统计学实验报告

统 计 学 实 验 报 告

专业：工商管理 姓名：卓超

指导教师：王丽英

实验目的 要求同学们希望同学们把在课堂上学到的一些统计学基本知识用在实践上;进一步应用统计知识，同时也帮助对知识的理解和加深。掌握利用SPSS或EXCEL进行回归分析和时间序列分析的方法；并能够解释软件运行结果 实验内容 （一）数据的搜集与整理 （二）描述数据的图表方法 （三）统计数据的描述 （四）参数估计： （五）假设检验： （六）方差分析 （七）相关与回归分析： （八）时间序列分 实验过程及分析 实验通过以下步骤进行： ①老师布置实验题目，并下发指导资料 ②学生阅读指导资料和翻阅课本进行学习实验的操作过程 ③学生开始动手自己进行实验操作 ④学生把实验结果和分析内容复制整理到报告里 ⑤整合和修改实验报告，填写实验资料 实验总结 本次实验，让我能综合的理解课本中的知识，能把课本的知识化为实际的操作整理过程，为我以后的就业技能进行了强化。统计学是指导我们在日常工作生活中如何进行数据资料的收集、整理和分析的一门方法论科学。对统计数据进行处理一般需要借助一定的统计分析工具来完成。因此，统计学试验是运用Excel的统计分析功能,进行数据的搜集整理和显示.并进行统计数据的录入、分组、汇总及各种常用统计图表的绘制,它通过一系列的抽样设计、样本统计量的构造和计算以及检验和概率推断，帮助我们实现对总体参数的近似估计，从而在有限经验样本的基础上实现对总体或现实世界的认识。并且本次实验，不仅让我提升了统计学的知识，同时学会了excel中的数据分析功能，还有spss软件的使用，提升了计算机技能。同时，在实验过程中，不懂的知识，可以马上和同学进行交流，这种交流能让我们学生之间的互助能力得到提升，互相帮助，我觉得也是非常好的一点。我觉得统计学作为一门非常实用的学科，随着社会、经济和科学技术的发展，统计在现代化国家管理和企业管理中的地位，在社会生活中的地位，越来越重要了，统计学广泛吸收和融合相关学科的新理论，不断开发应用新技术和新方法，深化和丰富了统计学传统领域的理论与方法，并拓展了新的领域。我们更应该跟上社会发展的脚步，吸收更多的专业知识，拓展自己的视野和能力，强化和充实自己。 指导教师评语及成绩 指导教师签名： 成绩： 年 月 日

第二章． 1.（1）

接受好较好一般较差差（2）

频率1421321815 直方图40200好较好一般接收较差差频率频率 2.（1）

接收102117132147162其他频率61710610累积 .00W.50?.50?.500.000.00%

直方图20频率100102117132接收147162其他 （2）

接受落后企业一般企业良好企业先进企业151050落后企业频率88911直方图 频率频率一般企业良好企业先进企业接收 3．

接收3035404550其他频率66141040累积 .000.00e.00?.000.000.00% 直方图151050303540接收4550其他频率频率 7.VAR00001 Stem-and-Leaf Plot

Frequency Stem & Leaf

.00 3 .

2.00 3 . 59 4.00 4 . 0444 1.00 4 . 8 4.00 5 . 1224

10.00 5 . 5667777899 12.00 6 . 001111223334 8.00 6 . 56667889

17.00 7 . 00001112333344444 14.00 7 . 55555667778899 8.00 8 . 00122334 5.00 8 . 55566

9.00 9 . 001122234 3.00 9 . 566 3.00 10 . 000

Stem width: 10.00

Each leaf: 1 case(s)

A班 平均

标准误差

中位数 众数 标准差 方差 峰度 偏度 区域

74.38

1.497451

75 75

10.58858 112.118 0.368775 -0.16031

52

最小值 44 最大值 96 求和 3719 观测数 50

B班 平均

标准误差

中位数 众数 标准差 方差 峰度 偏度 区域 最小值 最大值 求和 观测数

68.48

2.466302

67 57

17.43939 304.1322 -0.82526 0.188096

65 35 100 3424 50

第四章

12.F-检验 双样本方差分析

变量1变量2平均3.3295243.274286方差0.0583750.005846观测值2121df2020F9.985907P(F<=f) 单尾1.66E-06F 单尾临界2.124155 案例分析.

