最新中国民航客运量的回归模型7476772
民航客运量影响因素回归分析
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。
我国各阶段民航客运量的回归分析模型
题目我国各阶段民航客运量的回归分析模型学生姓名张栋栋学号 ********** 所在学院数学与计算机科学学院专业班级数应1101班指导教师李晓康 __ ____完成地点陕西理工学院 ___2015年5月10日我国各阶段的民航客运量的回归分析模型张栋栋(陕西理工学院数学与计算机科学学院数学与应用数学2011级数应1班,陕西 汉中 723000)指导教师:李晓康[摘 要] 为了研究我国民航客运量的变化规律及其原因，通过对我国部分年份民航客运量数据进行统计和收集，运用多元线性回归分析的方法并建立相关模型，找出影响我国民航客运量的主要因素，并对模型进行评价分析，为以后我国民航发展提供科学依据。
[关键词] 民航客运量 回归分析 相关性 阶段1.引言民航业作为科技型新兴产业，在我国众多行业中占有重要以及特殊的地位.伴随着整个国民经济的发展而不断发展壮大，民航产业作为国民经济的重要行业，同时作为民用相对先进方便的交通运输方式，是我国运输行业中必不可少的一部分,它的发展程度深刻反映了一个国家的经济水平,也对我国贸易和旅游业有着巨大的贡献,也越来越受到国家的重视[8]。
我国航空业起步较晚，但发展速度较快，民用航空业伴随着经济的增长也不断迅猛壮大，运输能力显著增强，据工信部提出到2020年民用飞机年产收入将超过1000亿元，然而面对难得的机遇，要求航空企业制定合理的决策，促进民航企业进行更好地进行收益管理。
目前国内很多学者的研究范围包括对我国民航空间格局与竞争态势的研究，对我国民航客运价格定价机制与制改革的探讨，以及运用各种共统计方法对民航客运需求的研究。
本文在一定的数据分析上，针对一定的时间段我国民航客运量的部分影响因素：国内生产总值、居民消费、铁路客运量、民航航线历程、来华旅游人数，并分两个时间段对我国民航客运量的变化趋势及成因做出了研究，运用多元回归分析的方法对后续民航客运分析与预测打下基础，并且对每个建立的模型进行了对比，得到一个最好的关于我国民航客运量的回归模型，根据模型对我国目前民航运输业发展中面临的问题提出有效建议，提高我国民航的市场竞争力，最后对全文进行评价及总结。
我国民航客运量影响因素分析及建模预测
我国民航客运量影响因素分析及建模预测在我国的民航业发展中，客运量一直是一个非常关键的指标。
因为随着社会经济的不断发展，民航客运量的增长需要充分考虑各种影响因素，从而制定出符合实际的发展策略。
本文将分析我国民航客运量的主要影响因素，并建立相应的预测模型，以期为我国民航业的可持续发展提供参考。
一、民航客运量影响因素分析1.宏观经济因素宏观经济因素是影响民航客运量的主要因素之一。
随着经济的不断增长，人民生活水平的提高以及旅游行业的发展，民航客运量也会相应增长。
此外，宏观经济、货币和财政等也会对民航客运量产生一定影响。
2.航空公司和航班因素航空公司的管理、经营和市场推广等因素都会直接影响到民航客运量的增长。
航班数量、航线网络、航班时刻的选择等也会对客运量产生影响。
航班的准点率、航班的服务质量等也是影响客运量的因素之一。
3.旅游业发展随着旅游业的发展和国际旅游的兴起，民航客运量也会相应增长。
旅游业的繁荣将引起人们的出游热情，提高机票需求量。
4.城市规划和交通发展城市规划和交通发展也是影响民航客运量的因素之一。
城市的繁荣和发展将带动航空客运的需求量，而交通工具密集度高的地区机场的使用率也会相应较高。
二、建模预测为了预测我国民航客运量的发展趋势，我们可以通过建立回归模型或时间序列模型来进行预测。
1.回归模型回归模型是一种基于相关分析的建模方法，可以通过分析各个影响因素对民航客运量的影响程度，建立预测模型。
例如，通过多元线性回归分析，可以得出民航客运量与宏观经济因素、旅游业发展和城市规划等因素的相关系数。
2.时间序列模型时间序列模型是一种基于历史数据的建模方法，可以将历史数据分析后得出的规律应用于未来的预测中。
例如，通过ARIMA模型或Holt-Winter模型等时间序列模型，可以预测出未来几年民航客运量的变化趋势。
三、结论综上所述，我国民航客运量的增长需要考虑各种影响因素，从而制定出符合实际的发展策略。
宏观经济因素、航空公司和航班因素、旅游业发展和城市规划和交通发展等都是影响民航客运量的主要因素。
