关于影响粮食产量因素的回归分析
中国粮食产量影响因素分析
中国粮食产量影响因素分析摘要：粮食是人类最基本的生活消费品，粮食问题是关系到国家的国计民生的头等问题。
众所周知，农业是国民经济发展的基础，粮食是基础的基础，因此粮食生产是关系到一个国家发展与生产的一个关键的主题。
建国以来我国的粮食产量出现了多次的变动，给消费者和生产者带来了很大的影响，所以了解影响粮食生产因素很重要。
通过计量经济学方法创建我国粮食生产函数，我们会发现粮食播种、化肥施用量、受灾面积是影响粮食生产的三大因素，其中粮食播种面积的影响最大。
【关键词】粮食产量；影响因素；回归分析一、引言众所周知，粮食是我们人类生命得以延续的最基础的物质条件，没有粮食这个重要基础，人类将无法继续生存。
回顾我国粮食的生产情况，我们会发现，随着技术水平的提高，社会的发展，从整体来讲我国粮食产量呈上升的趋势。
二、中国粮食生产现状分析在改革开放（1978年）之前我国粮食产量非常缓慢增长，一直都在30000万吨以下。
改革开放后，我国粮食产量从30000万吨一路疯狂走高，粮食生产得到飞速发展，但波动也更频繁复杂。
在1997年总产量首次跨上50000万吨的大难关，达到了50453万吨，增长率为8.13%。
但在2004年开始出现了几年的连续减产的现象，曾一路降到43069万吨的局面，一下子退回到十几年前的水平，让人更加担忧。
从2004年以来的5年里，我国粮食产量连续10年增产。
在2013年粮食产量达到60193.8万吨。
改革开放以来粮食产量一直是我国最关心的问题，我国逐步改革统购统销的体制，减少定购数量，提高粮食收购价格，使粮食生产实现高速增长。
我国粮食产量从30000万吨开始一路走高。
1980—2010年这30年，我国粮食生产得到快速发展。
1978年我国农村实行改革和粮食价格提高，极大地调动了农民的积极性。
1978年中国粮食产量首次突破30000万吨，增长了7．8％。
1979年粮食产量继续增长8.9％，主要是由于国家大幅度提高粮食收购价格，粮食统购价提高20％，超购部分加价50％，从而促进粮食产量飞速增长。
粮食产量影响因素回归分析
粮食产量影响因素回归分析粮食产量是一个复杂的系统工程，受到多个因素的影响，包括自然因素和人为因素。
为了深入了解这些影响因素，可以运用回归分析方法对其进行量化分析。
下面将详细介绍粮食产量影响因素回归分析的步骤和应用。
回归分析是一种统计学方法，用于确定自变量与因变量之间的关系。
在粮食产量影响因素回归分析中，因变量是粮食产量，自变量则包括多个可能的因素，如天气、土壤条件、农业技术等。
首先，需要收集相关的数据，包括粮食产量的历史数据和可能的影响因素的数据。
对于年度产量数据，可以从农业统计年鉴等公开渠道获取，而对于自变量数据，可以通过相关研究或者实地调查获得。
接下来，对数据进行预处理，包括缺失值填充、异常值处理、数据标准化等。
这些步骤可以提高回归模型的准确性和可靠性。
然后，选择适当的回归模型进行分析。
根据问题的具体情况，可以选择线性回归模型、多项式回归模型、逻辑回归模型等。
线性回归模型是一种常用的回归模型，假设因变量与自变量之间存在线性关系。
而多项式回归模型可以描述因变量和自变量之间的非线性关系。
逻辑回归模型则用于因变量为分类变量的情况。
在建立回归模型后，需要对模型进行拟合和评估。
拟合是指找到最佳的回归系数，使得模型对数据的误差最小化。
评估包括解释模型的统计显著性、对模型的拟合优度进行检验等。
常用的评估指标包括R平方、调整R平方、F统计量等。
最后，根据回归模型得到的结果，可以分析各个自变量对粮食产量的影响程度和方向。
通过回归系数的正负来判断自变量对因变量的增益或减益作用。
此外，还可以进行模型的预测和验证，对未来的粮食产量进行预测，并与实际数据进行比较以验证模型的准确性。
总之，粮食产量影响因素回归分析是一种有效的量化分析方法，可以深入了解粮食产量背后的驱动因素，为农业生产提供科学指导。
这一方法在农业经济学、农业科学等领域具有广泛应用前景。
基于分位数回归的粮食产量影响因素分析——以湖北省为例
件等方面分 析影响粮食产量 的因素，并提 出 型 分析 了 中 国粮 价 波 动 的 特 征 ，然 后 使 用 普
相应 的对策 建议 。有部分学 者使 用普通最小 通 最小 二 乘 法 分 析 了粮 价 波 动 的 原 因 ；王 玉
２０ ） ＲＨ 二乘 法 来 研 究 粮 食 产 量 问 题 ， 如 张 利 庠 等 斌 等 （ ０７ 利 用 年 度 数 据 和 Ａ Ｃ 类 模 （０ ８ 使用 普 通 最 ／ －乘 法 研 究 了不 同 阶 型分析 了影响中国粮食产量波动的因素。 ２０ ） ｊ－ ￣
基 于 分 位 数 回归 的粮 食 产 量 影 响 因素 分 析
— —
以湖 北 省 为 例
毛 伟
（ 广东海洋大学 经产 量的主要 因素有播种 面积 、成 灾面积 、农 用机械 总动 力、化肥 投入 折 纯量、农村 用 电量 、有效 灌溉 面积 等方 面。利 用 Ｈ Ｐ滤波 处理 １７ ９９年至 ２０ ０９年湖北省粮食 产量数据 得 出其
粮食 生产 的风 险管理 工具和制度 ，以保证粮食 产量 ，保障粮食安全 。
【 关
键
词 】粮食产量 ；分位数 回归；Ｈ Ｐ滤波 ；湖北
【 中图分类号 】Ｆ２ 【 ３７ 文献标识码 】Ａ 【 文章 编号 】２９ １６ （０２ ２— ０ １ ０ ０５— ３１ ２１ ）０ ０８ — ６
一
、
引 言
的波动特征 ，并将各 时间序 列的长期趋 势剔 除 ，使 序 列仅 含波动 项 以进行 分位 数分析 。结果表
明 ：在粮 食产量 的低分 位 点上 ，各 因素对粮 食 增 产 的作 用 明显 ；在其 它分位 点处 ，作 用不 明
显。 需要 确保粮食播种 面积 ，科 学投放化肥 ，保 障农 业生 产用电 ，鼓励粮食 生产规模 化 ，完善
基于多元回归模型的粮食产量影响因素分析——以河南省为例
2017年月（中）行政事业资产财务与粮食产量出现明显的加速上升，但是在2006年以后粮食产量逐渐趋于平稳增长。
2.因素分析影响粮食产量的因素是多方面的，粮食生产能力是一个受自然条件、经济环境以及社会条件制约的综合系统，单单的从一个特定的指标出发来研究问题只能反映其特定视角对粮食产量的影响，因此粮食生产能力指标的选择上必须考虑综合因素，采取不同的指标从不同的角度来进行分析。
首先需要对影响河南省粮食产量的各个因素进行详细的定性分析，确定影响河南省粮食产量的主要因素，然后再根据这些具体影响粮食产量的因素通过使用最小二乘法，将这些影响河南省粮食产量的主要因素作为影响粮食产量的自变量，将河南省的粮食产量作为因变量构建数学模型。
本文在综合考虑前人的研究成果，根据量化可得与全面代表性原则，考虑针对产量有重要影响的土地利用率（粮食播种面积X1）、农业科技进步水平（化肥使用量X2、有效灌溉面积X3和农用机械总动力X4）、自然资源（受灾面积X5）以及劳动力成本（农业从业人员X6），本文采用这几个指数指标作为自变量，把河南省的粮食产量作为因变量，建立多元线性回归模型，使用Eviews 软件对其进行分析。
在进行分析是选取河南1978-2014年的年度数据(以上数据来源于《河南省统计年鉴》)。
设定粮食产量与其影响因素之间的回归模型为：ln Y =+1ln X 1+2ln X 2+3ln X 3+4ln X 4+5ln X 5+6ln X 63.模型建立与检验利用eviews7.0对河南省的粮食产量Y 关于X 1、X 2、X 3、X 4、X 5和X 6进行多元线性回归分析，拟合结果显示，决定系数R 2=0.976463，可以看出回归模型高度显著。
