我国最终消费支出与国内生产总值的关联性分析-统计学金融数学方向毕业生论.doc

洛阳师范学院本科毕业论文LUOYANG NORMAL UNIVERSITY 2015届本科毕业论文 我国最终消费支出与国内生产总值的关联性分析 院（系）名称数学科学学院专 业 名 称统计学（金融数学方向）学生姓名朱媛媛学号110444089指导教师朱清芳完 成 时 间2015.5 1我国最终消费支出与国内生产总值的关联性分析数学科学学院 统计学专业 学号：110444089 指导老师：朱媛媛摘要：1978年改革开放至今，我国居民的收入水平逐渐提高，从1990年后呈现迅猛发展。收入的提高自然带动了消费支出的增长，与之带动的是我国的国内生产总值提高。国内生产总值通常是用来衡量一个国家或者地区经济在一定时期内的全部产品和劳务价值，是公认的国家或地区经济情况晴雨指标。它不但可以反映一个国家的经济状况，还可以反映一个国家的国力与财富。其计算方式通常包括生产法、收入法和支出法，其中支出法以计算期内产品和劳务最终去向利用角度来计提国民经济活动成果，对实际经济效率反映较为真切，包含了最终消费支出、货物与服务净出口以及资本形成总额三个部分，本文以1978年到2003年经验数据为实证研究对象，在这里仅考虑最终消费支出与柜内生产总值的关系。关键词：最终消费支出；国内生产总值；多重共线性；异方差；多元加权最小二乘；主成分分析 1 经济背景及研究的意义近年来，消费对国家经济的推动作用成为人们关注的焦点.在消费支出方面，食品、衣着的消费增长平稳；医疗保健和居住正在成为新的亮点；居民的支出迅速增长；交通和通讯、家庭设备用品及服务消费呈现快速增长.在现代国际社会中，发展经济是是每个国家首要的大事，对于基础较差的中国，发展经济更是义不容辞的事.在影响GDP的因素中，消费对GDP的贡献是最高的，这点从我国的历年资料中也可以看出，消费对GDP的贡献一般在60%以上，其他因素都在50%以下.所以，我国未来发展经济，就必须抓住消费这个着眼点，这也是我们研究最终消费支出与国内生产总值的关联性分析的意义所在。2 问题分析2.1 消费因素的选择1）6）影响消费的因素很多，如价格水平、消费偏好、制度模式等，其中，收入是影响消费的最重要因素.收入是消费的基础，在其他条件不变的情况下，人们的可支配收入越多，对各种商品和服务的消费量就越大.根据国家统计局的调查资料显示，不同消费群体之间的消费与投资倾向已有很大差异，受此影响，社会的消费结构也发生了较大的变化.因此，职工的工资是影响居民消费水平的一个很重要的因素，我们把地区的职工平均工资设为解释变量.7）人均国内生产总值（人均GDP），是人们了解和把握一个国家或地区的宏观经济运行状况的有效工具，也是衡量各国人民生活水平的一个标准.人均GDP构成了一国居民人均收入和生活水平的主要物质基础，在一定程度上直接决定和影响着我国居民收入和生活水平及其社会建设方面的投入取向、投入能力与投入水平，它对居民的消费有着不可忽视的影响.因此我们把地区的人均GDP作为解释变量.2.2 相关统计理论概述2.2.1 多元线性回归分析预测 多元线性回归分析预测是当两个或两个以上的自变量与因变量之间存在着线性关系时，应用普通最小二乘法建立多元线性回归方程，从两个或两个以上的自变量去预测因变量未来的数量表现的一种方法.多元线性回归模型的一般形式为,其中，是个未知参数，称为回归常数， 称为回归系数.2.2.2 逐步回归法 逐步回归法的思想是有进有出，它是将变量一个一个引入，每引入一个自变量以后，对所引入的自变量进行检验，当引入的变量因为后面引入的变量变的不再显著时，要将其剔除.这样的过程反复进行，直到无不显著的自变量引入，也无显著的自变量被剔除为止.2.2.3 异方差 在回归模型的基本假设中，假定随机误差项，具有相同的方差，且相互独立，但在实际的建立模型时，经常存在与此假设相违背的情况，其中一种就是异方差，即，当时.2.2.4 等级相关系数法 等级相关系数法是一种检验异方差的方法.等级相关系数通常有3个步骤：第一步，作关于的普通最小二乘回归，求出的估计值，即.第二步，取的绝对值，把和按递增或递减的次序排列成等级，按下式计算出等级相关系数 其中，n为样本量；为对应于和的等级的差数.第三步，做等级相关系数的显著性检验.在的情况下，用下式对样本等级相关系数作检验.检验统计量为如果，可以认为异方差不存在；如果，则说明与之间存在异方差.2.2.5 加权最小二乘估计 当误差项存在异方差时，加权离差平方和为其中，为给定的第个观测值的权.加权最小二乘估计就是寻找参数，的估计值，使达到最小.2.2.6 主成分分析设对某一事物的研究设计p个变量，分别用，表示，这p个指标构成的p维随机向量为X.设随机向量X的均值为，协方差矩阵为.对X进行线性变换，可以形成新的综合变量，用Y表示，也就是说，新的综合变量可以由原来的变量线性表示，即满足下式： 主成分分析是一种降维的思想，在损失很少信息的前提下把多个指标利用正交旋转变换转化为几个综合指标的多元统计分析方法.