我国民航客运量数据分析报告
Root MSE Dependent Mean Coeff Var
2.23744
R-Square Adj R-Sq
0.519 3
1.55413
0.339 1
143.96758
计算 n R =17.6 <
2
2 (9) =19.02,在 2.5%的显著性水平下不存在异方差。
2.5 模型构建结果 最终得到模型
R-Square Adj R-Sq
0.6526 0.5275
计算 n R =22.19 >
2
2 (9) =16.9,在 5%的显著性水平下存在异方差，需要修正。
2.3.2 异方差的修正 本文采取加权最小二乘的方法对存在的异方差问题进行修正。 权重采用原回归的残差绝 对值的倒数。回归结果如下：
Root MSE Dependent Mean Coeff Var
9 25 34
Sum of Squares
5.06332E12 2.695873E12 7.759193E12
Mean Square
5.625911E11 1.078349E11
F Value
5.22
Pr > F
0.0005
Root MSE DependentMean Coeff Var
328382 321468 102.15099
Parameter Estimates Variable Intercep t x1 x3 x5 DF Parameter Estimate
1 1659.07277
Standard Error
929.98292
t Value
1.78
Pr > |t|
航空旅客人数增长预测问题的数学模型
航空旅客人数增长预测问题的数学模型03级数学与应用数学信息技术教育本科班 陈少广指导老师：简国明，副教授1 问题的提出国内客运市场中航空客运的发展趋势与国内生产总值（GDP ）、消费水平和客运需求之间有着很强的关联度、牵制性，客运需求量的增长与经济增长量密切相关，它是随着国家经济发展而上升。
当然它也会受到社会和经济发展因素的冲击而出现波动变化，但从我国目前社会经济的稳定发展状况看，客运需求仍呈现稳定增长的趋势。
航空公司、机场及相关企业只有对未来我国航空旅客运输量做出较为准确的预测，才能准确把握行业发展趋势，制定正确竞争和投资的战略。
机场的新建和改、扩建以及航空公司机队调整、购置飞机等项目的决策都要依据科学的航空运输量预测值来决定。
民航运输系统的各组成部分的投资规模和寿命期内的营运成本以及寿命期内的经济效益也取决于对未来航空量的准确预测。
所以本课题对未来航空旅客人数增长预测是很有实际价值的。
2 模型假设与符号约定2.1 模型的假设1）航空旅客人数数量的增长主要由国内生产总值（GDP ），人均消费水平和人均国内生产总值三个因素决定。
2）飞机油价在短期内不会有太大的波动。
3）近期内国内政治稳定，经济能稳定发展，不会发生战争、严重的自然灾害或传染疾病等影响社会稳定。
2.2符号的约定1）第i 年广东省航空旅客人数（单位：万人）：,2001,2000=i y i … 2）第i 年广东省国内生产总值（单位：亿元）：,2001,2000=i G i …3）第i 年广东省人均消费水平(单位：元)：,2001,2000=i A i…3 模型的建立与求解3.1 二元回归模型的建立统计2000年以来，每半年航空旅客人数、国内生产总值和人均消费水平的数据，表格如下：（表一）2000—2006年航空旅客人数、GDP 和人均消费水平从(表一)能看出旅客人数和GDP 、人均消费水平大概成正比关系，现在运用数学软件MATLAB 对数据进行描点画线，大致分析了航空旅客人数和其他两者的关系，利用上表数据做出航空旅客人数和国内生产总值的散点图（图一），以及航空旅客人数和人均消费水平的散点图（图二）。
中国民航客运量的回归模型(1)
