社会统计学实验报告.docx

社会统计学实验报告.docx

《社会统计学实验报告.docx》由会员分享，可在线阅读，更多相关《社会统计学实验报告.docx（8页珍藏版）》请在冰点文库上搜索。

社会统计学实验报告

社会统计学实验报告

实验一：

E_CEL的数据整理与显示

一、实验结果与数据处理

第第11题

组距式次数分布表按日加工零件数分组（个）

工人数（人）

工人数比重（%）

100-11048

110-1201326

120-1302448

130-140918

合计50100

第第22题

频数分布表

工人日加工零件数/件

频数/人

100-1104

110-12013

120-13024

130-1409

总数50

第第3题

优秀率（日生产零件数130个以上）：

9/50=18%二、讨论与结论

通过实验一的实验操作与学习，我掌握了e_cel软件的运用以及用直方图工具绘制频数分布直方图的方法。

在实验操作过程中，我进行了如下操作内容：

1、E_CEL软件的基本操作；2、编制组距式次数分布表；3、将次数分布表转变成分布柱形图；4、利用FREQUENCY函数进行频数统计；5、利用直方图工具绘制频数分布直方图。

实验二：

E_CEL的数据特征描述、抽样推断

一、实验结果与数据处理

（

（1）COUNT（B4:

B53）并回车，得到50个数据中的单位总量为50SUM（B4:

B53）并回车，得到50个数据中的标志总量为6127MA_（B4:

B53）并回车，得到50个数据中的最大值为139MIN（B4:

B53）并回车，得到50个数据中的最小值为107AVERAGE（B4:

B53）并回车，得到50个数据中的平均值为122.54MEDIAN（B4:

B53）并回车，得到50个数据中的中位数为123GEOMEAN（B4:

B53）并回车，得到50个数据中的几何平均数为122.2679876

HARMEAN（B4:

B53）并回车，得到50个数据中的调和平均数为121.9951108AVEDEV（B4:

B53）并回车，得到50个数据中的变异统计的平均差为6.4384STDEV（B4:

B53）并回车，得到50个数据中的变异统计的标准差为8.234348171VAR（B4:

B53）并回车，得到50个数据中的变异统计中的方差为67.8044898KURT（B4:

B53）并回车，得到50个数据中的变异统计中的峰度为;0.451931676SKEW（B4:

B53）并回车，得到50个数据中的变异统计中的偏度为0.026074（

（2）由

（1）得均值为122.54，即企业职工的平均日加工零件数为122.54

由题意得置信度为95%，即1;alpha;=0.95，则显著性水平为alpha;=0.05

则极限误差=CONFIDENCE（alpha;所在单元格，标准差所在单元格，样本容量单元格）=CONFIDENCE（0.05，8.234348171，50）=2.282402924，约等于2.28

所以日生产零件的置信区间为[122.54-2.28，122.54+2.28]，即[120.26，124.82]

（（3）由题意得待检假设为H0：

u<=115，H1：

u>115

t值=（样本均值单元格-115）/（样本标准差单元格/SQRT（样本容量单元格））=（122.54-115）/（8.234348171/SQRT（50））=6.474811387，约等于6.47

t（n-1）=TINV（0.05,49）=2.009575237，约等于2.01，即alpha;=0.05，自由度为49的临界值因为|t|=6.47>t（n-1）=2.01,则拒绝H0而接受H1，即企业日生产零件数有显著提高

二、讨论与结论

通过实验二的实验操作与学习，我本着较熟练地掌握E_CEL在数据特征描述、抽样推断中的基本操作内容，利用E_CEL软件计算描述统计特征值的目的进行学习和操作。

这一次实验操作让我掌握了以下方面：

1、利用E_CEL的统计函数求解统计分布特征值；2、利用CONFIDENCE函数计算极限误差，从而得到相关的置信度3、通过宏程序计算相关的

t值，再利用TINV函数计算临界值，最后比较t值和临界值的大小来进行假设检验。

实验三：

时间序列分析一、实验结果与数据处理

月度第一年第二年第三年第四年

42244746945543833453663523414354327341427537441238835863593533323557365381392376843746042944193533443613821