又由F 统计量为207.4353，P 值为0.00000，表明回归模型通过了F 检验，6个自变量整体对因变量Y 产生显著线性影响的判断所犯错误的概率仅为0.0000，说明回归方程式显著的。
基于回归分析的粮食产量影响因素分析——以江西省为例
效 灌溉 面积 Ｘ 直 接摘 录 自《 中国统计 年鉴 》 （ １ ９ ９ ５ －２ ０ １ ２）
ｐ ｚ ｌ ｎ ｘ ２ ＋ ｐ ３ ｌ ｎ Ｘ ３ ＋ ４ ｌ ｎ Ｘ ４ ＋ Ｂ ５ ｌ ｎ Ｘ ５ ＋ （ 为随机误差 项 ） ； 模 型 的
对的是江 西省 的粮食播 种面积长久 以来一直维持 在 ３ ５ ０多
万公顷左右 ， 加 快 提 高 粮 食 产 能 成 为 提 高 粮 食 产 量 的 重 中 之
（ 一） 数 据 收集 本 文 以江 西 省粮 食 产 量为 研 究 对象 ， 收 集 了 江 西 省
１ ９ ９ ４ —２ ０ １ １ 年的农业 生产相关数据 ， 数据（ 粮食产量 Ｙ、 粮食 播种面积 Ｘ ， 、 成灾 面积 Ｘ 、 化肥施用量 ｘ ， 、 农机 总动力 ｘ 、 有
（ 青 岛农业大学 经济与管理学院 ， 山东 青岛 ２ ６ ６ １ ０ ９ ）
摘
要： 江西 省 作 为 中国 南方 水 稻 主 产 区 ， 在 提 高粮 食 产 量 方 面发 挥 着十 分 重 要 的 作 用 ， 根 据 江 西省 １ ９ ９ ４ ～２ ０ ｌ １
年 的相 关统计资料 ， 选取粮食播种 面积 、 成 灾面积等五个影响 江西省粮食 产量 的指标 ， 采 用回 归分析 法 ， 解释影响江西
（ 中华人民共和 国国家统计局编 ） ， 相关数据 （ 见下页表 １ ） 。
（ 二） 预 测模 型 的设 计
将 Ｙ作为 因变量 ， ｘ均为 自变量 ， 参照柯 布一 道格拉斯 生产 函数 ， 将 江西 省粮食 生 产模 型设 计 为 ： ｌ ｎ Ｙ ＝ Ｃ ＋ ￣ ． １ ｎ Ｘ ＋
关于中国粮食相关投入对中国粮食产量影响回归分析
关于中国粮食相关投入对中国粮食产量影响回归分析一、研究的目的和要求民以食为天，粮食对一个国家是非常重要的，因为粮食安全始终是国家安全的重要基石，是社会稳定的压舱石。
根据粮食年产量统计和粮食进出口统计，我国粮食年总产量居世界第一，粮食进口量仍居世界第一。
粮食是粮农的重要经济来源，也是很多工业产品的原料。
充足的粮食供应，对国民经济长期稳定发展意义具有重大意义。
我国人多地少，农业资源总量不足，人均资源量远低于世界平均水平，确保国家粮食安全具有极端的重要性和紧迫性。
从理论上说，粮食增产是多种综合因素共同作用的结果，研究粮食相关投入对粮食产量的影响对于增加粮食产量具有重要的现实意义。
二、数据来源与变量说明分析数据来自2022年中国统计年鉴，数据如下表1所示。
经过分析，影响粮食产量的主要因素，除农业化肥使用量和粮食播种面积以外，还可能与成灾面积，农业机械总动力，农业劳动力有关。
表1中国粮食生产与相关投入资料年份粮食产量(万化肥施用量播种面积成灾面积机械动力农业劳动吨)(万公斤)(千公顷)(公顷)(万千瓦)力(万人)1998387281660114047162091802231151 1999407311740112884152641949730868 2000379111776108845227052091331130 2001391511931110933236562295031254 2002402081999111268203932483631663 2003394082142110123239452657532249 2004407552357112205244492806733225 2005446242590113466178192870838914 2006435292806112314278142938939098 2007442642930110560258953030838699 2008456493152110509231333181737680 2009445103318109544313833380236628 2010466623594110060222673611835530 2011504543828112548212333854734820 2012494173981112912303094201634840 2013512304084113787251814520835177 2014508394124113161267314899635768 20154621841461084633437452574360432016452644254106080317935517236513 2017457064339103891273195793036870 201843070441299410325166038736546 2019469474637101606162976402835269 2020484024766104278199666839833970 2021498044928104958246327252232561 2022501605108105638250647659031444三、模型构建3.1数据预处理本文对整理的数据进行了数据预处理。
粮食产量影响因素的多元线性回归分析
Advances in Applied Mathematics 应用数学进展, 2019, 8(6), 1088-1093Published Online June 2019 in Hans. /journal/aamhttps:///10.12677/aam.2019.86125Multiple Linear Regression Analysis ofFactors Affecting Grain YieldRanran Jia, Xu HanSchool of Mathematics and Computation Science, Anqing Normal University, Anqing AnhuiReceived: May 20th, 2019; accepted: Jun. 7th, 2019; published: Jun. 14th, 2019AbstractThis paper mainly introduces how to use multivariate linear regression method to analyze the in-fluencing factors of grain yield, and use IBM SPSS Statistics software to carry out analysis, and put forward relevant suggestions based on the analysis results.KeywordsGrain Yield Analysis, Multiple Linear Regression, Significance粮食产量影响因素的多元线性回归分析郏然然，韩旭安庆师范大学数学与计算科学学院，安徽安庆收稿日期：2019年5月20日；录用日期：2019年6月7日；发布日期：2019年6月14日摘要本文主要介绍了如何使用多元线性回归方法对粮食产量的影响因素进行分析和，使用IBM SPSS Statis-tics软件对求出的结果进行分析，并对分析结果结合实际提出相关建议。
基于计量经济学分析我国粮食产量的影响因素
基于计量经济学分析我国粮食产量的影响因素一、概述粮食产量作为国家经济安全和社会稳定的重要基础，历来受到广泛关注。
