eviews建模方法之回归分析简介
Eviews的logistic回归分析
预测应用
利用建立的模型进行预测，比较预测结果与 实际观测值的差异。
06
结论与展望
研究结论
01
Logistic回归分析在eviews中 的实现方法已经得到了验证， 并且具有较高的预测精度和稳 定性。
02
通过eviews进行Logistic回归 分析可以有效地解决分类问题 ，尤其在二分类问题中表现优 异。
03
EViews软件介绍
软件概述
EViews是一款专门用于经济学、金融 学、统计学等领域的数据分析和预测 软件，具有强大的数据处理、回归分 析和时间序列分析功能。
EViews具有友好的用户界面和灵活的 操作方式，使得用户可以轻松地进行 数据处理、模型建立和预测分析。
EViews提供了丰富的数据接口，支持 多种数据格式，可以方便地导入各种 数据源，如Excel、CSV、数据库等。
变量选择
根据研究目的和理论背景，选择与购买行为相关 的自变量。
3
模型估计
使用EViews软件进行模型参数估计，得到回归 系数、置信区间等。
结果解读与讨论
结果解读
根据回归结果，解释各个自变量对因变量的 影响程度和方向。
模型评估
使用似然比检验、AIC等统计量评估模型的 拟合优度。
结果讨论
根据回归结果，探讨自变量之间的交互作用 和模型假设的合理性。
03
在实际应用中，Logistic回归 分析可以帮助我们更好地理解 数据之间的关系，为决策提供 有力支持。
研究不足与展望
目前的研究主要集中在Logistic回归 分析的算法实现和预测精度方面，对 于其理论基础和应用场景的研究还不 够深入。
在实际应用中，Logistic回归分析对 于异常值的敏感度较高，需要进一步 研究如何降低其对模型稳定性的影响 。
基于EVIEWS软件下的多元线性回归分析
基于EVIEWS软件下的多元线性回归分析基于EVIEWS软件下的多元线性回归分析1. 引言多元线性回归分析是统计学中常用的一种方法，用于探究多个自变量对于因变量的影响程度和相关关系。
EVIEWS是一款常用的计量经济学软件，提供了多元线性回归模型的分析工具，具有高度的可视化和分析能力。
本文将利用EVIEWS软件，进行多元线性回归分析，探究自变量与因变量之间的关系。
2. 方法2.1 数据收集本研究收集了一份包含多个自变量和一个因变量的数据集。
自变量可以是各种影响因素，如年龄、性别、教育程度等，而因变量可以是根据自变量变化而得出的某种结果，如收入、消费水平等。
通过EVIEWS软件导入并编辑数据，确保数据的准确性和完整性。
2.2 模型构建在EVIEWS软件中，选择合适的多元线性回归模型。
首先，根据研究目的和现实情况，选择一个因变量和多个自变量，并进行变量选择和变量处理。
然后，在EVIEWS软件中建立多元线性回归模型，将因变量作为依变量，自变量作为自变量。
2.3 模型分析进行多元线性回归分析后，EVIEWS软件将给出模型的各项统计指标，包括回归系数、截距项、方差分析表等，并进行显著性检验，以判断自变量的影响是否显著。
此外，EVIEWS软件还能够提供模型残差的分析结果，用于检验模型的合理性和适用性。
3. 结果与讨论将多元线性回归模型的结果进行解读。
回归系数表示了自变量单位变化对因变量的变化程度。
通过检验回归系数的显著性水平，可以判断自变量的影响是否具有统计学意义。
方差分析表则能够提供模型的拟合程度，判断模型是否能够解释因变量的变异情况。
在讨论中，可以分析模型结果是否符合研究假设，自变量与因变量之间的关系是否与预期一致。
如果模型结果不如预期，可以进一步分析可能的原因，并考虑是否需要增加或调整自变量，以提高模型的解释力。
4. 结论本文利用EVIEWS软件进行了多元线性回归分析，通过分析回归系数、方差分析表等结果，探究了自变量与因变量之间的关系。
EVIEWS回归结果的理解
EVIEWS回归结果的理解在经济学和统计学中，回归分析是一种常用的方法，用于研究变量之间的关系。
EVIEWS是一款常用的计量经济学软件，通过进行回归分析，可以得到一系列统计结果。
本文将介绍EVIEWS回归结果的理解，并解释这些结果对研究的意义和解释。
一、回归方程在进行回归分析后，EVIEWS将给出一个回归方程。
回归方程表示了自变量与因变量之间的关系。
通常，回归方程的形式为：Y = β0 + β1X1 + β2X2 + ... + βkXk + ε其中，Y代表因变量，X1、X2、...、Xk代表自变量，β0、β1、β2、...、βk代表回归系数，ε代表误差项。