通常把转化生成的综合指标称为主成分，其中每个主成分都是原始变量的线性组合，且各个主成分之间互不相关.2.3 模型的数据及符号说明由于最新数据查找不完全，本文选取了2011年中国统计年鉴我国30个省、市、自治区（西藏地区失业率数据缺失，因此从此样本中剔除西藏）2010年的数据2.符号说明： 符号含义 居民的食品花费居民的服装花费居民的居住花费居民的医疗花费居民的教育花费地区的职工平均工资地区的人均GDP地区的消费价格指数地区的失业率居民家庭人均年消费支出2.4 多元线性回归模型1）本文选取9个解释变量研究城镇居民家庭的人均年消费性支出，解释变量为：居民的食品花费，居民的服装花费，居民的居住花费，居民的医疗花费，居民的教育花费，地区的职工平均工资，地区的人均GDP，地区的消费价格指数，地区的失业率.2）作相关分析.用SPSS软件计算增广相关矩阵，见附录1）.从相关阵看出，与，的相关系数都在0.8以上，说明所选自变量，与的线性相关性是很高的；相关系数=0.581，=0.532，=0.515，=-0.503，说明与，是显著相关的；与的相关系数=-0.389偏小，P值=0.034，是地区的失业率，符合“失业率与居民的消费支出之间呈负相关”的一般观点；也可以看出，地区的失业率对我国居民的消费支出的影响是比较小的.总体上，用与自变量作多元线性回归是合适的.3）用SPSS软件对数据作回归分析，部分运行结果见表2-1（其余结果见附录2）. 表2-1 多元线性回归分析结果模型汇总模型RR 方调整 R 方标准 估计的误差1.997a.994.991255.481a. 预测变量: (常量), x9, x8, x2, x1, x7, x3, x4, x5, x6.Anovab模型平方和df均方FSig.1回归2.162E892.402E7367.982.000a残差1305413.5562065270.678总计2.175E829a. 预测变量: (常量), x9, x8, x2, x1, x7, x3, x4, x5, x6.b. 因变量: y 4）回归诊断.a)由表2-1分析结果可知：对9个自变量的线性回归方程为 从回归方程中可以看到：，对居民的消费性支出起正影响，对居民的消费性支出起负影响，这与定性分析的结果相一致.b)复相关系数R=0.997，决定系数=0.994，由决定系数可知，回归方程高度显著.c)方差分析表中：F=367.982，P值=0.000，表明回归方程高度显著，说明，整体上对y有高度显著的线性影响.d)回归系数的显著性检验： 自变量，对均有显著的影响，其中居民的医疗花费的t检验P值=1.000，居民的教育花费的t检验P值=0.075，地区的人均GDP的t检验P值=0.083，地区的消费价格指数的t检验P值=0.875，地区的失业率的t检验P值=0.202，这5个回归系数的显著性检验不能通过.e)多重共线性的诊断： 由系数矩阵表看到，=10.746，说明自变量地区的职工平均工资与其它自变量之间存在严重的多重共线性 ；=9.532，接近10，说明居民的食品花费与其余自变量之间也存在着较为严重的多重共线性；再回顾相关系数矩阵，是居民的食品花费，是居民的居住花费，是居民的教育花费，是地区的职工平均工资，相关系数=0.69，=0.766，=0.746，=0.724，=0.689，这几个自变量之间两两存在着一定程度的相关性.由此可以判断，该回归方程受到多重共线性的影响.2.5 模型的改进2.5.1 逐步回归 1）基本思想：通过剔除一些不重要的解释变量来消除回归模型的多重共线性. 2）利用SPSS软件进行逐步回归.部分运行结果见表2-2. 表2-2 逐步回归分析的结果Model SummaryModelRR SquareAdjusted R SquareStd. Error of the Estimate1.933a.870.8651006.4872.970b.942.937684.7513.987c.975.972457.0214.995d.990.988293.9865.996e.992.991262.424a. Predictors: (Constant), x1b. Predictors: (Constant), x1, x2c. Predictors: (Constant), x1, x2, x3d. Predictors: (Constant), x1, x2, x3, x6e. Predictors: (Constant), x1, x2, x3, x6, x7 3)模型的诊断.a）由表2-2可以看出：逐步回归的最优子集为模型5.