回归分析论文题目:中国民航客运量的回归模型我国民航客运量的变化趋势及其成因摘要改革开放以来,中国的经济飞速发展，人民的生活水平也发生了很大的变化；民航一直是交通运输中的一种不可少的方式，一定程度上也反映了人民的生活水平的提高，为了对民航客运量做出准确地评估和预测,本文利用多元线性回归分析方法研究我国民航客运量的变化趋势及其成因，数据来自《中国统计年鉴》（1981—2010年民航客运量）,利用spss软件对数据进行处理和分析.关键词多元线性回归分析、回归方程、显著性检验、相关性、民航客运量一、模型的建立与分析(一)研究我国1981年至2010年民航客运量与各影响因素之间的关系1)数据来源：《中国统计年鉴》（1981—2010年民航客运量）如下表1表1.我国民航客运量与影响因素2）研究方法：建立y 与自变量53412,,,,x x x x x 的多元线性回归模型如下：10122334455y=+ββχ+βχ+βχ+βχ+βχ+ε其中 E(ε)=0 var （ε）=2σ3)实证分析：（1）对收集数据作相关分析，用spss 软件计算增广相关矩阵，输出结果如下表2.相关性从相关矩阵看出，y 与1x ,2x ,4x ,5x 的相关系数都在0.9以上，说明所选自变量与y 高度线性相关的，用y 与自变量做多元线性回归是合适的。
y 与3x 的相关系数3y r =0.809，p 值=0，这说明铁路客运量对民航客运量影响较弱。
一般认为铁路客运量与民航客运量之间呈负相关，铁路与民航共同拥有旅客，乘了火车就乘 不了飞机。
但就中国的实际情况分析我国居民收入普遍不高,一般外出、旅游乘火车的比较多，而且随着我国铁路建设越来越普遍，乘坐火车外出的人也越来y 民航客运总量（万人） x1GDP（万元）x2居民消费（万元） x3铁路客运量（千人）x4民航航线里程（万公里） x5来华旅游入境人数（万人） Pearson 相关性y 民航客运总量（万人） 1.000 .996 .994 .809 .936 .932 x1GDP （万元） .996 1.000 .995 .820 .929 .922 x2居民消费（万元） .994 .995 1.000 .784 .950 .937 x3铁路客运量（千人） .809 .820 .784 1.000 .597 .622 x4民航航线里程（万公里） .936 .929 .950 .597 1.000 .978 x5来华旅游入境人数（万人）.932 .922 .937 .622 .978 1.000 Sig. （单侧）y 民航客运总量（万人） . .000 .000 .000 .000 .000 x1GDP （万元） .000 . .000 .000 .000 .000 x2居民消费（万元） .000 .000 . .000 .000 .000 x3铁路客运量（千人） .000 .000 .000 . .000 .000 x4民航航线里程（万公里） .000 .000 .000 .000 . .000 x5来华旅游入境人数（万人）.000.000.000.000.000.愈多。
如何使用逻辑回归模型进行航空客流预测(五)
逻辑回归模型是一种常用的预测模型，它在航空客流预测中具有重要的应用价值。
通过逻辑回归模型，航空公司可以更准确地预测航班客流量，合理安排航班计划和资源配置，提高运营效率，降低成本，提升服务质量。
本文将从逻辑回归模型的基本原理、建模步骤和应用实例等方面进行探讨。
逻辑回归模型是一种用于解决二分类问题的统计学习方法。
它的基本原理是通过一个或多个自变量的线性组合来预测一个二元输出变量的概率。
在航空客流预测中，逻辑回归模型可以用来预测某一航班在特定时间内的客流量高低，以帮助航空公司合理安排机型和座位数量，避免资源浪费和供需失衡。
与传统的线性回归模型相比，逻辑回归模型更适用于处理分类问题，能够更准确地对航空客流进行分类和预测。
建立逻辑回归模型的步骤主要包括数据收集、数据清洗、特征选择、模型训练和模型评估等。
首先，需要收集与航空客流相关的数据，包括航班信息、机票销售记录、航班延误情况、天气影响等。
然后对数据进行清洗和处理，包括缺失值处理、异常值处理、数据转换等。
接下来，需要进行特征选择，选择与客流预测相关的特征，如航班时间、航线距离、节假日影响等。
然后，利用清洗后的数据建立逻辑回归模型，并进行模型训练和参数优化。
最后，通过交叉验证等方法对模型进行评估，选择最优的模型并进行预测。
逻辑回归模型在航空客流预测中的应用实例主要包括客流量预测、延误预测和航班调整等方面。
通过对历史客流数据的分析和建模，航空公司可以根据航班时间、航线距离、机型等因素来预测未来一段时间内的客流量，从而合理安排机型和座位数量。
同时，逻辑回归模型还可以帮助航空公司预测航班的延误概率，及时调整航班计划，提高航班准点率和乘客满意度。
此外，逻辑回归模型还可以通过实时客流数据进行预测，帮助航空公司调整航班计划，适应突发事件和市场需求的变化。
总之，逻辑回归模型在航空客流预测中具有重要的应用价值。
通过合理建立逻辑回归模型，航空公司可以更准确地预测客流量，提高运营效率，降低成本，提升服务质量。
