《计量地理学》实习指南

一、EXCEL中常用的函数（部分）
操作方法：打开EXCEL→输入原始数据→选择fx粘贴函数→函数分类中选择统计→从函数名中选择我们所需要的函数→确定→在数值中输入或选入计算数据范围（如A1:A10）则结果就会出来。
具体的函数及其含义：
AVERAGE 计算参数平均值
CORREL 求相关系数
DEVSQ 求离差平方和
FTEST F检验的结果
GEOMEAN 正数数组的几何平均数
INTERCEPT 一元回归线的载距（Y=a+bX的a值）
MEDIAN 数组的中位数
MAX 数组的最大值
MIN 数组的最小值
MODE 数组的众数
SLOPE 一元回归线的斜率（Y=a+bX的b值）
STDEV 估算样本的标准差
STOEVPA 估算总体的标准差
STEYX 线性回归预测值标准误差

二、 用EXCEL建立非线性一元回归模型（时间序列）
操作方法：打开EXCEL→输入原始数据→选择图表向导→从图表类型中选择折线图→输入或选入计算数据范围（如A1:A10）→下一步→下一步→完成→在出现的折线图上的线上按右键选择添加趋势线→类型中选择不同的曲线类型、选项中选择显示公式和显示R平方值→确定即可出现趋势线和R值。根据出现的趋势线拟合度和R值的大小最后确定最适合的模型。

三、 PSS软件的应用
1、 相关关系
（1）、简单线性相关系数：
操作方法：打开SPSS→输入原始数据→选择Analyze（分析）→Correlate（相关）→Bivariate（两个变量之间的）→选入变量→ok即可。结果为
Correlations
VAR00002 VAR00003
VAR00002 Pearson Correlation 1 .999()
Sig. (2-tailed) . .000
N 12 12
VAR00003 Pearson Correlation .999() 1
Sig. (2-tailed) .000 .
N 12 12
** Correlation is significant at the 0.01 level (2-tailed).
含义为：相关系数是0.999，在α=0.01的水平上显著。（上一行的1为VAR00002与自身的相关系数，.999()为VAR00002和VAR00003的相关系数，下面的.999()和1的含义与以上相同）

（2）、偏相关系数：
操作方法：打开SPSS→输入原始数据→选择Analyze（分析）→Correlate（相关）→Partial…（偏相关系数）→选入变量→ok即可。结果为
Partial Corr
Correlations
Control Variables VAR00001 VAR00002
VAR00003 & VAR00004 VAR00001 Correlation 1.000 -.298
Significance (2-tailed) . .626
df 0 3
VAR00002 Correlation -.298 1.000
Significance (2-tailed) .626 .
df 3 0

含义为：将VAR00003 和 VAR00004当作背景时VAR00001和VAR00002的偏相关系数为-.298。

（3）、相关系数矩阵：
操作方法：打开SPSS→输入原始数据→选择Analyze（分析）→Correlate（相关）→Distances→选入变量后选择后面的Between Variables（变量之间）和Similarities（类似、相似程度）→ok即可。结果为
Proximity Matrix
Correlation between Vectors of Values
VAR00001 VAR00002 VAR00003 VAR00004
VAR00001 1.000 .311 .507 .808
VAR00002 .311 1.000 .771 .680
VAR00003 .507 .771 1.000 .890
VAR00004 .808 .680 .890 1.000
This is a similarity matrix

2、 一元线性、非线性回归模型的建立
操作方法：打开SPSS→输入原始数据→选择Analyze（分析）→Regression→Curve Estimation…→上面的Dependent（s）是因变量y，下面的Independent Variable是自变量x，选入x、y后再选底下的曲线类型（打√）→ok即可。
Linear 线性
Logarithmic 对数函数
Inverse 倒数函数
Quadratic 二次函数（平方）
Cubic 三次函数（立方）
Power 幂函数
Compound 复合函数
S S型曲线
Logistic 逻辑函数
Growth 增长函数
Exponential 指数函数
结果为MODEL: MOD_1.
Independent: VAR00001
Upper
Dependent Mth Rsq d.f. F Sigf bound b0 b1 b2 b3

VAR00004 LIN .652 5 9.39 .028 -86.794 1.8725
VAR00004 LOG .661 5 9.74 .026 -769.39 188.901
VAR00004 INV .669 5 10.10 .025 290.949 -19034
VAR00004 QUA .752 4 6.05 .062 -2291.8 45.8680 -.2193
9 VAR00004 CUB .752 4 6.05 .062 -2291.8 45.8680 -.2193
VAR00004 COM .657 5 9.58 .027 14.9323 1.0192
VAR00004 POW .666 5 9.97 .025 .0144 1.9214
VAR00004 S .675 5 10.37 .023 6.5456 -193.68
VAR00004 GRO .657 5 9.58 .027 2.7035 .0190
VAR00004 EXP .657 5 9.58 .027 14.9323 .0190
VAR00004 LGS .657 5 9.58 .027 . .0670 .9811

Notes:
9 Tolerance limits reached; some dependent variables were not entered.

