北京市空气质量影响因素的计量经济学分析
《2024年2019—2021年北京市PM2.5及组分浓度受风向影响的研究》范文
《2019—2021年北京市PM2.5及组分浓度受风向影响的研究》篇一一、引言随着工业化和城市化的快速发展，空气质量问题日益受到人们的关注。
作为中国首都的北京市，其空气质量状况更是备受关注。
PM2.5作为主要的空气污染物之一，对人类健康和环境造成了严重影响。
近年来，风向对PM2.5及组分浓度的影响成为了研究的热点。
本文旨在研究2019—2021年北京市PM2.5及组分浓度受风向影响的情况，以期为改善空气质量提供科学依据。
二、研究方法本研究采用现场观测与统计分析相结合的方法，以北京市为研究区域，收集了2019—2021年的PM2.5及组分浓度数据，同时记录了对应时期的风向数据。
首先，对数据进行筛选和预处理，排除异常值和干扰因素。
然后，采用统计分析方法，探究风向与PM2.5及组分浓度的关系。
三、结果与分析1. PM2.5及组分浓度概况在研究期间内，北京市PM2.5浓度呈现出一定的波动，但总体呈下降趋势。
组分浓度也表现出类似的趋势。
其中，硫酸盐、硝酸盐和有机物是PM2.5的主要组分。
2. 风向对PM2.5浓度的影响研究发现，不同风向对PM2.5浓度的影响存在显著差异。
在冬季，北风和西北风时，PM2.5浓度较高；而在夏季，南风和西南风时，PM2.5浓度相对较低。
这可能与不同风向带来的气象条件和污染源分布有关。
3. 风向对组分浓度的影响对于组分浓度，不同风向的影响也表现出一定的规律。
例如，北风和西北风时，硫酸盐和硝酸盐浓度较高；而南风和西南风时，有机物浓度相对较高。
这表明不同风向对PM2.5组分的输送和转化过程具有重要影响。
4. 影响因素探讨影响PM2.5及组分浓度的因素很多，包括气象条件、污染源分布、排放标准等。
在本研究中，我们发现风向是影响PM2.5及组分浓度的关键因素之一。
此外，城市绿化、交通状况等因素也可能对PM2.5浓度产生影响。
因此，在制定空气质量改善措施时，需要综合考虑多种因素。
四、结论本研究表明，风向对2019—2021年北京市PM2.5及组分浓度具有显著影响。
北京市空气质量数据分析及治理研究
北京市空气质量数据分析及治理研究近年来，北京市的空气质量一直备受关注。
尤其在冬季，雾霾天气频繁出现，不仅影响市民出行和生活，更对健康造成威胁。
为了改善北京市的空气质量，政府采取了一系列措施，包括限行、减排、绿化等，取得了一定效果。
本文将针对北京市的空气质量数据进行分析，并探讨一些有效的治理办法。
一、数据分析从近年来北京市的空气质量数据来看，状况有所改善，但仍存在一些问题。
以下是对2018年和2019年6月至8月的数据进行的分析。
1.1 PM2.5浓度分析首先是PM2.5的浓度。
据数据显示，2018年平均PM2.5浓度为51.4μg/m³，2019年同期为44.6μg/m³，而2013年的平均浓度则为89.5μg/m³。
可见，PM2.5的浓度在逐年下降。
然而，就2019年6月至8月的数据而言，在这三个月中，有29天的PM2.5浓度超过50μg/m³，其中15天超过了100μg/m³。
显然，雾霾天气仍是一个严重的问题。
1.2 其他污染物浓度分析除了PM2.5，北京市的空气中还存在其他污染物。
以下是对其中几种污染物的平均浓度分析。
- PM10：2018年为76.4μg/m³，2019年为60.3μg/m³；- SO2：2018年为10.4μg/m³，2019年为8.1μg/m³；- NO2：2018年为59.4μg/m³，2019年为60.7μg/m³。
从数据来看，除了NO2浓度略有上升，其他污染物的浓度都在下降。
二、治理措施2.1 减排减少污染物排放是治理空气质量的关键。
北京市政府采取了一系列措施来减少污染物排放。
首先是汽车限行。
北京市已实施了数年的机动车限行措施。
限行可以有效减少城市交通带来的尾气排放，同时给市民以更好的公共交通选择。
其次是工业减排。
北京市的工业呈现了向高精尖方向的发展趋势，通过技术升级、产业转型等方式，不断降低工业污染物排放。
北京市空气质量的时间特征及影响因素分析
北京市空气质量的时间特征及影响因素分析
严彦文;谢碧霄;孟得新;范申
【期刊名称】《应用数学进展》
