统计学

课 程 实 验 任 务 书

题 目：学生姓名：学 号：专 业：年 级：学 院：指导教师：

教务处制

实验一：EXCEL的数据整理与显示

一、实验目的及要求：

(一)目的

1．了解EXCEL的基本命令与操作、熟悉EXCEL数据输入、输出与编辑方法； 2．熟悉EXCEL用于预处理的基本菜单操作及命令； 3．熟悉EXCEL用于整理与显示的基本菜单操作及命令。 (二)内容及要求

1．根据下面的数据。

1.1用Excel制作一张组距式次数分布表，并绘制一张条形图(或柱状图)，反映工人加工零件的人数分布情况。

从某企业中按随即抽样的原则抽出50名工人，以了解该企业工人生产状况（日加工零件数）：

117 108 110 112 137 122 131 118 134 114 124 125 123 127 120 129 117 126 123 128 139 122 133 119 124 107 133 134 113 115 117 126 127 120 139 130 122 123 123 128 122 118 118 127 124 125 108 112 135 121 1.2整理成频数分布表，并绘制直方图。 1.3 假设日加工零件数大于等于130为优秀。

二、仪器用具

硬件：计算机（安装Windows2003 、Windows2007 或Windows XP或以上） 软件：EXCEL

三、实验原理

统计中数据整理与显示的相关理论。

四、实验方法与步骤

1．点击“数据”→“透视图” ，选定区域为性别一列，输出区域为空白地方，完成，修改一下形成。

2．点击“图表向导” →“条形图”，数据区域为复制的数据，再修改系列、名称、X轴、Y轴，完成，再修改一下图表。

3．分组后，点击“工具” →“数据分析” →“直方图”，输入区域为体育一列，接受区域

为分好的组，标志打钩，输出区域为空白地方，累计百分比和图表输出打钩，完成，在对表和图进行一系列的修改，形成所需要的表和图。

五、实验结果与数据处理

1.工人人数与零件个数分组表：

零件数(个） 107-114 114-121 121-128 128-135 135-142 合计 工人数（人） 7 11 20 8 4 50 工人人数—零件个数分布图

252015系列11050107-114114-121121-128128-135135-142

2..工人人数与生产零件个数频率分布表：

零件数 次数 人数(人) 7 11 20 8 4 50 频率 比重（%） 14% 22% 40% 16% 8% 100% 107-114 114-121 121-128 128-135 135-142 合计

工人加工零件直方图

2520151050直方图120.00%100.00%80.00%60.00%40.00%20.00%0.00%频率频率累积 %114121128135142其他107

3. 假设日加工零件数大于等于130为优秀

加工零件数 ≥130 ＜130 则优秀率=9/50=0.18=18%

人数 9 41 六、讨论与结论

直方图又称柱状图、质量分布图。是一种统计报告图，由一系列高度不等的纵向条纹或线段表示数据分布的情况。一般用横轴表示数据类型，纵轴表示分布情况。从直方图中可以直观的看出，工人生产零件个数在107-114件之间的人数共计7人，比重为14%。工人生产零件个数在114-121件之间的人数共计11人，比重为22%。工人生产零件个数在121-128件之间的人数共计20人，比重为40%。工人生产零件个数在128-135件之间的人数共计8人，比重为16%。工人生产零件个数在135-142件之间的人数共计4人，比重为8%。所以，工人生产零件个数在121-128件之间的人数最多，工人生产零件个数在135-142之间的人数最少，其余分组人数大致相同。

假设日加工零件数大于等于130为优秀，加工零件数大于等于130的有9人，则优秀率为18%。

通过这个实验，我了解到了EXCEL的基本命令与操作、熟悉了EXCEL数据输入、输出与编辑方法，熟悉了EXCEL用于预处理的基本菜单操作及命令，熟悉了EXCEL用于整理与显示的基本菜单操作及命令。我学会了以前没有涉及的EXCEL知识，明白了原来EXCEL并不是想象中的那么简单，它不光光只是用来制作普通

