1、我国民航客运量数据分析报告一Introduction我国经济高速发展，国民生活水平有了显著提高，出行方面更加便利，我国民航发展尤其迅速。研究我国民航客运量的变化趋势以及其成因，可以更好地了解我国民航业发展情况，和未来发展方向，更好的确定发展战略。本文采用SAS软件做定量回归分析，以民航客运量作为因变量，以国民收入、城镇居民消费水平、铁路客运量、民航航线里程、入境游客人数为影响民航客运量的主要因素，探索其中的主要影响因素，并给出回归方程。根据现在经济状况，提出一定建议。Y表示民航客运量（万人），x1表示国民收入（亿元）x2表示城镇居民消费水平（元）x3表示铁路客运量（万人）x4表示民航航线里程（
2、万公里）x5表示入境游客人数（万人）。经过数据分析，得出最终的回归方程.。本文第二部分介绍数据基本信息并给出相关性分析。第三部分对数据进行最小二乘估计，并对其进行检验和修正。第四部分得出最终方程，并对方程做出解释。附录部分给出源数据及SAS代码。二DATA1.数据描述2.相关性检验2.1相关棋盘式散点图简单统计量变量 均值 标准偏差 总和 最小值 最大值 标签y 7804 9022 273154 231 31936 民航客运量（万人）x1 113163 145490 3960697 3010 532872 国民收入（亿元）x2 5889 5762 206123 405 20864 城镇居民消费
3、水平（元）x3 113590 25950 3975637 81491 189337 铁路客运量（万人）x4 123.511 95.27405 4323 14.9 349 民航航线里程（万公里）x5 3003 1636 105097 181 5773 入境游客人数（万人）2.2相关系数矩阵观察自变量与因变量的散点图，可以发现自变量与各因变量之间存在明显的线性关系。从相关矩阵可以看出，自变量与个因变量均高度相关，但因变量之间也存在很强的相关性，所以在最小二乘法基础下进行拟合的回归模型会存在多重共线性。3.数据预处理：简单检验数据平稳性根据图示，红色为X2，城镇居民消费水平。仅有这一项跟随时间显示大
4、幅度变化，出存在非平稳性。Pearson相关系数y x1 x2 x3 x4 x5yy 1.00000 0.99581FModel 5 2756365766 551273153 1450.59 |t| VarianceInflationIntercept Intercept 1 1087.63064 1466.92057 0.74 0.4644 0x1 x1 1 0.05255 0.00917 5.73 FModel 3 2756135343 918711781 2531.25 FParameter EstimatesVariable DF Parameter Estimate Standard
5、Error t Value Pr |t| VarianceInflationIntercept 1 1659.07277 929.98292 1.78 0.0842 0x1 1 0.05942 0.00194 30.61 )9(2 =16.9,在5%的显著性水平下存在异方差，需要修正。2.3.2异方差的修正本文采取加权最小二乘的方法对存在的异方差问题进行修正。权重采用原回归的残差绝对值的倒数。回归结果如下：Root MSE 0.28563 R-Square 0.7242Dependent Mean0.80532 Adj R-Sq 0.6249Coeff Var 35.46787计算n 2R =
6、24.62 )9(2 =16.9,在5%的显著性水平下存在异方差，需要修正，但本文中暂且不对异方差再次修正。 2.4自相关检验DW检验值观察回归的DW检验值为1.077，查DW统计量表可知，在n=3，k=35时，dl=1.0851.077,所以判断存在自相关。残差图做残差项与残差滞后一阶的散点图进行观察Analysis of VarianceSource DF Sum of Squares Mean Square F Value Pr FModel 9 5.06332E12 5.625911E11 5.22 0.0005Error 25 2.695873E12 1.078349E11Corre
7、cted Total 34 7.759193E12根据图示，可看出残差与残差滞后一阶项存在一定关系，可以初步判断可能存在残差项的自相关问题。残差自回归图根据残差自回归图观察残差是否存在自相关。根据图示初步判断存在一阶自相关。2.4.1自回归的修正本文通过广义差分法对自相关问题进行修正。首先通过拟合残差项与时间的回归方程获得残差滞后阶数。根据上表可以看出，一阶Durbin-Watson统计量为1.0791，其p值为0.0009，极其显著，强烈拒绝一阶自相关系数为0的原假设。因此，自相关性的校正是必须的，滞后阶数为1.通过DW值计算值， 21 DW ，求得为0.461.。通过杜宾两步法修正自相关。
8、修正后结果为通过了方程的F检验和参数的t检验，VIF均小于10，没有多重共线性问题。检查其DW值为1.97，在n=3，k=35的条件下，du=1.8031.97，所以在=0.05的显著性水平上，不存在多重共线性。并再次应用怀特检验检验是否存在异方差。检验结果如下：Root MSE 2.23744 R-Square 0.5193Dependent Mean 1.55413 Adj R-Sq 0.3391Coeff Var 143.96758计算n 2R =17.6 )9(2 =19.02,在2.5%的显著性水平下不存在异方差。Durbin-Watson StatisticsOrder DW Pr