（1）

样本数据131401755094908090122341387614570184421110914007149907901138931573712459139529333108731153710755指标名称指标指数样本容量20样本均值11947.5样本标准差2810.126抽样平均误差628.3633置信度0.95自由度19t分布的双侧分位数2.093024允许误差1315.179置信下限10632.32置信上限13262.68 含义：按95%估计，总体参数所在的可能范围 （2）中心极限定理

（3）(修正：第五项“t分布的双侧分位数”改为“z分布的双侧分位数”)

指标名称爆裂、炸开、爆炸比率抽样平均误差置信度自由度t分布的双侧分位数允许误差置信下限置信上限第五章 8.

指标指数0.20.063250.95392.0226910.1279350.0720650.327935 被调查者看前 12345678平均值看后667439766提高潜力547358565.375是 10.t-检验: 双样本异方差假设

平均方差观测值假设平均值dft StatP(F<=f) 单尾t 单尾临界P(T<=t) 双尾t 双尾临界变量1变量23.32843.2781820.0488890.00590125220301.064910.1477061.6972610.2954132.042272 变量1变量2100.7109.924.1157933.35789202028.73684038-5.427111.74E-061.6859543.47E-062.024394 11. t-检验: 双样本等方差假设

平均方差观测值合并方差假设平均差dft StarP(F<=f）单尾t 单尾临界P(F<=f）双尾t 双尾临界

t-检验: 双样本异方差假设

变量1平均方差观测值假设平均差dft StarP(F<=f）单尾t 单尾临界P(F<=f）双尾t 双尾临界变量2100.7109.924.1157894733.357892020037-5.4271060291.87E-061.6870935973.75E-062.026192447 F-检验 双样本方差分析

变量1平均方差观测值dfFP(F<=f）单尾F 单尾临界变量2100.7109.924.1157894733.357892020190.7229409910.2431096550.461201089 （2）将excel输出的p值乘2，即p=2*0.243109655+0.48621931>α=0.05，没有证据表明肥料的方差有显著性差异 第六章 案例分析

设采用募捐方式募到的捐款额的均值为μ1，采用电话恳谈方式募到的捐款额的均值为μ2，采用个人访问募到的捐款额的均值为μ3 根据题意写出原假设和备则假设：

H0：μ1=μ2=μ3 H1：μ1，μ2，μ,3不全相等

由于F=1.60954＜F0.05（2,134）=3.06371，则检验量的值落在接受域内，则不拒绝原假设，可以认为三种方式募到的捐款额的均值没有显著差异。

第七章 4.

（1）Y=2427.03+0.54903x

说明国民收入每增加1亿元，最终消费将平均增加0.54903亿元。

（2）由图表可知回归估计的标准误差为3137.801，可决系数为R=0.99118 (3) 提出假设：

H0：β=β* H1：β≠β* 计算统计量：

t Stat=2.996756 给定显著性水平，确定临界值

t0.025(29-2)=2.0581

检验结果的判断

t Stat=2.996756> t0.025(29-2)=2.0581,所以拒绝原假设，即β≠β*（4）131260.203921=2427.030313+0.545903278*236000

案例分析

首先进行数据录入

yx1x2x3x4x53.524.0754.24102.8318667.821510.26.8730.3653.8104.1121781.51700.616.1741.7853.04445105.6726923.482026.622.2959.8550.3167108.3535333.922577.426.8778.6250.03928111.7848197.863496.233.7114.1550.0906115.760793.73428338.29143.0448.76093118.5871176.594838.948.6191.2746.59502122.6478973.035160.350.71230.6544.66099127.8584402.285425.157.1304.0942.06798135.1789677.055854.0260.7365.0939.44218140.269899214.55628070.36469.853938.19902169.8109655.26859.6109.2623.7637.67637176.52120332.77702.8207.08845.873937.1180.98135822.88472.2227.631069.69137.7187.07159878.39421.6277.011383.92536.7334.52183867.910493386.941823.56635.8345.721087111759.5 （1）轿车生产量与私人载客汽车拥有量的关系