回归方程为 b)模型5的相关系数R=0.996,决定系数=0.992，调整的决定系数=0.991，可以看出回归方程高度显著.c)方差分析表：模型5，F=626.774，P值=0.000，表明回归方程是高度显著的，说明，整体上对有着十分显著的线性影响.d)回归系数的显著性检验：自变量，对均有显著的影响，t检验的值分别为=0.529,=0.176,=0.207,=0.231,=0.06,对应的P值均小于0.05，回归系数均通过显著性检验.e)异方差检验：利用SPSS软件，采用等级相关系数法3进行异方差检验.部分结果见表2-3. 表2-3 等级相关系数表x1x2x3x6x7abseSpearman 的 rhox1相关系数1.000.130.484*.552*.365*-.030Sig.（双侧）.495.007.002.047.873N303030303030x2相关系数.1301.000.416*.393*.289-.070Sig.（双侧）.495.022.032.122.713N303030303030x3相关系数.484*.416*1.000.584*.456*-.175Sig.（双侧）.007.022.001.011.355N303030303030x6相关系数.552*.393*.584*1.000.302.029Sig.（双侧）.002.032.001.105.878N303030303030x7相关系数.365*.289.456*.3021.000-.412*Sig.（双侧）.047.122.011.105.024N303030303030abse相关系数-.030-.070-.175.029-.412*1.000Sig.（双侧）.873.713.355.878.024.N303030303030 从表2-3可以看出：残差绝对值与自变量的等级相关系数=-0.412，P值=0.024，所以认为残差绝对值与自变量之间存在相关性，模型存在异方差.2.5.2 采用多元加权最小二乘估计选择构造权函数.利用SPSS软件先确定幂指数的最优取值，再进行加权回归.部分结果见表2-4（其余结果见附录）. 表2-4 加权最小二乘回归的分析结果ANOVAb,cModelSum of SquaresdfMean SquareFSig.1Regression1.760E1053.519E9909.666.000aResidual9.285E7243868787.797Total1.769E1029a. Predictors: (Constant), x7, x2, x1, x3, x6b. Dependent Variable: yc. Weighted Least Squares Regression - Weighted by WGT_1根据表2-4可知：加权最小二乘的=0.995，F=909.666；而普通最小二乘的=0.992，F=626.774，这说明加权最小二乘估计的拟合效果略好于普通最小二乘的效果.选用加权最小二乘估计是正确的.加权最小二乘的回归方程为 2.5.3 经济意义的检验从最终建立的多元加权最小二乘估计模型的回归方程可以看到，的回归系数都通过了检验，对居民的消费性支出均起着正影响，这与定性分析的结果相一致.也就是说，居民在食品、服装、居住方面的花费，以及地区的职工平均工资、地区的人均GDP，这5个因素对城镇居民的消费性支出有着显著的影响，且回归系数的符号都为正.很显然，居民在食品、服装、居住上的花费越多，其消费性支出就越多. 根据凯恩斯的消费理论4，收入的增加也会引起消费的增加.这里选取的“职工平均工资”就是收入的体现.在回归方程中，职工平均工资的系数为正，也就是说，工资越多意味着收入越多，从而消费就增加.在我国现阶段，大部分居民都是工薪阶层，所以职工的工资对消费的影响是显著的.另外，居民在医疗上的花费对居民的消费性支出的影响应该是比较小的，这里模型5剔除了居民的医疗花费，符合定性分析理论.消费指数在一定程度上影响着居民的消费意愿，消费价格指数越高，一般会引起居民消费意愿的增加，但由于居民对食品、服装、居住等必需品的消费有刚性，因此消费价格指数在一定程度上对居民消费的影响是可以忽略的.当一个地区失业率较高时，居民的收入会减少，失业的压力也会影响居民的消费信心，然而居民对生活必需品如食品、服装等这些基本生存所需要的物品的购买，即使失业率较低，但是不会对消费性支出构成很大的威胁，所以模型5没有保留地区的失业率.2.5.4 模型的评价以上是基于多元线性回归分析的理论对数据进行分析.首先采用进入法对数据进行分析建模，但这一回归模型存在较为严重的多重共线性，所选自变量数目过多，部分回归系数的显著性检验不能通过，该模型并不理想.进而采用逐步回归法剔除一些不必要的自变量，以消除多重共线性.并对模型进行异方差检验，发现该模型存在异方差现象；因此，采用多元加权最小二乘估计的方法来对模型进行补救.最终的结果显示：加权最小二乘的=0.995，F=909.666；而普通最小二乘的=0.992，F=626.774，这说明加权最小二乘估计的拟合效果略好于普通最小二乘的效果；这一点从残差图1、残差图2（见图2-1、图2-2）的对比也可以看出. 