771

9812457486491473

年/季度时间标号销售额移动平均值中心化后的移动平均值比值20__0/11993.1

22971.2

332264.11542.9251627.98751.390735441943.31713.051833.08751.06012420__1/151673.61953.1252161.08750.774425261931.52369.052511.08750.769189373927.82653.1252736.7251.435219483079.62820.3252897.96251.06267820__2/292342.42975.62953.06250.79321

2102552.62930.5253104.6750.8221793113747.53278.8253392.8251.1045374124472.83506.8253718.41.20288320__3/1133254.43929.9754205.4250.7738582144245.24480.8754718.41250.8997093155951.14955.955037.1751.1814364166373.15118.45225.98751.21950220__4/1173904.25333.5755496.26250.7103372185105.95658.955941.1250.8594163197252.66223.36420.6751.129574208630.56618.056729.4751.28249220__5/1215483.26840.97031.33750.7798232225997.37221.7757233.03750.8291543238776.17244.37199.351.2190134248720.67154.47161.11251.21777220__6/1255123.67167.8257269.83750.70477522660517371.857324.4250.826143279592.272777254.351.3222694288341.27231.77328.51251.13818520__7/1294942.47425.3257338.81250.673462306825.57252.37300.03750.9349953318900.17347.7757356.21251.2098754328723.17364.657293.71.1959772021/1335009.97222.757112.33750.7043962346257.97001.9256894.73750.9076343358016.86787.556918.7251.1587114367865.67049.96995.1251.124442021/1376059.36940.356908.10.877132385819.76875.856908.6750.8423763397758.86941.5

4408128.2

各季节指数计算表

年/季1234合计20__0

1.390735491.060123972.45085920__10.7744250.7691891.43521911.062677664.0415120__20.793210.8221791.104536781.202882963.9228120__30.7738580.8997091.181436021.219501584.07450520__40.7103370.8594161.129569711.282492323.98181620__50.7798230.8291541.219012831.217771684.04576120__60.7047750.826141.322268711.138184593.99136820__70.673460.9349951.209875331.195977354.01430820210.7043960.9076341.15871061.124440243.895181

20210.877130.842376

1.719505sum;6.7914147.69079311.151364610.504052336.13762平均0.7546020.8545331.239040511.167116934.015292季节指数0.7517280.8512781.23432171.162672034

季节指数

10.75172820.85127831.23432241.162672

销售额的季节变动000.20.40.60.8111.21.411223344季节指数季度季节指数

年/季度时间标号销售额（Y）季节指数（S）季节分离后的时间序列（Y/S）回归后的趋势（T）最终预测值预测误差20__0/11993.10.7517281321.092207.0981659.137-666.03722971.20.8512781140.8732370.80520__.214-1047.01332264.11.2343221834.2872534.5113128.402-864.302441943.31.1626721671.4092698.2183137.142-1193.8420__1/151673.60.7517282226.3382861.9242151.388-477.788261931.50.8512782268.9413025.632575.653-644.153373927.81.2343223182.1533189.3373936.668-8.86761483079.61.1626722648.7263353.0433898.49-818.8920__2/292342.40.7517283116.0223516.752643.638-301.2382102552.60.8512782998.553680.4563133.092-580.4923113747.51.2343223036.083844.1624744.933-997.4334124472.81.1626723847.0014007.8694659.837-187.03720__3/1133254.40.7517284329.2274171.5753135.889118.5112