中国作为世界上人口最多的国家，粮食产量的稳定与增长对于保障国家粮食安全、促进经济社会持续健康发展具有重大意义。
随着全球气候变化、土地资源紧张、农业生产技术革新等多重因素的影响，我国粮食产量面临着诸多不确定性。
深入分析影响我国粮食产量的因素，对于制定科学合理的农业政策、提高粮食生产效率和保障国家粮食安全具有重要的理论价值和现实意义。
本文旨在运用计量经济学的方法，系统分析我国粮食产量的影响因素。
通过对国内外相关文献的梳理和评价，明确粮食产量影响因素的研究现状和不足。
结合我国粮食生产的实际情况，选取适当的计量经济学模型，如多元线性回归模型、面板数据模型等，对影响粮食产量的因素进行定量分析和检验。
在此基础上，深入探讨各因素对粮食产量的具体影响程度和方向，揭示各因素之间的内在联系和作用机制。
根据分析结果，提出针对性的政策建议，为我国粮食生产的可持续发展和国家粮食安全的保障提供科学依据。
通过本文的研究，期望能够为我国粮食生产领域的决策提供有益参考，同时也为计量经济学在农业经济领域的应用拓展新的思路和方法。
简述粮食产量对国家经济和社会发展的重要性粮食产量对一个国家经济和社会发展的重要性不言而喻。
粮食是人类生存的基础，是满足人民基本生活需求的必需品。
粮食产量的稳定增长是保障国家粮食安全、维护社会稳定的重要前提。
只有粮食供应充足，人民才能安居乐业，社会才能和谐稳定。
粮食产业是国民经济的重要组成部分。
粮食的种植、加工、储运、销售等环节涉及众多行业和领域，对经济增长和就业有着直接的拉动作用。
粮食产量的增加不仅意味着农业生产水平的提升，也为工业和服务业的发展提供了有力支撑。
粮食产量还是国家宏观调控的重要工具。
政府通过调整粮食生产政策、价格等手段，可以影响市场供求关系，进而调控经济运行。
在面临经济危机或通货膨胀等复杂经济环境时，粮食产量的稳定对于稳定物价、保障民生、维护国家经济安全具有重要意义。
河北省粮食产量影响因素多元回归分析
河北省粮食产量影响因素多元回归分析
河北省是中国粮食生产大省之一，其产量受多种因素的影响。
本文将利用多元回归分析方法，探究影响河北省粮食产量的多个因素。
在多元回归分析中，我们需要确定一个依赖变量和多个自变量。
在本文中，依赖变量为河北省粮食产量，而自变量可能包括气候因素（如降雨量、气温等）、土地利用情况、农业技术水平等。
为了进行分析，我们需要收集相关数据。
我们可以收集河北省的粮食产量数据、气象数据、土地利用数据、农业技术数据等。
这些数据可以从相关机构、研究报告、统计年鉴等渠道获取。
获取数据后，我们可以进行多元回归分析。
根据多元回归模型，我们可以得到每个自变量对粮食产量的影响程度和方向。
通过分析回归系数，我们可以确定哪些因素对粮食产量的影响比较大，哪些因素对粮食产量的影响比较小。
在分析中，需要注意的是，多元回归分析只能确定相关关系，并不能确定因果关系。
我们需要谨慎解释结果，不能过于绝对地认为某个因素对粮食产量有直接的因果影响。
除了多元回归分析，我们还可以通过分组分析、趋势分析等方法来进一步研究影响粮食产量的因素。
这些方法可以更全面地了解不同因素对粮食产量的影响。
通过多元回归分析等方法，我们可以揭示影响河北省粮食产量的多个因素。
这对于指导粮食生产、优化农业结构和提高粮食产量具有重要意义。
需要注意的是，多元回归分析只是其中的一种方法，我们还需要综合运用其他分析方法来更全面地研究这一问题。
黑龙江省粮食产量影响因素分析
黑龙江省粮食产量影响因素分析摘要黑龙江粮食产量逐年提高，为国家粮食安全提供了保障，具有不可替代的作用。
运用黑龙江1991—2011年数据进行多元线性回归分析影响黑龙江粮食产量的因素，主要有耕地面积、化肥施用量、农机总动力，其中化肥施用量贡献最为显著。
关键词粮食产量；影响因素；回归分析；黑龙江省“民以食为天”、“仓廪实而知礼节”等一些古训一直沿用至今，温家宝总理说：“手中有粮，心不慌”。
因此，如何保障粮食安全自始至终都是一个热点话题，为世界各国政府以及百姓所重视[1]。
我国的土地资源有限，人口基数又十分庞大，对粮食的消费自然更多，随着人口的不断增加、城市化进程的加快、社会形态与经济的变化和发展，我国对粮食的需求呈刚性增长，对粮食品种数量以及品质结构的需求有了新的变化，主要体现在随着人们生活水平的提高，人们对于蔬菜、水果和肉、蛋、奶的需求显著增加，这些农产品是由更多的粮食转化而来，并需要占用更多的良田，因此就又增加了粮食的消费。
黑龙江省是我国重要的粮食主产区之一，是我国重要的商品粮基地和亚麻、甜菜、烤烟等经济作物的主产区，肩负着国家粮食安全的重任[2]。
黑龙江粮食产量始终全国领先，并逐年提高，黑龙江省粮食增产贡献率在2009年高达60.61%，2011年黑龙江省粮食产量创下5 570.5万t的纪录，首次超过连续10年居全国首位的河南省，为保障国家粮食安全做出了突出贡献。
黑龙江省耕地面积居全国第一，是世界著名三大黑土带之一，根据2010年调查数据，黑龙江耕地面积1 426.67万hm2，占全国耕地面积的11.74%[3]。
黑龙江省粮食商品率较高。
自2006年以来，黑龙江省每年销往省外的商品粮均在2 250万t以上，占全国省际间商品粮净调出量的1/2左右，因此被誉为中国的“战略粮仓”[4]。
1 影响黑龙江省粮食产量的因素分析1.1 指标选取影响粮食产量的因素有许多，首先应当考虑的是粮食播种面积，其次是生产资料的投入，如化肥使用量、农机动力、资本、劳动等，此外还有政策方面的因素等。
基于逐步回归分析的粮食产量影响因素研究
一
、
数 据 来 源 及 建 模 过 程
粮 补 贴来 提 高农 民 的种 粮 积 极 性 ．对 粮 食 增 产 具 有 重 要 意 义 ：
高度 机 械 化 带 来农 业 机 械 的 闲 置 ． 业 机 械 的 大 量增 加 在 粮 食 农 增 产 上 效 果 并 不 明 显 ： 目增 加 化 肥 的使 用 量 并 不 能从 根 本 上 盲 增 加 粮 食 产 量 ． 键 是 要提 高化 肥 的 利 用 率 。 关
理
—
攘 索
— —
ｊｌ ＿ 曩 一
Ｃ ＮＥ Ｍ Ｐ Ｏ ＲＡ Ｒ Ｙ ＥＣ ～Ｍ℃＿●Ｉ ■ Ｏ Ｔ Ｏ ｜ １ ■ ｌ Ｏ 誊 ｃ ■■ Ｓ ｓ ■
。
—
攮 撼
（ 、 岛理工 大学经 贸学院 山 东 青 岛 ２ ６２ １青 ６ ５０ ２ 中国石油 大学石 油工程 学院 山 东 青 岛 ２ ６ ５ ） 、 ６ ５ ５
１影 响 因子 的 选取 与数 据 来 源 、
影响粮 食产量的因素很 多 ， 由于研 究方法和地理 范围的不 同， 研究结果亦 有很大 差异 。本文结 合山东省实际情 况选 择了
七 个因子作为 分析 对象 ， ： 一粮食单 产（ 斤 ／公顷 ）ｘ厂 即 ｘ 公 、
【 关键词 】 山东省 逐步回归分析 粮食单 产 价格指数比 粮食作 为国家 的战略产业 ， 事关经济发展和社会稳定大局 。 建国 ６ ０年来 ， 山东省粮食生产成绩显著 ， 变化趋 势如 图 １ 所示 。
Ｘ２ ｏ ９ １ ０ ．７ ５ ３
１ ｏ ｏ ｏ －ｏ ６ ５ ６ ｏ．５ ２ １ ｏｏ ｏ ９ ３ ８ ９ ０ ４
ｏ８ ３ ３ ．６ ０ ４
ｏ４ ９ ７ ６ ６ ２
粮食产量影响因素回归分析
粮食产量影响因素回归分析一、问题的提出粮食是人类生存最基本的生活消费品，一个国家的粮食问题是关系到本国的国计民生的头等大事。
农业是国民经济发展的基础，粮食是基础的基础，因此粮食生产是关系到一个国家生存与发展的一个永恒的主题。
建国以来我国的粮食产量多次出现了波动，这不仅制约了国民经济的发展，而且给粮食生产者和消费者都带来了极为不利的影响。
中国的粮食产量波动对粮食价格的影响重大，意义深远。
