地理建模實(shí)習(xí)報(bào)告

1、地理建模實(shí)驗(yàn)報(bào)告學(xué) 號(hào)：姓 名：班 級(jí)：專 業(yè)： 地理信息系統(tǒng) 2015.6.28 目錄TOC o 1-3 h u HYPERLINK l _Toc367 1.實(shí)驗(yàn)一 PAGEREF _Toc367 1 HYPERLINK l _Toc25744 1.1實(shí)驗(yàn)?zāi)康?PAGEREF _Toc25744 1 HYPERLINK l _Toc16527 1.2實(shí)驗(yàn)內(nèi)容 PAGEREF _Toc16527 1 HYPERLINK l _Toc8023 1.3實(shí)驗(yàn)要求 PAGEREF _Toc8023 1 HYPERLINK l _Toc25061 1.4實(shí)驗(yàn)步驟與結(jié)果 PAGEREF _Toc25061

2、 1 HYPERLINK l _Toc27922 2.實(shí)驗(yàn)二 PAGEREF _Toc27922 14 HYPERLINK l _Toc30113 2.1實(shí)驗(yàn)?zāi)康?PAGEREF _Toc30113 14 HYPERLINK l _Toc15052 2.2實(shí)驗(yàn)內(nèi)容 PAGEREF _Toc15052 14 HYPERLINK l _Toc11314 2.3實(shí)驗(yàn)要求 PAGEREF _Toc11314 14 HYPERLINK l _Toc15614 2.4實(shí)驗(yàn)步驟與結(jié)果 PAGEREF _Toc15614 15 HYPERLINK l _Toc9361 3.實(shí)習(xí)總結(jié) PAGEREF _Toc9

3、361 25 32/341.實(shí)驗(yàn)一1.1實(shí)驗(yàn)?zāi)康恼莆誷pass軟件安裝掌握spass軟件相關(guān)的操作1.2實(shí)驗(yàn)內(nèi)容學(xué)會(huì)使用spass軟件對(duì)數(shù)據(jù)進(jìn)行因子分析對(duì)數(shù)據(jù)進(jìn)行回歸分析1.3實(shí)驗(yàn)要求熟悉因子分析和回歸分析的基本操作理解因子分析和回歸分析中各選項(xiàng)的含義，能夠選擇合適的因子數(shù)，并對(duì)結(jié)果進(jìn)行合適的解釋理解不同因子提取方法和不同旋轉(zhuǎn)方法對(duì)因子的影響能夠?qū)⒚枋鲂越y(tǒng)計(jì)相關(guān)分析與回歸分析結(jié)合起來使用理解抽樣和分組1.4實(shí)驗(yàn)步驟與結(jié)果（1）因子分析A.打開數(shù)據(jù)文件B.在spss軟件中打開“分析-降維-因子分析”進(jìn)行因子分析C.將左邊的變量導(dǎo)入右邊點(diǎn)擊抽取同時(shí)選擇碎石圖、基于特征值D.點(diǎn)擊旋轉(zhuǎn)和得分，分別設(shè)置

4、參數(shù)設(shè)置完點(diǎn)擊確定E.因子分析的結(jié)果公因子方差初始風(fēng)速1.000日光輻射1.000CO 1.000NO1.000NO21.000O31.000HC1.000提取方法：主成份分析。解釋的總方差成份初始特征值旋轉(zhuǎn)平方和載入合計(jì)方差的 %累積 %合計(jì)方差的 %累積 %12.67238.17238.1722.22231.73631.73621.65623.66261.8341.87126.72458.46031.07215.30977.1431.30818.68377.1434.70810.10887.2505.5738.18195.4316.2002.85898.2907.1201.710100.0