【年(卷),期】2024(13)1
【摘要】基于描述性统计和非参数统计方法,对北京市2017年春至2020年冬的AQI (Air Quality Index,空气质量指数)和大气污染物的时间特征,及它们与温度和风力的关系进行分析。
结果表明:北京市春夏季的空气质量相对秋冬季较差,夏季大气中污染物O3的浓度偏高,春冬季PM2.5、PM10、SO2、CO、NO2的浓度更高;近四年来,北京市的空气质量得到改善,但在大气污染物O3和CO方面的工作仍需加强;可吸入颗粒物、CO、NO2和O3是影响北京市空气质量的重要因素;高温会在一定程度上降低北京市的空气质量,而大风不是北京市影响空气质量的主要因素。
【总页数】9页(P118-126)
【作者】严彦文;谢碧霄;孟得新;范申
【作者单位】中国石油大学(北京)理学院
【正文语种】中文
【中图分类】X51
【相关文献】
1.北京市空气质量的影响因素分析r——基于灰色关联
2.北京市2020年春节期间空气质量影响因素分析
3.北京市大气污染物时间变化特征及气象影响因素分析
4.
基于数据分析的2019~2020北京市空气质量影响因素分析5.北京市2015-2020年空气质量特征及影响因素分析
因版权原因，仅展示原文概要，查看原文内容请购买。
北京空气质量评价方法研究
北京空气质量评价方法研究空气是人类赖以生存的物质基础,适宜人们生存的空气是保证人们身心健康的前提。
然而我国改革开放以来,伴随着经济的高速发展,工业化程度的加深,环境污染日益严重,恶化的空气质量已经对人们的健康生活造成威胁。
保证空气质量是保障民生的基本需要,是建设生态文明,构建社会主义和谐社会的必然要求。
90年代的北京曾经沙尘肆虐,空气质量达不到国际标准,痛失了2000年奥运会举办权。
因此我们对北京首都进行空气质量分析和评价。
空气质量差说明空气中的空气污染物成分比重较高，主要的空气污染物包括可吸入颗粒物（直径在10微米以下的颗粒物），二氧化硫，二氧化氮，臭氧，挥发性有机物，一氧化碳等。
北京主要的空气污染物：可吸入颗粒物，一种包括了泥土、灰尘、煤烟、以及汽车、工厂、燃煤锅炉，建设工地等排放的污染颗粒的混合物，为北京最严重的污染源。
联合国环境规划署称，北京二氧化硫，二氧化氮，一氧化碳等污染物含量在2000－2006年有所下降，而可吸入颗粒物的含量没有下降。
北京路面上的330万辆汽车排放的一氧化碳占到了空气中一氧化碳总量的80%。
2012年5月13日，北京市环保监测中心首次公布了一氧化碳和臭氧浓度研究性数据，一氧化碳数据显示，11日21时至12日20时，一氧化碳24小时均值为2.2毫克/立方米，小时浓度最高为3.3毫克/立方米，按照新国标，一氧化碳日均值在4.0毫克/立方米，小时浓度在10毫克/立方米以下达标。
均属达标状态。
以下采用2000年到2008年这九年时间的空气污染物数据进行数据分析和处理。
一、数据介绍：大气污染主要指介入大气中的物质、能量和生物等超过大气环境容许量，直接或间接影响人类的生活、生产和圣体健康等带来不良影响的现象。
所以对大气污染物进行分析是非常必要的事情。
本次分析的数据是从2000年到2008年污染物年日均值的情况，地点是北京，其中包括二氧化硫、二氧化氮和可吸入颗粒物，对变量进行分析，以了解这9年中污染物的变化及相互之间的影响。
《2024年北京PM2.5浓度的变化特征及其与PM10、TSP的关系》范文
《北京PM2.5浓度的变化特征及其与PM10、TSP的关系》篇一一、引言随着工业化和城市化的快速发展，大气污染问题日益严重，尤其是细颗粒物（PM2.5）的污染问题备受关注。
PM2.5因其粒径小、易进入人体肺部甚至血液中，对人体健康产生严重影响，已成为国内外环境科学研究的热点。
北京作为中国的首都，其PM2.5浓度的变化特征及其与PM10、总悬浮颗粒物（TSP）的关系，对于理解城市大气污染的成因及治理具有重要价值。
本文旨在分析北京PM2.5浓度的变化特征，并探讨其与PM10、TSP的关系。
二、研究方法本研究采用北京市环保部门发布的大气监测数据，选取近五年来的PM2.5、PM10及TSP的浓度数据作为研究对象。
通过统计分析方法，对数据进行处理和分析，探讨PM2.5浓度的变化特征及其与其他污染物的关系。
三、北京PM2.5浓度的变化特征1. 时间变化特征：北京PM2.5浓度在全年中呈现出明显的季节性变化。