分析近几十年来的中国粮食产量并从中发现一些规律，对我们认识目前的粮食价格及未来走势有重要帮助。
2000年以来，我国粮食产量从总趋势来看是增长的，然而对总趋势作进一步分析，发现增长是在波动中的增长，其中的原因可以从粮食产量的影响因素中得到说明。
本文将就影响粮食产量的具体因素作些分析。
二、模型的选择和变量的确定影响粮食产量的因素中包括了促进生产的有利因素和抑制产出的不利因素，所以我们选取了粮食播种面积、有效灌溉面积、农业机械总动力、化肥施用量四个有利因素以及成灾面积作为研究粮食产量的模型中的解释变量。
被解释变量为：粮食产量cl（万吨），初步选择的影响因素为：粮食作物播种面积bzmj（千公顷）；有效灌溉面积ggmj（千公顷）；农业机械总动力jx （万千瓦）；农用化肥施用折纯量hf（万吨）；成灾面积czmj（千公顷），所选数据为2000年到2015年共16年的年度数据，数据来源为国家统计局网站。
用EVIEWS进行回归结果如下：Dependent Variable: CLMethod: Least SquaresDate: 06/02/17 Time: 14:44Sample: 2000 2015Included observations: 16Variable Coefficient Std. Error t-Statistic Prob.C -54033.91 33761.11 -1.600478 0.1406BZMJ 0.342532 0.116935 2.929250 0.0151GGMJ 0.896893 0.613413 1.462136 0.1744JX -0.203375 0.303060 -0.671071 0.5174HF 6.968075 6.124984 1.137648 0.2818CZMJ -0.110738 0.048682 -2.274734 0.0462R-squared 0.992217 Mean dependent var 52205.63 Adjusted R-squared 0.988325 S.D. dependent var 6183.542 S.E. of regression 668.1246 Akaike info criterion 16.12682 Sum squared resid 4463905. Schwarz criterion 16.41654 Log likelihood -123.0146 Hannan-Quinn criter. 16.14166F-statistic 254.9691 Durbin-Watson stat 1.554256 Prob(F-statistic) 0.000000可以看出接近1，拟合优度很好，F很大，线性关系显著，但t值不显著，回,归系数显著性不足，说明存在多重共线性，通过逐步回归的方法剔除变量，结果如下：Dependent Variable: CLMethod: Stepwise RegressionDate: 06/02/17 Time: 14:50Sample: 2000 2015Included observations: 16No always included regressorsNumber of search regressors: 6Selection method: Stepwise forwardsStopping criterion: p-value forwards/backwards = 0.5/0.5Variable Coefficient Std. Error t-Statistic Prob.*HF 2.938931 1.180477 2.489614 0.0301GGMJ 0.510902 0.207765 2.459041 0.0317C -31781.55 6184.666 -5.138765 0.0003BZMJ 0.384925 0.095913 4.013284 0.0020CZMJ -0.110741 0.047450 -2.333840 0.0396R-squared 0.991866 Mean dependent var 52205.63 Adjusted R-squared 0.988909 S.D. dependent var 6183.542 S.E. of regression 651.2178 Akaike info criterion 16.04587 Sum squared resid 4664931. Schwarz criterion 16.28731 Log likelihood -123.3670 Hannan-Quinn criter. 16.05824 F-statistic 335.3564 Durbin-Watson stat 1.543528 Prob(F-statistic) 0.000000通过逐步回归，剔除了解释变量农业机械总动力jx（万千瓦），考虑其现实意义，这是因为时至二十一世纪，我国的农业生产已经大致实现机械化，能够通过应用农业机械的大幅提高产量地方已经应用，所以农业机械总动力的变化不再能显著影响粮食产量。
我国粮食产量的影响因素分析
我国粮食产量的影响因素分析摘要：本文针对我国是一个农业大国的基本国情，选取我国1978-2011年的相关数据，对我国粮食产量的影响因素的分析、检验，并对各因素的影响程度的大小进行比较，最终建立合适的回归模型，对其做统计和经济意义上的分析，并根据结果提出建议。
关键词：农业粮食产量有效灌溉面积受灾面积一、问题的提出我国是传统意义上的农业大国，农业生产一直在我国经济发展中占据着重要的地位。
建国后，在经历人民公社运动、大跃进以及文革的浩劫后，农业发展严重滞后，无法满足人民的需要。
1978年改革开放也首先在农村地区开展，实行家庭生产承包责任制，农业有了快速的发展。
随着科技的不断进步，粮食产量也不断上升。
可是农村人口和耕地面积的不断减少也制约着粮食产量的进一步增加。
到底是哪些因素制约着粮食产量呢？针对这个问题，本文选取了我国1978年到2011年的相关数据，通过建立回归模型，对各种影响因素进行分析。
并且在通过分析知道影响粮食产量的因素后，提出了提高粮食产量的有效途径。
二、数据收集本文选取了1978年至2011年的34组数据，从数据个数来看完全满足多元回归模型的设定需要。
选取1978年以后的数据主要是因为1978年之前，由于人民公社化运动期间农业数据的浮夸形象，以及文革期间农业生产的停滞等非正常社会现象会影响模型的分析，故从1978年我国改革开放之后开始选取数据。
