基于回歸分析的人口預(yù)測

統(tǒng)計系課程實驗論文持?；诨貧w分析的人口數(shù)量預(yù)測學(xué)號：05姓名：李洋年級：2014級專業(yè)：統(tǒng)計學(xué)課程：回歸分析指導(dǎo)教師：姜喜春完成日期：2016年6月19日iword格式支持編輯，如有幫助歡迎下載支持。持。目錄錯誤!未定義書簽。錯誤!未定義書簽。第1章一元線性回歸錯誤!未定義書簽。1.1指標(biāo)的選擇錯誤!未定義書簽。1.2樣本確定錯誤!未定義書簽。1.3—元回歸分析錯誤!未定義書簽。131繪制總?cè)丝谂c糧食產(chǎn)量的散點圖錯誤!未定義書簽。132設(shè)定理論模型錯誤!未定義書簽。133回歸診斷錯誤!未定義書簽。第2章多元線性回歸錯誤!未定義書簽。2.1數(shù)據(jù)中心化標(biāo)準(zhǔn)化錯誤!未定義書簽。2.2多元回歸模型建立錯誤!未定義書簽。2.3逐步回歸法錯誤!未定義書簽。2.4多重共線性錯誤!未定義書簽。231多重共線性檢測錯誤!未定義書簽。2.4主成分分析錯誤!未定義書簽。241主成分分析模型建立錯誤!未定義書簽。第3章非線性模型錯誤!未定義書簽。3.1曲線回歸錯誤!未定義書簽。3.1.1曲線擬合錯誤!未定義書簽。3.2Logistic模型錯誤!未定義書簽。結(jié)論錯誤!未定義書簽。參考文獻(xiàn)錯誤!未定義書簽。iiword格式支持編輯，如有幫助歡迎下載支持。#t—a—前言最早的形式回歸的方法是最小二乘法，這是在1805年出版的勒讓德，和高斯在1809年。勒讓德和高斯都采用的方法確定的問題，從天文觀測，有關(guān)Sun的機(jī)構(gòu)（主要是彗星，但后來也新發(fā)現(xiàn)的小行星）的軌道。1821年，高斯發(fā)表最小二乘法理論的進(jìn)一步發(fā)展，在包括高斯-馬爾可夫定理的一個版本。弗朗西斯?高爾頓在十九世紀(jì)的“回歸”是杜撰來描述一種生物現(xiàn)象。這種現(xiàn)象是高度高大的祖先的后代往往倒退下來，對一個正常的平均水平（這種現(xiàn)象也被稱為向均值回歸）。對高爾頓,，回歸只有這個生物意義，Udny圣誕節(jié)和皮爾遜但他的工作，后來擴(kuò)展到更一般的統(tǒng)計范圍內(nèi)。在圣誕節(jié)和Pearson，工作的響應(yīng)和解釋變量的聯(lián)合分布被假定為高斯。這個假設(shè)RA費舍爾在1922年和1925年，他的作品被削弱。費舍爾認(rèn)為的響應(yīng)變量的條件分布為高斯分布，但聯(lián)合分布不一定要。在這方面，費舍爾的假設(shè)是高斯1821年制定的。在20世紀(jì)50年代和20世紀(jì)60年代，經(jīng)濟(jì)學(xué)家舊機(jī)電臺計算器，計算回歸。1970年以前，有時長達(dá)24小時接收從一個回歸的結(jié)果?；貧w方法繼續(xù)是一個活躍的研究領(lǐng)域。在最近的幾十年中，新的方法已經(jīng)制定了穩(wěn)健回歸，回歸涉及的相關(guān)反應(yīng)，如時間序列曲線和增長曲線，回歸的預(yù)測或響應(yīng)變量的曲線，圖片，圖表或其他復(fù)雜的數(shù)據(jù)對象，容納不同的回歸方法丟失的數(shù)據(jù)，非參數(shù)回歸，貝葉斯方法進(jìn)行回歸，回歸的預(yù)測變量的測量誤差，預(yù)測變量的觀測回歸，回歸和因果關(guān)系的推論與類型。第1章一元線性回歸1.1指標(biāo)的選擇影響人口增長的主要因素經(jīng)濟(jì)因素，經(jīng)濟(jì)因素對人口自然增長的作用主要表現(xiàn)在它決定了人口的增殖條件和生存條件，通過改變?nèi)丝诘某錾屎退劳雎蕘碛绊懭丝诘淖匀辉雎?。一般情況下，當(dāng)人口數(shù)量不能滿足經(jīng)濟(jì)發(fā)展對勞動力的需求時，人口自身的再生產(chǎn)必將會刺激；當(dāng)人口數(shù)量超越了經(jīng)濟(jì)發(fā)展所能提供的消費總數(shù)后，人口自身的再生產(chǎn)必將受到遏制。