冬季由于供暖等因素的影响，PM2.5浓度较高；夏季由于降雨较多，有利于颗粒物的沉降，PM2.5浓度相对较低。
此外，工作日与周末的PM2.5浓度也存在差异，工作日由于交通拥堵等因素导致PM2.5浓度较高。
2. 空间分布特征：北京市内不同区域的PM2.5浓度也存在差异。
工业区、交通枢纽等地区的PM2.5浓度较高，而郊区、公园等地的PM2.5浓度相对较低。
四、北京PM2.5与PM10、TSP的关系1. 相关性分析：通过统计分析发现，北京PM2.5与PM10及TSP之间存在显著的正相关性。
即当PM10及TSP浓度升高时，PM2.5的浓度也会相应升高。
这表明它们之间存在共同的来源和传输途径。
2. 影响因素分析：通过对历史数据进行分析发现，气象条件、交通状况、工业排放等是影响PM2.5、PM10及TSP浓度的主要因素。
例如，风速较小、湿度较大时，颗粒物的扩散和沉降受到限制，导致浓度升高；交通拥堵和工业排放增加也会导致颗粒物浓度的升高。
北京空气污染的函数型数据分析与治理的开题报告
北京空气污染的函数型数据分析与治理的开题报告一、研究背景近年来，北京市的空气质量问题受到了广泛关注。
根据北京市环保局发布的数据，北京市空气污染状况严重，PM2.5浓度指数高达200以上。
空气污染对人类健康、生态环境等都产生了严重的影响，因此需要进行相关的研究和治理。
函数型数据分析是一种针对时空数据的统计分析方法，适用于对时间序列或空间序列中的数据进行建模和分析。
针对北京市空气污染问题，可以采用函数型数据分析的方法，对其进行建模和分析，进而提出对应的治理方案。
二、研究内容本研究主要基于北京市环保局发布的空气质量数据，通过函数型数据分析的方法进行建模和分析，探讨空气污染与其它环境因素之间的关系，比如气象因素、交通因素等。
具体的研究内容包括：1. 对北京市空气质量数据进行采集和预处理，包括数据清洗、缺失值处理等。
2. 进行函数型数据的建模和分析，比如基于回归模型的空气污染与气象因素之间的关系分析、基于聚类分析的北京市空气质量时空模式识别等。
3. 提出相应的治理策略，并对其进行评估和实验。
三、研究意义本研究的意义在于：1. 对北京市空气污染状况进行深入的研究，探讨影响北京市空气质量的各种因素，并且从函数型数据的角度进行建模和分析，为治理提供依据。
2. 采用函数型数据分析的方法进行建模和分析，解决了传统时间序列、空间序列分析方法的不足，可提高研究的准确性和可靠性。
3. 研究结果可为政府部门和相关企业提供治理方案，进一步提升北京市的环境质量和人民健康水平。
四、研究方法本研究采用函数型数据分析的方法进行建模和分析，包括基于回归模型的分析、基于聚类分析的模式识别等。
具体方法如下：1. 函数型数据采用B样条变换，使得连续函数可以离散化为有限维数的向量，进而进行函数型数据的建模和分析。
2. 基于协方差函数的回归模型，分析北京市空气污染与气象因素之间的关系。
3. 基于K-means算法的聚类分析，对北京市空气质量时空模式进行识别和分类。
北京市空气质量状况的研究分析
北京市空气质量状况的研究分析一、背景介绍北京市是中国的首都城市，也是国家的政治、文化、科技、经济中心。
然而，由于经济增长过快、能源消耗负荷过大、交通拥堵等问题，空气质量成为了北京市面临的一大环境问题。
为了更好地了解北京市空气质量状况，本文对该问题进行研究分析。
二、问题阐述北京市的大气污染主要包括PM2.5、PM10、二氧化硫、一氧化碳、二氧化氮、臭氧等多种污染物，这些污染物对人体健康和环境造成了不良影响。
同时，北京市空气质量受到大气扩散条件和气象等自然因素的影响。
因此，本文主要对北京市空气质量状况进行分析，了解污染物的来源和分布情况，以及受自然因素的影响情况。
三、北京市空气质量状况分析1. 污染物来源北京市的污染物可以分为点源污染和面源污染，其中点源污染主要来自汽车尾气、工业企业废气排放等，面源污染主要来自房屋供暖、焚烧农作物和垃圾等。
同时，北京市还受到周边地区的污染物传输的影响。
2. 污染物分布情况北京市各个区城区和郊区的污染物分布情况存在差异，其中城区污染物浓度较高，在工业企业聚集区、交通拥堵路段和居民密集区的污染物浓度尤为明显。
而郊区由于其自然环境较好，污染物浓度相对较低。