2144245.20.8512784986.8554335.2823690.53554.66983155951.11.2343224821.3534498.9885553.198397.90154166373.11.1626725481.4254662.6945421.184951.915620__4/1173904.20.7517285193.6364826.4013628.139276.06072185105.90.8512785997.9234990.1074247.969857.93113197252.61.2343225875.7785153.8146361.464891.13614208630.51.1626727422.9885317.526182.5322447.96820__5/1215483.20.7517287294.135481.2264120.391362.812225997.30.8512787045.0545644.9334805.4081191.8923238776.11.2343227110.0595808.6397169.7291606.3714248720.61.1626727500.4815972.3466943.8791776.72120__6/1255123.60.7517286815.7666136.0524612.64510.959522660510.8512787108.1366299.7585362.846688.15373279592.21.2343227771.2326463.4657977.9951614.2054288341.21.1626727174.1646627.1717705.227635.973420__7/1294942.40.7517286574.7216790.8785104.891-162.4912306825.50.8512788017.9446954.5845920.285905.21513318900.11.2343227210.5197118.298786.26113.83974328723.11.1626727502.6327281.9978466.574256.5262021/1335009.90.7517286664.5147445.7035597.142-587.2422346257.90.8512787351.1827609.416477.724-219.8243358016.81.2343226494.9037773.1169594.526-1577.734367865.61.1626726765.1067936.8229227.921-1362.322021/1376059.30.7517288060.4988100.5296089.392-30.09222385819.70.8512786836.4268264.2357035.162-1215.463397758.81.2343226285.8828427.94210402.79-2643.994408128.21.1626726990.9658591.6489989.269-1861.072021/141

0.751728

8755.3546581.643

242

0.851278

8919.0617592.601

343

1.234322

9082.76711211.06

444

1.162672

9246.47410750.62

SUMMARYOUTPUT

回归统计MultipleR0.882769RSquare0.779281AdjustedRSquare0.773473标准误差1031.834观测值40

方差分析

dfSSMSFSignificanceF

回归分析1142842941142842941134.1654.93466E-14残差3840457896.11064681.48

总计39183300837

Coefficients标准误差tStatP-valueLower95%Upper95%Intercept2043.4332.5102656.145350023.5974E-071370.260132716.5238_Variable1163.7114.133386811.58295964.9347E-14135.0949031192.31799

季节分离后的序列及其趋势020__040006000800010000120__020__0/1320__1/1320__2/2320__3/1320__4/1320__5/1320__6/1320__7/132021/132021/132021/13季度销售额销售额（Y）季节分离后的时间序列（Y/S）回归后的趋势（T）

销售额预测图020__040006000800010000120__020__0/1320__1/1320__2/2320__3/1320__4/1320__5/1320__6/1320__7/132021/132021/132021/13季度销售额销售额（Y）最终预测值

二、讨论与结论

1、季节指数是以其平均数等于100%为条件构成的，应注意当季节比率的平均值不等于1，需要进行调整，即将每个季度比率的平均值除以它们的总平均值，从而使季节比率的平均值等于1。

2、将实际销售量除以相应的季节指数后得到季节分离后的序列从季节分离后的序列可以看出销售量具有明显的线性趋势。

3、这个实验主要是一些计算问题，所以我们要有足够的耐心才能完成。

实验四：

时间序列分析

一、实验结果与数据处理

某地区1996～2021年国内生产总值和财政收入资料

单位：

亿元年份国内生产总值财政收入1996

18667.822937.11997

21781.53149.481998

26923.483483.371999

35333.924348.9520__0

48197.865218.120__1

60793.736242.220__2

71176.597407.9920__3

78973.048651.1420__4

84402.289875.9520__5

89677.0511444.0820__6

99214.5513395.2320__7

109655.216386.042021

120332.718903.642021

135822.821715.252021

159878.326396.472021

183084.831649.29

根据回归分析的结果，得到一元线性回归方程为：

ycirc;=2043.39+163.70__二、讨论与结论

这次实验比较麻烦，处理的步骤很多，有一些操作还不是那么熟练。

我们知道，一元回归分析在数学关系式中只描述了一个变量与另一个变量之间的数量变化关系，则称其为一元回归分析，其回归模型为，y称为因变量，_称为自变量，称为随机误差，a，b称为待估计的回归参数，下标i表示第i个观测值。

最后的结论是我们可以用一元线性回归分析模型来预测未来几年的国内生产总值和财政收入情况。