的表格，还可以用来统计数据。分析数据，运用数据。通过统计学实验，让我进一步巩固课堂所学的理论知识。在实验中，将理论课所讲的内容与实际操作进行对照，弄清模拟实验资料中全部经济数据的统计处理。我们在进行操作的同时，提高实际工作能力。我们按照按要求进行图表绘制并根据结果进行适当的定性分析，提高实际分析能力。

通过EXCEL的数据整理与显示这个实验，让我们掌握统计学的基本常识，为进一步处理复杂经济现象形成的数据分析打下良好的基础。 进行统计实验时，动手操作之前，我们应该弄清每个实验的目的和要求，并对教材的有关内容进行认真的复习，这样才能顺利的完成各项实验。这个实验不同于计算机操作实验，要求我们先掌握Excel的基本功能后才能进行数据的进一步处理和分析。虽然在实验的过程中，我有很多很多地方的不懂，不过通过问老师，问同学还是顺利的完成这次实验，加深了我的印象，巩固了我的知识。

实验二：EXCEL的数据特征描述、抽样推断

一、实验目的及要求：

(一)目的

熟悉EXCEL用于数据描述统计、列联分析、多元回归的基本菜单操作及命令。 (二)内容及要求

根据学生实验数据，（1）计算特征值；（2）判断该企业职工的平均日加工零件数及优秀率的区间；（3）假设检验（如果以往该企业的工人日加工零件数为115，优秀率为5%，显著性水平为5%）。

二、仪器用具

硬件：计算机（安装Windows2003 、Windows2007 或Windows XP或以上） 软件：EXCEL

三、实验原理

统计中数据整理与显示的相关理论。

四、实验方法与步骤

1、 在相应方格中输入命令，得到各特征值。

COUNT（B4:B53）并回车，得到50个数据中的单位总量。 SUM（B4:B53）并回车，得到50个数据中的标志总量。 MAX（B4:B53）并回车，得到50个数据中的最大值。 MIN（B4:B53）并回车，得到50个数据中的最小值。 AVERAGE（B4:B53）并回车，得到50个数据中的平均值。 MEDIAN（B4:B53）并回车，得到50个数据中的中位数。 GEOMEAN（B4:B53）并回车，得到50个数据中的几何平均数。 HARMEAN（B4:B53）并回车，得到50个数据中的调和平均数。 AVEDEV（B4:B53）并回车，得到50个数据中的变异统计的平均差。 STDEV（B4:B53）并回车，得到50个数据中的变异统计的标准差。 VAR（B4:B53）并回车，得到50个数据中的变异统计中的方差。 KURT（B4:B53）并回车，得到50个数据中的变异统计中的峰度。 SKEW（B4:B53）并回车，得到50个数据中的变异统计中的偏度。 2、 抽样推断

在单元格中输入CONFIDENCE(α所在单元格，标准差所在单元格，样本容量单元格)，点得到极限误差，从而得到日价格零件数和优秀率的置信区间。

单元格中键入“=（样本均值单元格-115）/(样本标准差单元格/SQRT（样本容量单元格）)”，得到t值；单元格中键入“=TINA(0.05,49)”得到α=0.05，自由度为49的临界值。

五、实验结果与数据处理

1、 在相应方格中输入命令，得到各特征值。 单位总量：50 标志总量：6131 最大值：139 最小值：107: 平均值：122.62 中位数：123

几何平均数：122.3569519 调和平均数:：122.0936216 变异统计的平均差：6.3552

变异统计的标准差：8.108675123 变异统计中的方差：65.75061224 变异统计中的峰度：-0.441358 变异统计中的偏度：0.0723531 2、抽样推断

极限误差=CONFIDENCE(0.072353，8.108675123，50)= 2.060594 日加工零件的置信区间为（120.559435，124.680565） 优秀率的置信区间(0.07081514，0.218486) 3、假设检验

t=(样本均值单元格-115）/(样本标准差单元格/SQRT（样本容量单元格）)=（122.62-115）/（8.108675123/50）=6.4924838

因为α=0.05，自由度为49 ，则TINV(0.05,49)= 2.009575199 所以其临界值为2.009575119

六、讨论与结论

这组数据的单位总量：50，标志总量：6131，最大值：139，最小值：107，平均值：122.62，中位数：123，几何平均数：122.3569519，调和平均数:：122.0936216，变异统计的平均差：6.3552，变异统计的标准差：8.108675123，变异统计中的方差：65.75061224，变异统计中的峰度：-0.441358，变异统计中的偏度：0.0723531，标准差为8.108675123 整体的波动幅度不大。极限误差为2.060594，日加工零件的置信区间为（120.559435，124.680565）优秀率的置信区间(0.07081514，0.218486) 。

