《统计学(贾5)课后练答案(11-14章)30386.pdf》由会员分享，可在线阅读，更多相关《统计学(贾5)课后练答案(11-14章)30386.pdf（40页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、第 11 章 一元线性回归分析 （1）散点图（略），产量与生产费用之间正的线性相关关系。（2）920232.0r（3）检验统计量2281.24222.142tt，拒绝原假设，相关系数显著。（1）散点图（略）。（2）8621.0r （1）0表示当0 x时y的期望值。（2）1表示x每变动一个单位y平均下降个单位。（3）7)(yE （1）%902R（2）1es 一家物流公司的管理人员想研究货物的运输距离和运输时间的关系，为此，他抽出了公司最近 10 个卡车运货记录的随机样本，得到运送距离(单位：km)和运送时间(单位：天)的数据如下：运送距离 x 825 215 1070 550 480 920 1
2、350 325 670 1215 运送时间 y 要求：(1)绘制运送距离和运送时间的散点图，判断二者之间的关系形态：(2)计算线性相关系数，说明两个变量之间的关系强度。(3)利用最小二乘法求出估计的回归方程，并解释回归系数的实际意义。解：（1）x运送距离（km）12501000750500250y运送时间（天）54321 可能存在线性关系。（2）相关性 x 运送距离（km）y 运送时间（天）x 运送距离（km）Pearson 相关性 1.949(*)显著性（双侧）N 10 10 y 运送时间（天）Pearson 相关性.949(*)1 显著性（双侧）N 10 10 有很强的线性关系。（3）系数
3、(a)模型 非标准化系数 标准化系数 t 显著性 B 标准误 Beta 1（常量）x 运送距离（km）回归系数的含义：每公里增加天。下面是 7 个地区 2000 年的人均国内生产总值（GDP）和人均消费水平的统计数据：地区 人均 GDP(元)人均消费水平(元)北京 辽宁 上海 江西 河南 贵州 陕西 22 460 11 226 34 547 4 851 5 444 2 662 4 549 7 326 4 490 11 546 2 396 2 208 1 608 2 035 要求：(1)人均 GDP 作自变量，人均消费水平作因变量，绘制散点图，并说明二者之间的关系形态。(2)计算两个变量之间的线
4、性相关系数，说明两个变量之间的关系强度。(3)利用最小二乘法求出估计的回归方程，并解释回归系数的实际意义。(4)计算判定系数，并解释其意义。(5)检验回归方程线性关系的显著性(a=。(6)如果某地区的人均 GDP 为 5 000 元，预测其人均消费水平。(7)求人均 GDP 为 5 000 元时，人均消费水平 95的置信区间和预测区间。解：（1）人均GDP（元）400003000020000100000人均消费水平（元）120001000080006000400020000_ 可能存在线性关系。（2）相关系数：相关性 人均 GDP（元）人均消费水平（元）人均 GDP（元）Pearson 相关性
5、 1.998(*)显著性（双侧）N 7 7 人均消费水平（元）Pearson 相关性.998(*)1 显著性（双侧）N 7 7 有很强的线性关系。（3）回归方程：系数(a)模型 非标准化系数 标准化系数 t 显著性 B 标准误 Beta 1（常量）人均 GDP（元）回归系数的含义：人均 GDP 没增加 1 元，人均消费增加元。（4）模型摘要 模型 R R 方 调整的 R 方 估计的标准差 1.998(a)人均 GDP 对人均消费的影响达到%。（5）F 检验：ANOVA(b)模型 平方和 df 均方 F 显著性 1 回归 81,444,1 81,444,1,.00残差 305,5 61,合计 8
6、1,750,6 回归系数的检验：t 检验 系数(a)模型 非标准化系数 标准化系数 t 显著性 B 标准误 Beta 1（常量）人均 GDP（元）（6）某地区的人均 GDP 为 5 000 元，预测其人均消费水平为元。（7）人均 GDP 为 5 000 元时，人均消费水平 95的置信区间为，预测区间为，。（1）散点图（略），二者之间为负的线性相关关系。（2）估计的回归方程为：xy7.41892.430。回归系数7.41表示航班正点率每增加 1%，顾客投诉次数平均下降次。（3）检验统计量3060.2959.42tt（P-Value=2,7F，认为线性关系显著。（2）回归系数的显著性检验：假设：H