3. 受自然因素的影响情况北京市的空气质量也受到自然因素的影响，比如风向、风速、湿度、气压和温度等。
在天气晴朗、无风、高气压的情况下，污染物容易积聚，导致污染物浓度上升。
四、改善空气质量的措施在分析北京市空气质量状况的基础上，可以采取以下措施改善北京市的空气质量：1. 减少点源污染源头，推行清洁生产；2. 限制汽车使用，推广新能源车辆，提供公交、地铁等公共交通工具；3. 推进煤改气、煤改电等清洁能源的使用；4. 强化空气质量监测和预警体系，及时发布污染物浓度数据和做好公众舆情应对工作；5. 联合周边地区共同应对大气污染问题。
五、结论通过对北京市空气质量状况的分析，可以看到其存在的问题和取得的成果。
虽然北京市采取了很多措施减少污染物排放并取得了一定的成果，但是其仍然面临着如何平衡发展和空气质量的问题。
北京空气污染调查报告
在城市各区域建设充电设施，为新能源汽车提供 便利的充电服务。
01
研究结论和展望
研究结论
空气污染严重
北京的空气污染问题仍然严重，尤其是 在冬季，由于燃煤取暖和交通排放等原
因，导致空气质量下降。
区域性污染显著
北京周边地区的空气污染也对北京的 空气质量产生了显著影响。
污染物排放量大
工业、农业和居民生活等各个领域排 放的大量污染物是导致空气污染的主 要原因。
01
北京空气污染影响及危害
对人体健康的影响
肺癌风险
心脑血管疾病
长期接触空气污染的环境，会增加患肺癌 的风险。
空气污染可以加速心脑血管疾病的发生和 发展。
呼吸道疾病
免疫系统紊乱
空气污染会引发各种呼吸道疾病，如哮喘 、慢性阻塞性肺病等。
长期接触空气污染的环境，会影响免疫系 统的正常功能，增加患过敏性疾病的风险 。
化工行业
北京的化工企业也较多，这些企 业排放的废气、废水和固体废弃 物等也是空气污染的主要来源之
一。
电力行业
北京的电厂、电站等发电企业排 放的废气、烟尘等也是空气污染
的主要来源之一。
机动车尾气排放
汽车尾气
随着北京机动车数量的不断增加，汽车尾气排放已经成为北京空气污染的主要 来源之一。
柴油机尾气
北京的货车、客车等柴油车辆数量较多，这些车辆排放的尾气中含有大量的颗 粒物、氮氧化物等有害物质，对空气质量造成严重影响。
调整能源结构
加大对清洁能源的开发和利用，减少对化石能源的依赖，提高可 再生能源比重。
严格控制煤炭消费
逐步减少煤炭消费量，推广清洁煤技术，提高煤炭利用效率。
推广清洁能源和新能源汽车
- 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)。
北京市空气质量影响因素的计量经济学分析摘要：近日来，北京连续出现严重的雾霾天气，首都的空气质量再次令人堪忧。
北京申办2022冬季奥运会，而雾霾天气成为申办的劣势。
本文通过建立北京市2002-2011年影响空气质量的因素的多元回归模型，研究人均GDP、交通运输、城市绿地覆盖率及人口规模对空气质量的影响程度。
关键词：雾霾，空气质量，回归模型ABSTRACT: Recently, continuous severe haze weather has been reported in Beijing, the capital's air quality is a cause for concern again.Beijing is bidding to host the 2022 winter Olympics, however, the haze is a disadvantage.In this paper, a multivariate regression model of the influencing factors on the quality of the air from 2002 to 2011 is established to research the influences of per capita GDP, transportation, urban green coverage rate and population size.Keywords: Haze, The quality of air, Multivariate regression雾霾天气是自然环境无法承受人类过度开发和利用所带来的环境崩溃。