SUMMARY OUTPUT回归统计Multiple R0.992018R Square0.984101Adjusted R 0.983041标准误差14.38616观测值17方差分析df回归分析残差总计SSMSFSignificance F1192150.3192150.3928.43536.61E-15153104.422206.961516195254.8Coefficient标准误差t StatP-valueLower 95%Upper 95%下限 95.0%上限 95.0%Intercept1.7756874.6764080.3797120.709482-8.1918411.74322-8.1918411.74322X Variable 0.2067830.00678630.470246.61E-150.1923180.2212480.192318 ①由回归统计中的R=0.984101看出，所建立的回归模型对样本观测值的拟合程度很好； ②估计出的样本回归函数为：?=1.775687+0.206783 x1，说明私人载客汽车拥有量每增加1万辆，轿车生产量增加2067.83辆； ③由上表中a和β?的p值分别是0.709481543和6.60805E-15，显然a的p值大于显著性水平α=0.05，不能拒绝原假设α=0，而β ?的p值远小于显著性水平α=0.05，拒绝原假设β=0，说明私人载客汽车拥有量对轿车生产量有显著影响。 （2）轿车生产量与城镇居民家庭恩格尔系数的关系

SUMMARY OUTPUT回归统计Multiple R0.774989R Square0.600608Adjusted R 0.573982标准误差72.10323观测值17方差分析df回归分析残差总计SSMSFSignificance F1117271.6117271.622.557110.0002581577983.145198.87616195254.8Coefficients标准误差t StatP-valueLower 95%Upper 95%下限 95.0%上限 95.0%Intercept661.2463120.15635.5032176.07E-05405.1392917.3535405.1392917.3535X Variable -12.69212.672333-4.749430.000258-18.388-6.99612-18.388-6.99612

由回归统计中的R=0.600608看出，所建立的回归模型对样本观测值的拟合程度一般，综合其相关系数值可知此二者关系不太符合所建立的线性模型，说明二者间没有密切的线性相关关系

（3）轿车生产量与公路里程的关系

SUMMARY OUTPUT回归统计Multiple R0.941214R Square0.885883Adjusted R 0.878275标准误差38.54168观测值17方差分析df回归分析残差总计SSMSFSignificance F1172972.9172972.9116.44391.82E-081522281.911485.46116195254.8Coefficients标准误差t StatP-valueLower 95%Upper 95%下限 95.0%上限 95.0%Intercept-125.15622.58047-5.542685.64E-05-173.285-77.0272-173.285-77.0272X Variable 1.4030220.13001910.790921.82E-081.1258941.6801511.1258941.680151 ①由回归统计中的R=0.885883看出，所建立的回归模型对样本观测值的拟合程度较好； ②估计出的样本回归函数为：?=-125.156+1.403022 x3，说明公路里程每增加1万公里，轿车生产量增加1.403022万辆； ③由上表中a和β ?的p值分别是5.64E-05和1.82E-08，显然a和β?的p值均远小于显著性水平α=0.05，拒绝原假设α=0、β=0，但由于β对两者的影响更为显著，所以可以说明公 路里程对轿车生产量有显著影响。

（4）轿车生产量与国内生产总值GDP的关系

SUMMARY OUTPUT回归统计Multiple R0.939995R Square0.88359Adjusted R 0.87583标准误差38.92691观测值17方差分析df回归分析残差总计SSMSFSignificance F1172525.2172525.2113.85522.11E-081522729.561515.30416195254.8Coefficients标准误差t StatP-valueLower 95%Upper 95%下限 95.0%上限 95.0%Intercept-70.712718.30702-3.86260.001534-109.733-31.6922-109.733-31.6922X Variable 0.0018290.00017110.670292.11E-080.0014640.0021940.0014640.002194 ①由回归统计中的R=0.88359看出，所建立的回归模型对样本观测值的拟合程度较好； ②估计出的样本回归函数为：?=-70.7127+0.001829x4，说明GDP每增加1亿元，轿车生产量增加18.29辆； ③由上表中a和β?的p值分别是0.001534和2.11E-08，显然a和β ?的p值均小于显著性水平α=0.05，拒绝原假设α=0、β=0，但由于β对两者的影响更为显著，所以可以说明GDP 对轿车生产量有较显著影响。

