社会统计学实验报告.doc

实验一：EXCEL的数据整理与显示一、实验结果与数据处理 第1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（） 10011048 110-1201326 120-1302448 130140918 合计50100 第2题 频数分布表 工人日加工零件数/件 频数/人 1001104 11012013 120-13024 1301409 总数50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excel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、EXCEL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：EXCEL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6127MAX（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122.2679876HARMEAN（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=0.95，则显著性水平为=0。05 则极限误差= CONFIDENCE（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。542。28，122。54+2.28，即120.26，124.82（3）由题意得待检假设为H0:u=115，H1：u115 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）=（122.54115）/（8.234348171/SQRT(50）)=6。474811387，约等于6.47 t（n1) =TINV(0。05，49)=2。009575237，约等于2。01，即=0.05,自由度为49的临界值因为t=6。47t(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EXCEL在数据特征描述、抽样推断中的基本操作内容，利用EXCEL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EXCEL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150857458554224474694554383345366352341435432734142753744123883586359353332355736538139237684374604294419353344361382102953112913771145445339539812457486491473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2000/11993.122971。2332264.11542。9251627.98751.390735441943.31713.051833。08751。0601242001/151673.61953。1252161。08750。774425261931。52369。052511。08750.769189373927.82653.1252736.7251.435219483079。62820.3252897.96251。0626782002/292342.42975.62953。06250.793212102552。62930.5253104。6750。8221793113747。53278。8253392.8251.1045374124472.83506.8253718.41.2028832003/1133254。43929。9754205。4250。7738582144245。24480。8754718。41250。8997093155951.14955.955037。1751。1814364166373。15118。45225。98751.2195022004/1173904.25333。5755496.26250.7103372185105.95658.955941。1250.8594163197252。66223.36420。6751.129574208630.56618。056729.4751.2824922005/1215483.26840.97031。33750。7798232225997。37221.7757233。03750。8291543238776.17244。37199。351.2190134248720.67154.47161.11251。2177722006/1255123。67167.8257269。83750。70477522660517371。857324。4250。826143279592.272777254。351.3222694288341。27231。77328.51251.1381852007/1294942.47425。3257338.81250。673462306825。57252.37300。03750。9349953318900.17347。7757356。21251。2098754328723。17364。657293。71。1959772008/1335009.97222。757112.33750.7043962346257.97001。9256894.73750。9076343358016。86787。556918.7251.1587114367865。67049。96995。1251.124442009/1376059。36940.356908.10。877132385819。76875.856908.6750。8423763397758.86941。54408128。2各季节指数计算表年/季1234合计20001。390735491。060123972。45085920010.7744250。7691891。43521911。062677664。0415120020。793210。8221791。104536781.202882963.9228120030。7738580.8997091.181436021。219501584.07450520040。7103370。8594161.129569711.282492323。98181620050。7798230.8291541。219012831.217771684.04576120060.7047750。826141.322268711。138184593。99136820070.673460.9349951。209875331.195977354.01430820080.7043960。9076341。15871061。124440243.89518120090。877130.8423761.7195056.7914147。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2000/11993。10.7517281321.092207.0981659。137-666。03722971.20.8512781140.8732370.8052018.2141047.01332264.11.2343221834。2872534.5113128.402864。302441943.31.1626721671。4092698。2183137。142-1193。842001/151673.60.7517282226。3382861。9242151.388-477.788261931.50.8512782268.9413025。632575.653-644.153373927.81.2343223182.1533189。3373936.6688.86761483079.61.1626722648。7263353。0433898.49818.892002/292342。40。7517283116.0223516.752643.638301。2382102552.60。8512782998.553680.4563133。092-580。4923113747.51。2343223036。083844。1624744.933-997。4334124472。81。1626723847.0014007.8694659.837-187.0372003/1133254。40。7517284329。2274171。5753135.889118。51122144245。20.8512784986。8554335。2823690.53554.66983155951.11.2343224821.3534498.9885553.198397。90154166373.11。1626725481.4254662.6945421.184951.91562004/1173904。20.7517285193.6364826.4013628.139276.06072185105。90。8512785997.9234990.1074247。969857.93113197252。61.2343225875。7785153。8146361.464891。13614208630。51.1626727422.9885317。526182.5322447。9682005/1215483.20.7517287294.135481.2264120.391362。812225997。30.8512787045.0545644。9334805.4081191.8923238776.11.2343227110。0595808.6397169。7291606.3714248720.61.1626727500。4815972。3466943.8791776.7212006/1255123。60。7517286815。7666136.0524612。64510。959522660510.8512787108.1366299。7585362。846688.15373279592.21。2343227771。2326463。4657977。9951614.2054288341.21。1626727174。1646627.1717705。227635.97342007/1294942。40.7517286574.7216790.8785104.891162.4912306825.50。8512788017。9446954。5845920。285905。21513318900。11。2343227210。5197118.298786.26113.83974328723.11。1626727502。6327281。9978466。574256。5262008/1335009.90。7517286664.5147445。7035597。142587.2422346257.90。8512787351。1827609.416477.724219.8243358016.81。2343226494。9037773。1169594。526-1577.734367865.61。1626726765。1067936.8229227。921-1362.322009/1376059。30。7517288060.4988100.5296089.392-30.09222385819.70.8512786836。4268264.2357035.1621215.463397758.81。2343226285。8828427。94210402。792643。994408128。21.1626726990。9658591。6489989.2691861。072010/1410.7517288755。3546581。6432420.8512788919.0617592.6013431.2343229082。76711211.064441.1626729246.47410750.62SUMMARY OUTPUT回归统计Multiple R0。882769R Square0.779281Adjusted R Square0。773473标准误差1031.834观测值40方差分析dfSSMSFSignificance F回归分析1142842941142842941134。1654。93466E14残差3840457896。11064681。48总计39183300837Coefficients标准误差t StatPvalueLower 95Upper 95%Intercept2043。4332。5102656。145350023。5974E-071370。260132716.5238X Variable 1163。7114.133386811.58295964.9347E14135.0949031192。31799二、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19962011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199618667.822937.1199721781.53149.48199826923.483483。37199935333。924348。95200048197.865218.1200160793.736242。2200271176。597407。99200378973。048651。14200484402。289875。95200589677。0511444.08200699214。5513395。232007109655.216386.042008120332.718903.642009135822.821715.252010159878.326396.472011183084.831649。29 根据回归分析的结果，得到一元线性回归方程为： = 2043.39+163。70*x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，x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。