1978年-2011年我国粮食生产与相关投入的数据表年份粮食产量(万吨) 农业机械总动力(万千瓦)有效灌溉面积(千公顷)农用化肥施用折纯量(万吨)粮食作物播种面积(千公顷)受灾面积(千公顷)Y X1 X2 X3 X4 X5 1978 30476.50 11749.90 44965.00 884.00 120587.20 50807 1979 33211.50 13379.50 45003.13 1086.30 119262.70 39367 1980 32055.50 14745.75 44888.07 1269.40 117234.27 50025 1981 32502.00 15680.10 44573.80 1334.90 114957.67 39786 1982 35450.00 16614.21 44176.87 1513.40 113462.40 33133 1983 38727.50 18021.90 44644.07 1659.80 114047.20 347131984 40730.50 19497.22 44453.00 1739.80 112883.93 31887 1985 37910.80 20912.55 44035.93 1775.80 108845.13 44365 1986 39151.20 22950.00 44225.80 1930.60 110932.60 471351987 40297.70 24836.0044403.00 1999.30 111267.77420861988 39408.10 26575.00 44375.91 2141.50 110122.60 50874 1989 40754.90 28067.00 44917.20 2357.10 112204.67 46991 1990 44624.30 28707.70 47403.07 2590.30 113465.87 38474 1991 43529.30 29388.60 47822.07 2805.10 112313.60 55472 1992 44265.80 30308.40 48590.10 2930.20 110559.70 51332 1993 45648.80 31816.60 48727.90 3151.80 110508.70 48827 1994 44510.10 33802.50 48759.10 3317.90 109543.70 55046 1995 46661.80 36118.05 49281.60 3593.70 110060.40 45824 1996 50453.50 38546.90 50381.60 3827.90 112547.92 46991 1997 49417.10 42015.60 51238.50 3980.70 112912.10 53427 1998 51229.53 45207.71 52295.60 4083.69 113787.40 50145 1999 50838.58 48996.12 53158.41 4124.32 113160.98 49980 2000 46217.52 52573.61 53820.33 4146.41 108462.54 54688 2001 45263.67 55172.10 54249.39 4253.76 106080.03 52215 2002 45705.75 57929.85 54354.85 4339.39 103890.83 46946 2003 43069.53 60386.54 54014.23 4411.56 99410.37 54506 2004 46946.95 64027.91 54478.42 4636.58 101606.03 37106 2005 48402.19 68397.85 55029.34 4766.22 104278.38 38818 2006 49804.23 72522.12 55750.50 4927.69 104957.70 41091 2007 50160.28 76589.56 56518.34 5107.83 105638.36 48992 2008 52870.92 82190.41 58471.68 5239.02 106792.65 39990 2009 53082.08 87496.10 59261.45 5404.35 108985.75 47214 2010 54647.71 92780.48 60347.70 5561.68 109876.09 37426 2011 57120.85 97734.66 61681.56 5704.24 110573.02 32471三、模型设定1、分别做被解释变量（Y）与解释变量（X1、X2、X3、X4、X5）的散点图，结果如下:由散点图可知，解释变量与别解释变量间的线性关系并不明确，故对原方程两边同时取对数，建立新的回归方程3、为了方便计算，对变量进行重新定义，在eviews对话框中输入genr y=log(y)genr x1=log(x1)genr x2=log(x2)genr x3=log(x3)genr x4=log(x4)genr x5=log(x5)建立新的回归模型，结果如下图由上图可知新的多元回归模型为54321128441.0461565.1401626.0603457.0078124.0408078.2X X X X X Y -++-+-=四、模型的检验与调整（一）经济意义检验由经济分析可知，粮食产量（Y ）与农业机械总动力（X1）、有效灌溉面积（X2）、农用化肥施用折纯量（X3）、粮食作物播种面积（X4）应成正相关关系，与受灾面积（X5）应成负相关关系。
eviews作业报告(粮食产量的影响因素分析)
粮食产量的影响因素分析本文研究粮食产量（Y）的影响因素，选取了农用机械总动力（X1）、农村用电量（X2）、灌溉面积（X3）、化肥施用量（X4）作为备选的影响因素，考虑到这几个变量的量级比较大，在进行回归分析时，将其进行对数化处理。
1.描述性统计Mean Median Maximum Minimum Std.Dev. Skewness KurtosisLNY 8.592196 8.62727 8.828465 8.180172 0.194589 -0.593456 2.143442 LNX1 9.110365 9.196122 9.368205 8.662263 0.213404 -0.810039 2.410341 LNX2 5.468627 5.596234 5.92348 4.834693 0.357258 -0.529087 1.792365 LNX3 8.532198 8.523777 8.628185 8.460688 0.050207 0.322264 1.892992 LNX4 6.391336 6.47386 6.573806 6.041944 0.177652 -0.668104 1.9754032.回归结果通过eviews8进行回归分析，结果见下表：从结果来看，其拟合优度为0.9553，接近于1，拟合效果较好，而F统计量对应的p值为0.0000，小于1%，因此在1%的显著水平下，模型整体对被解释变量LNY有显著影响。
3.多重共线性检验与修正从回归的系数来看，LNX1的系数为负，不满足经济意义检验，且注意到LNX1、LNX3和LNX4的系数无法通过10%的显著性t检验，因此可能存在严重的多重共线性。
对此，对其进行相关系数检验与VIF检验。
（1）检验相关系数检验结果如下：LNX1 LNX2 LNX3 LNX4LNX1 1 0.94888276 0.77410094 0.974241776LNX2 0.94888276 1 0.912887286 0.968956027LNX3 0.77410094 0.912887286 1 0.82815689LNX4 0.974241776 0.968956027 0.82815689 1从解释变量的相关系数来看，解释变量之间的相关系数普遍较高，基本都在0.9以上，因此有严重的多重共线性。
回归分析案例
回归分析案例现收集到若干年粮食产量以及受灾面积、农作物总播种面积、乡村从业人员、农用化肥施用折纯量等数据，利用多元线性回归分析，分析影响粮食产量的主要因素。
一、相关分析（相关矩阵）setwd("D:/Rdata")data<-read.csv(file=file.choose(),head=T)colnames(data)<-c("Y","X1","X2","X3","X4")dataX<-cor(data)Xpairs(data)结果显示分析X1与Y的相关系数较小，X2、X3、X4与Y的相关系数较大。
