发布时间 : 星期日 文章spss课程设计更新完毕开始阅读a5c0e38e8662caaedd3383c4bb4cf7ec4afeb600
②将自变量输入总人口、生产总值、旅客周转量，因变量输入公路客运量，单击确定。如图所示。
图3-2-1：spss操作步骤截图
3.2.3输出结果分析
表3-2-1：多元线性回归输出结果
输入／移去的变量a 模型 输入的变量 移去的变方法 量 旅客周转量（亿人公里）, 1 生产总值（亿. 输入 元）, 总人口（万人）b a. 因变量: 公路客运量(万人） b. 已输入所有请求的变量。
模型汇总
15
模型 R R 方 调整 R 方 标准 估计的误差 R 方更改 F 更改 更改统计量 df1 df2 Sig. F 更改 1 1.000 a1.000 1.000 1.308 1.000 89625.769 3 1 .002 a. 预测变量: (常量), 旅客周转量（亿人公里）, 生产总值（亿元）, 总人口（万人）。
Anova 模型 平方和 df 3 1 4 均方 F Sig. .002 ba回归 459783.090 1 残差 1.710 153261.030 89625.769 1.710 总计 459784.800 a. 因变量: 公路客运量(万人） b. 预测变量: (常量), 旅客周转量（亿人公里）, 生产总值（亿元）, 总人口（万人）。
系数 模型 非标准化系数 标准系数 t Sig. B 的 95.0% 置信区间 B 标准 误差 (常量) 总人口（万人） 1 生产总值（亿元） 旅客周转量（亿人公里） .009 .066 .001 .471 .063 .002 8.858 .140 .072 .912 -.004 -5.913 .021 6.044 -260.559 1.625 8.281 .017 .944 -31.466 94.443 .020 .007 -365.774 -155.344 1.406 1.844 试用版 下限 上限 aa. 因变量: 公路客运量(万人） 可得回归方程Y=1.625X1+0.009X2+0.066X3-260.559。（Y：公路客运量，X1：总人口，X2：生产总值，X3：旅客周转量。）将2011-2015年上海总人口，生产总值，旅客周转量预测值代入方程得到2011-2015年上海公路客运量结果如下：
表3-2-2：2011-2015年上海公路客运量（单位：万人）
16
年份 预测量 2011 3599.814 2012 3782.907 2013 3966 2014 4149.093 2015 4332.185 3.3时间序列法： 3.3.1时间序列原理
时间序列是指将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列。时间序列法是一种定量预测方法，亦称简单外延方法。在统计学中作为一种常用的预测手段被广泛应用。
3.3.2 SPSS操作步骤
①按分析—回归—线性，打开对话框；
②将自变量输入年度，因变量输入公路客运量，单击确定。如图所示。
图3-3-1：spss操作步骤截图
17
3.3.3输出结果分析
表3-3-1：时间序列法输出结果
输入／移去的变量 模型 输入的变量 移去的变量 1 年度 ba方法 输入 . a. 因变量: 公路客运量(万人） b. 已输入所有请求的变量。 模型汇总 模型 R R 方 调整 R 方 标准 估计的误差 R 方更改 F 更改 更改统计量 df1 df2 Sig. F 更改 1 .850 a.723 .630 206.116 .723 7.823 1 3 .068 a. 预测变量: (常量), 年度。
Anova 模型 回归 1 残差 总计 平方和 332332.900 127451.900 459784.800 df 1 3 4 均方 332332.900 42483.967 F 7.823 Sig. .068 baa. 因变量: 公路客运量(万人） b. 预测变量: (常量), 年度。
系数 模型 非标准化系数 B 1 年度 182.300 65.180 .850 2.797 .068 -25.131 389.731 a. 因变量: 公路客运量(万人） 标准 误差 标准系数 试用版 -2.774 .069 t Sig. B 的 95.0% 置信区间 下限 上限 a(常量) -363014.600 130880.922 -779536.107 53506.907 18