回归系数可以理解为自变量对因变量的影响程度，而误差项表示了模型无法解释的部分。
二、回归系数的解释EVIEWS给出的回归结果中，包含了回归方程中自变量的回归系数。
这些回归系数可以帮助我们理解自变量对因变量的影响。
回归系数的正负值表示变量间的正相关或负相关关系，绝对值大小表示相关关系的强弱程度。
需要注意的是，回归系数的统计显著性非常重要。
EVIEWS会给出回归系数的t值和p值，用于判断回归系数是否显著。
如果p值小于设定的显著性水平（通常为0.05），则认为回归系数是显著的，即表明自变量对因变量的影响是存在的。
三、决定系数（R-squared）在EVIEWS回归结果中，还会给出一个被称为决定系数的统计量，用于衡量回归模型对因变量的解释程度。
决定系数的取值范围在0到1之间，越接近1表示回归模型对因变量的解释能力越强。
需要注意的是，决定系数并不代表回归模型的好坏。
一个决定系数较高的回归模型并不一定是更好的模型，因为决定系数受到样本大小、变量选择等多个因素的影响。
因此，在解读决定系数时，需要结合实际问题和模型的适用性进行综合评估。
四、残差分析在EVIEWS回归结果中，还会给出一系列统计指标，用于评估回归模型的拟合优度和模型的合理性。
其中，残差是一项重要指标。
经验分享使用eviews做回归分析
[经验分享] 使用eview s做线性回归分析Glossa ry:ls(least square s)最小二乘法R-sequar ed样本决定系数（R2）：值为0-1，越接近1表示拟合越好，>0.8认为可以接受，但是R2随因变量的增多而增大，解决这个问题使用来调整Adjust R-seqaur ed()S.E of regression回归标准误差Log likelihood对数似然比：残差越小，L值越大，越大说明模型越正确Durbin-Watson stat：DW统计量，0-4之间Mean dependent var因变量的均值S.D. dependent var因变量的标准差Akaike info criter ion赤池信息量(AIC)（越小说明模型越精确）Schwar z ctiter ion:施瓦兹信息量（SC）（越小说明模型越精确）Prob(F-statis t ic)相伴概率fitted(拟合值)线性回归的基本假设：1.自变量之间不相关2.随机误差相互独立，且服从期望为0，标准差为σ的正态分布3.样本个数多于参数个数建模方法:ls y c x1 x2 x3 ...x1 x2 x3的选择先做各序列之间的简单相关系数计算，选择同因变量相关系数大而自变量相关系数小的一些变量。
模型的实际业务含义也有指导意义，比如m1同g dp肯定是相关的。
模型的建立是简单的，复杂的是模型的检验、评价和之后的调整、择优。
模型检验：1）方程显著性检验（F检验）：模型拟合样本的效果，即选择的所有自变量对因变量的解释力度F大于临界值则说明拒绝0假设。
Eviews给出了拒绝0假设(所有系统为0的假设)犯错误(第一类错误或α错误)的概率(收尾概率或相伴概率)p 值，若p小于置信度(如0.05)则可以拒绝0假设，即认为方程显著性明显。
eviews回归分析结果解读
eviews回归分析结果解读EViews回归分析结果解读：一、模型验证1.残差检验：通过残差的自相关检验来评估模型拟合的效果。
EViews 提供的残差检验的指标主要有自相关系数（AC）、均值偏差（PD）和多元偏差（MD）等，通过综合这三个指标来验证模型的优度。
2.残差的正态性检验：通过对残差的正态检验，来判断模型是否拟合得合适。
EViews绘出的正态性检验图，其上四象限内的残差数据点簇应该尽可能集中在图中心。
3.异方差性检验：这是检验模型拟合优度的另一种用法，主要依靠残差曲线的图形显示。
异方差的判定参考指标主要有自相关（ACF）和偏度（SKEW），此外还可以看“逐步残差图”。
二、系数验证1.系数绝对值：通过检验系数，来确定模型中每个变量的解释力。
系数的绝对值越大，说明该变量对模型影响越大。
2.系数t检验：系数t检验主要用来检验回归分析模型中，系数中存在的显著性关系。
EViews通过给出系数的t值和概率值来做检验，如果概率值小于一定的显著性水平，则该系数的t值就具有统计学显著性，表明变量与目标变量有关系。
3.系数F检验：F检验用来检验模型均方根残差对应回归方程变量对解释能力的贡献程度。
F检验的结果反映了模型在拟合中的效果，当F值较大时，说明模型所用的变量都有较强的解释能力。
三、模型优度1.R平方：R平方指的是回归方程对于平均自变量的拟合程度。