5、00提取方法：主成份分析。成份轉(zhuǎn)換矩陣成份1231.749.563-.3482-.655.707-.2683.096.429.898提取方法 :主成分分析法。 旋轉(zhuǎn)法 :具有 Kaiser 標(biāo)準(zhǔn)化的正交旋轉(zhuǎn)法。 成份得分協(xié)方差矩陣成份12311.000.000.0002.0001.000.0003.000.0001.000提取方法 :主成分分析法。 旋轉(zhuǎn)法 :具有 Kaiser 標(biāo)準(zhǔn)化的正交旋轉(zhuǎn)法。 構(gòu)成得分。 旋轉(zhuǎn)成份矩陣a成份123風(fēng)速-.727.415-.185日光輻射.017-.065.975CO .636.522-.083NO.859.135-.008NO2.722.233-.508

6、O3-.034.896.057HC.164.739-.233提取方法 :主成分分析法。 旋轉(zhuǎn)法 :具有 Kaiser 標(biāo)準(zhǔn)化的正交旋轉(zhuǎn)法。a. 旋轉(zhuǎn)在 5 次迭代后收斂。成份得分系數(shù)矩陣成份123風(fēng)速-.399.274-.149日光輻射.099.128.811CO .253.242.076NO.399.007.093NO2.281-.009-.324O3-.086.543.199HC-.004.383-.055提取方法 :主成分分析法。 旋轉(zhuǎn)法 :具有 Kaiser 標(biāo)準(zhǔn)化的正交旋轉(zhuǎn)法。 構(gòu)成得分。(2)回歸分析A.打開回歸分析數(shù)據(jù)B.點(diǎn)擊spss軟件中“分析-回歸-線性”進(jìn)行線性分析C.將因

7、變量食品支出導(dǎo)入以及自變量導(dǎo)入收入和食品價(jià)格D.點(diǎn)擊統(tǒng)計(jì)量、選項(xiàng)、保存分別選擇相關(guān)的參數(shù)有估計(jì)、模擬合度、R方變化、在等式中包含的常量等參數(shù)，如下圖所示： E.回歸分析的結(jié)果輸入移去的變量模型輸入的變量移去的變量方法1食品價(jià)格/元, 收入a.輸入a. 已輸入所有請(qǐng)求的變量。模型匯總b模型RR 方調(diào)整 R 方標(biāo)準(zhǔn) 估計(jì)的誤差1.951a.905.88966.237a. 預(yù)測(cè)變量: (常量), 食品價(jià)格/元, 收入。b. 因變量: 食品支出模型匯總b模型更改統(tǒng)計(jì)量R 方更改F 更改df1df2Sig. F 更改Durbin-Watson1.90557.141212.0001.672b. 因變量:

8、食品支出Anovab模型平方和df均方FSig.1回歸501392.9782250696.48957.141.000a殘差52647.956124387.330總計(jì)554040.93314a. 預(yù)測(cè)變量: (常量), 食品價(jià)格/元, 收入。b. 因變量: 食品支出系數(shù)a模型非標(biāo)準(zhǔn)化系數(shù)標(biāo)準(zhǔn)系數(shù)B標(biāo)準(zhǔn) 誤差試用版tSig.1(常量)-224.615107.578-2.088.059收入.426.060.8427.136.000食品價(jià)格/元220.615167.583.1551.316.213a. 因變量: 食品支出系數(shù)a模型相關(guān)性共線性統(tǒng)計(jì)量零階偏部分容差VIF1收入.944.900.635.5

9、691.758食品價(jià)格/元.708.355.117.5691.758a. 因變量: 食品支出共線性診斷a模型維數(shù)方差比例特征值條件索引(常量)收入食品價(jià)格/元112.9721.000.00.00.002.01812.775.84.41.023.01017.091.16.59.97a. 因變量: 食品支出殘差統(tǒng)計(jì)量a極小值極大值均值標(biāo)準(zhǔn) 偏差N預(yù)測(cè)值566.771237.49798.07189.24515殘差-142.930101.570.00061.32315標(biāo)準(zhǔn) 預(yù)測(cè)值-1.2222.322.0001.00015標(biāo)準(zhǔn) 殘差-2.1581.533.000.92615a. 因變量: 食品支出*

