TSS=ESS+RSS (ESS可由回归直线解释，RSS不可解释的残差e) 回归方程的显着性检验（F 检验）：
对回归总体线性关系是否显着的一种假设检验
根据给定的显着水平α确定临界值Fα（1，n-2），或者计算F 值所对应的p 值来判定。如果F 值大于临界值Fα（1，n-2）（或者p<α），回归方程的线性关系是显着的。
输出结果中的非标准化的系数估计值（B）及其标准误差（Std.Error）。可以看出，系数估计值分别为b 0= 0.607和 b1 = 0.542，则 。 0.607+ 0.542X。
Std.Error表示b i与β i之间的差异，其值越小证明b i越可靠。 回归参数的显着性检验（t 检验）：
根据样本估计结果对总体回归参数的有关假设进行检验ｔ检验的临界值是由显着水平α和自由度决定的,如果t 的绝对值大于临界值（或者p(实际显着性水平)<α），说明X 对Y具有显着的影响作用。
6、多元线性回归
选择主菜单[Analyze]=>[Regression]=>[Linear] 运行结果如下图所示： 拟合优度检验：
1.R2=0. 902，说明Y的变动中95%可由x1,x2解释 2.调整判定系数去除自变量个数对拟合优度的影响
3.复相关系数R等于R2开平方，反映样本观测值与拟合直线间的线性相关程度。R=0.95，说明y与x1,x2之间相关程度为95%。
7、时序分析
系统中某一变量的观测值按时间顺序（时间间隔相同）排列成一个数值序列，展示研究对象在一定时期内的变动过程，从中寻找和分析事物的变化特征、发展趋势和规律。它是系统中某一变量受其它各种因素影响的总结果。
特征识别认识时间序列所具有的变动特征，以便在系统预测时选择采用不同的方法。
(1)随机性：均匀分布、无规则分布，可能符合某统计分布。(用因变量的散点图和直方图及其包含的正态分布检验随机性，大多数服从正态分布。)
(2)平稳性：样本序列的自相关函数在某一固定水平线附近摆动，即方差和数学期望稳定为常数。 平稳过程的自相关系数和偏自相关系数都会以某种方式衰减趋近0，前者测度当前序列与先前序列之间简单和常规的相关程度，后者是在控制其它先前序列的影响后，测度当前序列与某一先前序之间的相关程度 基本步骤
(1)作直方图：检验正态性、零均值。按图形Graphs—直方图Histogram 如上图所示可得直方图结果：
(2)作相关图：检验平稳性、周期性。
按分析—预测—自相关Autocorrelations打开选项：
因为一般要求时间序列样本数据n>50，滞后周期k 我们从上图中看出样本序列数据的自相关系数在某一固定水平线附近摆动，且按周期性逐渐衰减，所以该时间序列基本是平稳的。 相关图法： 运行自相关图后，出现自相关图和偏自相关图 从图中看出：自相关系数和偏相关系数具有相似的衰减特点：衰减快，相邻二个值的相关系数约为0.3，滞后二个周期的值的相关系数接近0.1，滞后三个周期的值的相关系数接近0.05。所以，基本可以确定该时间序列为ARMA（p,q）模型形式，但还不能确定是ARMA（1,1）或是ARMA（2,2）模型。但若前四个自相关系数分别为0.40、0.16、0.064、0.0256，则可以考虑用AR(1) 模型 实际上，具体应用自相关图进行模型选择时，在观察ACF与PACF函数中，应注意的关键问题是：函数值衰减的是否快；是否所有ACF之和为-0.5，即进行了过度差分；是否ACF与PACF的某些滞后项显着和容易解释的峰值等。但是，仅依赖ACF图形进行时间序列的模型识别是比较困难的。 8、实习总结 spss是我们专业接触的第一个统计软件,功能强大,虽然对它很多的输出结果还不会做出解释,但是随着学习的深入,这将使我们的一个好帮手,帮助我们完成很多的任务在SPSS学习中,对它的认识由浅入深，循序渐进,实践中遇到的各种问题逐个攻克,学习这种在日常工作中有价值的分析方法，使我们更能轻易应付日后的社会的信息工作;掌握这种高级的技能,对我们工作就业提供了竞争优势。在做时序分析的时候，借着前面的讲解，后面的操作还是比较好做的，比较棘手的是输出结果的解释，有的时候是上网搜的，有的时候是翻翻书，实在不行了只能问同学，其实大家都不太懂这个，才刚刚这种课程，还不能轻松的对输出结果进行解释，但是以后我们一定会掌握好这个软件的。 Spss的实习也是我们开始认识统计开始熟悉统计的过程，少部分东西在统计学原理上已经学过了，很多还没有学到，等学过之后我想我们就能很轻松地对结果进行解释了。
地理建模原理实验报告