雾是指大气中因悬浮的水汽凝结、能见度低于1公里时的天气现象；而灰霾的形成主要是空气中悬浮的大量微粒和气象条件共同作用的结果。
雾霾天气形成的主要原因是空气中PM2.5 值含量过高。
PM2.5是指大气中直径小于或等于2.5微米的颗粒物，也称为可入肺颗粒物。
PM2.5粒径小，富含大量的有毒、有害物质且在大气中的停留时间长，输送距离远，因而对人体健康和大气环境质量的影响更大。
如何准确测度空气质量, 分析各地区的空气质量状况和变化, 以及如何提高空气质量等问题, 越来越受到学术界的重视。
一、北京雾霾天气形成原因的理论分析1.北京市的工业化率北京西北部、东北部都被重工业发达城市所环绕，随着气温下降，周边城市空气中的粉尘等污染颗粒极易随着冷热气流的对流而进入北京的区域，而受到海湾地貌的局限，又很难扩散出去，因而空气污染到大气层，大气层之间产生化学反应，从而形成雾霾。
2.北京的交通北京的机动车数量位于中国所有城市之上，机动车排放的颗粒物粒径较小, 往往在2μm以下, 能够直接被吸入人体肺部, 因此对人体健康的影响更为严重。
部分大、中城市的大气污染正经历着由煤烟型向煤烟与机动车尾气混合型的转化。
汽车所产生的空气污染比任何其他单一的人类活动产生的空气污染量都多。
在城市中心, 特别是在拥挤的街道上, 车辆交通是造成空气中的90%～95%的CO,80%～90%的NOx和HC( 碳氢化合物) 以及大部分颗粒物( PM10) 的原因。
机动车辆也是铅排放的一个重要因素, 据估计,空气中80%～90%的铅来自燃烧含铅汽油。
3.北京市的城市绿地覆盖率绿色植被能够滞尘降声, 净化空气,改善空气质量。
负离子浓度和空气含菌量是评价绿地空气质量的重要指标，空气负离子具有降尘、杀菌、提高免疫力、调节机能平衡的功能，在净化空气、提高人体舒适度方面具有显著的效果。
城市绿地为空气负离子的产生提供良好的环境。
绿地率对PM2.5质量浓度有明显的影响。
4.北京市人口规模北京市的人口增长速度和增长量十分惊人，人口的巨大增长，人类活动所带来的巨大污染本身就对这座处在海湾地貌之内的城市空气自我净化、自我消化的能力形成了不能承载的挑战。
二、建立回归模型初始模型设定为：Yi=β0+β1X1+β2X2+β3X3+β4X4+Ui通常认为可用空气质量二级和好于二级的天数表示空气质量，人均GDP代表城市的工业化率，民用汽车的拥有量表示城市的交通状况，城市绿地面积表示城市绿地覆盖率，常住人口表示人口规模。
因此模型中Yi 表示北京市第i 年空气质量二级和好于二级的天数,X分别表示第i年北京市人均GDP、民用汽车有拥有量、城市绿地面积、北京市常住人口。
三、数据的收集表1 北京市2002-2011年数据其中：Y:北京市第i年空气质量级别二级和好于二级的天数资料来源：北京市环保局X1：北京市人均GDP（元/人）资料来源：中华人民共和国国家统计局X2：北京市民用汽车拥有量（万辆）资料来源：中华人民共和国国家统计局X3：北京市城市绿地面积（万公顷）资料来源：中华人民共和国国家统计局中国统计年鉴 X4：北京市常住人口数量（万人）资料来源：中华人民共和国国家统计局四、参数估计假设模型中随机项满足基本假设，可用EVIEWS3.0软件利用OLS法估计。
估计结果为：Dependent Variable: YMethod: Least SquaresDate: 11/09/13 Time: 17:53Sample: 2002 2011Included observations: 10Variable Coefficient Std. Error t-Statistic Prob.X1 0.001115 0.001187 0.938758 0.3910X2 -0.406607 0.372362 -1.091969 0.3246X3 7.757550 9.164716 0.846458 0.4359X4 0.250579 0.216557 1.157103 0.2995C -158.4431 251.4731 -0.630060 0.5563R-squared 0.950183 Mean dependent var 250.1000Adjusted R-squared 0.910329 S.D. dependent var 30.82009S.E. of regression 