10、曲線估計(jì). TSET NEWVAR=NONE. CURVEFIT /VARIABLES=食品支出 WITH 收入 /CONSTANT /MODEL=LOGARITHMIC /PRINT ANOVA /PLOT FIT.曲線擬合數(shù)據(jù)集2 模型描述模型名稱MOD_1因變量1食品支出方程1對(duì)數(shù)自變量收入常數(shù)包含其值在圖中標(biāo)記為觀測(cè)值的變量未指定個(gè)案處理摘要N個(gè)案總數(shù)15已排除的個(gè)案a0已預(yù)測(cè)的個(gè)案0新創(chuàng)建的個(gè)案0a. 從分析中排除任何變量中帶有缺失值的個(gè)案。變量處理摘要變量因變量自變量食品支出收入正值數(shù)1515零的個(gè)數(shù)00負(fù)值數(shù)00缺失值數(shù)用戶自定義缺失00系統(tǒng)缺失00食品支出對(duì)數(shù)模型匯總RR 方調(diào)

11、整 R 方估計(jì)值的標(biāo)準(zhǔn)誤.943.890.88168.521自變量為 收入。ANOVA平方和df均方FSig.回歸493004.3931493004.393105.004.000殘差61036.541134695.119總計(jì)554040.93314自變量為 收入。系數(shù)未標(biāo)準(zhǔn)化系數(shù)標(biāo)準(zhǔn)化系數(shù)B標(biāo)準(zhǔn)誤BetatSig.ln(收入)994.35697.038.94310.247.000（常數(shù)）-6734.315735.285-9.159.0002.實(shí)驗(yàn)二2.1實(shí)驗(yàn)?zāi)康恼莆誷pass軟件安裝掌握spass軟件相關(guān)的操作2.2實(shí)驗(yàn)內(nèi)容學(xué)會(huì)使用spass軟件對(duì)數(shù)據(jù)進(jìn)行時(shí)序分析2.3實(shí)驗(yàn)要求熟悉時(shí)序分析的基

12、本操作理解自相關(guān)函數(shù)在模型構(gòu)建中的作用能夠利用SPSS建立ARIMA模型，并對(duì)結(jié)果進(jìn)行正確的解釋使用SPSS中的圖形與分析等基本功能對(duì)數(shù)據(jù)進(jìn)行分解2.4實(shí)驗(yàn)步驟與結(jié)果A.打開spss軟件，點(diǎn)擊“圖形-舊對(duì)話框-線圖”。在對(duì)話框中選擇簡(jiǎn)單、個(gè)案值，選擇變量進(jìn)行分析B.計(jì)算殘差，選擇菜單“分析-預(yù)測(cè)-自相關(guān)”將左邊變量導(dǎo)入右邊C.去除周期，構(gòu)造具有時(shí)間序列為12，選擇菜單中“轉(zhuǎn)換-創(chuàng)建時(shí)間序列”D.在對(duì)話框中設(shè)置新的時(shí)間序列選擇“轉(zhuǎn)換-計(jì)算變量”E.時(shí)序分析結(jié)果，此時(shí)的結(jié)果有的出現(xiàn)錯(cuò)誤，經(jīng)過幾次也沒輸出正確結(jié)果圖表附注創(chuàng)建的輸出27-六月-2015 14時(shí)53分49秒注釋輸入數(shù)據(jù)C:UsersAd

13、ministratorDesktop數(shù)據(jù)時(shí)序分析.sav活動(dòng)的數(shù)據(jù)集數(shù)據(jù)集1過濾器權(quán)重拆分文件工作數(shù)據(jù)文件中的 N 行50語(yǔ)法GRAPH /LINE(SIMPLE)=VALUE(QUARTER_).資源處理器時(shí)間0:00:00.547已用時(shí)間0:00:00.547數(shù)據(jù)集1 C:UsersAdministratorDesktop數(shù)據(jù)時(shí)序分析.sav回歸附注創(chuàng)建的輸出27-六月-2015 14時(shí)56分38秒注釋輸入數(shù)據(jù)C:UsersAdministratorDesktop數(shù)據(jù)時(shí)序分析.sav活動(dòng)的數(shù)據(jù)集數(shù)據(jù)集1過濾器權(quán)重拆分文件工作數(shù)據(jù)文件中的 N 行50缺失值處理對(duì)缺失的定義用戶定義的缺失值作為