它衡量的是样本内变量和预期值之间的相似程度，R平方越大，模型对数据的拟合度越高。
2.拟合误差：拟合误差指的是拟合出来的模型误差，它反映了独立变量与因变量之间存在的不确定性。
拟合误差越小，说明模型拟合效果越好。
3.解释力：这是一个衡量模型效果的比率，主要反映模型对数据集中变量对解释能力，一般要在0.7以上才有一定的参考价值。
四、回归方程概况回归方程概况意指模型中因变量的各种参数，如常数项a0、斜率a1以及误差项的统计量。
这些参数的准确性和完整度将影响到模型的拟合程度和预测能力。
EVIEWS回归结果的理解
EVIEWS回归结果的理解《EVIEWS 回归结果的理解》在数据分析和经济研究中，EVIEWS 是一款被广泛使用的统计软件，其回归分析功能为我们揭示变量之间的关系提供了有力的工具。
然而，要正确理解 EVIEWS 回归结果并不是一件简单的事情，需要我们对相关的统计学概念和原理有清晰的认识。
首先，让我们来了解一下回归分析的基本概念。
回归分析旨在探究一个或多个自变量与一个因变量之间的线性或非线性关系。
在EVIEWS 中，我们通常会得到一系列的输出结果，包括系数估计值、标准误差、t 统计量、p 值、Rsquared 等。
系数估计值是回归方程中自变量的系数，它表示自变量每变化一个单位，因变量平均变化的数量。
例如，如果我们研究收入与教育水平之间的关系，教育水平的系数估计值为 500，这意味着教育水平每提高一年，平均来说收入会增加 500 元。
标准误差反映了系数估计值的不确定性。
较小的标准误差表示系数估计值更准确和可靠。
通过标准误差，我们可以计算 t 统计量。
t 统计量用于检验系数是否显著不为零。
如果 t 统计量的绝对值较大，对应的 p 值较小（通常小于 005），则我们可以认为该系数在统计上是显著的，也就是说自变量对因变量有显著的影响。
p 值是一个非常重要的指标。
它表示在原假设（通常是系数为零）成立的情况下，观察到当前或更极端结果的概率。
如果 p 值小于给定的显著性水平（如 005），我们拒绝原假设，认为自变量与因变量之间存在显著的关系。
Rsquared （决定系数）衡量了回归模型对数据的拟合程度。
它的取值范围在 0 到 1 之间，越接近 1 表示模型对数据的拟合越好。
但需要注意的是，Rsquared 高并不一定意味着模型就是最优的，可能存在过拟合的问题。
除了上述常见的统计量，我们还需要关注模型的整体显著性。
F 统计量用于检验整个回归模型是否显著。
如果F 统计量对应的p 值较小，说明至少有一个自变量对因变量有显著影响。
线性回归分析(Eviews6)
STEP 01
研究目的
STEP 02
数据来源
探讨自变量X对因变量Y 的影响程度。
STEP 03
分析工具
使用EViews 6软件进行线 性回归分析。
收集到的样本数据，包含 自变量X和因变量Y的观 测值。
数据准备与处理
01
02
03
数据导入
将收集到的数据导入 EViews 6软件中。
数据清洗
检查数据是否存在异常值、 缺失值等问题，并进行必 要的处理。
变量筛选
采用逐步回归等方法筛选变量，去除引起多重共 线性的冗余变量。
主成分分析
通过主成分分析提取主要信息，以消除多重共线 性的影响。
异方差性问题及其解决方法
1 2
异方差性检验
通过残差图、等级相关系数检验等方法检验异方 差性。
加权最小二乘法
对异方差数据进行加权处理，使得变换后的数据 满足同方差性假设。
回归方程的检验与诊断
回归方程的显著性检验
通过F检验或t检验判断回归方程 是否显著，即自变量对因变量是 否有显著影响。
残差分析
检查残差是否满足模型的假设条 件，如独立性、同方差性等，以 及是否存在异常值或影响点。
回归系数的显著性检验
通过t检验判断各个回归系数是否 显著，即自变量对因变量的影响 程度是否显著。
线性回归模型的建立
模型设定
根据研究目的和理论假设，设定 合适的线性回归模型。
参数估计
采用最小二乘法（OLS）进行参 数估计，得到回归系数的估计值。
模型检验
进行模型的拟合优度检验、方程 的显著性检验以及变量的显著性 检验，以评估模型的解释力和预
测力。
回归结果的分析与解读
经验分享,使用eviews做回归分析