9、 DW1 1.0791 0.00092 1.5371 0.08113 1.8135 0.35694 2.2129 0.84585 2.5541 0.9885 2.5模型构建结果最终得到模型 359341.0200608.0105728.033576.0 xnxnxnyn 0=0.33576/(1-0.461)=0.6229模型为： 359341.0200608.0105728.06229.0 xxxy 四Conclusion我国经济高速发展，国民生活水平有了显著提高，出行方面更加便利，我国民航发展尤其迅速。研究我国民航客运量的变化趋势以及其成因，可以更好地了解我国民航业发展情况，和未来发展方向
10、，更好的确定发展战略。本文引用统计年鉴中的数据，其中Y表示民航客运量（万人），x1表示国民收入（亿元）x3表示铁路客运量（万人）x5表示入境游客人数（万人），对民航客运量进行研究。根据回归模型 359341.0200608.0105728.06229.0 xxxy 可以得出结论，国民收入、铁路客运量和入境旅游人数均对民航客运量有一定影响。固定其他变量不变，国民收入每增加一亿元，民航客运量平均增加0.05万人，这是因为国民收入提高，人民生活水平提高，会选择更为舒适更为便捷的出行方式。固定其他变量不变，铁路客运量每增加一万人，民航客运量平均减少0.006万人，铁路出行和民航出行互为替代品。固定其他
11、变量不变，入境游客每增加1万人，民航客运量平均增加0.59万人。随着我国文化软实力的提高，越来越多的外国游客来我国旅游，他们以飞机作为主要的出行方式，所以外国游客的增多会提高民航客运量。为了民航客运量的进一步发展，积极努力的发展经济，提高我国经济实力，提高人民收入，改善人民生活是重中之重。另外均衡铁路和民航发展，做到同发展共繁荣。在全球化的今天，我们也要不断的对外宣传我国文化，提高我国文化软实力，积极发展旅游业、服务业，提高国外旅行者对我国的兴趣。五Appendices附录1：源数据year y x1 x2 x3 x4 x51978 231.00 3010.00 405 81491.00 14
12、.89 180.921979 298.00 3350.00 425 86389.00 16.00 420.391980 343.00 3688.00 489 92204.00 19.53 570.251981 401.00 3941.00 521 95300.00 21.82 776.711982 445.00 4258.00 536 99922.00 23.27 792.431983 391.00 4736.00 558 106044.00 22.91 947.701984 554.00 5652.00 618 110353.00 26.02 1285.221985 744.00 7020.
13、00 765 112110.00 27.72 1783.301986 997.00 7859.00 872 108579.00 32.43 2281.951987 1310.00 9313.00 998 112429.00 38.91 2690.231988 1442.00 11738.00 1311 122645.00 37.38 3169.481989 1283.00 13176.00 1466 113807.00 47.19 2450.141990 1660.00 14384.00 1596 95712.00 50.68 2746.201991 2178.00 16557.00 1840
14、 95081.00 55.91 3335.651992 2886.00 20223.00 2262 99693.00 83.66 3311.501993 3383.00 24882.00 2924 105458.00 96.08 4152.701994 4039 48370.3 3852 108738 104.56 2107.001995 5117 60146.5 4931 102745.00 112.9 2003.401996 5555 70538.3 5532 94797.00 116.65 2276.501997 5630 78517.3 5823 93308.00 142.5 2377
15、.001998 5755 83505.7 6109 95085.00 150.58 2507.301999 6094 88989.8 6405 100164.00 152.22 2704.702000 6722 98562.2 6850 105073.00 150.29 3122.902001 7524 108683.4 7161 105155.00 155.36 3316.702002 8594 119765 7486 105606.00 163.77 3680.302003 8759 135718.9 8060 97260.00 174.95 3297.102004 12123 16028
16、9.7 8912 111764.00 204.94 4176.102005 13827 184575.8 9593 115583.00 199.85 4680.902006 15968 217246.6 10618 125656.00 211.35 4991.302007 18576 268631 12130 135670.00 234.3 5472.002008 19251 318736.7 13653 146193.00 246.18 5304.902009 23052 345046.4 14904 152451.00 234.51 5087.502010 26769 407137.8 1
17、6546 167609.00 276.51 5566.502011 29317 479576.1 19108 186226.00 349.06 5758.102012 31936 532872.1 20864 189337.00 328.01 5772.50附录2：SAS CODE/*检查平稳性*/*时序图 */proc gplot data=sas;plot y*year=1 x1*year=2 x2*year=3 x3*year=4 x4*year=5 x5*year=6/overlay;symbol1 c=black v=circle i=join;symbol2 c=red v=cir
