东营空气质量指数的相关性分析
2014-11-27农林
农林
摘要：本文通过对东营空气质量指数数据的收集，采用多元统计方法分析了影响空气质量指数AQI的[PM2.5]，[PM10]，[CO]，[NO2]，[SO2]之间的相关性；由影响因素和AQI之间的关系，建立多元线性回归方程并预测AQI指数；最后提出了相应的建议和解决方案。
关键词：AQI指数 相关分析 因子分析
2012年，国家环保部门公布了新的环境空气质量规范，修订了空气质量的测量标准，首次将[PM2.5]、[NO2]等物质纳入到空气质量勘测的范畴，这将更加准确反映现在环境的实际状况。
一、AQI指数与其可能影响因素的相关分析
通过查阅相关文献资料可以发现，空气质量指数AQI与[PM2.5]，[PM10]，[CO]，[NO2]，[SO2]等因素的指标存在着相互联系，为了更进一步探究AQI指数与其影响因素的相关程度，我们利用spss17软件对东营市的372个气象数据进行了相关分析，其中皮尔逊（Pearson）相关系数定义公式为：[r=i=1n（xi-x）（yi-y）i=1n（xi-x）2i=1n（yi-y）2]，其相关表由软件可得出：数据中的相关系数表明AQI指数与[SO2]，[NO2]，[PM10]，[CO]，[O3]，[PM2.5]均有较强烈的相关关系，其中AQI与[PM10]，[PM2.5] 的相关系数达到0.963和0.929，显著性水平均为0.000，表明AQI指数与[PM10]，[PM2.5]的指标之间存在强烈的相关性。这为下文研究回归分析奠定了基础。
二、AQI指数与其影响因素的多元回归分析
通过上面的相关分析，我们可以发现空气质量指数AQI与多个影响因素有关。[PM10]，[PM2.5]，[CO]，[NO2]，[SO2]指标的变化都将引起AQI指数的变化，因此我们对因变量AQI指数与自变量[SO2]，[NO2]，[PM10]，[CO]，[PM2.5]进行多元回归分析。多元线性回归方程可以表示为[yi=a+j=1pbjxji+εi]，其中[εi～N（0，σ2）]， [a，b1，b2，...，bp]为回归系数。采用逐步剔除法在3次拟合之后得出我们模型3中剔除变量[SO2]，[CO]，模型拟合度[R2=0.985]，拟合效果更好。采取模型3进行回归分析。还可以知道模型3的解释变量因素对AQI指数的贡献率为0.985，即AQI指数中是有98.5%是由[PM10]，[PM2.5]，[NO2]所引起的。DW取值为1.139说明变量间不存在自相关。
我们做差分解及检验，分析结果看出模型3的回归方程F值为647.479，P值为0.000，可见回归方程极其显著。也就是说具有回归性。
数据显示的是拟合回归方程系数及其检验。未标准化时，常数项为22.411，P值为0.000，常数项显著。自变量[PM10]，[PM2.5]，[NO2]的回归系数为0.471，0.540，-0.414对应P值均小于0.005，检验结果也显著。VIF值均小于10说明回归系数都有合理的解释，回归方程不存在强多重共线性。那么建立多元的回归方程为：AQI=0.471[PM10]+0.540[PM2.5]-0.414[NO2]+22.411。
三、AQI指数影响因素的因子分析
从气象观测数据可以发现，影响空气质量指数AQI的有众多的影响因素，但是由于我们想运用较少的因子就可以表示出空气质量指数。因此接下来运用因子分析的方法，利用最少的因子去概括和解释空气质量指数AQI，揭示影响变量间内在的关联性，用较少的维度表示原来的数据信息。
四、结束语
经过以上数据分析结果表示，空气质量AIQ与我们空气中的二氧化物，大颗粒物质以及臭氧含量存在相关性，在改善空气质量时候要注重对工业排放的二氧化物，空气中的颗粒物质降低以及对臭氧的保护上。
参考文献：
[1]章文波，陈红艳.实用数据统计分析及spss12.0应用[M].北京：人民邮电出版社，2006.2
[2]吴万友，姚丽文，徐卫民.等.江西省主要城市空气质量预报研究[J].环境与开发，2001，16（3）：9-11endprint