假设检验t为6.4924838，因为α=0.05，自由度为49 ，则TINV(0.05,49)= 2.009575199 所以其临界值为2.009575119。

通过这次实验，让我熟悉EXCEL用于数据描述统计、列联分析、多元回归的基本菜单操作及命令。这次实验很简单，但是却很繁琐，检查我们的细心， 做实验时要有足够的耐心和定力。就像在计算方差的时候，每个数据都不同，而且分组很多，虽然是用计算机 EXCEL 做，但是我们一定要看清楚数字到底是多少，现在实验结果错了可以改正，但是将来走上工作岗位后，一个数据错了，后果就不堪设想，这就需要足够的耐心。

还有对假设检验的熟悉程度。 假设检验是除参数估计之外的另一类重要的统计推断问题。它的基本思想可以用小概率原理来解释。所谓小概率原理，就是认为小概率事件在一次试验中是几乎不可能发生的。也就是说，对总体的某个假设是真实的，那么不利于或不能支持这一假设的事件A在一次试验中是几乎不可能发一的；要是在一次试验中事件A竟然发生了，我们就有理由怀疑这一假设的真实性，拒绝这一假设。假设检验也就是采用逻辑上的反证法，利用统计学中的“小概率原理”，也有人称之为“小概率事件原理”，事先对总体参数或则分布提出假设（假设分原假设和被择假设，原假设又叫归无假设通常指一样的、没有差别等等，被择假设是拒绝原假设后我们采用的一种结果），然后利用样本信息来判断假设是否成立。如果拒绝原假设通常得到的结果是比较可靠的，因为此时小概率事件发生，所以我们有理由相信，而不拒绝原假设的时候我们一般不能得到明确的结论。以前在课堂上的时候，我们做过关于假设检验的题，没想到假设检验居然也可以用计算机 EXCEL 做，感觉用计算机做要比用笔和纸做简单的多，不过细心真的很重要，公式一定不能输错！

实验三：时间序列分析

一、实验目的及要求：

(一)目的

掌握EXCEL用于移动平均、线性趋势分析的基本菜单操作及命令。 (二)内容及要求

综合运用统计学时间序列中的移动平均、季节指数运算、时间序列因素分解、图形展示等知识，对某小区居民用电量（千度）季节数据的构成要素进行分解，并作出图形进行分析。 月度 1 2 3 4 第一年 559 447 345 3 第二年 574 469 366 327 第三年 585 455 352 341 第四年 2 438 341 427

5 6 7 8 9 10 11 12

374 359 365 437 353 295 4 457 412 353 381 460 344 311 453 486 388 332 392 429 361 291 395 491 358 355 376 441 382 377 398 473 二、仪器用具

硬件：计算机（安装Windows2003 、Windows2007 或Windows XP或以上） 软件：EXCEL

三、实验原理

时间序列分析中的移动平均分析原理、季节指数原理等。

四、实验方法与步骤

1．（1）输入“年/季度”、 “时间标号”，复制各季度销售额到“销售额”。 （2）点击“数据分析”→“移动平均”，输入区域为“销售额”，间隔4，输出“移动平均值”；同样的办法对“移动平均值”进行2步平均，输出“中心化后的移动平均值”。