7、0：1=0 H1：10 t=11S=2.010.0813=21tnp=，t 27t，认为 y 与 x1线性关系显著。（3）回归系数的显著性检验：假设：H0：2=0 H1：20 t=22S=4.740.0567=21tnp=，t 27t，认为 y 与 x2线性关系显著。一家电器销售公司的管理人员认为，每月的销售额是广告费用的函数，并想通过广告费用对月销售额作出估计。下面是近 8 个月的销售额与广告费用数据：月销售收入 y(万元)电视广告费用工：x1(万元)报纸广告费用 x2(万元)96 90 95 92 95 94 50 20 40 25 30 20 15 33 94 94 35 25 30 2
8、3 42 25 要求：(1)用电视广告费用作自变量，月销售额作因变量，建立估计的回归方程。(2)用电视广告费用和报纸广告费用作自变量，月销售额作因变量，建立估计的回归方程。(3)上述(1)和(2)所建立的估计方程，电视广告费用的系数是否相同对其回归系数分别进行解释。(4)根据问题(2)所建立的估计方程，在销售收入的总变差中，被估计的回归方程所解释的比例是多少(5)根据问题(2)所建立的估计方程，检验回归系数是否显著(a=。解：（1）回归方程为：88.64+1.6yx（2）回归方程为：1283.232.291.3yxx（3）不相同，（1）中表明电视广告费用增加 1 万元，月销售额增加万元；（2）
9、中表明，在报纸广告费用不变的情况下，电视广告费用增加 1 万元，月销售额增加万元。（4）判定系数 R2=，调整的2aR=，比例为%。（5）回归系数的显著性检验：Coefficients 标准误差 t Stat P-value Lower 95%Upper 95%下限%上限%Intercept 电视广告费用工：x1(万元)报纸广告费用 x2(万元)假设：H0：1=0 H1：10 t=11S=2.290.304=0.0255t=，t 0.0255t，认为 y 与 x1线性关系显著。（3）回归系数的显著性检验：假设：H0：2=0 H1：20 t=22S=1.30.32=0.0255t=，t 0.02
10、55t，认为 y 与 x2线性关系显著。某农场通过试验取得早稻收获量与春季降雨量和春季温度的数据如下：收获量 y(kghm2)降雨量 x1(mm)温度 x2()2 250 3 450 4 500 6 750 7 200 7 500 8 250 25 33 45 105 110 115 120 6 8 10 13 14 16 17 要求：(1)试确定早稻收获量对春季降雨量和春季温度的二元线性回归方程。(2)解释回归系数的实际意义。(3)根据你的判断，模型中是否存在多重共线性 解：（1）回归方程为：12-0.59122.386327.672yxx（2）在温度不变的情况下，降雨量每增加 1mm，收获
11、量增加 22.386kghm2，在降雨量不变的情况下，降雨量每增加 1 度，收获量增加 327.672kghm2。（3）1x与2x的相关系数1 2x xr=，存在多重共线性。下面是随机抽取的 15 家大型商场销售的同类产品的有关数据(单位：元)。企业编号 销售价格 y 购进价格 x1 销售费用x2 l 2 3 4 5 6 7 8 9 10 11 12 13 14 15 l 238 l 266 l 200 1 193 1 106 1 303 1 313 1 144 1 286 l 084 l 120 1 156 1 083 1 263 1 246 966 894 440 664 791 852
12、804 905 77l 511 505 85l 659 490 696 223 257 387 310 339 283 302 214 304 326 339 235 276 390 316 要求：(1)计算 y 与 x1、y 与 x2之间的相关系数，是否有证据表明销售价格与购进价格、销售价格与销售费用之间存在线性关系 (2)根据上述结果，你认为用购进价格和销售费用来预测销售价格是否有用 (3)用 Excel 进行回归，并检验模型的线性关系是否显著(a。(4)解释判定系数 R2，所得结论与问题(2)中是否一致(5)计算 x1与 x2之间的相关系数，所得结果意味着什么(6)模型中是否存在多重共线
13、性你对模型有何建议 解：（1）y 与 x1的相关系数=，y 与 x2之间的相关系数=。对相关性进行检验：相关性 销售价格 购进价格 销售费用 销售价格 Pearson 相关性 1 显著性（双侧）N 15 15 15 购进价格 Pearson 相关性 1(*)显著性（双侧）N 15 15 15 销售费用 Pearson 相关性 (*)1 显著性（双侧）N 15 15 15 可以看到，两个相关系数的 P 值都比较的，总体上线性关系也不现状，因此没有明显的线性相关关系。（2）意义不大。（3）回归统计 Multiple R R Square Adjusted R Square 标准误差 观测值 15