根据实际观测值与曲线的拟和程度及结果中的相关系数、F值确定最好的曲线类型及模型。

3、多元线性回归模型的建立
操作方法：打开SPSS→输入原始数据→选择Analyze（分析）→Regression→Linear（线性）→选入变量，上面的Dependent是因变量Y，下面的Independen（s）是自变量X1、X2、X3…→ok即可。结果为：
ANOVA(b)

Model Sum of Squares df Mean Square F Sig.
1 Regression 308.842 3 102.947 28.497 .010(a)
Residual 10.838 3 3.613
Total 319.680 6
a Predictors: (Constant), VAR00003, VAR00001, VAR00002
b Dependent Variable: VAR00004

Coefficients(a)

Model Unstandardized Coefficients Standardized Coefficients t Sig.
B Std. Error Beta
1 (Constant) -28.817 30.916 -.932 .420
VAR00001 1.132 .289 .489 3.920 .030
VAR00002 .056 .118 .080 .474 .668
VAR00003 .111 .036 .581 3.121 .052
a Dependent Variable: VAR00004

Y=-28.817+1.132x1+0.056x2+0.111x3 F=28.497,在a=0.01的水平上显著。

4、 逐步回归模型的建立
操作方法：打开SPSS→输入原始数据→选择Analyze（分析）→Regression→Linear（线性）→选入变量，上面的Dependent是因变量Y，下面的Independen（s）是自变量X1、X2、X3…；从自变量下面的Method中选择Stepwise（逐步），打开下面的Options…→将选择的Use Probability of F下的Entry参数（引入因子时的α精度）改为0.1，Removal参数（剔除因子时的α精度）改为0.2→Continue(继续)→ok即可。结果为：
Coefficients(a)
Model Unstandardized Coefficients Standardized Coefficients t Sig.
B Std. Error Beta
1 (Constant) 257.578 58.862 4.376 .000
VAR00001 27.836 11.743 .415 2.370 .025
2 (Constant) 351.075 77.189 4.548 .000
VAR00001 26.252 11.332 .391 2.317 .029
VAR00006 -11.301 6.341 -.301 -1.782 .086
3 (Constant) 367.373 74.818 4.910 .000
VAR00001 27.910 10.940 .416 2.551 .017
VAR00006 -14.801 6.414 -.394 -2.308 .030
VAR00005 46.737 26.529 .302 1.762 .090
a Dependent Variable: VAR00008

Y=367.373+27.910x1+46.737x5-14.801x6 在a=0. 1的水平上显著。

5、聚类分析
操作方法：①输入数据，其方法是：行为要分类的地区或类型等，列为分类时候的依据变量。②打开SPSS→选择Analyze（分析）→Classify（分类）→Hierarchical cluster…→将变量都选入上面的框Variable(s)，Cluster为默认状态，即选Cases；Display（显示）要选 Statistics（统计表）和 Plots（划分）；打开下面的Plots→选择Dendrogram（分类树枝，即谱系图）；orientation（方向，即谱系图的方向）中选择Rertical则垂直方向，选Horizontal则水平方向。然后Continue(继续)。打开Method…(方法) →Cluster Method（系统聚类方法）中选最短距离Nearest neighbor，统计量Measure中选欧氏距离Euclidean distance；底下Standardize中选择对原始数据进行标准化处理的方法。其它为默认状态。最后OK。结果为：

Agglomeration Schedule
Stage Cluster Combined Coefficients Stage Cluster First Appears Next Stage
Cluster 1 Cluster 2 Cluster 1 Cluster 2
1 5 6 .623 0 0 2
2 4 5 .693 0 1 5
3 1 2 .965 0 0 4
4 1 3 1.358 3 0 5
5 1 4 2.831 4 2 0

• • • • • H I E R A R C H I C A L C L U S T E R A N A L Y S I S * * * * * *
          Dendrogram using Single Linkage
          Rescaled Distance Cluster Combine
          C A S E 0 5 10 15 20 25
          Label Num ±-- – — -±-- – ----±- – — – + – – – – - + – — – --+
          Case 5 5 
          Case 6 6 
          Case 4 4  
          Case 1 1  
          Case 2 2  
          Case 3 3 

6、 主成分分析
操作方法：①输入数据，其方法是：行为样本，列为变量。②打开SPSS→选择Analyze（分析）→Data duction（减少数据）→Factor（要素）→将变量选入上边的框Variables→打开底下的Scores…→选Save as variables（保存变量）和底下的Display factor score coefficient matrix（显示主成分得分）→Continue（继续）→OK。结果为：

贡献率和累计贡献率 Total Variance Explained
Component Initial Eigenvalues Extraction Sums of Squared Loadings
Total % of Variance Cumulative % Total % of Variance Cumulative %
1 4.835 53.719 53.719 4.835 53.719 53.719
2 1.706 18.956 72.675 1.706 18.956 72.675
3 1.018 11.307 83.982 1.018 11.307 83.982
4 .552 6.130 90.112
5 .466 5.179 95.290
6 .307 3.416 98.706
7 .103 1.143 99.849
8 .013 .147 99.996
9 .000 .004 100.000
Extraction Method: Principal Component Analysis.

主成分载荷矩阵 Component Matrix(a)

Component
1	2	3

VAR00001 .764 -.347 -.343
VAR00002 -.297 .791 -.080
VAR00003 .768 .046 -.179
VAR00004 .969 .197 .004
VAR00005 .905 .235 .196
VAR00006 .183 -.365 .849
VAR00007 .388 -.784 -.236
VAR00008 .911 .226 .206
VAR00009 .896 .252 -.065
Extraction Method: Principal Component Analysis.
a 3 components extracted.

主成分得分显示在原始数据后面，即FAC1-1、FAC2-1、FAC3-1等。