在現(xiàn)代生產(chǎn)力水平下，人口的自然增長率往往隨著經(jīng)濟(jì)水平的提高而下降。經(jīng)濟(jì)因素對人口機(jī)械增長也有重要影響。通常情況下，經(jīng)濟(jì)發(fā)達(dá)或發(fā)展速度較快的地區(qū)，對人口具有一種吸引力和凝聚力，人口機(jī)械增長為正值；相反，經(jīng)濟(jì)落后或經(jīng)濟(jì)發(fā)展速度緩慢的地區(qū)，對人口會產(chǎn)生一種排斥力和離散力，人口機(jī)械增長一般為負(fù)值。與此同時糧食產(chǎn)量、出生率、死亡率，也是影響人口增長的因素。符號說明：用X、x、x、x表示糧食產(chǎn)量、GDP、出生率、死亡率。y表示總1234人口。樣本確定通過查閱中國政府網(wǎng)，得到了1980年到2014年各因素的數(shù)據(jù)。表1-1樣本數(shù)據(jù)年份糧食產(chǎn)量（萬噸）GDP（億元）出生率（%）死亡率（%）總?cè)丝冢ㄈf人）201460702.61635910.212.377.16136782201360193.84588018.812.087.16136072201258957.9753412312.17.15135404201157120.85484123.511.937.14134735201054647.7140890311.97.11134091200953082.08345629.211.957.08133450200852870.92316751.712.147.06132802200750160.28268019.412.16.93132129200649804.23217656.612.096.81131448200548402.19185895.812.46.51130756200446946.95160714.412.296.42129988200343069.53136564.612.416.4129227200245705.7512100212.866.41128453200145263.67110270.413.386.43127627200046217.5299776.314.036.45126743199950838.5890187.714.646.46125786199851229.5384883.715.646.5124761199749417.179429.516.576.51123626199650453.571572.316.986.56122389199546661.861129.817.126.57121121199444510.148459.617.76.49119850199345648.835524.318.096.64118517199244265.827068.318.246.64117171199143529.321895.519.686.7115823199044624.318774.321.066.67114333198940754.917090.321.586.54112704198839408.115101.122.376.64111026198740297.712102.223.336.72109300198639151.210308.822.436.86107507198537910.89039.921.046.78105851198440730.57226.319.96.82104357198338727.55975.620.196.9103008198235450533322.286.61016541981325024898.120.916.36100072198032055.54551.618.216.34987051.3一元回歸分析定義1.1回歸分析(regressionanalysis)是確定兩種或兩種以上變量間相互依賴的定量關(guān)系的一種統(tǒng)計分析方法。如果在回歸分析中，只包括一個自變量和一個因變量，且二者的關(guān)系可用一條直線近似表示，這種回歸分析稱為一元線性回歸分析。