X3、X4可能存在较强的相关性。
二、多重共线性诊断kappa(X,,exact=T)结果显示K值<100说明共线性很小，K值在100到1000之间说明中等强度，K>1000存在严重共线性。
此处K=580.8733，说明存在多重共线性。
三、线性回归attach(data)lm.sol<-lm(Y~X1+X2+X3+X4)summary(lm.sol)结果显示分析F统计量的P-value<0.05,故线性回归显著。
X1、X3的系数显著，其他系数均不显著，2R为0.9023。
这很可能出现多重共线性。
综合kappa检验，确定是多重共线性引起的。
可用逐步回归法修正该模型。
lm.step<-step(lm.sol)summary(lm.step)结果显示分析删掉了X2、X4两个变量，F统计量的P-value<0.05，线性关系同样显著，常数项，X1、X3系数均显著。
2R=0.8966，略微有所降低。
综合来看，模型拟合较合适。
四、异方差检验library(lmtest)bptest(lm.step)结果显示分析p-value=0.1442>0.05 所以可以认为不具有异方差性，即残差是同方差的。
多元线性回归分析-粮食产量预测-本科毕业论文
摘要本文第一章给出了黑龙江省粮食生产状况，粮食产量预测的背景和意义。
第二章给出了多元线性回归的理论主体：包括多元线性回归模型的标准形式，多元线性回归模型的参数估计，模型的检验和预测原理。
第三章应用多元线性回归模型对黑龙江省粮食产量进行预测，分析并确定影响粮食产量的主要因素，建立多元线性回归方程，收集并整理相关数据，应用Eviews6.0软件对多元线性线性回归方程进行参数估计，分别对模型进行拟合程度检验、t检验、f检验，并对自变量进行多重共线性检验，使用逐步回归方法剔除部分自变量，降低自变量间的多重共线性，确定最优回归方程，并应用模型进行粮食产量的预测。
第四章对预测结果及各主要影响因素进行分析解读，最后对黑龙江粮食生产安全提出建议。
关键词：多元回归；多重共线性；逐步回归；粮食产量；预测AbstractThe first chapter of this paper gives the situation of grain production in Heilongjiang Province,and the background and significance of the foodstuff yield prediction.The second chapter gives the multiple linear regression theory, including the standard form of multiple linear regression model,estimation of multiple linear regression model,the method of model test and prediction theory. The third chapter use the multivariate linear regression model to predict the grain yield in Heilongjiang Province. Research and analysis of the main factor that affects grain production,and the establishment of multiple linear regression equation,subsequently collected related data,the application of Eviews software on multiple linear regression equations to estimate the parameters,using the degree of fitting test, t test, F test to detect model,the independent variables were multiple colinearity test,the use of stepwise regression method to eliminate some variables,reduce one of Multicollinearity,determination of the optimal regression equation,then apply the model to the forecast of grain yield.The fourth chapter puts forward suggestions on grain production in Heilongjiang Province.Keywords:multiple regression, multicollinearity, stepwise regression, grain yield, forecast目录序言 (2)第一章课题背景 (3)§1.1 黑龙江省粮食生产状况 (3)§1.2 多元回归分析与预测的引入 (3)第二章多元线性回归的理论主体 (4)§2.1标准多元线性回归模型 (4)§2.2模型的估计 (4)§2.3模型的检验方法和预测原理 (5)第三章应用多元线性回归模型预测黑龙江省粮食产量 (9)§3.1 分析确定影响粮食产量的主要因素 (9)§3.2 回归方程的建立 (10)§3.3 回归模型的估计 (10)§3.4 回归模型的检验 (13)§3.5 自变量的多重共线性及最优方程的确定 (14)§3.6 模型的实际预测 (18)第四章对黑龙江省粮食生产的建议 (20)结束语 (21)谢词 (22)参考文献 (23)序言粮食生产和安全问题是现阶段全球最为关注的问题之一。
多元线性回归分析在粮食产量预测中的应用讲解
多元线性回归分析在粮食产量预测中的应用摘要：本文主要介绍了如何用SPSS 软件，运用多元线性回归的方法对中国1991至2010年度的粮食产量进行处理分析和预测。
首先导入数据建立回归方程，然后对回归方程进行了显著性检验和残差分析，并对粮食产量进行了预测。
关键词:多元回归分析 粮食产量预测 SPSS 多元线性回归 1. 引言回归分析是统计学的一个重要分支，它基于观测数据建立变量之间的某种依赖关系，分析数据的内在规律，并可用于预测等方面。
常用的粮食产量数据处理方法有回归分析法、时间序列分析法、灰色系统分析法等。
而回归分析法是在获得大量粮食产量、粮食播种面积、自然灾害对农田的影响面积以及机械化农耕的数据的基础上，利用多元统计的方法建立自变量和因变量之间的回归关系，并对所建立的模型进行检验，以通过回归模型进行预测，对粮食安全形势的预警有着至关重要的作用。
本文在介绍多元线性回归的基本原理、方法的基础上，将其引入变形监测的数据处理中，接着说明了回归方程的建立、回归方程的显著性和回归系数的显著性，最后结合实例数据处理分析，说明回归分析在粮食产量数据处理中的应用是可行的。
2. 多元线性回归模型（1）多元线性回归分析是研究一个变量(因变量)与多个因子（自变量）之间非确定关系（相关关系）的最基本方法。