图2-1 逐步回归模型的残差图图2-2 加权最小二乘估计的残差图2.5.5 回归预测由多元加权最小二乘回归模型可知，因变量新值的点估计为对山西省2011年居民消费性支出的数据进行预测，得到预测值.用SPSS软件计算出点估计值置信水平为的置信区间为：山西省居民总体生活水平较低，2010年的年人均消费支出为8807元，预测2011年的年人均消费支出为9829元，置信水平为95%的置信区间为（8045.11,12373.67）.山西省居民年人均消费支出受居民工资、居住花费的影响较大，而山西省职工的平均工资、居住花费较2010年有上升趋势，因此导致山西省2011年的居民年消费支出有了提升.这与模型的经济意义是吻合的.2.6 主成分回归分析1)基本思想：在损失很少信息的前提下，把原来的9个指标利用正交旋转变换转化为几个综合指标，且这几个综合指标之间互不相关5.2)考察原有变量是否适合进行因子分析.这里，借助变量的相关系数矩阵（见附录1）、巴特利特球度检验和KMO检验方法进行分析.结果见表2-5. 表2-5 巴特利特球度检验和KMO检验KMO and Bartletts TestKaiser-Meyer-Olkin Measure of Sampling Adequacy.645Bartletts Test of SphericityApprox. Chi-Square169.185df36Sig.000 由表2-5可知：巴特利特球度检验统计量的观测值为169.185，相应的概率P值=0.000.同时，KMO值为0.645，根据KMO度量标准可知原有变量适合进行因子分析. 3)为了避免变量的量纲不同所产生的影响，先用SPSS软件将数据中心标准化. 4)利用SPSS软件对数据进行主成分回归分析. a）指定提取3个因子，部分结果见附录5).由附录5)可以看出，这两个变量的绝大部分信息（大于80%）可被因子解释，这两个变量的信息丢失较少.但其它变量的信息丢失较为严重.因此，本次因子提取的总体效果并不理想.b）重新指定提取特征值的标准，指定提取4个因子.部分结果见表2-6、表2-7、图2-3. 表2-6 提取4个因子的变量共同度公因子方差初始提取Zscore: x11.000.911Zscore: x21.000.811Zscore: x31.000.751Zscore: x41.000.883Zscore: x51.000.848Zscore: x61.000.930Zscore: x71.000.834Zscore: x81.000.809Zscore: x91.000.928提取方法：主成份分析. 由表2-6可知，此时变量的共同度均较高，各个变量的信息丢失都较少.此次因子提取的总体效果较理想.表2-7 因子解释原有变量总方差的情况解释的总方差成份初始特征值提取平方和载入旋转平方和载入合计方差的 %累积 %合计方差的 %累积 %合计方差的 %累积 %14.69952.20652.2064.69952.20652.2062.77930.88130.88121.19913.31865.5241.19913.31865.5241.80720.07750.9583.96410.71476.237.96410.71476.2371.69018.78369.7424.8439.36785.605.8439.36785.6051.42815.86385.6055.5325.91491.5196.3433.81395.3317.2152.39497.7258.1641.82299.5479.041.453100.000提取方法：主成份分析. 图2-3 因子的碎石图 由表2-7可知：第1个因子的特征很高，方差百分比=52.206%，含有原始9个变量近53%的信息量，对解释原有变量的贡献最大；前4个主成分累计含有原始9个变量近86%的信息量；第5个以后的因子特征值都较小，对解释原有变量的贡献很小，已经成为可被忽略的“高山脚下的碎石”，如图2-3所示.c）建立因子分析模型6，部分结果见表2-8. 表2-8 因子载荷矩阵成份矩阵a成份1234Zscore: x1.812.177-.080.464Zscore: x2.660.019.543-.282Zscore: x3.836.091-.155.144Zscore: x4.704-.436.225-.384Zscore: x5.869.145.132.233Zscore: x6.823-.388.139.289Zscore: x7.605.374-.510-.261Zscore: x8-.608-.551-.039.365Zscore: x9-.493.594.538.203提取方法 :主成分分析法.a. 已提取了 4 个成份.根据表2-8可得因子分析模型： 由表2-8可知：9个变量在第1个因子上的载荷都很高，这意味着它们与第1个因子的相关程度高，第1个因子很重要；第2个因子与一部分原有变量的相关性较大，它对原有变量的解释作用比较显著；第3个因子、第4个因子与原有变量的相关性均较小，它们对原有变量的解释作用不显著.