繪制總?cè)丝谂c糧食產(chǎn)量的散點圖圖1-1糧食產(chǎn)量與總?cè)丝谏Ⅻc圖設(shè)定理論模型根據(jù)圖1-1隨著糧食產(chǎn)量的增加，總?cè)丝诘臄?shù)量增加，且各樣本點大致落在一條直線附近，故可以采用公式：y二卩。+卩iX+8(1-1)一元線性回歸理論模型，對數(shù)據(jù)進(jìn)行一元回歸分析。1.3.3回歸診斷表1T模型摘要模型RR平方調(diào)整後R平方標(biāo)準(zhǔn)偏斜度錯誤1.909a.826.8214985.99669a.預(yù)測值：(常數(shù))，糧食產(chǎn)量(萬噸)根據(jù)表1-1模型摘要表可以看到，r二0.909，說明以糧食產(chǎn)量為唯一因變量與總?cè)丝诘臄M合程度很高。表1-2系數(shù)非標(biāo)準(zhǔn)化係數(shù)標(biāo)準(zhǔn)化係數(shù)T顯著性

B標(biāo)準(zhǔn)錯誤Beta1（常數(shù)）53054.4045500.0139.646.000糧食產(chǎn)量（萬噸）1.468.117.90912.513.000a.應(yīng)變數(shù)\：人□（萬人）根據(jù)表1-2系數(shù)表，將系數(shù)帶入公式（1-1）可得出回歸模型公式：用一元回歸模型對2014年的總?cè)丝谶M(jìn)行預(yù)測，的到的預(yù)測值y142165.8355第2章多元線性回歸定義2.1在回歸分析中，如果有兩個或兩個以上的自變量，就稱為多元回歸。事實上，一種現(xiàn)象常常是與多個因素相聯(lián)系的，由多個自變量的最優(yōu)組合共同來預(yù)測或估計因變量，比只用一個自變量進(jìn)行預(yù)測或估計更有效，更符合實際。數(shù)據(jù)中心化標(biāo)準(zhǔn)化數(shù)據(jù)中心化和標(biāo)準(zhǔn)化在回歸分析中的意義是取消由于量綱不同、自身變異或者數(shù)值相差較大所引起的誤差。圖2-1標(biāo)準(zhǔn)化結(jié)果多元回歸模型建立多元回歸模型公式：對數(shù)據(jù)進(jìn)行多元回歸分析，結(jié)果如圖2.2表2-1模型摘要模型RR平方調(diào)整後R平方標(biāo)準(zhǔn)偏斜度錯誤1.972a.944.9362967.56830a.預(yù)測值：（常數(shù)），死亡率（%）,出生率（％）,糧食產(chǎn)量（萬噸），GDP（億元）表2-2變異數(shù)分析a模型平方和df平均值平方F顯著性1迴歸43.984410.996126.295.000b殘差7.616308806461.587總計91.60034應(yīng)變數(shù)：人□（萬人）預(yù)測值：（常數(shù)），死亡率（％）,出生率（%）,糧食產(chǎn)量（萬噸），GDP（億元）表2-3係數(shù)a模型非標(biāo)準(zhǔn),化係數(shù)標(biāo)準(zhǔn)化係數(shù)T顯著性B標(biāo)準(zhǔn)錯2口誤Beta1（常數(shù)）124574.66721501.7295.794.000

糧食產(chǎn)量（萬噸）1.045.152.6476.893.000GDP（億元）-.005.008-.078-.635.531出生率（％）-1460.798262.207-.496-5.571.000死亡率（％）-4060.2723649.700-.091-1.112.275a.應(yīng)變數(shù)\：人□（萬人）根據(jù)表2-1可知R=0.972，擬合度高，所以能用該模型進(jìn)行預(yù)測，同時模型的檢驗P值sigv0.05，說明該模型顯著可信；根據(jù)表2-3得到多遠(yuǎn)線性回歸方程：同時，根據(jù)方程得到14年總?cè)丝陬A(yù)測值y二138182.2403，與真實值相差e=1400.25403.2.3逐步回歸法定義2.2逐步回歸法：逐步回歸的基本思想是有進(jìn)有出。