[经验分享] 使用eviews做线性回归分析Glossary:ls(least squares)最小二乘法R-sequared样本决定系数（R2）：值为0-1，越接近1表示拟合越好，>0.8认为可以接受，但是R2随因变量的增多而增大，解决这个问题使用来调整Adjust R-seqaured()S.E of regression回归标准误差Log likelihood对数似然比：残差越小，L值越大，越大说明模型越正确Durbin-Watson stat：DW统计量，0-4之间Mean dependent var因变量的均值S.D. dependent var因变量的标准差Akaike info criterion赤池信息量(AIC)（越小说明模型越精确）Schwarz ctiterion:施瓦兹信息量（SC）（越小说明模型越精确）Prob(F-statistic)相伴概率fitted(拟合值)线性回归的基本假设：1.自变量之间不相关2.随机误差相互独立，且服从期望为0，标准差为σ的正态分布3.样本个数多于参数个数建模方法:ls y c x1 x2 x3 ...x1 x2 x3的选择先做各序列之间的简单相关系数计算，选择同因变量相关系数大而自变量相关系数小的一些变量。
模型的实际业务含义也有指导意义，比如m1同gdp肯定是相关的。
模型的建立是简单的，复杂的是模型的检验、评价和之后的调整、择优。
模型检验：1）方程显著性检验（F检验）：模型拟合样本的效果，即选择的所有自变量对因变量的解释力度F大于临界值则说明拒绝0假设。
Eviews给出了拒绝0假设(所有系统为0的假设)犯错误(第一类错误或α错误)的概率(收尾概率或相伴概率)p 值，若p小于置信度(如0.05)则可以拒绝0假设，即认为方程显著性明显。
2）回归系数显著性检验（t检验）：检验每一个自变量的合理性|t|大于临界值表示可拒绝系数为0的假设，即系数合理。
- 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)。
建模方法之回归分析简介数学模型一元线性回归分析模型：),,0(~,2σεεN bx a Y ++= 多元线性回归分析模型：ε+++++=p p x b x b x b a Y Λ2211设随机变量Y 与X 有相关关系,就是说当X 取一确定值时,随机变量Y 有一个确定的分布.这个分布大多数情况下不能具体知道,但在实践中只需要的观测值.而数学期望(假设存在)在一定程度上能反映出其观测值的大小,所以人们感兴趣的是当X 取确定值x 时, Y 的数学期望)(x μ是多少.称)(x μ为Y 对X 的回归函数.在实际问题中,回归函数是未知的,需要我们根据实测样本以及以往的经验来确定回归函数的类型及求出函数中的未知参数的估计,得到经验公式.例1 20℃时在铜线含碳量%x 对于电阻Y (为一正态变量,单位:微欧)变化的研究中,得到如下一测试结果表明,随着铜线含碳量的增加,其电阻有增大的趋势.为了确定回归函数)(x μ的类型, 我们将这9组数据作为坐标在平面直角坐标系中描出它们相应的点,这种图称为散点图。
变量X -Y 的散点图因此估计)(x μ大致具有线性函数bx a +的形式,即可认为X 与Y 具有如下关系:),,0(~,2σεεN bx a Y ++= (1)其中b a ,及2σ是常数.这就是X 、Y 之间的(一元正态线性)回归模型.对n 根铜线进行独立观测,能得到n 个含碳量n x x x ,,,21Λ及对应的n Y Y Y ,,,21Λ,把i Y 看成随即变量,则它们可以表示成⎭⎬⎫=++=.,,,),,0(~,,,2,1,212相互独立n i i i i N n i bx a Y εεεσεεΛΛ (2)记⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=n x x x X 11121M M ，⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=n Y Y Y Y M 21，⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=n εεεεM 21， 则（2）式也可表示为ε+⎪⎪⎭⎫⎝⎛=b a X Y .在一元线性回归中主要解决下列问题: (I ) 对未知参数b a ,及2σ进行估计; (II ) 对线性模型的假设进行检验; (III ) 对Y 进行预测和控制.参数的估计：对未知参数b a ,的估计,一个直观的想法便是希望选取这样的a 与b ,使得他们在n x x x ,,,21Λ各处计算的理论值i bx a +与实测值i y 的偏离达到最小.为此人们常用最小二乘法:求b a ,使∑=−−=ni i ibx a yQ 12)(为最小.