另外还可以看到：这4个因子的实际含义比较模糊.d）对主成分做回归. 第一：保留前4个主成分，并利用SPSS软件输出主成分数值.第二：用y对4个主成分、和做普通最小二乘回归，得主成分回归方程为 e）计算因子得分.结果见表2-9. 表2-9 因子得分系数矩阵成份得分系数矩阵成份1234Zscore: x1.516-.272-.052-.134Zscore: x2-.127.620.004-.223Zscore: x3.248-.126.109.057Zscore: x4-.232.533-.063.273Zscore: x5.334.026-.024-.176Zscore: x6.349.091-.362.113Zscore: x7-.117-.229.616.211Zscore: x8.186-.198-.550.202Zscore: x9.131.117-.039-.771提取方法 :主成分分析法. 旋转法 :具有 Kaiser 标准化的正交旋转法. 构成得分. 根据表2-9可得因子得分函数： f）各省市自治区的综合评价7.利用因子得分变量对地区进行对比研究.由上述分析，这里仅考虑绘制第1因子和第2因子的两因子得分变量的散点图，见图2-4. 图2-4 各地区两因子得分变量的散点图 由图2-4可知：北京、上海、广东、天津、浙江这5个样本是较为特殊的点，其它样本都比较相似.北京的第2因子得分最高，表明北京居民在服装、保健方面的消费远远高于其它省市；上海的第1因子得分很高，表明上海的年人均收入是比较高的，在衣、食、住、行方面的消费远高于其它省市，生活水平相对较高.天津、浙江、广东的第1因子略高于其它地区，但与上海相比仍旧较低.第1因子、第2因子的得分均居平均值，因此，总体上我国居民在衣、食、住、行以及医疗保健上的消费差异不大，处在平均水平上.对各地区年人均消费进行综合评价8.这里采用因子加权总分9的方法，其中权重的确定是关键.这里仅从单纯的数量上考虑，以4个因子的方差贡献率为权数.计算公式为： 因此可知：我国居民年人均消费支出较高的省市区有北京、上海、广东、浙江、天津和福建等，它们多属经济文化中心或东南沿海地区.年人均消费支出较低的省市区有内蒙古、青海、黑龙江和山西等，它们多为内陆或西北边远地区.3 结论 通过上述分析我们可以看出:逐步回归模型中的回归系数为0.078；加权最小二乘估计回归模型中的回归系数为0.082，这表明在其他因素不变的情况下，居民的平均工资每增加1个单位，居民的年平均消费支出平均增加0.082个单位，这说明职工的工资是影响消费的很重要的因素.收入是消费的前提和基础，在其他条件不变的情况下，人们当前和预期的可支配收入与消费水平是成正比的.改革开放以来，我国居民的收入水平在不断提高，居民的消费性支出情况也有明显变化.在居民总体收入逐渐增加的同时，居民的收入差距也有所扩大，形成了高、中、低不同阶层的收入与消费群体.逐步回归模型中、的回归系数分别为1.46、2.209，加权最小二乘估计回归模型中、的回归系数分别为1.475、2.216，主成分分析中因子得分函数：，、分别代表居民的食品花费和居民的服装花费，、的回归系数较高，且因子得分函数在第1因子、第2因子这两个重要主成分上的载荷也很高.食品和衣着是人类的两项基本生存资料，居民的食品消费水平已由过去简单的吃饱吃好转变为品种更加丰富，营养更加全面，衣着的消费向时装化、名牌化、个性化的倾向更加明显，这表明我国居民满足基本生活的支出虽依旧占总消费支出的一定比重，但人们满足吃、穿为主的生存型消费需求阶段正在慢慢结束，逐步向以发展型和享受型消费的阶段过度.近几年房地产销售价格上涨迅猛，仅从在主成分分析中的因子得分函数中就可以看到居民的居住花费对居民的年消费支出有很大的影响.从我国房地产市场发展仅有数年历史，且因低利率和其他投资工具缺乏而催生的的储蓄需求与投资需求，对相当一部分房地产需求有突出影响.由于预期房地产价格将会继续大幅上升，许多家庭抑制其他消费，以积攒首付款和支付月供款.过高的首付款和月供支出明显挤出了工薪阶层的消费需求，绝大多数购房者纷纷削减了其他消费.国内生产总值作为衡量一国国力的重要指标，在很大程度上反映了人们物质和文化生活需要的满足程度.从长期看来，人均消费受人均国内生产总值的影响，依据相关数据的统计分析，我国人均消费和人均国内生产总值一直呈现增长的趋势.我们的目的是要发展经济，着眼点是消费，由上述模型的分析可以看到，收入是影响居民消费的很重要的因素，也就是说，我们发展经济就要刺激消费，而刺激消费就要在居民的收入上做文章.生产也决定着消费，国家的经济发展水平是影响消费的根本因素，只有生产发展，人们的收入才能增加，社会消费品才能日益增多，才能更好的满足人们的消费需求.参考文献1薛薇.统计分析与SPSS的应用（第二版）M.