18、cle i=join;symbol3 c=green v=circle i=join;symbol5 c=yellow v=circle i=join;symbol6 c=blue v=circle i=join;run;/*建立ols回归 */ods rtf file=c:name1.doc;proc reg data=sas ;var y x1 x2 x3 x4 x5;model y=x1 x2 x3 x4 x5/ spec clb ss1 ss2 vif dw r p ;goption reset=all ;output out=a p=yhat r=yreisd;run;ods rtf
19、 close;run;/*检验正态性 1*/proc univariate data=a normal;var yreisd;histogram yreisd;probplot yreisd;run;/*多重共线性检验 */ods rtf file=c:name2.doc;proc corr data=sas;var y x1 x2 x3 x4 x5;run;ods rtf close;run;/*修正多重共线性 */ods rtf file=c:name3.doc;proc reg data=sas;model y=x1 x2 x3 x4 x5/dw selection=stepwise r
20、 p vif;output out=h r=reisd1 p=yhat1;run;ods rtf close;run;data h;set h;rn2=reisd1*2;rn=1/abs(reisd1);rn1=abs(reisd1);x01=x1*rn;x05=x5*rn;x03=x3*rn;y01=y*rn;b1=x1*2;b3=x3*2;b5=x5*2;d1=x1*x3;d2=x1*x5;d3=x3*x5;run;/*异方差检验 */ods rtf file=c:name4.doc;proc plot data=h;plot rn2*yhat1;run;ods rtf close;run
21、;ods rtf file=c:name5.doc;proc reg data=h;model rn2=x1 x3 x5 b1 b3 b5 d1 d2 d3;run;/*怀特*/ods rtf close;run;/*修正异方差*/ods rtf file=c:name6.doc;proc reg data=h;model y01=rn x01 x03 x05/vif r p dw;output out=out1 r=reisdual p=yr;run;/*ods rtf close;run;*/data out1;set out1;rn3=reisdual*2;x11=x01*2;x13=x
22、03*2;x15=x05*2;e1=x01*x03;e2=x01*x05;e3=x03*x05;rna=lag(reisdual);run;/*验证异方差已消除*/ods rtf file=c:name7.doc;proc plot data=out1;plot rn3*yr;run;ods rtf close;run;ods rtf file=c:name8.doc;proc reg data=out1;model rn3=x01 x03 x05 x11 x13 x15 e1 e2 e3;run;/*怀特*/ods rtf close;run;/*自相关图 检验自相关*/ods rtf fi
23、le=c:name9.doc;proc arima data=out1;identify var=reisdual nlag=20;run;ods rtf close;run;ods rtf file=c:name10.doc;proc plot data=out1;plot reisdual*rna=*;run;ods rtf close;run;ods rtf file=c:name11.doc;proc autoreg data=out1;model reisdual=year /dw=5 dwprob;run;ods rtf close;run;/*存在一阶自相关，进行修正。系数已经算
24、出*/data out1;set out1;M=0.461*lag(y01);a1=0.461*lag(x01);a2=0.461*lag(x03);a3=0.461*lag(x05);yn=y01-M;xn1=x01-a1;xn3=x03-a2;xn5=x05-a3;run;ods rtf file=c:name12.doc;proc reg data=out1;model yn=xn1 xn3 xn5/dw vif r p;output out=out2 r=cancha p=yuce;run;ods rtf close;run;/*异方差检验 */data out2;set out2;xn11=xn1*2;xn13=xn3*2;xn15=xn5*2;rn4=cancha*2;m1=xn1*xn3;m2=xn1*xn5;m3=xn3*xn5;run;proc plot data=out2;plot rn4*yuce;run;ods rtf file=c:name12.doc;proc reg data=out2;model rn4=xn1 xn3 xn5 xn11 xn13 xn15 m1 m2 m3;run;/*怀特*/ods rtf close;run;quit;