回归模型拟合精度分析-实用回归分析
应用回归分析例库封面一、案例背景文章通过分阶段建立多元线性回归模型，分析了改革开放32年来民航客运量与相关因素之间的关系。
结果表明：在不同历史阶段影响民航客运量的因素有所不同，并且从经济学角度对所建立的模型给出了合理的解释。
二、数据介绍数据来自《新中国五十五年统计资料汇编》和《中国统计年鉴2010》。
三、分析过程根据以上的分析，自改革开放以来，将中国民航客运量的增长趋势分为三个阶段，这里还有一个问题，就是年段的划分选在何处会更合理呢？对于这个问题，我们主要依据表2中分段回归拟合的残差平方和的大小，同时结合自变量选择时考虑的诸多因素做适当调整。
下面分阶段建立因变量y 关于自变量的各种组合的回归方程，这种组合方程共有 12552131555C C C +++=-=个，根据自变量的选择准则，从中选择最优回归方程。
3.1 第一阶段：1978~1988年最优回归模型经过比较，在通过回归方程和回归系数的显著性检验的方程中（取显著性水平0.05α=），发现表3中的两个模型最优。
由表3可见，模型一的各项指标都优于模型二，但是模型一中2x 的系数-0.290602β=<， 与实际意义不符，最终消费与民航客运量应该正相关。
模型二中3x 的系数-0.008703β=<，与实际意义相符合，铁路客运量与民航客运量应该负相关，出现与实际意义不符的情况可能是由变量间的多重共线性造成的，为此考察其它几项指标，见表4.表3 两个最优回归模型比较模型 1978~1988年拟合回归方程 标准残差 复相关系数 PRESS AIC 模型一 721.0010-0.29060.690225y x x =+ 41.91 0.9920 26372.68 111.0539 模型二 837.1212-0.00870.517435y x x =+ 46.03 0.9904 52010.33 113.1177表4 多重共线性、异常值诊断模型 方差扩大因子 绝对值最大的删除学生化残差SRE 最大库克距离 最大杠杆值 模型一 27.9371025VIF VIF ==> 2.60473< 0.57970.5> 0.45162ch > 模型二 4.9581035VIF VIF ==< 2.6833< 0.42700.5< 0.33642ch <从表4可见，模型一的自变量间存在严重的多重共线性，而且存在异常值点，模型二的自变量间不存在多重共线性，而且没有异常值点。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
中国民航客运量的回归模型7476772回归分析论文题目:中国民航客运量的回归模型我国民航客运量的变化趋势及其成因摘要改革开放以来,中国的经济飞速发展，人民的生活水平也发生了很大的变化；民航一直是交通运输中的一种不可少的方式，一定程度上也反映了人民的生活水平的提高，为了对民航客运量做出准确地评估和预测,本文利用多元线性回归分析方法研究我国民航客运量的变化趋势及其成因，数据来自《中国统计年鉴》（1981—2010年民航客运量）,利用spss软件对数据进行处理和分析.关键词多元线性回归分析、回归方程、显著性检验、相关性、民航客运量一、模型的建立与分析(一)研究我国1981年至2010年民航客运量与各影响因素之间的关系1)数据来源：《中国统计年鉴》（1981—2010年民航客运量）如下表1表1.我国民航客运量与影响因素2）研究方法：建立y 与自变量53412,,,,x x x x x 的多元线性回归模型如下：10122334455y=+ββχ+βχ+βχ+βχ+βχ+ε其中 E(ε)=0 var （ε）=2σ 3)实证分析：（1）对收集数据作相关分析，用spss 软件计算增广相关矩阵，输出结果如下表2.相关性从相关矩阵看出，y 与1x ,2x ,4x ,5x 的相关系数都在0.9以上，说明所选自变量与y 高度线性相关的，用y 与自变量做多元线性回归是合适的。
y 与3x 的相关系数3y r =0.809，p 值=0，这说明铁路客运量对民航客运量影响较弱。