（3）对称一下 “移动平均值”和“中心化后的移动平均值”，然后用“销售额”除以“中心化后的移动平均值”求出“比值”。

（4）将“比值”中的数据复制到“季节指数计算表”中，计算完成表。

（5）点击“图标向导”→“折线图”，输入区域为季节指数中的数值，修改完成图表。

2．（1）完善“销售额”和“季节指数”并计算“销售额”/“季节指数”，完成季节分离后的时间序列。

（2）点击“数据分析”→“回归”，Y值输入区域为季节分离后的时间序列，X值输入区域为时间标号，输出。

（3）利用计算出的趋势模型和季节比率，对该小区第五年用电量数据进行预测。

3．点击“图表向导”→“折线图”，数据区域为“用电量”、“季节分离后的时间序列”和“回归后的趋势”，系列产生在“列”，完善标题、X轴、Y轴，完成，再修改完成图。

4．用与图3相同的方法绘制销售额预测图。

五、实验结果与数据处理

（1）输入“年/季度”、 “时间标号”。 年 季度 第一年 559 447 345 3 374 359 365 437 353 295 4 457

第二年 574 469 366 327 412 353 381 460 344 311 453 486 第三年 585 455 352 341 388 332 392 429 361 291 395 491 第四年 2 438 341 427 358 355 376 441 382 377 398 473 第一季度 第二季度 第三季度 第四季度 （2）点击“数据分析”→“移动平均”，输入区域为“用电量”，间隔4，输出“移动平均值”；同样的办法对“移动平均值”进行2步平均，输出“中心化后的移动平均值”。 414.5 380 358 363 383.75 378.5 362.5 384.75 3.75 434 393.5 3.5 368.25 401.5 384.5 374 392 398.5 433.25 384 353.25 363.25 385.25 378.5 368.25 369 384.5 437 391 370.25 379 382.5 388.5 394 399.5 407.5 397.25 369 360.5 373.375 381.125 370.5 373.625 387.25 413.75 379 366.375 384.875 393 379.25 383 395.25 408.625 368.625 358.25 374.25 381.875 373.375 368.625 376.75 414 380.625 374.625 380.75 385.5 391.25 396.75 403.5 （3）对称一下 “移动平均值”和“中心化后的移动平均值”，用移动平均值的第一项对准第四期，中心化后的移动平均值的第一项对准移动平均值的第一项，然后用“用电量”除以“中心化后的移动平均值”，得到：

1.043423 1.02981 0.993065 0.972213 1.006888 1.021592 0.970224 0.9934 1.0443 1.038259 0.99488 0.956804 1.021628 1.013843 0.976501 1.00822 1.060263 1.041709 0.98604 0.9706 1.008838 1.013726 0.9983 0.97943 1.055556 1.027258 0.988321 0.9904 0.992218 0.992971 0.993069 0.990087 （4）将“比值”中的数据复制到“季节指数计算表”中，计算完成表：

月份 1 2 3 4 5 6 7 8 9 10 11 12 合计 第一年 1.043423 1.02981 0.993065 0.972213 1.006888 1.021592 0.970224 0.9934 8.030759 各月平均指数/100 第二年 第三年 1.0443 1.008838 1.038259 1.013726 0.99488 0.9983 0.956804 0.97943 1.021628 1.055556 1.013843 1.027258 0.976501 0.988321 1.00822 0.9904 1.060263 0.992218 1.041709 0.992971 0.98604 0.993069 0.9706 0.990087 12.11769 12.03586 第四年 0.98112 0.96314 0.94096 0.984299 3.869519 指数平均值 平均数 调整指 1.012967 1.011455 1.005042 1.003 0.978274 0.976814 0.973511 0.972058 1.040202 1.03 1.023637 1.022109 0.985962 0.98449 0.991946 0.990465 1.01979 1.018268 1.018757 1.017236 0.983111 0.9813 0.984744 0.983274 12.01794 12 （5）点击“图标向导”→“折线图”，输入区域为季节指数中的数值，修改完成图表。

指数折线图1.061.041.0210.980.960.940.921234567101112

系列1

用各年各月的用电量除以对应的季节指数，得到下表：

月份 1 2 3 4 5 6 7 8 9 10 11 12 第一年 353.1 445.423 353.1 3.1758 360.0831 351.2346 370.75 441.2069 346.667 290.0015 462.49 4.7738 第二年 567.499 467.345 374.6877 336.3998 396.6691 345.34 387.0024 4.4282 337.8287 305.7304 461.4712 494.2671 第三年 578.3748 453.395 360.3553 350.8022 373.5622 324.8186 398.1757 433.1298 3.5237 286.0693 402.3866 499.3522 第四年 535.8618 436.49 349.0942 439.2743 344.6785 347.3211 381.9236 445.2453 375.147 370.6121 405.4427 481.046 完善“用电量”和“季节指数”后，计算“用电量”/“季节指数”，可以得到