具體做法是將變量一個一個的引入，每引入一個變量后，對已引入變量進(jìn)行逐個檢驗，當(dāng)原引入變量因后引入變量變得不顯著時，對其進(jìn)行剔除，保證最后所得的回歸子集是最優(yōu)回歸子集。根據(jù)圖2.2可知，變量GDP與死亡率未通過顯著性檢驗，因此采用逐步回歸的方法對方程進(jìn)行優(yōu)化。表2-4逐步回歸係數(shù)a模型非標(biāo)準(zhǔn)化係數(shù)標(biāo)準(zhǔn)化係數(shù)T顯著性B標(biāo)準(zhǔn)錯誤Beta1（常數(shù)）165146.3883543.31346.608.000出牛率（％）-2687.949210.086-.912-12.794.0002（常數(shù)）108407.8058355.07212.975.000出生率（％）-1534.270211.155-.521-7.266.000糧食產(chǎn)量（萬噸）.816.116.5057.052.0003（常數(shù)）134678.87814308.5429.412.000出生率（％）-1366.202213.615-.464-6.396.000糧食產(chǎn)量（萬噸）1.012.141.6267.184.000死亡率（％）-5681.5572580.897-.127-2.201.035a.應(yīng)變數(shù)\：人□（萬人）根據(jù)圖表2-4,經(jīng)過逐步回歸，剔除了GDP這一變量得到一個擬合度更好的方程:同時得到2014年總?cè)丝诘念A(yù)測值y二138506.21662與真實值相差e二172.21662對比一般多元回歸方法的出的模型預(yù)測值與運用了逐步回歸后的預(yù)測值，發(fā)現(xiàn)不用逐步回歸的預(yù)測值更接近真實值；其原因主要有三方面：我國的人口普查為10年一次，其數(shù)據(jù)主要也是通過預(yù)測的出，所以數(shù)據(jù)本身存在較大的誤差；在實際問題中，自變量之間通常存在相關(guān)性，當(dāng)相關(guān)程度嚴(yán)重時稱為多重共線性。自變量之間的多重共線性會對回歸產(chǎn)生極大的影響；人口預(yù)測不適合采用線性多元回歸的方法進(jìn)行預(yù)測。2.4多重共線性定義2.3多重共線性（Multicollinearity）是指線性回歸模型中的解釋變量之間由于存在精確相關(guān)關(guān)系或高度相關(guān)關(guān)系而使模型估計失真或難以估計準(zhǔn)確。多重共線性產(chǎn)生原因：（1）經(jīng)濟(jì)變量相關(guān)的共同趨勢；（2）滯后變量的引入；（3）樣本資料的限制。影響：（1）完全共線性下參數(shù)估計量不存在；（2）近似共線性下OLS估計量非有效，多重共線性使參數(shù)估計值的方差增大，1/（1-⑵為方差膨脹因子（VarianceInflationFactor,VIF）如果方差膨脹因子值越大，說明共線性越強(qiáng)。相反因為，容許度是方差膨脹因子的倒數(shù)，所以，容許度越小，共線性越強(qiáng)?？梢赃@樣記憶：容許度代表容許，也就是許可，如果，值越小，代表在數(shù)值上越不容許，就是越小，越不要。而共線性是一個負(fù)面指標(biāo)，在分析中都是不希望它出現(xiàn)，將共線性和容許度聯(lián)系在一起，容許度越小，越不要，實際情況越不好，共線性這個“壞蛋”越強(qiáng)。進(jìn)一步，方差膨脹因子因為是容許度倒數(shù)，所以反過來；（3）參數(shù)估計量經(jīng)濟(jì)含義不合理；（4）變量的顯著性檢驗失去意義，可能將重要的解釋變量排除在模型之外；（5）模型的預(yù)測功能失效。變大的方差容易使區(qū)間預(yù)測的“區(qū)間”變大，使預(yù)測失去意義。