摘要：本文通过对东营空气质量指数数据的收集，采用多元统计方法分析了影响空气质量指数AQI的[PM2.5]，[PM10]，[CO]，[NO2]，[SO2]之间的相关性；由影响因素和AQI之间的关系，建立多元线性回归方程并预测AQI指数；最后提出了相应的建议和解决方案。
关键词：AQI指数 相关分析 因子分析
2012年，国家环保部门公布了新的环境空气质量规范，修订了空气质量的测量标准，首次将[PM2.5]、[NO2]等物质纳入到空气质量勘测的范畴，这将更加准确反映现在环境的实际状况。
一、AQI指数与其可能影响因素的相关分析
通过查阅相关文献资料可以发现，空气质量指数AQI与[PM2.5]，[PM10]，[CO]，[NO2]，[SO2]等因素的指标存在着相互联系，为了更进一步探究AQI指数与其影响因素的相关程度，我们利用spss17软件对东营市的372个气象数据进行了相关分析，其中皮尔逊（Pearson）相关系数定义公式为：[r=i=1n（xi-x）（yi-y）i=1n（xi-x）2i=1n（yi-y）2]，其相关表由软件可得出：数据中的相关系数表明AQI指数与[SO2]，[NO2]，[PM10]，[CO]，[O3]，[PM2.5]均有较强烈的相关关系，其中AQI与[PM10]，[PM2.5] 的相关系数达到0.963和0.929，显著性水平均为0.000，表明AQI指数与[PM10]，[PM2.5]的指标之间存在强烈的相关性。这为下文研究回归分析奠定了基础。
二、AQI指数与其影响因素的多元回归分析
通过上面的相关分析，我们可以发现空气质量指数AQI与多个影响因素有关。[PM10]，[PM2.5]，[CO]，[NO2]，[SO2]指标的变化都将引起AQI指数的变化，因此我们对因变量AQI指数与自变量[SO2]，[NO2]，[PM10]，[CO]，[PM2.5]进行多元回归分析。多元线性回归方程可以表示为[yi=a+j=1pbjxji+εi]，其中[εi～N（0，σ2）]， [a，b1，b2，...，bp]为回归系数。采用逐步剔除法在3次拟合之后得出我们模型3中剔除变量[SO2]，[CO]，模型拟合度[R2=0.985]，拟合效果更好。采取模型3进行回归分析。还可以知道模型3的解释变量因素对AQI指数的贡献率为0.985，即AQI指数中是有98.5%是由[PM10]，[PM2.5]，[NO2]所引起的。DW取值为1.139说明变量间不存在自相关。
我们做差分解及检验，分析结果看出模型3的回归方程F值为647.479，P值为0.000，可见回归方程极其显著。也就是说具有回归性。
数据显示的是拟合回归方程系数及其检验。未标准化时，常数项为22.411，P值为0.000，常数项显著。自变量[PM10]，[PM2.5]，[NO2]的回归系数为0.471，0.540，-0.414对应P值均小于0.005，检验结果也显著。VIF值均小于10说明回归系数都有合理的解释，回归方程不存在强多重共线性。那么建立多元的回归方程为：AQI=0.471[PM10]+0.540[PM2.5]-0.414[NO2]+22.411。
三、AQI指数影响因素的因子分析
从气象观测数据可以发现，影响空气质量指数AQI的有众多的影响因素，但是由于我们想运用较少的因子就可以表示出空气质量指数。因此接下来运用因子分析的方法，利用最少的因子去概括和解释空气质量指数AQI，揭示影响变量间内在的关联性，用较少的维度表示原来的数据信息。
四、结束语
经过以上数据分析结果表示，空气质量AIQ与我们空气中的二氧化物，大颗粒物质以及臭氧含量存在相关性，在改善空气质量时候要注重对工业排放的二氧化物，空气中的颗粒物质降低以及对臭氧的保护上。
参考文献：
[1]章文波，陈红艳.实用数据统计分析及spss12.0应用[M].北京：人民邮电出版社，2006.2
[2]吴万友，姚丽文，徐卫民.等.江西省主要城市空气质量预报研究[J].环境与开发，2001，16（3）：9-11endprint