14、方差分析 df SS MS F Significance F 回归分析 2 残差 12 总计 14 Coefficients 标准误差 t Stat P-value Lower 95%Upper 95%下限%上限%Intercept 购进价格 x1 0.销售费用 x2 0.从检验结果看，整个方程在 5%下，不显著；而回归系数在 5%下，均显著，说明回归方程没有多大意义，并且自变量间存在线性相关关系。（4）从 R2看，调整后的 R2=%，说明自变量对因变量影响不大，反映情况基本一致。（5）方程不显著，而回归系数显著，说明可能存在多重共线性。（6）存在多重共线性，模型不适宜采用线性模型。一家货物运
15、输公司想研究运输费用与货物类型的关系，并建立运输费用与货物类型的回归模型，以此对运输费用作出预测。该运输公司所运输的货物分为两种类型：易碎品和非易碎品。下表给出了 15个路程大致相同，而货物类型不同的运输费用数据。每件产品的运输费用 y(元)货物类型 x1 172 111 120 109 138 65 100 115 70 85 21 l。3 34 75 20 易碎品 易碎品 易碎品 易碎品 易碎品 易碎品 易碎品 易碎品 非易碎品 非易碎品 非易碎品 非易碎品 非易碎品 非易碎品 非易碎品 1 1 1 l 1 l 1 1 0 0 0 0 0 0 0 要求：(1)写出运输费用与货物类型之间的线
16、性方程。(2)对模型中的回归系数进行解释。(3)检验模型的线性关系是否显著(a。解：df SS MS F Significance F 回归分析 1 残差 13 总计 14 Coefficients 标准误差 t Stat P-value Lower 95%Upper 95%下限%上限%Intercept x1 （1）回归方程为：4.547.08yx（2）非易碎品的平均运费为元，易碎品的平均运费为元，易碎品与非易碎品的平均运费差为元。（3）回归方程的显著性检验：假设：H0：1=0 H1：1不等于 0 SSR=，SSE=，F=1SSR pSSE np=6724.125 1507.75 15 1
17、1=P=0.051,13F，认为线性关系显著。或者，回归系数的显著性检验：假设：H0：1=0 H1：10 t=11S=7.081.57=P=0.02513t，认为 y 与 x 线性关系显著。为分析某行业中的薪水有无性别歧视，从该行业中随机抽取 15 名员工，有关数据如下：月薪 y(元)工龄 x1 性别(1=男，0女)x2 l 548 l 629 1 011 l 229 l 746 1 528 l 018 1 190 l 551 985 l 610 1 432 1 215 990 1 585 32 38 27 34 36 41 38 34 33 32 35 29 33 28 35 l l 0 0
18、 l 1 0 0 l 0 l l 0 0 l 要求：用 Excel 进行回归，并对结果进行分析。解：回归统计 Multiple R R Square Adjusted R Square 标准误差 观测值 15 方差分析 df SS MS F Significance F 回归分析 2 残差 12 总计 14 1021912 Coefficients 标准误差 t Stat P-value Lower 95%Upper 95%下限%上限%Intercept 工龄 x1 性别(1=男，0女)x2 拟合优度良好，方程线性显著，工龄线性不显著，性别线性显著。第 13 章 时间序列分析和预测 下表是 1
19、981 年1999 年国家财政用于农业的支出额数据 年份 支出额（亿元）年份 支出额（亿元）1981 1991 1982 1992 1983 1993 1984 1994 1985 1995 1986 1996 1987 1997 1988 1998 1989 1999 1990 （1）绘制时间序列图描述其形态。（2）计算年平均增长率。（3）根据年平均增长率预测 2000 年的支出额。详细答案：（1）时间序列图如下：从时间序列图可以看出，国家财政用于农业的支出额大体上呈指数上升趋势。（2）年平均增长率为：。（3）。下表是 1981 年2000 年我国油彩油菜籽单位面积产量数据（单位：kg/hm
20、2）年份 单位面积产量 年份 单位面积产量 1981 1451 1991 1215 1982 1372 1992 1281 1983 1168 1993 1309 1984 1232 1994 1296 1985 1245 1995 1416 1986 1200 1996 1367 1987 1260 1997 1479 1988 1020 1998 1272 1989 1095 1999 1469 1990 1260 2000 1519 （1）绘制时间序列图描述其形态。（2）用 5 期移动平均法预测 2001 年的单位面积产量。（3）采用指数平滑法，分别用平滑系数 a=和 a=预测 2001
