表1所示。这些数据来自河南省2011年的统计年会。1.2马立山因素回归分析的应用影响河南粮食产量的因素很多,有的影响因素可能会对粮食产量的预测产生直接的影响,本文给予着重分析,有的影响因素作用相对较小,可以忽略,逐步回归的基本思想是通过筛选、挑选偏回归平方和贡献因子来建立回归方程,在决定是否引入一个新的影响因素时,用方差进行显著性检验,如果判定这个影响因素通过显著检验,则将该因素归入回归方程中,否则不进入回归方程.在研究影响粮食因素的自变量中,还可能会有一部分自变量出现重叠现象,很大程度上会影响回归分析的精度,而采用逐步回归分析是将自变量逐个引入回归方程,当回归方程每新增加一个新的变量,都要对已经选入的回归方程变量进行逐个检查,无论是选入还是剔除一个变量,逐步回归的每一步都要进行检查,这样就确保每一次选入回归方程的变量都是显著变量,避免重叠现象.2结果与分析2.1模型拟合和检验记1978年为t=1,逐年类推,2010年t=33,粮食产量和影响因素间的回归方程如下:式中:T为样本个数;x为影响因素;Y为粮食产量;u为误差项.利用Eviews6.0软件,运用综合判别法得到参数估计结果由参数估计可以看出R2=0.9975,说明模型对样本的拟合很好;F=2143.3920,检验值很大,相应的p<0.0001,说明回归方程显著,即各自变量(影响因素)联合起来确实对因变量(粮食产量)有显著影响;给定显著性水平α=0.05,则-1.703<t<1.703.其中x1,x3的t值分别为21.7709和4.2328,说明它们对因变量影响不显著.综上分析,自变量很可能存在多重共线性,再用简单相关系数检验法通过OLS方法计算五因数的相关系数矩阵,见表2.由表2可以看出,各解释变量相互之间的相关系数较高,特别是x3和x5之间相关性达到0.9894,证实解释变量之间存在多重共线性.2.2回归方法的选择关于多重共线性的修正方法一般有变量变换法、先验信息法、逐步回归法等,这里运用逐步回归法来减少共线性的严重程度,最终得到最优回归结果.2.2.1y使用统一的变量回归对上述一元回归方程进行对比分析,依据R2最大原则,选取x1作为进入回归模型的第一个解释变量,形成一元回归模型.2.2.2回归模型的建立通过观察对比上述方程,依据逐步回归的思想可以看到,新加入的变量x3的二元回归方程R2=0.9974最大,符合河南省粮食产量实际,保留解释变量x3,建立以变量x1,x3为二元回归模型,将剩余的解释变量分别加入二元回归模型,得到三元回归模型如下:同理可得新加入的变量x4的三元回归方程R2=0.9972最大,符合河南省粮食产量实际,保留解释变量x4,建立变量x1、x3、x4为三元回归模型,将剩余的解释变量分别加入三元回归模型,得到四元回归模型如下:同理可得新加入的变量x2的四元回归方程R2=0.9975最大,符合河南省粮食产量实际,保留解释变量x2,建立变量x1,x3,x4,x2为四元回归模型,将剩余的解释变量x5加入四元回归模型,得到五元回归模型,即最需要的回归模型如下:2.2.3逐步回归分析结果根据逐步回归分析,将影响粮食产量因素依次加入模型,最终得到通过逐步回归分析的河南省粮食产量和5个影响因素的方程为:经过比较得知最终求的回归方程如上,实际和预测的拟合度高度接近如下图1,最大误差为12.5%.3加强科技对粮食产量的支撑和引导,逐步实现农业现代机械化程度的提高利用Eviews6.0软件,通过逐步回归分析建立的回归方程模型具有较好的拟合效果,最大误差仅为12.5%.所建模型表明,粮食单产、农用机械总动力、农村用电量和化肥施用折纯量相对对河南粮食产量影响突出,其中粮食单产影响因子最大为0.2450,说明在目前河南省耕地面积有限的情况下,提高粮食单产是解决粮食产量最有效的手段.应加大科技对粮食产量的支撑和引导,加强农村科技推广服务人才队伍的建设,引导专业的技术人才深入粮食生产一线开展科技下乡服务,为粮食丰产保驾护航,同时加强农业机械总动力的投入,逐步实现农业现代机械程度,这一点从乡村从业人员因素为负可以看出,机械化程度越高,相对从事农业人员减少,化肥的使用量也是主要的影响因子,需要合理科学地施肥,使肥效最佳最好地被