月平均用电量 553.25 452.25 351 362.25 383 349.75 378.5 441.75 360 318.5 425 476.75 季节指数 1.011455 1.003 0.976814 0.972058 1.03 1.022109 0.98449 0.990465 1.018268 1.017236 0.9813 0.983274 用电量/季节指数 6.9844031 450.66824 359.33160 372.6630631 368.74824 342.1846733 384.4630215 382.14341 353.127 313.1033506 432.9476195 484.85974 （2）点击“数据分析”→“回归”，Y值输入区域为季节分离后的时间序列，X值输入区域为时间标号，输出： SUMMARY OUTPUT 回归统计 Multiple R 0.221792 R Square 0.049192 Adjusted R -0.045 Square 标准误差 68.5633

观测值 方差分析 df 12 SS 2432.1 47009.26 49441.36 标准误差 42.19779 5.733551 MS 2432.1 4700.926 t Stat 10.09788 -0.71928 F 0.517366 P-value 1.45E-06 0.488435 回归分析 1 残差 10 总计 11 Coefficients Intercept 426.1084 X Variable 1 -4.12404 Significance F 0.488435 Lower 95% 332.0859 -16.92 （3）利用计算出的趋势模型和季节比率，对该小区第五年用电量数据进行预测：

第五年各月预测值 月份 1 2 3 4 5 6 7 8 9 10 11 12 做出折线图如下：

第五年各月预测值 预测值60050040030020010001234567101112第五年各月预测值 预测值预测值 553.25 452.25 351 362.25 383 349.75 378.5 441.75 360 318.5 425 476.75

3．点击“图表向导”→“折线图”，数据区域为“用电量”、“季节分离后的时间序列”和“回归后的趋势”，系列产生在“列”，完善标题、X轴、Y轴，完成，再修改完成图。

4．用与图3相同的方法绘制销售额预测图。

六、讨论与结论

第五年各月用电量的波动不大，主要维持在400度上下波动，其中6月份和10月份用电量最少。1月份和12月份用电量最多。

通过这次实验，掌握EXCEL用于移动平均、线性趋势分析的基本菜单操作及命令。移动平均法是用一组最近的实际数据值来预测未来一期或几期内公司产品的需求量、公司产能等的一种常用方法。移动平均法适用于即期预测。当产品需求既不快速增长也不快速下降，且不存在季节性因素时，移动平均法能有效地消除预测中的随机波动，是非常有用的。移动平均法根据预测时使用的各元素的权重不同，可以分为：简单移动平均和加权移动平均。在运用加权平均法时，权重的选择是一个应该注意的问题。经验法和试算法是选择权重的最简单的方法。一般而言，最近期的数据最能预示未来的情况，因而权重应大些。例如，根据前一个月的利润和生产能力比起根据前几个月能更好的估测下个月的利润和生产

能力。但是，如果数据时季节性的，则权重也应是季节性的。时间序列是按时间顺序的一组数字序列。时间序列分析就是利用这组数列，应用数理统计方法加以处理，以预测未来事物的发展。时间序列分析是定量预测方法之一，它的基本原理：一是承认事物发展的延续性。应用过去数据，就能推测事物的发展趋势。二是考虑到事物发展的随机性。任何事物发展都可能受偶然因素影响，为此要利用统计分析中加权平均法对历史数据进行处理。该方法简单易行，便于掌握，但准确性差，一般只适用于短期预测。时间序列预测一般反映三种实际变化规律:趋势变化、周期性变化、随机性变化。时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。它一般采用曲线拟合和参数估计方法进行。季节指数原理是以时间序列含有季节性周期变动的特征，计算描述该变动的季节变动指数的方法。统计中的季节指数预测法就是根据时间序列中的数据资料所呈现的季节变动规律性，对预测目标未来状况作出预测的方法。在市场销售中，一些商品如电风扇、冷饮、四季服装等往往受季节影响而出现销售的淡季和旺季之分的季节性变动规律。掌握了季节变动规律，就可以利用它来对季节性的商品进行市场需求量的预测。利用季节指数预测法进行预测时，时间序列的时间单位或是季，或是月，变动循环周期为4季或是12个月。 运用季节指数进行预测，首先，要利用统计方法计算出预测目标的季节指数，以测定季节变动的规律性；然后， 在已知季度的平均值的条件下， 预测未来某个月(季)的预测值。