（5）轿车生产量与城镇居民人均可支配收入的关系

SUMMARY OUTPUT回归统计Multiple R0.917695R Square0.842164Adjusted R 0.831641标准误差45.32719观测值17方差分析df回归分析残差总计SSMSFSignificance F1164436.5164436.580.035112.12E-071530818.312054.55416195254.8Coefficients标准误差t StatP-valueLower 95%Upper 95%下限 95.0%上限 95.0%Intercept-92.905423.8703-3.892090.001444-143.784-42.0271-143.784-42.0271X Variable 0.0329280.0036818.9462342.12E-070.0250830.0407740.0250830.040774 ①由回归统计中的R=0.842164看出，所建立的回归模型对样本观测值的拟合程度较好； ②估计出的样本回归函数为：?=-92.9054+0.032928x5，说明城镇居民人均可支配收入每增加1元，轿车生产量增加329.28辆； ③由上表中a和β?的p值分别是0.001444和2.12E-07，显然a和β ?的p值均小于显著性水平α=0.05，拒绝原假设α=0、β=0，但由于β对两者的影响更为显著，所以可以说明城镇 居民人均可支配收入对轿车生产量有显著影响。

第八章 5.(1)

年份2005季度一二三四一二三四一二三四一二三四鲜蛋销售量四次移动平均13.113.97.910.58758.61010.89.92511.510.459.711.2251112.4514.613.987517.515.6751617.0518.217.837518.418.26252018.3516.918移正平均逐期增长20062007200810.293759.9625-0.3312510.18750.22510.83750.6511.8375113.218751.3812514.831251.612516.36251.5312517.443751.0812518.050.6062518.306250.25625 （2）

年份季度一二三四一二三四一二三四一二三四2005200620072008指数平滑指数鲜蛋销售量α=0.1α=0.3α=0.713.113.913.113.113.17.913.1813.3413.668.612.65211.7089.62810.812.246810.77568.908411.512.1021210.7829210.232529.712.0419110.9980411.119761111.8077210.6086310.1259314.611.7269510.7260410.7377817.512.0142511.8882313.441331612.5628313.5717616.282418.212.9065414.3002316.0847218.413.4358915.4701617.565422013.932316.3491118.1496216.914.5390717.4443819.444891814.7751617.2810717.66347

（3）

年份2005季度12345678910111213141516鲜蛋销售量13.113.97.98.610.811.59.71114.617.51618.218.42016.918SUMMARY OUTPUT回归统计Multiple R0.786703R Square0.618902Adjusted R 0.591681标准误差2.474359观测值16方差分析df回归分析残差总计SSMSFSignificance F1139.2139.222.735980.00031485.714376.12245515224.9144200620072008Coefficients标准误差t StatP-valueLower 95%Upper 95%下限 95.0%上限 95.0%Intercept8.69251.2975656.6990861.01E-055.909511.47555.909511.4755X Variable 0.6398530.1341914.7682260.00030.3520420.9276640.3520420.927664RESIDUAL OUTPUT观测值12345678910111213141516预测 Y9.3323539.97220610.6120611.2519111.8917612.5316213.1714713.8113214.4511815.0910315.7308816.3707417.0105917.6504418.2902918.93015残差3.7676473.927794-2.71206-2.65191-1.09176-1.03162-3.47147-2.811320.1488242.4089710.2691181.8292651.3894122.349559-1.39029-0.93015

（4）

2009年趋势预期值用季节指数调整第一季度第二季度第三季度第四季度19.870720.537121.203521.869921.0087623.2240918.0645720.60261

本文来源：https://www.bwwdw.com/article/fylw.html