9.229110 Akaike info criterion 7.589455Sum squared resid 425.8824 Schwarz criterion 7.740748Log likelihood -32.94728 F-statistic 23.84173Durbin-Watson stat 1.667129 Prob(F-statistic) 0.001870 模型估计的结果Yi=-158.4431+0.001115X1-0.406607X2+7.757550X3+0.250579X4Se=(251.4731) (0.216557) (9.164716) (0.372362) (0.001187)t=(-0.630060) (1.157103) (0.846458) (-1.091969) (0.938758)p=(0.5563) （0.2995）（0.4359）（0.3246）（0.3910）R²=0.950183 调节的R²=0.910329 F=23.84173从上述回归结果可以看出：可决系数R ²较高, 调整的R²也比较高.但是各个参数的t 检验却不显著。
用逐步回归法, 确定变量X2，X4均不显著。
因此考虑添加两个变量：X5：北京市汽油消费量 X6：城市液化石油气用气人口，重新进行参数的估计。
五、重新建立回归模型Yi=β0+β3X3+β5X5+β6X6+Ui1.数据的收集，如表2所示其中：Y:北京市第i年空气质量级别二级和好于二级的天数X3:北京市城市绿地面积（万公顷）X5:北京市汽油消费量（万吨）X6：城市液化石油气用气人口（万人）数据来源：中华人民共和国国家统计局2.回归检验Dependent Variable: YMethod: Least SquaresDate: 11/09/13 Time: 21:42Sample: 2002 2011X3 7.833731 3.360073 2.331417 0.0585X5 0.283803 0.030364 9.346543 0.0001X6 -0.074840 0.027804 -2.691733 0.0360R-squared 0.977453 Mean dependent var 250.1000Adjusted R-squared 0.966180 S.D. dependent var 30.82009S.E. of regression 5.667913 Akaike info criterion 6.596693Sum squared resid 192.7514 Schwarz criterion 6.717727Log likelihood -28.98347 F-statistic 86.70387Durbin-Watson stat 2.407756 Prob(F-statistic) 0.000025 根据上表的回归结果，模型的估计如下：Yi=160.3896+7.833731X3+0.283803X5-0.074840X6se=(17.98782)(3.360073)(0.030364)(0.027804)t=(8.916567)(2.331417)(9.346543)(-2.691733)p=(0.0001) (0.0585) （0.0001）（0.0360）R²=0.977453 调节后的R²=0.966180 F=86.703873.模型的检验（1）实际意义检验模型估计结果表明，在假定其他变量不变的情况下，当城市绿地面积每增加1万公顷，北京空气质量二级和好于二级的天数会增加7.833731天；在假定其他条件不变的情况下。
当城市液化石油气用气人口每增加1万人，北京空气质量二级和好于二级的天数会减少0.074840天。
这些经验判断和理论分析相一致。
在假定其他变量不变的情况下，当汽油消费量每增加1万吨，北京空气质量二级和好于二级的天数会增加0.0283803天。
这显然与实际经验不符，固应排除此变量。
(2)回归检验①拟合优度检验：由表中数据可以得到R²=0.977453，调节后的可决系数为R²=0.966180这说明模型对样本的拟合很好。
②F检验：针对H0：β3：β6=0给定显著性水平α=0.05。
F统计量的P值为0.000025说明系数不同时为0，应拒绝原假设。