这次的实验明显感觉很难很难，一是对概念的不熟悉，二是对要运用大量的公式。很多实验步骤和实验结果自己都不确定做的对不对，突然发觉自己还有很多东西都不懂，所以只有不断的看书，不懂就问，通过自己的努力终于完成了实验。让我明白了做实验的时候不能急躁，越急躁的时候实验越做不好。慢慢来，最后会做成成果的 。

实验四：时间序列分析

一、实验目的及要求：

(一)目的

掌握SPSS用于相关与回归分析的基本操作及命令。 (二)内容及要求

综合运用统计学中相关与回归分析的内容，根据下列数据作出一个。

我国1990～2005年国民生产总值和财政收入资料

年份 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 国内生产总值 18667.82 21781.5 26923.48 35333.92 48197.86 60793.73 71176.59 773.04 84402.28 677.05 99214.55 109655.2 120332.7 135822.8 159878.3 183084.8 财政收入 2937.1 3149.48 3483.37 4348.95 5218.1 6242.2 7407.99 8651.14 9875.95 11444.08 13395.23 16386.04 103. 21715.25 26396.47 319.29 二、仪器用具

硬件：计算机（安装Windows2003 、Windows2007 或Windows XP或以上） 软件：SPSS

三、实验原理

相关与回归分析的原理等。

四、实验方法与步骤

按照附件中的一元线性回归方程的建立与检验方式利用上述数据运行程序。

五、实验结果与数据处理

输入／移去的变量b 模型 1 输入的变量 财政收入a 移去的变量 . 输入 方法 a. 已输入所有请求的变量。 b. 因变量: 国内生产总值

模型汇总b 模型 1 R .981a R 方 .963 调整 R 方 .960 标准 估计的误差 9840.8 a. 预测变量: (常量), 财政收入。 b. 因变量: 国内生产总值 Anovab 模型 1 回归 残差 总计 平方和 3.492E10 1.356E9 3.628E10 df 1 14 15 均方 3.492E10 9.684E7 F 360.631 Sig. .000a a. 预测变量: (常量), 财政收入。 b. 因变量: 国内生产总值 系数a 非标准化系数 模型 1 (常量) 财政收入 a. 因变量: 国内生产总值 B 187.588 5.477 标准 误差 4234.350 .288 标准系数 试用版 .981 t 4.380 18.990 Sig. .001 .000

残差统计量a 预测值 残差 标准 预测值 标准 残差 极小值 34632.98 -15965.1 -1.023 -1.622 极大值 191878. 13046.399 2.236 1.326 均值 83994.73 .000 .000 .000 标准 偏差 48251.351 9506.969 1.000 .966 N 16 16 16 16 a. 因变量: 国内生产总值

模型摘要

模型拟合 拟合统计量 平稳的 R 方 R 方 RMSE MAPE MaxAPE MAE MaxAE 正态化的 BIC 均值 1.957E-15 .995 3274.261 3.248 6.262 2682.826 7130.199 16.376 SE 1.957E-15 .995 3274.261 3.248 6.262 2682.826 7130.199 16.376 最小值 最大值 1.957E-15 .995 3274.261 3.248 6.262 2682.826 7130.199 16.376

模型拟合 百分位 拟合统计量 5 10 25 1.957E-15 .995 3274.261 3.248 6.262 2682.826 7130.199 16.376 50 1.957E-15 .995 3274.261 3.248 6.262 2682.826 7130.199 16.376 75 1.957E-15 .995 3274.261 3.248 6.262 2682.826 7130.199 16.376 平稳的 R 方 1.957E-15 1.957E-15 R 方 RMSE MAPE MaxAPE MAE MaxAE 正态化的 BIC .995 3274.261 3.248 6.262 2682.826 7130.199 16.376 .995 3274.261 3.248 6.262 2682.826 7130.199 16.376