设y 是一个可观测的随机变量，它受到p 个随机因素的影响，其数学模型为01122t t t p tp ty x x x ββββε=+++++式中：（1,2,,t n =）, ()2~0,t N εσ，0β，1,,pββ是待定参数；ε是随机变量，它表示出x 以外其它随机因素对y 影响的总和；其中称01122()t t p tpE y x x x ββββ=++++为理论回归方程。
（2）多元线性回归方程中的未知参数一般采用最小二乘法进行估计，即选择0β，1,,pββ使误差平方和Q=最小。
然后利用微积分的极值求法，由最小二乘原理可求得β的估值，在求得多元线性回归方程后，还需要对其进行统计检验。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
关于影响粮食产量因素的回归分析摘要：我国土地资源稀缺，人口多而粮食需求量大，因此粮食产量的稳定增长，直接影响着人民生活和社会的稳定与发展。
粮食生产的不稳定性对国民经济的影响是不可忽略的，主要体现在:粮食生产不稳定会引发粮食供求关系的变动,尤其当国家粮食储备不足的时候,很容易导致粮价上涨,从而影响整个宏观经济。
通过回归分析粮食产量波动的原因，并据此提出相应的对策，对保障粮食生产持续稳定发展，具有重要意义。
关键词:线性回归 回归分析 粮食产量 宏观经济 稳定发展一、引言本文按照计量经济分析方法,以1993—2012年中国粮食产量及其重要因素的时间序列数据为样本,对影响中国粮食生产的多种因素进行了分析。
选用了粮食产量、受灾面积、化肥施用量、粮食作物播种面积 农机动力、农村用电量，以粮食产量作为因变量,其它5个指标作为解释变量进行回归分析。
（一）建立模型通过对中国粮食生产及影响因素的初步定性分析后假设,粮食产量与其它3个指标之间存在多元线性关系, 即粮食受灾面积，化肥施用量，粮食作物播种面积，存在着线性关系,也即可以把粮食产量的线性回归模型初步设定为：^01122334455Y X X X X X ββββββ=+++++,其中,y:粮食产量（CHANLIANG ）, X 1 受灾面积（SZMJ ），X 2化肥施用量(HFSYL)，X 3粮食作物播种面积(BZMJ)，X4农机动力，X5农村用电量，然后利用已有的数据进行模型拟合,以便发现这些因素之间存在的数量关系。
（二）数据搜集和来源根据相应年度的《中国统计年鉴》、《中国农村统计年鉴》、《中国农业发展报告》,选用了粮食产量、受灾面积，化肥施用量，粮食作物播种面积，农机动力，农村用电量这6个指标,把这6个指标的1993—2012年20年间的时间序列数据进行回归分析,来分析这些因素与粮食产量的关系。
以粮食产量作为因变量,其它3个指标作为解释变量进行回归分析。
按照计量经济分析方法对影响中国粮食生产的多种因素进行了分析。
数据如下：本次采用的估计模型为^01122334455Y X X X X X ββββββ=+++++粮食产量 受灾面积 化肥施用量 粮食作物播种面积 农机动力农村用电量年份 (万吨)y(万公顷)x1 (万吨)x2 (千公顷)x3（万千瓦）x4（亿千瓦时）x5 1993 45648.8 4882.9 3151.9 110509 31817 1244.8 1994 44510.1 5504.3 3317.9 109544 33803 1473.9 1995 46661.8 4582.1 3593.7 110060 36118 1655.7 1996 50453.5 4698.9 3827.9 112548 38547 1812.7 1997 49417.1 5342.9 3980.7 112912 42016 1980.1 1998 51229.5 5014.5 4083.7 113787 45208 2042.1 1999 50838.6 4998.1 4124.3 113161 48996 2173.4 2000 46217.5 5468.8 4146.4 108463 52574 2421.3 2001 45263.7 5221.5 4253.8 106080 55172 2610.8 2002 45705.8 4711.9 4339.4 103891 57930 2993.4 2003 43069.5 5450.6 4411.6 99410 60387 3432.9 2004 46946.9 3710.6 4636.6 101606 64028 3933.0 2005 48402.2 3881.8 4766.2 104278 68398 4375.3 2006 49746.1 4109.1 4927.7 104957 72522 4895.8 2007 50150.2 4899.2 5107.8 105638 76589 5509.9 2008 52850.5 3999.0 5239.0 106792 82190 5713.2 2009 53082.0 4721.4 5404.4 108986 87496 6104.4 2010 54641.0 3742.6 5561.7 109876 92780 6632.4 201157121.13247.0 5704.2 110573 97735 7139.6 2012 58957.0 2496.05838.91112051025597508.5是回归系数。
其中i二、模型的参数估计与分析线性利用SAS对模型进行拟合，参数估计和检验，用最小二乘法得到线性回归方程的形式如下：Y=-30416-1.24359*X1+5.28523*X2+0.61924*X3-0.14305*X4+0.95538 *X5其中X4为农机动力（万千瓦），但是得到的参数为负值，与其经济学意义不相符，故此推测存在严重的多重共线性。
此外，该模型的F值221.48，可决系数R方为0.9875，修正可决系数为0.9831说明该模型的显著性成立，方程解释变量X1,X2,X3,X系数的t检验伴随概率小于5%，即t检验显著性成立，但是解释变量X5系数的t检验伴随概率大于5%，接受系数为0的假设.因此该方程需要调整，该模型可能存在多重共线性和序列相关、异方差等问题。
三、模型的多重共线性检验所谓多重共线性是指解释变量之间违背了相互独立的假设，及某两个或多个解释变量之间出现了相关性。
多重共线性的检验主要应用逐步回归法。
首先计算出各个变量之间的简单相关系数矩阵，初步判断相关性。
通过SAS程序运行，得到各解释变量的相关系数表如下：1）第一步：由于统计量X2的F值最大，为24.47，说明它最显著，此外R 方 =0.5761和 C(p) = 459.3327，所以X2为最先选入的统计量。
2）第二步：其他变量继续进行统计分析，出最显著的统计量X3，此时R 方=0.9548，比上一次更加显著，而C（p）=36.7162,和上一次比下降的非常明显，说明X3这个统计量是有效果的。
3）第三步：继续进行上述步骤，得出最显著的统计量X1，此时R^2为0.9831，而C(p)=6.9133，下降的非常明显，说明X1是有效果的。
4）第四步：继续上述步骤，发现在水平为0.05下，其他各变量没有通过显著性检验，所以可以剔除X4，X5。
回归方程为：Y=-29857-1.29658X1+3.72461X2+0.32648X3四、异方差性检验以上各统计量似乎没有那个参数的t 检验是显著的，且可决系数比较小。
但怀特统计量nR^2=20*0.1563=3.126,该值小于5%显著性水平下自由度为9的2 分布的相应临界值16.92.因此，接受同方差性的检验。
五、序列相关性由上表得知，D.W.=1.708，查询D.W.分布表得知，n=20,k=4时，l d =1.00,u d =1.68。
u d <D.W.<4-u d ,则无自相关。