北京：中国人民大学出版社，2007.2中国国家统计局.中国统计年鉴2011M.北京：中国统计局出版社，2011 .3徐国祥.统计预测与决策.第三版M. 上海：上海财经大学出版社，2005.4刘莹，陈坤权.中国城镇居民消费影响因素的计量分析J.中国市场，2011（23）：145-147.5美曼昆.赵秀珍译.经济学原理M.北京：高等教育出版社，2000.6何晓群等.回归分析与经济数据建模M.北京：中国人民大学出版社，1997(25)：11-15.7张勇，赵秀珍.应用线性回归模型M.北京：中国统计出版社，1990(12)：36-41.8王济川，郭志刚.主成分回归模型方法与应用M.北京：高等教育出版社，2001.9张莉华.关于我国城镇居民消费结构的分析J.黄河科技学报，2008，9(7)：23-24.An Empirical Analysis of the Influence on Consumption Factors of Urban Residents in ChinaCollege of Mathematics Science No:Tutor:NIE Shu-yuanAbstract: After 30 years reform and opening up, Chinese peoples consumption life has increased gradually and is consistent with the trend of income growth. Consumption level is an important symbol of monetary measurement performance degree for the rich life of residents and the embodiment of the residents consumption behavior. This paper uses the relevant data of China in 2010 about 30 provinces, cities and autonomous region households per capita annual consumption expenditure, considering the 9 factors that influence the consumption level of residents and based on the theory of multivariate linear regression, stepwise regression and weighted least square, the paper applies SPSS software for data analysis and modeling. Then the model tests and revises multicollinearity, heteroscedasticity and correction. The results show that the main factors which affect the residents, consumer spending in China are food, clothing, residence costs, wages and per capita GDP. Among them, the residents living costs have become more and more prominent effect on consumption expenditure.Key words: multiple linear regression; stepwise regression; multi collinearity; heteroskedasticity; weighted least squares; principal component analysis 附录：1)对数据进行多元线性回归分析的结果：相关性yx1x2x3x4x5x6x7x8x9yPearson 相关性1.933*.581*.811*.532*.864*.860*.515*-.503*-.389*显著性（双侧）.000.001.000.003.000.000.004.005.034N30303030303030303030x1Pearson 相关性.933*1.353.690*.302.766*.746*.445*-.490*-.271显著性（双侧）.000.056.000.105.000.000.014.006.148N30303030303030303030x2Pearson 相关性.581*.3531.377*.553*.602*.526*.310-.404*-.124显著性（双侧）.001.056.040.002.000.003.095.027.515N30303030303030303030x3Pearson 