基于回归分析的中国城镇居民人均可支配收入的预测研究

《基于回归分析的中国城镇居民人均可支配收入的预测研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于回归分析的中国城镇居民家庭人均可支配收入预测研究China'spercapitadisposableincomeofurbanhouseholdspredictionandresearchbasedontheregressionanalysis摘要：通过运用spss数据统计分析软件，对我国21世纪以来的城镇居民家庭人均可支配收入水平进行预测分析，以了解城镇居民收入水平，进而了解其购买力，消费水平，从而更好的促进人民可支配收入的增长，增强我国综合国力,促进人民生活水平的提高。关键词：城镇居民家庭人均可支配收入；回归分析；预测；spssAbstract:ByusingSPSSst

2、atisticalanalysissoftware,weforecastandanalysisonpercapitadisposableincomeofurbanhouseholdsofourcountrysincethe21stcentury,forunderstandingurbanresidentsincomelevel,andtheirpurchasingpower,consumptionlevel,soastobetterpromotethegrowthofpeople'sdisposableincome,enhanceChina'scomprehensivenatio

3、nalstrength,promotetheimprovementofourlivingstandards.Keywords:percapitadisposableincomeofurbanhouseholds;regressionanalysis;prediction;SPSS一、研究背景城镇居民家庭人均可支配收入是指反映居民家庭全部现金收入能用于安排家庭日常生活的那部分收入。它是家庭总收入扣除缴纳的所得税、个人交纳的社会保障费以及调查户的记账补贴后的收入。“在众多统计指标中，居民人均可支配收入贴近民情，反映民生，不仅成为各地交通事故或工伤赔偿、低收入家庭保障补贴等法规或政策执

4、行的参照标准；而且国家“十二五”规划纲要明确提出，要保持居民收入与经济增长同步，推动各级地方党委政府将其作为民生改善测评的重要指标。[1]”城镇居民可支配收入是居民人均可支配收入的重要组成部分，通过预测城镇居民的可支配收入水平，为更好的提高促进城市的发展做贡献。二、研究方法与基本概念城镇居民可支配收入是与国家的总体发展水平息息相关，国家的总体发展水平相对来说是稳定发展的，所以城镇居民可支配收入相对来说虽然会受到各种各样的因素的影响，但总体应该不会有太大的波动，所以，我们选择运用spss数据统计分析工具我们来了解数据间的关联，进而进行回归分析。表12000年以来我国城镇居民人均可支

5、配收入年度2001200220032004200520062007200820092010201120122013人均可支配收入（元）6859.67702.88472.29421.610493.011759.513785.815780.817174.719109.421809.824564.726955.0“回归分析是一种统计学上分析数据的方法，目的在于了解两个或多个变量间是否相关、相关方向与强度，并建立数学模型以便观察特定变量来预测研究者感兴趣的变量。它的原理是通过找出一条最能够代表所有观测资料的函数（回归估计式），用此函数代表因变量和自变量之间的关系。[2]”三、数据收集与分

6、析1、数据收集本文选择的因变量是城镇居民人均年度可支配收入，自变量是年份。通过收集国家统计局网站上公布的关于城镇居民可支配收入的数据，归纳整理如下表1：表12001-2013年城镇居民人均可支配收入2、数据分析首先，通过散点图来了解两变量间数量关联趋势，对数据的变化规律进行观察。通过图形构建得到图1，如下：图1城镇居民人均可支配收入散点图图1显示：随着年代的推移，城镇居民人均可支配收入明显呈线性趋势，同时散点图反映出城镇居民人均可支配收入似乎在遵循同一个曲线变动，这正说明了随着我国综合国力的增强，改革开放的不断深入以及加入世界世贸组织等社会的发展与进步。从统计建模的角度讲，这些数

7、据应该很合适。一方面，观察2001-2013年的城镇居民人均可支配收入变化，可以看到呈现出缓慢加速上升的曲线趋势，所有可以反映该趋势的曲线模型均考虑在列，因此可以考虑拟合3种曲线模型：二次方曲线：Y=b0+b1X+b2X2。三次方曲线：Y=b0+b1X+b2X2+b3X3。指数曲线：Y=b0eb1X。其中拟合优度较高的模型将用于随后的预测。另一方面，由于相应模型中存在自变量的高次项或指数项，直接使用年代作为自变量纳入模型将产生数值很大的平方、立方项，这虽然不影响模型精度，但会严重