6
图2.2 2-1各变量与铁路客运量关系
7
表2.2 2-2 相关性 Pearson 相关性 铁路客运量 显著性（双侧） N Pearson 相关性 旅客周转量 显著性（双侧） N Pearson 相关性 总人口 显著性（双侧） N Pearson 相关性 生产总值 显著性（双侧） N Pearson 相关性 公路客运量 显著性（双侧） N **. 在 .01 水平（双侧）上显著相关。 10 .980 .000 10 .968 .000 10 .889 .001 10 .875 .001 10 ********铁路客运量 1 旅客周转量 .980 .000 10 1 **总人口 .968 .000 10 .983 .000 ****生产总值 .889 .001 10 .937 .000 10 .959 .000 ******公路客运量 .875 .001 10 .918 .000 10 .946 .000 10 .982 .000 ********10 .983 .000 10 .937 .000 10 .918 .000 10 ******10 1 10 .959 .000 10 .946 .000 10 ****10 1 10 .982 .000 10 **10 1 10
2.3 现状分析
对所研究的地区与行业发展现状进行分析，采用描述性统计方法进行分析。 经过以上数据分析可得：
（1）根据铁路客运量和其他指标的茎叶图，可知铁路客运量总体水平随各指标数量的增加而增加，呈正相关关系。
（2）根据各指标相互相关性表，可知各指标相互Pearson相关性均较强，且均为显著相关。
（3）根据各指标相互相关性表，可以看出铁路客运量并未与公路客运量呈现负相关关系，故不再作讨论。
8
3 统计模型与分析
3.1 因子分析法 3.1.1统计原理
因子分析法：又叫因素分析，就是通过寻找众多变量的公共因素来简化变量中存在复杂关系的一种统计方法，它将多个变量总和为少数几个“因子”以在线原始变量与“因子”之间的相关关系。
3.1.2操作步骤
点击【分析】/【降维】/【因子分析】，弹出窗口，选择铁路客运量，旅客周转量，总人口，生产总值，年份作为变量，【抽取】选择主成分，单击【确定】，生出结果。
3.1.3 输出结果分析
表3.1 3-1 公因子方差 铁路客运量 旅客周转量 总人口 生产总值 年份 初始 1.000 1.000 1.000 1.000 1.000 提取 .951 .983 .993 .929 .995 铁路客运量 旅客周转量 总人口 生产总值 年份 表3.1 3-2 成份矩阵 成份 1 .975 .992 .997 .964 .998 a提取方法：主成份分析。 提取方法 :主成份。 a. 已提取了 1 个成份。
9
表3.1 3-3解释的总方差
成份 合计 1 2 3 4 初始特征值 方差的 % 97.052 2.344 .372 .230 .002 累积 % 97.052 合计 提取平方和载入 方差的 % 97.052 累积 % 97.052 4.853 .117 .019 .011 8.233E-005 4.853 99.397 99.769 99.998 100.000
5 提取方法：主成份分析。
由上表分析可知，提取主成分1个，利用公式可生成一个新变量Z，即主权重。
Z=0.975*铁路客运量+0.992*旅客周转量+0.997*总人口+0.964*生产总值+0.998*年份 3.2 时间序列法 3.2.1统计原理
从统计意义上讲，时间序列是将一个变量在不同时间上的不同数值按时间先后排列而成的数列。从数学意义上讲，设Xt（t∈T）是一个随机过程，Xt（i=1，2，??，n）是在Xt在时刻i对过程Xt的观察值，则称Xt为一次样本实现，也就是一个时间序列。从系统意义上讲，时间序列就是某一系统在不同时间（地点、条件等）的响应。
10