1、方案一：SPSS 的 Linear 拟合对 E 类数据运用 SPSS 进行拟合，主要结果如下：Model SummarybModel R R SquareAdjusted R SquareStd. Error of the Estimate1 .162a .026 -.009 1134.775a. Predictors: (Constant), 日期b. Dependent Variable: E表1ANOVAbModel Sum of Squares df Mean Square F Sig.Regression 968493.448 1 968493.448 .752 .393aResid
2、ual 3.606E7 28 1287713.7051Total 3.702E7 29a. Predictors: (Constant), 日期b. Dependent Variable: E表2CoefficientsaUnstandardized CoefficientsStandardized CoefficientsModel B Std. Error Beta t Sig.(Constant) 2599.159 424.942 6.116 .0001日期 -20.759 23.936 -.162 -.867 .393a. Dependent Variable: E表3图1根据以上结果
3、可建立回归模型。根据多元回归模型： 把图3中非标准化回归exbxbyk210系数（Unstandardized Coefficients）栏中的“B”列系数代入上式得预报方程： 25917.0xy预测值的标准差可用剩余军方估计： 7.348.70ys通过SPSS 软件预测出其后7天的申请量为：7月1日：1955.6413793103457月2日：1934.88275862068997月3日：1914.12413793103477月4日：1893.36551724137967月5日：1872.60689655172437月6日：1851.84827586206927月7日：1831.089655
4、172414回归方程的显著性检验：从表 1 模型摘要表（Model Summary）和表 2 方差分析表（ANOVA）中得知：R 方衡量方差拟合优度为 0.162，系统自动检验的显著性水平（Sig）为0.393，F 统计量为 0.752。然而对于回归模型， R 方衡量方差拟合优度越大越好，一般地，大于 0.8 说明方差对样本点的拟合效果很好，0.5-0.8 之间也可以接受，但是本题中的 R 方衡量方差拟合优度为 0.162，远小于 0.5；除此之外，系统自动检验的显著性水平（Sig）远远超过了 0.05（0.01sig0.05 时，则表示回归显著） ，同时 F 统计量也过于小（ F 统计量越大
5、表示显著性越统一） 。同理，我们可以得出关于 F 类、G 类和 H 类的相关回归方程，其结果（见附录 2）跟 E 类有类似特点，由此表明此回归极不显著,因此此方案不适用。附件 2：（此附录可有可无）Model SummarybModel R R SquareAdjusted R SquareStd. Error of the Estimate1 .030a .001 -.035 1063.492a. Predictors: (Constant), 日期b. Dependent Variable: FF（1）ANOVAbModel Sum of Squares df Mean Square F
6、Sig.Regression 29419.930 1 29419.930 .026 .873aResidual 3.167E7 28 1131015.4081Total 3.170E7 29a. Predictors: (Constant), 日期b. Dependent Variable: FF(2)CoefficientsaUnstandardized CoefficientsStandardized CoefficientsModel B Std. Error Beta t Sig.(Constant) 3484.313 398.249 8.749 .0001日期 -3.618 22.4
7、33 -.030 -.161 .873a. Dependent Variable: FF(3)F的未来七天申请量的的预测值分别为：3372.154022988506； 3368.536002966259； 3364.917982944012； 3361.2999629217647；3357.681942899518； 3354.063922877271； 3350.445902855024Model SummarybModel R R SquareAdjusted R SquareStd. Error of the Estimate1 .264a .070 .037 2402.356a. Pr
8、edictors: (Constant), 日期b. Dependent Variable: GG(1)ANOVAbModel Sum of Squares df Mean Square F Sig.Regression 1.212E7 1 1.212E7 2.100 .158aResidual 1.616E8 28 5771312.1031Total 1.737E8 29a. Predictors: (Constant), 日期b. Dependent Variable: GG(2)CoefficientsaUnstandardized CoefficientsStandardized Co
9、efficientsModel B Std. Error Beta t Sig.(Constant) 3416.786 899.617 3.798 .0011日期 73.440 50.674 .264 1.449 .158a. Dependent Variable: GG(3)G的未来七天申请量的的预测值分别为：5693.413793103448； 5766.85339265851； 5840.292992213571； 5913.732591768632；5987.172191323693； 6060.611790878755； 6134.051390433816Model Summaryb
10、Model R R SquareAdjusted R SquareStd. Error of the Estimate1 .139a .019 -.016 1635.264a. Predictors: (Constant), 日期b. Dependent Variable: HH(1)ANOVAbModel Sum of Squares df Mean Square F Sig.Regression 1470004.646 1 1470004.646 .550 .465a1Residual 7.487E7 28 2674087.029Total 7.634E7 29a. Predictors:
11、 (Constant), 日期b. Dependent Variable: HH(2)CoefficientsaUnstandardized CoefficientsStandardized CoefficientsModel B Std. Error Beta t Sig.(Constant) 2532.126 612.362 4.135 .0001日期 25.575 34.494 .139 .741 .465a. Dependent Variable: HH(3)G的未来七天申请量的的预测值分别为：3324.9402298850573； 3350.5148683722655； 3376.0895068594737； 3401.6641453466814；3427.2387838338896； 3452.8134223210973； 3478.3880608083055