在几何上,即是在平面上选取一条直线,使直线在横坐标为n x x x ,,,21Λ处的纵坐标与相应的实测点的纵坐标之差的平方和为最小.利用求极值的方法求b a ,,令⎪⎪⎩⎪⎪⎨⎧=−−−=∂∂=−−−=∂∂∑∑==.0)(2,0)(211ni i i i ni i i x bx a y b Q bx a y a Q整理得⎪⎪⎩⎪⎪⎨⎧=+=+∑∑∑∑∑=====ni i i n i i n i i ni i n i i y x x b x a y x b na 112111解此方程组得到的不是b a ,的真值,而是b a ,的估计值,ˆ,ˆb a它们为 ,)())((ˆ1212121∑∑∑∑====−−−=−−=ni ini i ini ini ii x xy y x xx n xyx n yx b(3),ˆˆx b y a−= (4) 其中.,111∑∑====ni i ni i y y x n x 具体计算得Y 对X 的线性回归方程为.59.1297.13ˆx y+= 等价公式：Y X X X ba TT 1)(ˆˆ−=⎥⎦⎤⎢⎣⎡. （5）方差分析：总平方和：,)(12∑=−=ni iT Y YQ 自由度为1−n回归平方和：∑=−=ni iR Y Y Q 12)ˆ(,)(ˆ122∑=−=ni i x x b 自由度为1=p 残差平方和：,)ˆ(12∑=−=ni iiE Y YQ 自由度为1−−p n 关系式：.E R T Q Q Q += 性质：2)1(σ=−−p n Q E E 。
（6）（Matlab7中，用regress 求回归时可自动输出2ˆσ，以前的版本则可通过计算此性质自己计算。
）检验：（几乎任意数据，都可以求b a ,）待验假设:.0:0=b H 备择假设： .0:1≠b H 在(2)的假设条件下,如果假设0H 为真,可以证明统计量).2,1(~)2/(−−=n F n Q Q F E R (7)这样,就可以用此作为检验统计量,对给定的显著性水平α,当)2,1(−>n F F α时,拒绝假设0H (即否定0=b ),而认为Y 与X 之间确有线性关系,或者说回归效果是显著的.否则认为回归效果不显著.回归效果不显著的原因可能有如下几种:影响Y 的取值的除X 外,还有其它不可忽略的因素; Y 与X 的关系不是线性关系,而存在着其它的关系; 另外一个检验的方法是用相关系数R ：.)2(/1/Fn FQ Q Q Q Q Q Q Q Q R ER E R ER R TR +−=+=+==（8）预测与控制若回归方程效果显著,则可应用它来进行预测与控制.先讨论预测问题.所谓预测,是指当X 取定一值0x 时,要估计(预测)Y 的观察值的取值范围,即所谓的预测区间.对给定的0x ,由回归方程可得000ˆ,ˆˆˆY x b a Y +=是Y 相应于0x 处的观察值000ε++=bx a Y 的一个估计值.因此,在一定的显著水平α下, 求预测区间即是寻找正数δ,使得0Y 以α−1的概率在区间)ˆ,ˆ(00δδ+−Y Y 内取值,即 .1}|ˆ{|00αδ−=<−Y Y P 可证).2(~])(11[2ˆ2000−−++−−n t S x x n n Q Y Y xxE (9)因此可得0Y 置信度为α−1的预测区间为)),(ˆ),(ˆ(0000x Y x Y δδ+− 这里 )2(])(11[ˆ)(2/2/1200−⋅−++⋅=n t S x x n x xxασδ ).2(])(11[22/20−⋅−++−=n t S x x n n Q xxEα 由此可知,对给定的样本和置信度α−1,当0x 愈靠近x 时,预测区间的宽度愈窄,从而预测就愈精确;0x 离x 愈远,预测区间就愈长,预测的精确性就愈差.把0x 改为x ,对于x 处Y 的置信度为α−1的预测区间为)).(ˆ),(ˆ(x Y x Yδδ+− 应当注意应用回归方程预测Y 的观测值时,自变量的变化范围应在样本值中X 的取值范围内。
多元线性回归理论，类似且更复杂（略）。
回归分析中的参数估计，检验，预测等，计算工作一般都较大，现在都不手工计算了。
只需要参数估计和检验的话，excel 都可以作。
专用的统计软件有SAS ，SPSS 等，下面我们介绍用matlab 计算它。
