Spss对民航客运量的多元回归分析：

技术论坛TECHNOLOGY FORUM中国航班CHINA FLIGHTS 54民航客运量影响因素回归分析冉龄玉|重庆交通大学经济与管理学院摘要：经济、信息以及科技的全球化，让出行不再困难。

乘坐飞机是居民在远距离出行时主要考虑的方式之一。

本文为探究国内民航客运量的影响因素，通过回归分析构建了国内民航客运量的影响因素最小二乘回归模型。

为了对国内民航客运量进行有效地评估和预测，本文以计量经济学的理论方法，从多元线性回归的角度，对上述影响民航业发展的因素进行分析，构建回归模型来探究民航业的变化走向以及成因问题。

关键词：民航；影响因素；回归分析1引言融合于各种出行方式的信息科技让国民出行不再困难。

移动支付、国民信息化的社会生活方式以及便捷的出行方式，加快了国民的生活节奏，也加快了中国融入世界的进程。

中国的发展与变化大大刺激了国内民航业的发展。

国内航空公司在2018年发布的公报中显示，当年实现了营业收入比去年增长了14.5个百分点，全年营业额达6130.2亿元。

影响民航客运量的因素涉及社会发展的各个方面。

研究民航客运量的影响因素，对扩大民航市场、增加民航的服务量和营业额有着十分重要的实际意义。

不少学者从相关分析方法入手，对影响民航客运量的因素有哪些进行了探究。

纪跃芝[1]认为历史阶段的不同导致影响因素发生变化，得到主要因素为民航航线里程、入境旅游人数；彭立南[2]发现第三产业增加值以及外国人入境旅游人数对民航客运量有着重大影响。

李丽华[3]采用逐步回归法和岭回归法构建民航客运量的多元线性回归模型，其结论中的因素为：国民总收入（消费支出额）、铁路客运量和入境旅游人数。

蔡文婷[4]等人通过对影响航空运输客运量的因素进行灰色综合关联法分析，对影响因素进行重要程度分析，得到因素重要性排序：国内旅游收入、人均GDP、机场吞吐量、外贸进出口总额、城镇居民可支配收入、铁路客运量、航线数量、国内游客。

张艳[5]等人得到的结论与蔡文婷[4]等人的结论中包含相同的因素。

多元线性回归建模以及SPSS软件求解多元线性回归建模以及SPSS软件求解多元线性回归是统计学中一种常用的建模方法，用于研究多个自变量对一个连续因变量的影响关系。

与简单线性回归不同，多元线性回归可以同时考虑多个自变量与因变量之间的关系，通过建立数学模型来描述这种关系。

利用SPSS软件可以方便地进行多元线性回归分析，并得到模型的解释和预测能力。

多元线性回归的基本思想是找到一组自变量，使得通过线性组合后的自变量与因变量之间的关系最为紧密。

假设有p个自变量（x1, x2, ..., xp）和一个因变量（y），我们希望通过线性组合来描述它们之间的关系：y = β0 + β1x1 + β2x2 + ... + βpxp + ε其中，β0是截距，β1, β2, ..., βp是自变量的系数，ε是误差。

多元线性回归的目标是通过最小化误差来估计出系数的值，从而建立一个能够较好地拟合观测数据的模型。

利用SPSS软件进行多元线性回归分析非常方便。

首先，我们需要准备好需要分析的数据集。

在SPSS中，我们可以通过导入数据文件或手动输入数据来创建数据集。

然后，在“分析”菜单中选择“回归”，再选择“线性”选项。

在弹出的对话框中，我们需要将因变量和自变量选择好，并将它们添加到相应的窗口中。

SPSS软件会自动计算回归方程中各个系数的值，并提供相关统计量，如标准误差、t值、显著性等。

此外，SPSS软件还提供了模型拟合程度的统计指标，如R 方和调整R方。

R方表示模型解释因变量变异程度的百分比，取值范围在0到1之间，值越接近1说明模型拟合得越好。

调整R方考虑了自变量个数的影响，通过惩罚项来防止过度拟合。

值得注意的是，多元线性回归模型的有效性需要满足一些假设。

例如，误差项应满足独立同分布的正态分布假设、误差项的方差应相等、自变量与误差项之间应该不存在线性关系等。

当这些假设不满足时，可能需要对数据进行转换或尝试其他回归方法。

通过多元线性回归分析，我们可以得到自变量与因变量之间的关系，进而可以进行预测和解释。

8.2 SPSS在多元线性回归分析中的应用
（3）方差分析表
表8-9是对回归模型进行方差分析的检验结果。可以看到方差分 析结果中F统计量等于28.378，概率P值0.002小于显著性水平0.05， 所以该模型是有统计学意义的，即两种广告支出费用和每周营业 收入之间的线性关系是显著的。
8.2 SPSS在多元线性回归分析中的应用
ˆ 0 1x1 2 x2 k xk y
x1 ,, xk

