【導(dǎo)讀】《運(yùn)輸統(tǒng)計(jì)與分析》課程設(shè)計(jì)作為獨(dú)立的教學(xué)環(huán)節(jié)，是交通運(yùn)輸本科專業(yè)的必修課。輸領(lǐng)域內(nèi)實(shí)際問題的能力。題目自擬，但題名一般要包含主題與統(tǒng)計(jì)方法。且必須與交通運(yùn)輸相關(guān)，電子文檔文件名為：學(xué)號后四位+姓名+題目，先發(fā)電子文檔給指導(dǎo)老師，經(jīng)許可后。最終成果統(tǒng)一交班長匯總并轉(zhuǎn)交指導(dǎo)老師；最終。成果提交截止時(shí)間為第20周周五。平時(shí)考勤20%，報(bào)告撰寫規(guī)范20%,內(nèi)容60%。成績評定實(shí)行優(yōu)秀、良好、中等、及格和不及格五個(gè)等級。優(yōu)秀者人數(shù)一般不得超過總。報(bào)告中所有圖表應(yīng)按“章號-圖表序號-圖表名”（例：圖1-1-***頻數(shù)。具體格式參看實(shí)驗(yàn)報(bào)告樣本。.SPSS統(tǒng)計(jì)分析從基礎(chǔ)到實(shí)踐.北京：電子工業(yè)出版社，2020年6月；文彤..(高級篇).北京希望電子出版社.2020年6月；.SPSS實(shí)用統(tǒng)計(jì)分析.中國水利水電出版社.2020年1月。

　　

【正文】 計(jì)值 R 方 F df1 df2 Sig. 常數(shù) b1 b2 線性 .838 1 20 .000 二次 .967 2 19 .000 冪 .743 1 20 .000 .446 S .387 1 20 .002 從圖 35可以看出二次函數(shù)的擬合效果最好，從表 37可以進(jìn)一步判斷出，二次函數(shù)的擬合相關(guān)系數(shù)最高， R2=，在所有的曲線擬合方程中取擬合精度最高的方程模型，所有我們選擇的預(yù)測方程是： 23 F=*T+*T2 其中 T=1， 2， 3.??，為自然數(shù)， T=1 對應(yīng)的是 1990 年，以此類推， F 是綜合指標(biāo)。由此可以推算出 2020 到 2020 年的綜合指標(biāo)的數(shù)值分別是 、 、 、 、 、 一元線性 回歸預(yù)測模型 一元線性 回歸預(yù)測 原理 給定 一元線性回歸模型： ，其中 β 0、 β 1 為模型的參數(shù)或回歸系數(shù)， μ i為殘差項(xiàng)。 一元線性回歸模型的基本假定： 假定 1： X 為固定的變量。如果 X為隨機(jī)變量，則 X與 μ i之間不相關(guān)，滿足： 假定 2：零期望。即每個(gè) μ i的 期望為 0，表示為： 假如 3：同方差。即每個(gè) 的 方差均為同一常數(shù) ，表示為： 假定 4： 非自相關(guān)。即隨機(jī)擾動(dòng)項(xiàng)序列中的各個(gè)μ 之間互不相 關(guān)或者說是無自相關(guān)，說明某一擾動(dòng)項(xiàng)獨(dú)立于其他隨機(jī)擾動(dòng)項(xiàng)。表示為： 假定 5：正態(tài)性。即 為服從正態(tài)分布的隨機(jī)變量。表示為：=0 （ i=1,2,3?? n） 對于給定的 Xf，對于 Y 的個(gè)值得一步預(yù)測為： 這里的 b0，b1 是根據(jù)樣本觀察值采用 OLS 得到的 β 0、 β 1的估計(jì)值。由于 b0， b1是最優(yōu) 24 無偏估計(jì)量，可以得出 是遵行正態(tài)分布的，且也為最優(yōu)線性無偏估計(jì)量。其預(yù)測誤差方差為： 其中：用 替代式中的 構(gòu)造 t統(tǒng)計(jì)量： 遵循自由度為 T2的 t分布。其中 可以根據(jù)點(diǎn)預(yù)測值和預(yù)測誤差方差構(gòu)建預(yù)測區(qū)間。 SPSS 操作步驟 雖然綜合指標(biāo)和汽車保有量是非平穩(wěn)的變量，但是它們兩者之間存在著協(xié)整關(guān)系，因而可以直接建立協(xié)整回歸預(yù)測模型。如果非平穩(wěn)變量之間存在協(xié)整 關(guān)系，通過直接回歸得到的斜率系數(shù)估計(jì)量仍然是一致的 ，故進(jìn)行一元線性協(xié)整回歸模型分析。 SPSS 完成一次線性回歸模型步驟： ①按分析 — 回歸 — 線性 ，打開對話框； 25 ②將因變量輸入汽車保有量 ， 變量輸入綜合指標(biāo) K， 單擊確定。 