一般认为铁路客运量与民航客运量之间呈负相关，铁路与民航共同拥有旅客，乘了火车就乘y 民航客运总量（万人） x1GDP（万元）x2居民消费（万元） x3铁路客运量（千人）x4民航航线里程（万公里） x5来华旅游入境人数（万人） Pearson 相关性y 民航客运总量（万人） 1.000 .996 .994 .809 .936 .932 x1GDP （万元） .996 1.000 .995 .820 .929 .922 x2居民消费（万元） .994 .995 1.000 .784 .950 .937 x3铁路客运量（千人） .809 .820 .784 1.000 .597 .622 x4民航航线里程（万公里） .936 .929 .950 .597 1.000 .978 x5来华旅游入境人数（万人）.932 .922 .937 .622 .978 1.000 Sig. （单侧）y 民航客运总量（万人） . .000 .000 .000 .000 .000 x1GDP （万元） .000 . .000 .000 .000 .000 x2居民消费（万元） .000 .000 . .000 .000 .000 x3铁路客运量（千人） .000 .000 .000 . .000 .000 x4民航航线里程（万公里） .000 .000 .000 .000 . .000 x5来华旅游入境人数（万人）.000.000.000.000.000.不了飞机。
但就中国的实际情况分析我国居民收入普遍不高,一般外出、旅游乘火车的比较多，而且随着我国铁路建设越来越普遍，乘坐火车外出的人也越来愈多。
但是仅凭相关系数的大小是不能决定变量的取舍的，在初步建模时还是应该包含3x 的。
（2）对数据进行线性回归分析得出以下各表拟合优度用于描述回归方程对样本观测值的拟合程度，样本决定系数2R 的取值在[0,1]区间内，2R 越接近1，表明回归拟合的效果越好；2R 越接近0，表明回归拟合的效果差。
在实际应用中，人们用复相关系数R 来表示回归方程对原始数据拟合程度的的好坏，它衡量作为一个整体的12,,......,p x x x 与y 的线性关系的大小，由表3可以看出样本决定系数20.994R =，复相关系数0.997R =，则表明回归方程对样本观测值的拟合程度较高，整体的12,,......,p x x x 与y 的线性相关性较高。
再由表4可以看出：F=793.051,P 值=0.000，表明回归方程高度显著，说明53412,,,,x x x x x 整体上对y 有高度显著的线性影响可得回归方程为12345ˆ1579.8490.0520.0140.015 3.564+0.134yx x x x x =-++++从表5中可以看出并不是所有的自变量x 单独对y 都有显著影响，最大的p 值为2p =0.756远大于0.05，没有通过回归系数的显著性检验，这说明尽管回归方程通过了显著性检验，但也会出现某些单个自变量x （甚至于每个x ）对y 并不显著的情况。
（3）由于某些单个自变量不显著，因而在多元回归中并不是包含在回归方程中的自变量越多越好，为了解决这个问题我们可以采取一种简单的剔除多余变量的方法：“后退法”得以下各表由表6可以看出：用“后退法”进行分析其各个回归方程模型对样本观测值的拟合程度，回归方程均通过了显著性检验。
表7.Anova e模型平方和df 均方 F Sig.1 回归 1.529E9 5 3.058E8 793.051 .000a残差9252978.910 24 385540.788总计 1.538E9 292 回归 1.529E9 4 3.822E8 1028.372 .000b残差9290953.013 25 371638.121总计 1.538E9 293 回归 1.529E9 3 5.095E8 1407.901 .000c残差9409719.382 26 361912.284总计 1.538E9 294 回归 1.528E9 2 7.642E8 2159.200 .000d残差9556437.204 27 353942.119总计 1.538E9 29a. 预测变量: (常量), x5来华旅游入境人数（万人）, x3铁路客运量（千人）, x2居民消费（万元）, x4民航航线里程（万公里）,x1GDP（万元）。
b. 预测变量: (常量), x5来华旅游入境人数（万人）, x3铁路客运量（千人）, x4民航航线里程（万公里）, x1GDP（万元）。
c. 预测变量: (常量), x5来华旅游入境人数（万人）, x3铁路客运量（千人）, x1GDP（万元）。
d. 预测变量: (常量), x5来华旅游入境人数（万人）, x1GDP（万元）。