2.3.1多重共線性檢測用SPSS22.0對數(shù)據(jù)進(jìn)行多重共線性檢測表2-5共線性診斷a模型維度特徵值條件指數(shù)變異數(shù)比例（常數(shù)）出牛率（％）糧食產(chǎn)量（萬噸）死亡率（％）111.9721.000.01.012.0288.447.99.99212.9291.000.00.00.002.0686.557.00.18.063.00333.7981.00.81.94313.9271.000.00.00.00.002.0707.506.00.17.03.003.00336.436.15.79.74.034.00186.828.85.04.24.97a.應(yīng)變數(shù)：人□（萬人）檢測結(jié)果表2-5顯示：（1）特征值有3個接近0，表明存在多重共線性；（2）條件指數(shù)有3個＞10，表明可能存在多重共線性；（3）在相關(guān)系數(shù)矩陣中，死亡率數(shù)值接近1可能存在多重共線性表2-6排除共線性變量后的係數(shù)a模型非標(biāo)準(zhǔn)化係數(shù)標(biāo)準(zhǔn)化係數(shù)T顯著性共線性統(tǒng)計資料B標(biāo)準(zhǔn)錯誤Beta允差VIF1（常數(shù)）165146.3883543.31346.608.000出牛率（％）-2687.949210.086-.912-12.794.0001.0001.0002（常數(shù)）108407.8058355.07212.975.000出生率（％）-1534.270211.155-.521-7.266.000.4002.502糧食產(chǎn)量（萬噸）.816.116.5057.052.000.4002.5023（常數(shù)）134678.87814308.5429.412.000出生率（％）-1366.202213.615-.464-6.396.000.3492.868糧食產(chǎn)量（萬噸）1.012.141.6267.184.000.2414.146死亡率（％）-5681.5572580.897-.127-2.201.035.5531.808a.應(yīng)變數(shù)\：人□（萬人）根據(jù)表2-6,剔除GDP這一變量后，其余變量的VIF全部小于10,排除變量間存在多重共線性的原因，不需要再次剔除變量。得到剔除共線性后的多元線性回歸方程：y二134678.878+1.012x-1366.202x-5681.557x1342.4主成分分析定義2.4主成分分析（PrincipalComponentAnalysis,PCA），是一種統(tǒng)計方法。通過正交變換將一組可能存在相關(guān)性的變量轉(zhuǎn)換為一組線性不相關(guān)的變量，轉(zhuǎn)換后的這組變量叫主成分。在實際課題中,為了全面分析問題,往往提出很多與此有關(guān)的變量（或因素）,因為每個變量都在不同程度上反映這個課題的某些信息。主成分分析首先是由K.皮爾森對非隨機(jī)變量引入的，爾后H.霍特林將此方法推廣到隨機(jī)向量的情形。信息的大小通常用離差平方和或方差來衡量。主成分分析的主要原理是尋找一個適當(dāng)?shù)木€性變換：（1）將彼此相關(guān)的變量轉(zhuǎn)變?yōu)楸舜霜毩⒌男伦兞浚唬?）方差較大的幾個新變量就能綜合反應(yīng)原多個變量所包含的主要信息；（3）新變量各自帶有獨特的專業(yè)含義。住成分分析的作用是：（1）減少指標(biāo)變量的個數(shù)；（2）決多重相關(guān)性問題主成分分析模型建立運用SPSS22.0對數(shù)據(jù)進(jìn)行主成分分析表2-7各變量所占權(quán)重元件起始特徵值擷取平方和載入總計變異的%累加%總計變異的%累加%13.04076.00476.0043.04076.00476.0042.72718.17694.1793.1523.79397.9724.0812.028100.000擷取方法：主體元件分析。根據(jù)主成分分析結(jié)果可以看出前兩個變量所占比重最多，二者的和所占比例為94.18%，所以可以采用前兩個變量建立回歸模型。