摘要：本文通过对东营空气质量指数数据的收集，采用多元统计方法分析了影响空气质量指数AQI的[PM2.5]，[PM10]，[CO]，[NO2]，[SO2]之间的相关性；由影响因素和AQI之间的关系，建立多元线性回归方程并预测AQI指数；最后提出了相应的建议和解决方案。
关键词：AQI指数 相关分析 因子分析
2012年，国家环保部门公布了新的环境空气质量规范，修订了空气质量的测量标准，首次将[PM2.5]、[NO2]等物质纳入到空气质量勘测的范畴，这将更加准确反映现在环境的实际状况。
一、AQI指数与其可能影响因素的相关分析
通过查阅相关文献资料可以发现，空气质量指数AQI与[PM2.5]，[PM10]，[CO]，[NO2]，[SO2]等因素的指标存在着相互联系，为了更进一步探究AQI指数与其影响因素的相关程度，我们利用spss17软件对东营市的372个气象数据进行了相关分析，其中皮尔逊（Pearson）相关系数定义公式为：[r=i=1n（xi-x）（yi-y）i=1n（xi-x）2i=1n（yi-y）2]，其相关表由软件可得出：数据中的相关系数表明AQI指数与[SO2]，[NO2]，[PM10]，[CO]，[O3]，[PM2.5]均有较强烈的相关关系，其中AQI与[PM10]，[PM2.5] 的相关系数达到0.963和0.929，显著性水平均为0.000，表明AQI指数与[PM10]，[PM2.5]的指标之间存在强烈的相关性。这为下文研究回归分析奠定了基础。
二、AQI指数与其影响因素的多元回归分析
通过上面的相关分析，我们可以发现空气质量指数AQI与多个影响因素有关。[PM10]，[PM2.5]，[CO]，[NO2]，[SO2]指标的变化都将引起AQI指数的变化，因此我们对因变量AQI指数与自变量[SO2]，[NO2]，[PM10]，[CO]，[PM2.5]进行多元回归分析。多元线性回归方程可以表示为[yi=a+j=1pbjxji+εi]，其中[εi～N（0，σ2）]， [a，b1，b2，...，bp]为回归系数。采用逐步剔除法在3次拟合之后得出我们模型3中剔除变量[SO2]，[CO]，模型拟合度[R2=0.985]，拟合效果更好。采取模型3进行回归分析。还可以知道模型3的解释变量因素对AQI指数的贡献率为0.985，即AQI指数中是有98.5%是由[PM10]，[PM2.5]，[NO2]所引起的。DW取值为1.139说明变量间不存在自相关。
我们做差分解及检验，分析结果看出模型3的回归方程F值为647.479，P值为0.000，可见回归方程极其显著。也就是说具有回归性。
数据显示的是拟合回归方程系数及其检验。未标准化时，常数项为22.411，P值为0.000，常数项显著。自变量[PM10]，[PM2.5]，[NO2]的回归系数为0.471，0.540，-0.414对应P值均小于0.005，检验结果也显著。VIF值均小于10说明回归系数都有合理的解释，回归方程不存在强多重共线性。那么建立多元的回归方程为：AQI=0.471[PM10]+0.540[PM2.5]-0.414[NO2]+22.411。
三、AQI指数影响因素的因子分析
从气象观测数据可以发现，影响空气质量指数AQI的有众多的影响因素，但是由于我们想运用较少的因子就可以表示出空气质量指数。因此接下来运用因子分析的方法，利用最少的因子去概括和解释空气质量指数AQI，揭示影响变量间内在的关联性，用较少的维度表示原来的数据信息。
四、结束语
经过以上数据分析结果表示，空气质量AIQ与我们空气中的二氧化物，大颗粒物质以及臭氧含量存在相关性，在改善空气质量时候要注重对工业排放的二氧化物，空气中的颗粒物质降低以及对臭氧的保护上。
参考文献：
[1]章文波，陈红艳.实用数据统计分析及spss12.0应用[M].北京：人民邮电出版社，2006.2
[2]吴万友，姚丽文，徐卫民.等.江西省主要城市空气质量预报研究[J].环境与开发，2001，16（3）：9-11endprint