例1的matlab 计算过程：>> x=[0.10 0.30 0.30 0.40 0.55 0.70 0.70 0.80 0.95]'; >> y=[15.1 18.0 17.5 19.2 21.0 22.6 23.0 23.8 26.0]';>>X=[ones(size(x)) x];>> [b,bint,r,rint,stats]=regress(y,X) 计算结果如下：b =13.9738 （即回归方程中的常数a ） 12.5908 （即回归方程中的常数b ） bint =13.5825 14.3651 （参数a 的置信度为95％的区间估计） 11.9319 13.2497 （参数b 的置信度为95％的区间估计）r = （残差yy ˆ−） -0.13290.2490 -0.2510 0.1899 0.1013 -0.1874 0.2126 -0.2464 0.0650rint = （残差的区间估计，作用：排除例外样本点，其残差区间不含零点） -0.5395 0.2737 -0.1887 0.6866 -0.6876 0.1855 -0.2941 0.6739 -0.4156 0.6182 -0.6670 0.2923 -0.2571 0.6824-0.6757 0.1828 -0.3652 0.4951stats = （统计量：依次为2R ,F ,概率2ˆ,σp ） 1.0e+003 *0.0010 2.0419 0.0000 0.0000检验方法：若α<p ，则通过显著性检验，即认为回归效果显著。
此结果不太看得清2ˆ,σp ，如果想看清2ˆ,σp ，可以 >> format long>> stats stats =1.0e+003 *Columns 1 through 30.00099658345628 2.04185421621621 0.00000000000068 Column 40.00004774809653结果显示：p=0. 00000000068, 047748.0ˆ2=σ. 又：作散点图的命令是：scatter(x,y)例2 国际旅游外汇收入是国民经济发展的重要组成部分，影响一个国家或地区的旅游收入因素包括自然、文化、社会、经济、交通等多方面的因素，本例研究第三产业对旅游收入的影响。
《中国统计年鉴》把第三产业划分为12个组成部分，分别为1x 农林牧渔服务业，2x 地质勘查水利管理业，3x 交通运输仓储和邮电通信业，4x 批发零售贸易和餐饮业，5x 金融保险业，6x 房地产业，7x 社会服务业，8x 卫生体育和社会福利业，9x 教育文化艺术和广播，10x 科学研究和综合艺术，11x 党政机关，12x 其他行业。
下面选取1998年我国31个省、市、自治区的数据，试建立以国际旅游外汇收入（百万美元）为因变量y ，以121~x x 为自变量的线性回归。
利用matlab进行回归分析（x31*13,y31*1,regress(y,x)），计算结果如下：b =-205.8687 常数-1.3439 农林牧渔服务业2.8347 地质勘查水利管理业3.2955 交通运输仓储和邮电通信业-0.9257 批发零售贸易和餐饮业-5.4339 金融保险业3.9904 房地产业4.1557 社会服务业-15.9300 卫生体育和社会福利业17.5438 教育文化艺术和广播9.0632 科学研究和综合艺术-10.6158 党政机关1.4877 其他行业bint =-451.1987 39.4612 -48.7898 46.1020 -36.1955 41.8649-1.7542 8.3452-3.6139 1.7625 -14.7863 3.9185-4.1861 12.1669-6.0694 14.3809 -38.8233 6.96320.0008 35.0868 -12.0284 30.1549 -22.1109 0.8793-9.0591 12.0345r =273.7983-338.0133-161.5489140.988932.3523-390.0850-297.3337-3.1505-46.3574-141.194611.8601-471.8200-369.1906-190.154389.8663-140.236056.6141242.2022506.2931146.5477132.1816-227.9686234.4276182.5977217.8469252.2326-170.7754125.4220223.5634176.4348 -97.4014stats =1.0e+004 *0.00008752921000 0.00105281072801 0.00000000080669 9.25473864300280计算结果表明：p=0. 0000080669<0.05, 总体回归模型的效果显著，但是几乎每一个具体的因素的效果都不显著（系数的置信区间包含零点）。