ˆ
i
ˆ (i 1,, k ) i
ˆ 上式中，假设该线性方程有 ki 个自变量 。 是回归方程的偏回归系数。 表示在其他自变量保持不变的情况 xi 下，自变量 变动一个单位所引起的因变量的平均变动单位。
8.2 SPSS在多元线性回归分析中的应用
（2）模型摘要
表 8-8 给出了衡量该回归方程优劣的统计量。R 为复相关系数，它表 示模型中所有自变量（tv、newspaper）与因变量income之间的线性回 归关系的密切程度大小。它的取值介于0和1之间；R越大说明线性回归 关系越密切。可决系数R2等于复相关系数的平方，这里等于0.919。调 整的 R2 为我们要重点关注的统计量；它的值越大，模型拟合效果得越 好；表8-8中调整的R2为0.887。最后给出的是剩余标准差（Std.Error of the Estimate），它是残差的标准差，其大小反映了建立的模型预 测因变量的精度。剩余标准差越小，说明建立的模型效果越好。
8.2 SPSS在多元线性回归分析中的应用
SPSS在多元线性回归 分析中的应用
8.2 SPSS
在多元线性回归分析中的应用
8.2.1 多元线性回归的基本原理
1.方法概述
在回归分析中，如果有两个或两个以上的自变量，就称为多元回归。

多元线性回归spss案例【篇一：多元线性回归spss案例】多元线性回归，主要是研究一个因变量与多个自变量之间的相关关系，跟一元回归原理差不多，区别在于影响因素（自变量）更多些而已，例如：一元线性回归方程为：毫无疑问，多元线性回归方程应该为：上图中的x1, x2, xp分别代表自变量xp截止，代表有p个自变量，如果有 n组样本，那么这个多元线性回归，将会组成一个矩阵，如下图所示：那么，多元线性回归方程矩阵形式为：其中：代表随机误差，其中随机误差分为：可解释的误差和不可解释的误差，随机误差必须满足以下四个条件，多元线性方程才有意义（一元线性方程也一样）1：服成正太分布，即指：随机误差必须是服成正太分别的随机变量。

2：无偏性假设，即指：期望值为03：同共方差性假设，即指，所有的随机误差变量方差都相等4：独立性假设，即指：所有的随机误差变量都相互独立，可以用协方差解释。

今天跟大家一起讨论一下，spss---多元线性回归的具体操作过程，下面以教程教程数据为例，分析汽车特征与汽车销售量之间的关系。

通过分析汽车特征跟汽车销售量的关系，建立拟合多元线性回归模型。

数据如下图所示：点击分析回归线性进入如下图所示的界面：将销售量作为因变量拖入因变量框内，将车长，车宽，耗油率，车净重等10个自变量拖入自变量框内，如上图所示，在方法旁边，选择逐步，当然，你也可以选择其它的方式，如果你选择进入默认的方式，在分析结果中，将会得到如下图所示的结果：（所有的自变量，都会强行进入）如果你选择逐步这个方法，将会得到如下图所示的结果：（将会根据预先设定的 f统计量的概率值进行筛选，最先进入回归方程的自变量应该是跟因变量关系最为密切，贡献最大的，如下图可以看出，车的价格和车轴跟因变量关系最为密切，符合判断条件的概率值必须小于0.05，当概率值大于等于0.1时将会被剔除）选择变量(e) 框内，我并没有输入数据，如果你需要对某个自变量进行条件筛选，可以将那个自变量，移入选择变量框内，有一个前提就是：该变量从未在另一个目标列表中出现！，再点击规则设定相应的筛选条件即可，如下图所示：点击统计量弹出如下所示的框，如下所示：在回归系数下面勾选估计，在右侧勾选模型拟合度和共线性诊断两个选项，再勾选个案诊断再点击离群值一般默认值为 3 ，（设定异常值的依据，只有当残差超过3倍标准差的观测才会被当做异常值）点击继续。