我国主要城市降雨量与影响因素影响回归分析
发布时间:2016-06-19 19:09:59
发布时间:2016-06-19 19:09:59
我国主要城市降雨量与影响因素影响回归分析
我国的年降水量地区分布的总趋势是:由华东地区华南地区向西北西南地区递减.东部沿海地区,距离夏季风源地近的影响强烈,降水多;由华东华南向西北西南内陆地区距离越来越远,加上一系列东北西南走向的山脉阻挡,带来的水汽越来越少.我国夏季太阳直射北半球,全国各地太阳辐射强,所以夏季普遍高温多雨。因此,以全国主要城市(北京,天津,石家庄,太原,呼和浩特,沈阳,长春,哈尔滨,上海,南京,杭州,合肥,福州,南昌,济南,郑州,武汉,长沙,广州,南宁,海口,重庆,成都,贵阳,昆明,拉萨,西安,兰州,西宁,银川,乌鲁木齐),把降雨量与影响关系(地区和季度)进行线性回归分析,并建立数学模型。
一、计量经济模型分析
1、数据搜集
根据以上分析,我们在影响降雨量因素中引入2个解释变量。即:X1,气温;X2,相对湿度。
降雨量Y | 气温x1 | 相对湿度x2 | |
哈尔滨 | 415.8 | 5.1 | 63 |
长春 | 446 | 7.1 | 57 |
沈阳 | 362.9 | 9.2 | 59 |
北京 | 461.5 | 14.1 | 52 |
天津 | 441.4 | 14 | 59 |
石家庄 | 294.8 | 14.9 | 55 |
太原 | 428.7 | 10.9 | 58 |
呼和浩特 | 394.8 | 7.7 | 46 |
银川 | 169.2 | 10.7 | 50 |
乌鲁木齐 | 297 | 7.4 | 54 |
西宁 | 446.5 | 5.7 | 59 |
西安 | 660.2 | 13.2 | 61 |
兰州 | 355.6 | 7.7 | 59 |
成都 | 975 | 16 | 82 |
重庆 | 1452.1 | 18.6 | 79 |
贵阳 | 1562 | 14.7 | 83 |
拉萨 | 637.8 | 9.4 | 36 |
昆明 | 1078.3 | 16.4 | 66 |
武汉 | 1208.6 | 16.7 | 79 |
长沙 | 1386.8 | 18.6 | 69 |
郑州 | 551.6 | 16.3 | 58 |
济南 | 521.4 | 15.4 | 55 |
合肥 | 1180.2 | 16.5 | 76 |
南京 | 1091.1 | 16.4 | 74 |
上海 | 1295.3 | 17 | 73 |
杭州 | 1359.9 | 17.5 | 73 |
福州 | 1628 | 20.8 | 72 |
南昌 | 1890.5 | 18.8 | 74 |
广州 | 2234 | 21.7 | 79 |
南宁 | 1234.7 | 21.6 | 82 |
海口 | 1861.3 | 24.7 | 83 |
资料来源《中国统计年鉴2015》。
2、计量经济学模型建立
我们设定模型为下面所示的形式:
SUMMARY OUTPUT
回归统计 | |
Multiple R | 0.875378696 |
R Square | 0.766287862 |
Adjusted R Square | 0.749594138 |
标准误差 | 284.2845337 |
观测值 | 31 |
方差分析
| df | SS | MS | F | Significance F | |||||||||
回归分析 | 2 | 7419509.166 | 3709754.583 | 45.90275 | 1.45057E-09 | |||||||||
残差 | 28 | 2262895.491 | 80817.6961 | |||||||||||
总计 | 30 | 9682404.657 |
|
|
| |||||||||
| Coefficients | 标准误差 | t Stat | P-value | ||||||||||
Intercept | -1239.167 | 289.4336468 | -4.281350948 | 0.000197 | ||||||||||
X Variable 1 | 55.135678 | 14.43486226 | 3.819619255 | 0.00068 | ||||||||||
X Variable 2 | 20.845841 | 5.997851771 | 3.475551217 | 0.00168 | ||||||||||
Lower 95% | Upper 95% | 下限 95.0% | 上限 95.0% | |||||||||||
-1832.044968 | -646.289 | -1832.045 | -646.2890691 | |||||||||||
25.56720289 | 84.70415 | 25.567203 | 84.70415277 | |||||||||||
8.559798618 | 33.13188 | 8.5597986 | 33.13188343 | |||||||||||
二、计量经济学检验
图1 气温与降雨量的散点图
图二:湿度和降雨量的散点图
从各散点图可以看出降雨量与气温,降雨量与湿度之间都具有一定的线性关系。并且气温和湿度对降雨量的影响相差不多。
表一:降雨量温度湿度之间的相关矩阵
降雨量 | 温度 | 湿度 | |
降雨量 | 1 | ||
温度 | 0.815758731 | 1 | |
湿度 | 0.802814668 | 0.710041423 | 1 |
但根据实际数据计算出的r其取值一般在-1~1之间,∣r∣→1说明两个变量之间的线性关系越强;∣r∣→0说明两个变量之间的线性关系越弱,对于一个具体的r取值,根据经验可将相关程度分为以下几种情况;当∣r∣≥0.8时,可视为高度相关;0.5≤∣r∣<0.8时,可视为中度相关,0.3≤∣r∣<0.5时视为低度相关,∣r∣<0.3,说明两个变量之间的相关程度弱可视为不相关。
由上表可知,降雨量和温度的相关系数为0.815758731 大于0.8呈高度相关,降雨量和湿度的相关系数为0.802814668,大于0.8 呈高度相关,温度和湿度的相关系数为0.710041423 在0.5~0.8之间,属于中度相关。可以推断出在我国温度和湿度都对降雨量有着非常重要的影响,且温度和湿度也成正比例关系。
表2 :excelX输出的一元回归分析结果(温度与降雨量)
SUMMARY OUTPUT | ||||||
回归统计 | ||||||
Multiple R | 0.815758731 | |||||
R Square | 0.665462307 | |||||
Adjusted R Square | 0.653926525 | |||||
标准误差 | 334.206694 | |||||