相关性.811*.690*.377*1.514*.724*.615*.519*-.484*-.360显著性（双侧）.000.000.040.004.000.000.003.007.050N30303030303030303030x4Pearson 相关性.532*.302.553*.514*1.464*.669*.203-.394*-.501*显著性（双侧）.003.105.002.004.010.000.282.031.005N30303030303030303030x5Pearson 相关性.864*.766*.602*.724*.464*1.689*.470*-.472*-.253显著性（双侧）.000.000.000.000.010.000.009.008.178N30303030303030303030x6Pearson 相关性.860*.746*.526*.615*.669*.689*1.247-.200-.481*显著性（双侧）.000.000.003.000.000.000.189.290.007N30303030303030303030x7Pearson 相关性.515*.445*.310.519*.203.470*.2471-.498*-.363*显著性（双侧）.004.014.095.003.282.009.189.005.049N30303030303030303030x8Pearson 相关性-.503*-.490*-.404*-.484*-.394*-.472*-.200-.498*1.057显著性（双侧）.005.006.027.007.031.008.290.005.763N30303030303030303030x9Pearson 相关性-.389*-.271-.124-.360-.501*-.253-.481*-.363*.0571显著性（双侧）.034.148.515.050.005.178.007.049.763N30303030303030303030*. 在 .01 水平（双侧）上显著相关.*. 在 0.05 水平（双侧）上显著相关.CoefficientsaModelUnstandardized CoefficientsStandardized CoefficientstSig.Collinearity StatisticsBStd. ErrorBetaToleranceVIF1(Constant)-2712.8508052.650-.337.740x11.465.151.5209.714.000.1059.532x22.576.422.1676.104.000.4032.482x32.005.322.1876.235.000.3323.012x4.000.507.000.0001.000.1775.663x5.891.474.0661.881.075.2434.123x6.067.019.1983.491.002.09310.746x7.028.015.0451.824.083.4882.050x811.33870.994.005.160.875.2663.762x9-160.975121.987-.032-1.320.202.5051.981a. Dependent Variable: y2）对数据进行逐步回归分析的结果：ANOVAfModelSum of SquaresdfMean SquareFSig.1Regression1.891E811.891E8186.677.000aResidual2.836E7281013015.868Total2.175E8292Regression2.048E821.024E8218.403.000bResidual1.266E727468884.385Total2.175E8293Regression2.120E837.068E7338.396.000cResidual5430574.26526208868.241Total2.175E8294Regression2.153E845.383E7622.806.000dResidual2160689.6852586427.587Total2.175E8295Regression2.158E854.316E7626.774.000eResidual1652794.6822468866.445Total2.175E829a. Predictors: (Constant), x1b. Predictors: (Constant), x1, x2c. Predictors: (Constant), x1, x2, x3d. Predictors: (Constant), x1, x2, x3, x6e. Predictors: (Constant), x1, x2