对各地受较高教育人口比重的回归分析 统计案例分析

《对各地受较高教育人口比重的回归分析 统计案例分析》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、对各地受较高教育人口比重的回归分析——统计学案例分析摘要本文采用多元线性回归分析方法，对我国不同省份人群受较高教育人口比重的差异进行了影响因素探究。本文结合现有文献的研究成果，选取地方经济、教育政策、基础设施（城市化程度）、人才需求产业四个方面对我国不同地区人群受较高教育人口比重的差异进行考察。通过变量相关性分析和直接回归分析对变量进行检验，然后逐步回归选取合理科学变量，最后得到我国地区人群受较高教育人口比重差异影响因素的回归模型。结果表明：我国地区人群受较高教育人口比重差异主要取决于地方经济因素，随着经济发展水平的上升，人均可支配收

2、入每增加1000元，地区受较高教育人口加权比重就会上升0.588%。1.前言不同人群的受教育程度往往不同，有时两个人群即使属于同一民族，处于同一地带，拥有相同文化背景，其人群受教育程度会有依然不小的差距。对此现象，国内外学者已做了不少的研究与分析，发现这与各个地方的经济，教育政策，以及环境和历史文化相关。胡春光（2003）认为教育是受到政治，经济，文化，教育政策，科学技术，人口等多因素从不同方面，不同层次和方式影响的，教育是一个合力作用的结果。孙萍（2003）应用回归分析方法建立了新疆地区教育与经济发展的指数回归模型,证明在新疆地区教

3、育发展与经济发展之间高度相关,要发展经济必须首先发展教育。涂冬波（2004）认为影响教育发展的因素主要是经济、文化和科技三个因素，它们三者能解释教育发展变异中的75%王丽（2007）通过对我国2002年31个省份高等教育规模的省际比较，及其与经济发展的回归分析,发现高等教育规模与经济发展,特别是与城市化具有较强的正相关性。燕新,侯贵宝（2011）认为影响我国农村教育发展的主要因素有家庭行业结构、经济发展水平和地区及地势因素。在借鉴已有研究成果和经验的基础上，本文以我国31各省市自治区2013年的国家统计数据作为依据，探究中国地区受教育

4、程度差异的相关因素及其对人群受教育程度影响的具体表现形式。本文的研究结果或许可为相关研究提供一定的印证，为相关政策制定提供一定的参考。2．模型建立一种现象常常是与多个因素相联系的，由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。因此，本文采用多元线性回归的方法对不同地区人群较高受教育程度差异进行探究。2.1指标选取l因变量选取本文选取各省高中及以上文化程度人口比重加权数作为各省人群受较高教育程度的指标进行衡量，由于九年制义务教育的强制施行，各省在拥有小学和初中教育程度人口比重上的差异不大

5、（国家制度较大程度上同一了差异），人群教育程度受地方因素影响的较大差异主要从高中教育开始，且在对于是否拥有文化水平的评判上，高中及以上教育程度更加被人们认可为是较高的受教育水平，接受大专及以上教育人口比重更加能反映地方教育程度的发达水平，因此本文选择该加权指标来反映人群受教育程度的差异。设：人群受较高教育程度的指标为Y，各省数据分别为y1,y2,y3,…yn.人群受较高教育程度指标=高中教育程度人口比重·0.35+大专及以上教育人口比重·0.65l自变量选取根据已有参考文献的研究成果，本文选取地方经济、教育政策、地方基础设施、产业人才

6、需求四个对人群受教育程度影响较大的因素进行探究。本文分别以人均可支配收入、教育科技财政支出、城市化率（城市对教育的影响相当大）、较高受教育程度人才需求产业的产出值（工业生产，金融业，科学研究勘探，文化新闻产业等）的数据来显示我国各省份地方经济，教育政策，基础设施和产业人才需求方面的具体情况。设：人均可支配收入为X1，参数估计值为β1各省数据为x11,x12,x13,…,x1n.教育科技财政支出为X2，参数估计值为β2各省数据为x21,x22,x23,…,x2n.城市化率X3，参数估计值为β3各省数据为x31,x32,x33,…,x3n

7、.人才需求产业产出值X4，参数估计值为β4各省数据为x41,x42,x43,…,x4n.常数估计参数值为α.2.2回归方程逐步确立设多元回归方程为：y=α+β1X1+…+βnXnn取决于逐步回归中的各个可决系数和模型检验结果。l假设检验首先导入各省份数据运用excel对各变量作相关性检验：　YX1X2X3X4Y1X10.1X20.586540.1X30.0.0.1X40.0.-0.130970.1再调用SPSS对以上四个变量作多元回归：ModelSummaryModelRRSquareAdjustedRSquareStd.Erroro

8、ftheEstimate1.905a.818.790.02437a.Predictors:(Constant),X4,X2,X3,X1ANOVAaModelSumofSquaresdfMeanSquareFSig.1Re