e. 因变量: y民航客运总量（万人）由表7可知1F =793.051 2F =1028.372 3F =1407.901 4F =2159.2001P = 2P =3P = 4P =0.000表明在利用“后退法”进行分析得到的四个回归方程高度显著。
利用“后退法”首先剔除x2，得到回归模型2：1345ˆ1579.4840.0560.015 5.320+0.124yx x x x =-+++，其中4P =0.577>0.05,回归方程系数未通过检验，再剔除x4得回归模型3135ˆ837.4170.0590.009+0.180yx x x =-++，其中3P =0.530>0.05 回归方程系数未通过检验，再剔除x3得回归模型415ˆ90.1590.061+0.147yx x =+ 1P =0.000 5P =0.036 均小于0.05 回归方程系数通过检验通过以上的方法我们最终得到因变量y 与x1和x5保持着高度线性相关性，但在实际应用时，为了模型的结构合理，我们有时也保留个别对y 影响不大的变量，这种情况尤其是在建立宏观经济模型时常常如此。
(4)作散点图如下图9图9 .民航客运量随年份变化趋势图由该散点图可以看出,从1981年至1990年我国的民航客运量变化的幅度较小,1990年至2010年变化幅度较大,为了使所建的模型能对未来的情况进行预测,我把收集到的数据分成了两部分进行讨论：一部分是从1981年至1990年的数据，另一部分是1991年至2010年的数据。
(二)对1981年至1990年我国民航客运量与各影响因之间的关系进行分析表10.1981年至1990年我国民航客运量与各影响因之间数据表1）对该表的数据用spss 进行分析，得y 与自变量53412,,,,x x x x x 相关性如表表11.相关性y x1 x2 x3 x4 x5 Pearson 相关性y 1.000 .962 .957 .332 .945 .960 x1 .962 1.000 .999 .307 .979 .896 x2 .957 .999 1.000 .320 .975 .895 x3 .332 .307 .320 1.000 .195 .551 x4 .945 .979 .975 .195 1.000 .847 x5.960 .896 .895 .551 .847 1.000 Sig. （单侧） y . .000 .000 .174 .000 .000 x1 .000 . .000 .194 .000 .000 x2 .000 .000 . .183 .000 .000 x3 .174 .194 .183 . .295 .050 x4 .000 .000 .000 .295 . .001 x5.000.000.000.050.001.从相关矩阵看出，y 与1x ,2x ,4x ,5x 的相关系数都在0.9以上，说明所选自变量与y 高度线性相关的，用y 与自变量做多元线性回归是合适的。
y 与3x 的相关系数3y r =0.332 ，p 值=0，这说明铁路客运量对民航客运量影响较弱，就中国的实际情况分析我国居民收入普遍不高,一般外出、旅游乘火车的比较多，因此影响较弱。
2）对数据进行线性回归分析得出以下各表由表12可以看出样本决定系数20.994R =，复相关系数0.997R =，则表明回归方程对样本观测值的拟合程度较高，整体的34512,,,,x x x x x 与y 的线性相关性较高。
表13.Anova b模型 平方和 df均方 F Sig. 1回归 2038229.291 5 407645.858 143.806.000a残差 11338.809 4 2834.702总计2049568.1009再由表13可以看出：F=143.806,P 值=0.000，表明回归方程高度显著，说明53412,,,,x x x x x 整体上对y 有高度显著的线性影响B标准 误差试用版1(常量) 742.011 396.7411.870 .135 x1 -.058 .189 -.606 -.307 .774 x2 .126 .336 .662 .375 .727 x3 -.010 .004 -.182 -2.663 .056 x4 11.630 11.994 .252 .970 .387 x5.426.074.7985.757.005得回归方程：12345ˆ742.0110.0580.1260.0111.630.426yx x x x x =-+-++由表可知：只有5P =0.005<0.05，通过了检验，其他的p 值都大于0.05。