操作 如圖所示。 26 輸出結(jié)果分析 SPSS 輸出結(jié)果如下： 模型匯總 b 模型 R R 方 調(diào)整 R 方 標(biāo)準(zhǔn) 估計(jì)的誤差 更改統(tǒng)計(jì)量 DurbinWatson R 方更改 F 更改 df1 df2 Sig. F 更改 1 .993a .986 .986 .986 1 20 .000 .779 a. 預(yù)測變量 : (常量 ), 綜合指標(biāo) K。 b. 因變量 : 汽車保有量 Anovaa 模型 平方和 df 均方 F Sig. 1 回歸 1 .000b 殘差 20 總計(jì) 21 a. 因變量 : 汽車保有量 b. 預(yù)測變量 : (常量 ), 綜合指標(biāo) K。 系數(shù) a 模型 非標(biāo)準(zhǔn)化系數(shù) 標(biāo)準(zhǔn)系數(shù) t Sig. B 的 % 置信區(qū)間 B 標(biāo)準(zhǔn) 誤差 試用版 下限 上限 1 (常量 ) .000 綜合指標(biāo) K .004 .000 .993 .000 .004 .004 殘差統(tǒng)計(jì)量 a 極小值 極大值 均值 標(biāo)準(zhǔn) 偏差 N 預(yù)測值 22 殘差 .00000 22 標(biāo)準(zhǔn) 預(yù)測值 .000 22 標(biāo)準(zhǔn) 殘差 .000 .976 22 27 對輸出結(jié)果分析如下： 表 38 模型匯總 28 模型匯總 b 模型 R R 方 調(diào)整 R 方 標(biāo)準(zhǔn) 估計(jì)的誤差 更改統(tǒng)計(jì) 量 DurbinWatson R 方更改 F 更改 df1 df2 Sig. F 更改 1 .993a .986 .986 .986 1 20 .000 .779 a. 預(yù)測變量 : (常量 ), 綜合指標(biāo) K。 b. 因變量 : 汽車保有量 R方是擬合優(yōu)度：是回歸分析的決定因素，說明自變量和因變量形成的散點(diǎn)與回歸曲線的接近程度，數(shù)值介于 0和 1之間 ，這個(gè)數(shù)值越大說明回歸的越好。由上表我們可以看出 R的平方是 ，也就是說散點(diǎn)很集中在回歸線上。 表 39 Anova輸出表 Anovaa 模型 平方和 df 均方 F Sig. 1 回歸 1 .000b 殘差 20 總計(jì) 21 a. 因變量 : 汽車保有量 b. 預(yù)測變量 : (常量 ), 綜合指標(biāo) K。 由上表可見 所用的回歸模型 F統(tǒng)計(jì)值 =， P值是 ，因此我們用的 這個(gè)回歸模型是有統(tǒng)計(jì)學(xué)意義的。 表 310 系數(shù)輸出表 系數(shù) a 模型 非標(biāo)準(zhǔn)化系數(shù) 標(biāo)準(zhǔn)系數(shù) t Sig. B 的 % 置信區(qū)間 B 標(biāo)準(zhǔn) 誤差 試用版 下限 上限 1 (常量 ) .000 綜合指標(biāo) K .004 .000 .993 .000 .004 .004 此表給出了包括常數(shù)項(xiàng)在內(nèi)的所有系數(shù)的檢驗(yàn)結(jié)果，用的是 t檢驗(yàn)，同時(shí)還會(huì)給出標(biāo)化 ∕ 未標(biāo)化系數(shù)?？?見常數(shù)項(xiàng)和“維度”都是有統(tǒng)計(jì)學(xué)意義的。 由此可以得出汽車保有量和綜合指標(biāo)之間的一元回歸方程為：Y=* 利用自變量綜合指標(biāo)的預(yù)測模型得出的綜合指標(biāo)的預(yù)測值來預(yù)測汽車 29 保有 量 2020到 2025年的值， 首先利用 上文我們得出 的 綜合指標(biāo)的預(yù)測方程：F=*T+*T2， 計(jì) 算出綜合指標(biāo)的預(yù)測值，然后帶入到方程： Y=* 2020年到 2025年汽車保有量的預(yù)測值，如表 311所示： 表 311 預(yù)測的 2020到 2025年汽車保有量和綜合指標(biāo)表 年份 T 綜合指標(biāo) 汽車保有量（萬輛） 預(yù)測 F 預(yù)測 Y 2020 26 2020 27 2017 28 2018 29 2019 30 2020 31 2021 32 2022 33 2023 34 2024 35 2025 36 從 以上 汽車保有量的預(yù)測數(shù)據(jù)我們可以看出， 我國 汽車保有量每年都 在以相當(dāng) 快的速度增長，汽車保有量的增長必然會(huì)帶來一定的問題，通過對汽車保有量影響因素和預(yù)測的研究分析，我們可以針對其帶來的問題，提出相關(guān)的建議政策。