表2-8回歸係數(shù)a模型非標(biāo)準(zhǔn)化係數(shù)標(biāo)準(zhǔn)化係數(shù)T顯著性B標(biāo)準(zhǔn)錯誤Beta1（常數(shù)）53075.7119733.1915.453.000糧食產(chǎn)量（萬噸）1.468.235.9086.252.000GDP（億元）2.494E-5.009.000.003.998a.應(yīng)變數(shù)\：人□（萬人）根據(jù)表2-8,得到回歸方程：根據(jù)回歸方程預(yù)測出2014年人口y142180.52727萬人。因為：1.主成分分析中，我們首先應(yīng)保證所提取的前幾個主成分的累計貢獻(xiàn)率達(dá)到一個較高的水平（即變量降維后的信息量須保持在一個較高水平上），其次對這些被提取的主成分必須都能夠給出符合實際背景和意義的解釋（否則主成分將空有信息量而無實際含義）。2.主成分的解釋其含義一般多少帶有點模糊性，不像原始變量的含義那么清楚、確切，這是變量降維過程中不得不付出的代價。因此，提取的主成分個數(shù)m通常應(yīng)明顯小于原始變量個數(shù)p（除非p本身較小），否則維數(shù)降低的“利”可能抵不過主成分含義不如原始變量清楚的“弊”。所以預(yù)測的結(jié)果出現(xiàn)了更大的誤差第3章非線性模型曲線回歸定義3.1非線性回歸是在掌握大量觀察數(shù)據(jù)的基礎(chǔ)上，利用數(shù)理統(tǒng)計方法建立因變量與自變量之間的回歸關(guān)系函數(shù)表達(dá)式（稱回歸方程式）?；貧w分析中，當(dāng)研究的因果關(guān)系只涉及因變量和一個自變量時，叫做一元回歸分析；當(dāng)研究的因果關(guān)系涉及因變量和兩個或兩個以上自變量時，叫做多元回歸分析。確定兩個變數(shù)間數(shù)量變化的某種特定的規(guī)則或規(guī)律；估計表示該種曲線關(guān)系特點的一些重要參數(shù)，如回歸參數(shù)、極大值、極小值和漸近值等；為生產(chǎn)預(yù)測或試驗控制進(jìn)行內(nèi)插，或在論據(jù)充足時作出理論上的外推。3.1.1曲線擬合對國內(nèi)總?cè)丝诘臄M合，選取總?cè)丝谥笜?biāo)為因變量，單位為萬人，擬合總?cè)丝陉P(guān)于時間t的趨勢曲線。以1980年為基準(zhǔn)年，取值為t=1,2014年t=35。繪制總?cè)丝谂c變量t的散點圖，如圖3-1所示。圖3-1總?cè)丝趯的散點圖從散點圖可以看到，總?cè)丝诖笾路先魏瘮?shù)形式，當(dāng)人口的增長速度大致相同時，其趨勢線就是三次函數(shù)形式。圖3-2擬合曲線圖通過觀察圖3-2，發(fā)現(xiàn)三次曲線模型擬合度最好，其次為線性和復(fù)合模型，故根據(jù)公式：建立三次曲線模型。表3-1模型摘要RR平方調(diào)整後R平方標(biāo)準(zhǔn)偏斜度仝±±蘭口市錯n誤1.000.999.999365.498自變數(shù)為時間。表3-2變異數(shù)分析平方和df平均值平方F顯著性迴歸35.390345.13011749.73.0002殘差4141256.2131133588.9100總計91.60034自變數(shù)為時間。表3-3三次曲線系數(shù)非標(biāo)準(zhǔn)化係數(shù)標(biāo)準(zhǔn)化係數(shù)T顯著性B標(biāo)準(zhǔn)錯誤Beta時間1849.09465.5011.60928.230.000時間-17.6834.196-.571-4.214.000**2時間-.070.077-.076-.908.371**3（常96103.58276.15348.00.000數(shù)）874根據(jù)圖表3-1,得到三次函數(shù)模型的R二1.000，說明擬合程度非常好；同時根據(jù)表3-2可知，方程整體都通過了顯著性檢驗；根據(jù)表3-3可知，不但方程整體通過了顯著性檢驗，每個不同次冪的t也經(jīng)過了顯著性檢驗，所以建立的三次方程式完全符合實際情況的。