14、缺失數(shù)據(jù)對(duì)待。使用的案例統(tǒng)計(jì)是在所使用的變量不帶有缺失值的案例基礎(chǔ)上進(jìn)行的。語(yǔ)法REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT QUARTER_ /METHOD=ENTER MONTH_.資源處理器時(shí)間0:00:00.000已用時(shí)間0:00:00.000所需內(nèi)存1420 個(gè)字節(jié)殘差圖需要額外內(nèi)存0 個(gè)字節(jié)輸入移去的變量b模型輸入的變量移去的變量方法1MONTH, period 12a.輸入a. 已輸入所有請(qǐng)求的變量。b. 因

15、變量: QUARTER, period 4模型匯總模型RR 方調(diào)整 R 方標(biāo)準(zhǔn) 估計(jì)的誤差1.973a.947.946.267a. 預(yù)測(cè)變量: (常量), MONTH, period 12。Anovab模型平方和df均方FSig.1回歸60.905160.905855.976.000a殘差3.41548.071總計(jì)64.32049a. 預(yù)測(cè)變量: (常量), MONTH, period 12。b. 因變量: QUARTER, period 4系數(shù)a模型非標(biāo)準(zhǔn)化系數(shù)標(biāo)準(zhǔn)系數(shù)B標(biāo)準(zhǔn) 誤差試用版tSig.1(常量).466.0776.032.000MONTH, period 12.313.011.9

16、7329.257.000a. 因變量: QUARTER, period 4ACF VARIABLES=QUARTER_ /NOLOG /MXAUTO 16 /SERROR=IND /PACF.數(shù)據(jù)集1 C:UsersAdministratorDesktop數(shù)據(jù)時(shí)序分析.sav模型描述模型名稱MOD_1序列名1QUARTER, period 4轉(zhuǎn)換無非季節(jié)性差分0季節(jié)性差分0季節(jié)性期間的長(zhǎng)度12最大滯后數(shù)16為計(jì)算自相關(guān)的標(biāo)準(zhǔn)誤而假定的過程獨(dú)立性（白噪音）a顯示并繪圖所有滯后正在應(yīng)用來自 MOD_1 的模型指定。a. 不適用于計(jì)算偏自相關(guān)的標(biāo)準(zhǔn)誤。個(gè)案處理摘要QUARTER, period 4序

17、列長(zhǎng)度50缺失值數(shù)用戶缺失0系統(tǒng)缺失0有效值數(shù)50可計(jì)算的第一滯后數(shù)49QUARTER, period 4自相關(guān)圖序列:QUARTER, period 4滯后Box-Ljung 統(tǒng)計(jì)量自相關(guān)標(biāo)準(zhǔn) 誤差a值dfSig.b1.595.13718.7611.0002.189.13620.7022.0003-.149.13421.9293.0004-.263.13325.8284.0005-.376.13234.0135.0006-.512.13049.5316.0007-.409.12959.6217.0008-.305.12765.3638.0009-.223.12668.5169.00010.1

18、14.12469.36410.00011.451.12282.94511.00012.766.121123.10312.00013.454.119137.58913.00014.142.118139.04414.00015-.103.116139.83215.00016-.186.114142.46616.000a. 假定的基礎(chǔ)過程是獨(dú)立性（白噪音）。b. 基于漸近卡方近似。偏自相關(guān)序列:QUARTER, period 4滯后偏自相關(guān)標(biāo)準(zhǔn) 誤差1.595.1412-.254.1413-.230.1414-.014.1415-.278.1416-.376.1417.033.1418-.320.1419-.451.14110.469.14111.117.14112.253.14113-.364.14114.010.14115-.109.14116.114.141CREATE /QUARTE_1=DIFF(QUARTER_ 1).創(chuàng)建附注創(chuàng)建的輸出27-六月-2015 15時(shí)01分25秒注釋輸入數(shù)據(jù)C:UsersAdministratorDesktop數(shù)據(jù)