模型拟合 百分位 拟合统计量 平稳的 R 方 R 方 RMSE MAPE MaxAPE MAE MaxAE 正态化的 BIC 90 1.957E-15 .995 3274.261 3.248 6.262 2682.826 7130.199 16.376 95 1.957E-15 .995 3274.261 3.248 6.262 2682.826 7130.199 16.376

模型统计量 模型 国内生产总值-模型_1 模型拟合统计量 Ljung-Box Q(18) DF 0 Sig. . 离群值数 0 预测变量数 平稳的 R 方 统计量 0 1.957E-15 .

六、讨论与结论

一元回归分析

在数学关系式中只描述了一个变量与另一个变量之间的数量变化关系，则称其为一元回归分析。其回归模型为

y 称为因变量，x称为自变量， 称为随机误差，a，b称为待估计的回归参数，下标i表示第i个观测值。如果给出a和b的估计量分别为

、

，则经验回

归方程: 一般把称为残差

， 残差

可视为扰动的“估计量”。

从上面的回归分析结果表明：国民生产总值与财政收入的关系极为密切，相关系数0.981；同时方差分析表明，其显著性水平为0.0001。 根据回归系数表，可写出回归方程如下： =187.588+5.477x

其中x代表财政收入； 代表国内生产总值。 预测值的回归误差可用剩余均方估计： =9841

回归分析原理是根据变量间的数量关系的模型来预测其中一些变量的状态的方法。由于描述、预测和控制是心...变量之间关系的数学表达式是一次函数，一次函数在坐标图上以直线表示，对这种关系的回归分析就是线性回归分析。只有一个自变量的线性回归叫一元线性回归。

通过这次实验，发现自己还有很多不懂的地方，很多概念性的东西不是很懂，很多公式也不是很会运用，对于Excel在统计学中的运用也有很多不清楚的地方，不过通过问老师，问同学，翻阅资料等等，通过努力还是完成了实验。

在实训过程中我一直用认认真真的态度去努力学习，把学习理论知识与实际操作相结合。通过实训我不仅复习了课本知识，而且通过与实践相结合。我对理论知识有了更深入的了解也学会了对理论的实践应用，同时也增强了我的实际操

作的能力和理论与实践相结合的思想。而这些都是在学习理论知识之中学不到的。这将对我个人以后走上工作岗位都是很有用的技能。随着统计方法的普及，不仅统计工作者可以进行统计分析，各行各业的工作者都可以运用统计方法进行统计分析。只将统计工作者参与的分析活动称为统计分析的说法严格说来是不正确的。提供高质量、准确而又及时的统计数据和高层次、有一定深度、广度的统计分析报告是统计分析的产品。从一定意义上讲，提供高水平的统计分析报告是统计数据经过深加工的最终产品。统计分析在一个企业的运转中发挥着举足轻重的作用。从统计认识的全过程来看，通过统计设计、调查和初步整理所取得的统计资料，可以对客观现象总体的数量特点取得一定的认识。只有对这些资料进行由表及里的分析和研究，才能把握事物的本质特点、内在联系和发展变化规律，使统计认识得到进一步的深化。我们可以将自己所学的知识应用于实际的工作中，理论和实际是不可分的，在实践中我们的知识得到了巩固,解决问题的能力也受到了锻炼；其次，本次实习开阔了我们的视野，使我们对统计学在现实中的运作有所了解，也对统计也有了进一步的掌握。既打开了视野，也增长了见识，为我们以后进一步走向社会打下坚实的基础。

通过了这次激发了我对统计学的兴趣，老师引导、鼓励我们动手做实验报告，应用统计学的原理、方法和Excel来研究我们的现实问题。这样，将兴趣和学习、动手、研究融为一体，有助于我们加深理解，增强记忆，进行创造性的思维，提高解决实际问题的能力。让我们对统计学有进一步的了解。