對汽車保有量 的預(yù)測可以供相關(guān)部門借鑒， 相關(guān)部門也可以就預(yù)測出的數(shù)值進(jìn)行政策制定和相關(guān)政策調(diào)整，為國民經(jīng)濟(jì)和交通業(yè)的發(fā)展做出積極貢獻(xiàn)。 4 總結(jié) 本設(shè)計(jì)的主要工作 （ 1）收集了歷年大量的國內(nèi) 有關(guān)于汽車保有量影響因素和預(yù)測方法的文獻(xiàn)資料， 并 對文獻(xiàn)進(jìn)行了整理總結(jié)。 結(jié)合各自的優(yōu)缺點(diǎn)總結(jié)得出自己的思路和方法。 （ 2） 尋找對汽車保有量有可能有影響的各種因素，在可量化和數(shù)據(jù)可取性 30 的基礎(chǔ)上選擇了人均 GDP、工業(yè)生產(chǎn)總值、居民消費(fèi)水平、公路客運(yùn)量、公路貨運(yùn)量、人口數(shù)量、能源消耗總量、公路總里程等對汽車保有量有影響的數(shù)據(jù)。先利 用相關(guān)分析方法，得出汽車保有量與各個(gè)相關(guān)因素之間以及各影響因素之間都具有很好的相關(guān)性 。然后，利用主成分分析的方法，從總多的影響因素中提取出第一主成分，將第一主成分作為綜合指標(biāo)進(jìn)行歸一化處理，得出相關(guān)方程。 （ 3）在得出綜合指標(biāo)方程的基礎(chǔ)上運(yùn)用曲線擬合找出最好的擬合函數(shù)模型，得出相應(yīng)的函數(shù)關(guān)系，即得出綜合指標(biāo)的預(yù)測模型。 （ 4）最后運(yùn)用一元線性回歸的方法得出汽車保有量的預(yù)測模型，最后帶入相關(guān)數(shù)據(jù)的出 2020 到 2025 年的汽車保有量預(yù)測值。 存在的不足 ① 在選取影響汽車保有量 的主要因素時(shí)，應(yīng)盡量多選 取幾個(gè)指標(biāo)， 本課程設(shè)計(jì)只選取了 8 個(gè)指標(biāo)，范圍不夠廣， 影響因素考慮不過 導(dǎo)致研究領(lǐng)域較為狹隘 。 ② 在做完主成分分析后沒有做時(shí)間序列的平穩(wěn)性檢驗(yàn)，就進(jìn)行了曲線 擬和無法排除偽回歸現(xiàn)象對預(yù)測結(jié)果的干擾。沒有運(yùn)用 Eviews 做 殘差的自相關(guān)一偏自相關(guān)分析 ，無法做到對一元線性回歸模型的優(yōu)化和 的檢驗(yàn)，也會(huì)是相關(guān)的預(yù)測結(jié)果不準(zhǔn)確。 ③ 由于 時(shí)間 有限 、獲取資料的不便以及 本人 自身學(xué)術(shù)水平有限等原因， 很多相關(guān)分析無法做到全面，并且 在排版及邏輯思維等方面 也存在諸 多問題 。 下階段研究需解決的問題 關(guān)于 我國汽車保有量發(fā)展趨勢分析 的 問題仍然存在著可以進(jìn)一步研究的地方，主要由以下幾點(diǎn)： 31 ① 尋找新的全面的統(tǒng)計(jì)數(shù)據(jù)，選取更加合理的影響因素，尋找更加合理的預(yù)測方法得到更加準(zhǔn)確可靠的預(yù)測數(shù)據(jù) 。 ② 認(rèn)真 總結(jié)此次課程設(shè)計(jì)中遇見的問題和知識(shí)點(diǎn)上的缺陷，查漏補(bǔ)缺，為下次的課程設(shè)計(jì)做準(zhǔn)備。 ③ 在以后的研究工作中還是要多種方法結(jié)合 分析來 處理數(shù)據(jù) ，研究工作還應(yīng)更加深入，對軟件運(yùn)用和輸出結(jié)果分析還要深入理解。 個(gè)人感悟 附錄 數(shù)據(jù)清單 附件 1 Excle 中數(shù)據(jù)匯總總表 32 附件二 SPSS 中數(shù)據(jù)匯總總表 附件三 統(tǒng)計(jì) 年鑒中的相關(guān)數(shù)據(jù)表格 33 34 35 36 ※※※※※※※※※※※※※※※※※※※※※※※※※※※※※ 成績評定表 指導(dǎo)教師評語： 成績： 指導(dǎo)教師簽名：