根據(jù)第三個表建立出三次函數(shù)方程：同時得出2014年預(yù)測值y二136174.94841萬人，預(yù)測值與真實值相差e二607.0516萬人。預(yù)測值與真實值相差程度遠(yuǎn)小于運用線性多元回歸方法、逐步回歸法和主成分分析后的預(yù)測值與真實值之間的差異，進(jìn)一步證明建立的三次函數(shù)模型符合實際情況。Logistic模型Logistic模型增長公式為：其中p為時刻的人口總數(shù)，p為人口極限規(guī)模，e為自然對數(shù)的底，t為時刻長tm度，a、b為待定參數(shù)。Logistic模型考慮到人口總數(shù)增長的有限性，提出了人口總數(shù)增長的規(guī)律即隨著人口總數(shù)的增長，人口增長率逐漸下降，但對于在短期內(nèi)如30-50年內(nèi)人口增長可能呈上升趨勢如人口生育率上升、死亡率下降等原因而導(dǎo)致人口呈上升趨勢。Logistic模型在應(yīng)用中對時間長，人口數(shù)據(jù)變化大，因此誤差較大且不穩(wěn)定。而小城鎮(zhèn)人口的變化就存在人口數(shù)據(jù)變化較大的特點，所以Logistic模型對小城鎮(zhèn)人口的預(yù)測并不適合。用對人口進(jìn)行Logistic曲線擬合，運用命令：x=[20142013201220112010200920082007200620052004200320022001200019991998199719961995199419931992199119901989198819871986198519841983198219811980]y=[13678213607213540413473513409113345013280213212913144813075612998812922712845312762712674312578612476112362612238912112111985011851711717111582311433311270411102610930010750710585110435710300810165410007298705]x=x';y=y';st_=[20001276271];(在x,y內(nèi)任意取的數(shù))ft_=fittype('a/(1+b*exp(-k*(x-1980)))',...'dependent',{'y'},'independent',{'x'},...'coefficients',{'a','b','k'});cf_=fit(x,y,ft_,'Startpoint',st_)最后運行出的結(jié)果：cf_=Generalmodel:cf_(x)=a/(1+b*exp(-k*(x-1980)))Coefficients(with95%confidencebounds):a=1.217e+005(1.144e+005,1.29e+005)b=1.176e+005(-4.741e+009,4.742e+009)k=13.21(-4.032e+004,4.035e+004)根據(jù)運行結(jié)果，得到Logistic擬合方程：其中a為人口上線的估計值，因為在1995年人口的實際值就已經(jīng)超過了預(yù)測上限，所以該模型不是和用于預(yù)測未來的人口。造成模型不準(zhǔn)確的原因主要是數(shù)據(jù)過少，且人口數(shù)據(jù)多數(shù)來自抽樣調(diào)查，數(shù)據(jù)本身存在一定誤差。結(jié)論通過不同的模型建立方法對獲得的人口數(shù)據(jù)建立了多個不同的預(yù)測模型；經(jīng)過對

比發(fā)現(xiàn)三次曲線模型是最符合實際運用的；導(dǎo)致其他模型不適用的原因主要為：（1）目前我國的人口出生率低、死亡率低、自然增長率低．這表明我國將進(jìn)入“低、低、低”現(xiàn)代人口再生產(chǎn)類型的行列；即我國今后的人口數(shù)量趨勢大致會成為一條水平線。（2）自20