六、统计学检验选取2012年数据来进行统计检验：Y=-29857-1.29658*2496.0+3.72461*5838.9+0.32648*111205 =58989.300049与实际值误差为32.300049，误差为0.0543%，与实际情况吻合的很好。
七、总结和建议中国的粮食生产问题,不仅是中国经济界的重要研究课题,而且也越来越受到世界经济学家的重视。
要提高粮食产量，必须积极稳妥地推进农业机械化的发展：①要把主要农产品生产过程机械化和产业化经营有机结合起来；②对农业机械化进行结构性调整；③因地制宜，有重点的推荐地区农业机械化；④大力促进农业技术进步，重视农村的基础教育；⑤建立与农业机械化相适应的农村经济体制。
纵观中国农村现状，与其他产业相比，农业的发展一直比较缓慢。
扩大耕作面积，提高单产，实现机械化、规模化生产是我国农业健康发展的必由之路。
八、参考文献吴玉鸣.中国粮食生产主要影响因素的多因素动态关联分析[J],农业经济问题,1998(1)戚世均等.中国粮食生产潜力及未来粮食生产研究[J].郑州粮食学院学报,2000(3)庞皓，《计量经济学》[M]，西南财经大学出版社，2001年8月第一版周四军，《对我国粮食生产影响因素的计量分析》，《统计与决策》[M]，2003.赵慧江，《基于回归分析的粮食产量影响因素分析》，《怀化学院学报》[M]，2009.相关程序：参数估计：1）data grain1;input year Y X1 X2 X3 X4 X5 @@;cards;1993 45648.8 4882.9 3151.9 110509 31817 1244.81994 44510.1 5504.3 3317.9 109544 33803 1473.91995 46661.8 4582.1 3593.7 110060 36118 1655.71996 50453.5 4698.9 3827.9 112548 38547 1812.71997 49417.1 5342.9 3980.7 112912 42016 1980.11998 51229.5 5014.5 4083.7 113787 45208 2042.11999 50838.6 4998.1 4124.3 113161 48996 2173.4 2000 46217.5 5468.8 4146.4 108463 52574 2421.3 2001 45263.7 5221.5 4253.8 106080 55172 2610.8 2002 45705.8 4711.9 4339.4 103891 57930 2993.4 2003 43069.5 5450.6 4411.6 99410 60387 3432.9 2004 46946.9 3710.6 4636.6 101606 64028 3933.0 2005 48402.2 3881.8 4766.2 104278 68398 4375.3 2006 49746.1 4109.1 4927.7 104957 72522 4895.8 2007 50150.2 4899.2 5107.8 105638 76589 5509.9 2008 52850.5 3999.0 5239.0 106792 82190 5713.2 2009 53082.0 4721.4 5404.4 108986 87496 6104.4 2010 54641.0 3742.6 5561.7 109876 92780 6632.4 2011 57121.1 3247.0 5704.2 110573 97735 7139.6 2012 58957.0 2496.0 5838.9 111205 102559 7508.5 run;proc print data=grain1;title" 原始样本值观测";run;proc reg data=grain1;model Y=X1 X2 X3 X4 X5/DW;run;2）共线性检验：data grain1;input year Y X1 X2 X3 X4 X5@@;cards2;1993 45648.8 4882.9 3151.9 110509 31817 1244.81994 44510.1 5504.3 3317.9 109544 33803 1473.91995 46661.8 4582.1 3593.7 110060 36118 1655.71996 50453.5 4698.9 3827.9 112548 38547 1812.71997 49417.1 5342.9 3980.7 112912 42016 1980.11998 51229.5 5014.5 4083.7 113787 45208 2042.11999 50838.6 4998.1 4124.3 113161 48996 2173.42000 46217.5 5468.8 4146.4 108463 52574 2421.32001 45263.7 5221.5 4253.8 106080 55172 2610.82002 45705.8 4711.9 4339.4 103891 57930 2993.42003 43069.5 5450.6 4411.6 99410 60387 3432.92004 46946.9 3710.6 4636.6 101606 64028 3933.02005 48402.2 3881.8 4766.2 104278 68398 4375.32006 49746.1 4109.1 4927.7 104957 72522 4895.82007 50150.2 4899.2 5107.8 105638 76589 5509.92008 52850.5 3999.0 5239.0 106792 82190 5713.22009 53082.0 4721.4 5404.4 108986 87496 6104.42010 54641.0 3742.6 5561.7 109876 92780 6632.42011 57121.1 3247.0 5704.2 110573 97735 7139.62012 58957.0 2496.0 5838.9 111205 102559 7508.5run;proc print data=grain1;title " 粮食生产原始样本值观测";run;proc reg data=grain1;model Y=X1 X2 X3 X4 X5/DW;run;proc corr;/*求相关系数矩阵*/var X1 X2 X3 X4 X5;run;proc reg data=grain1;model Y=X1 /DW;run;proc reg data=grain1;model Y=X2/DW;run;proc reg data=grain1;model Y=X3/DW;run;proc reg data=grain1;model Y=X4/DW;run;proc reg data=grain1;model Y=X5/DW;run;/*以下是逐步回归过程*/proc reg data=grain1;model Y=X1 X2 X3 X4 X5/ dw selection=stepwise details=all slentry=0.05 slstay=0.05;title "粮食模型逐步回归";run;data grain;set grain1 ;Yguji=Y=-30416-1.24359*X1+5.28523*X2+0.61924*X3-0.14305*X4+0.95 538*X5;/*加波浪线的数值是前面估计得来的参数值，需要从前面的回归结果中得到。