观测值 | 31 | |||||
方差分析 | ||||||
df | SS | MS | F | Significance F | ||
回归分析 | 1 | 6443275.341 | 6443275.341 | 57.68679378 | 2.25473E-08 | |
残差 | 29 | 3239129.316 | 111694.1143 | |||
总计 | 30 | 9682404.657 | ||||
Coefficients | 标准误差 | t Stat | P-value | Lower 95% | |
Intercept | -388.5831603 | 181.6581623 | -2.13909001 | 0.040976574 | -760.1158186 |
X Variable 1 | 90.75781918 | 11.94939317 | 7.595182274 | 2.25473E-08 | 66.31856606 |
Upper 95% | 下限 95.0% | 上限 95.0% | |||
-17.05050195 | -760.1158186 | -17.05050195 | |||
115.1970723 | 66.31856606 | 115.1970723 | |||
由表可知 判定系数为0.665462307在降雨量的变差中有66.55%可以由降雨量与温度之间的线性关系来解释。可见两者之间的线性关系较相关。
在excelX输出的一元回归分析结果中将Significance F的值与给定的显著性水平α的值进行比较,如果Significance F <α则拒绝原假设,表明应变量y与自变量x有显著的线性关系。如果Significance F >α则不拒绝原假设,表明应变量y与自变量x没有显著的线性关系。
在表2的输出结果中Significance F=2.25473E-08<α=0.05,这说明降雨量和温度之间存在显著的线性关系。说明所得结论与相关系数结论相同。
表3:excelX输出的一元回归分析结果(湿度与降雨量)
SUMMARY OUTPUT | ||||||
回归统计 | ||||||
Multiple R | 0.710041423 | |||||
R Square | 0.504158822 | |||||
Adjusted R Square | 0.487060851 | |||||
标准误差 | 8.801536723 | |||||
观测值 | 31 | |||||
方差分析 | ||||||
df | SS | MS | F | Significance F | ||
回归分析 | 1 | 2284.229782 | 2284.229782 | 29.48646967 | 7.67891E-06 | |
残差 | 29 | 2246.544412 | 77.46704869 | |||
总计 | 30 | 4530.774194 | ||||
Coefficients | 标准误差 | t Stat | P-value | Lower 95% | |
Intercept | 40.80352801 | 4.784078282 | 8.52902599 | 2.13945E-09 | 31.0189893 |
X Variable 1 | 1.708836852 | 0.314694543 | 5.430144535 | 7.67891E-06 | 1.065214245 |
Upper 95% | 下限 95.0% | 上限 95.0% | |||
50.58806672 | 31.0189893 | 50.58806672 | |||
2.352459459 | 1.065214245 | 2.352459459 | |||
由表可知 判定系数为0.504158822在降雨量的变差中有50.42%可以由降雨量与湿度之间的线性关系来解释。可见两者之间的线性关系较相关。
在表3的输出结果中Significance F=7.67891E-06<α=0.05,这说明降雨量和湿度之间存在显著的线性关系。说明所得结论与相关系数结论相同
表4:excelX输出的二元回归分析结果(湿度温度与降雨量)
SUMMARY OUTPUT | ||||||
回归统计 | ||||||
Multiple R | 0.875378696 | |||||
R Square | 0.766287862 | |||||
Adjusted R Square | 0.749594138 | |||||
标准误差 | 284.2845337 | |||||
观测值 | 31 | |||||
方差分析 | ||||||
df | SS | MS | F | Significance F | ||
回归分析 | 2 | 7419509.166 | 3709754.583 | 45.90275103 | 1.45057E-09 | |
残差 | 28 | 2262895.491 | 80817.6961 | |||
总计 | 30 | 9682404.657 | ||||
Coefficients | 标准误差 | t Stat | P-value | Lower 95% | Upper 95% | |
Intercept | -1239.167018 | 289.4336468 | -4.281350948 | 0.000196801 | -1832.044968 | -646.2890691 |
X Variable 1 | 55.13567783 | 14.43486226 | 3.819619255 | 0.000680123 | 25.56720289 | 84.70415277 |
X Variable 2 | 20.84584102 | 5.997851771 | 3.475551217 | 0.001679856 | 8.559798618 | 33.13188343 |
下限 95.0% | 上限 95.0% | |||||
-1832.044968 | -646.2890691 | |||||
25.56720289 | 84.70415277 | |||||
8.559798618 | 33.13188343 | |||||
回归方程:^y=-1239.167018+55.13567783X1+20.8458410X2
各回归系数的实际意义:^Β1=55.13567783表示在湿度不变的条件下,温度每增加一度降雨量平均增加55.13567783.
^Β2=20.8458410表示在温度不变的条件下,湿度每增加一单位降雨量平均增加20.8458410.
三,经济意义检验
经过散点图,相关系数检验,判定系数检验,显著性检验可知降雨量和温度,湿度呈正线性相关关系,且相关程度高.