21、 年的单位面积产量，分析预测误差，说明用哪一个平滑系数预测更合适？详细答案：（1）时间序列图如下：（2）2001 年的预测值为：|（3）由 Excel 输出的指数平滑预测值如下表：年份 单位面积产量 指数平滑预测 a=误差平方 指数平滑预测 a=误差平方 1981 1451 1982 1372 1983 1168 1984 1232 1985 1245 1986 1200 1987 1260 1988 1020 1989 1095 1990 1260 1991 1215 1992 1281 1993 1309 1994 1296 1995 1416 1996 1367 1997 1479 19
22、98 1272 1999 1469 2000 1519 合计 2001 年 a=时的预测值为：a=时的预测值为：比较误差平方可知，a=更合适。下面是一家旅馆过去 18 个月的营业额数据 月份 营业额（万元）月份 营业额（万元）1 295 10 473 2 283 11 470 3 322 12 481 4 355 13 449 5 286 14 544 6 379 15 601 7 381 16 587 8 431 17 644 9 424 18 660 （1）用 3 期移动平均法预测第 19 个月的营业额。（2）采用指数平滑法，分别用平滑系数 a=、a=和 a=预测各月的营业额，分析预测误差
23、，说明用哪一个平滑系数预测更合适？（3）建立一个趋势方程预测各月的营业额，计算出估计标准误差。详细答案：（1）第 19 个月的 3 期移动平均预测值为：（2）月份 营业额 预测 a=误差平方 预测 a=误差平方 预测 a=误差平方 1 295 2 283 3 322 4 355 5 286 6 379 7 381 8 431 9 424 10 473 11 470 12 481 13 449 14 544 15 601 16 587 17 644 18 660 合计 50236 由 Excel 输出的指数平滑预测值如下表：a=时的预测值：，误差均方。a=时的预测值：，误差均方.。a=时的预测值
24、：，误差均方50236。比较各误差平方可知，a=更合适。（3）根据最小二乘法，利用 Excel 输出的回归结果如下：回归统计 Multiple R R Square Adjusted R Square 标准误差 观测值 18 方差分析 df SS MS F Significance F 回归分析 1 残差 16 总计 17 Coefficients 标准误差 t Stat P-value Lower 95%Upper 95%Intercept X Variable 1 。估计标准误差。下表是 1981 年2000 年我国财政用于文教、科技、卫生事业费指出额数据 年份 支出（万元）年份 支出（万
25、元）1981 1991 1982 1992 1983 1993 1984 1994 1985 1995 1986 1996 1987 1997 1988 1998 1989 1999 1990 2000 （1）绘制时间序列图描述其趋势。（2）选择一条适合的趋势线拟合数据，并根据趋势线预测 2001 年的支出额。详细答案：（1）趋势图如下：（2）从趋势图可以看出，我国财政用于文教、科技、卫生事业费指出额呈现指数增长趋势，因此，选择指数曲线。经线性变换后，利用 Excel 输出的回归结果如下：回归统计 Multiple R R Square Adjusted R Square 标准误差 观测值 2
26、0 方差分析 df SS MS F Significance F 回归分析 1 残差 18 总计 19 Coefficients 标准误差 t Stat P-value Lower 95%Upper 95%Intercept X Variable 1 ，；，。所以，指数曲线方程为：。2001 年的预测值为：。我国 1964 年1999 年的纱产量数据如下（单位：万吨）：年份 纱产量 年份 纱产量 年份 纱产量 1964 1976 1988 1965 1977 1989 1966 1978 1990 1967 1979 1991 1968 1980 1992 1969 1981 1993 197
27、0 1982 1994 1971 1983 1995 1972 1984 1996 1973 1985 1997 1974 1986 1998 1975 1987 1999 （1）绘制时间序列图描述其趋势。（2）选择一条适合的趋势线拟合数据，并根据趋势线预测 2000 年的产量。详细答案：（1）趋势图如下：（2）从图中可以看出，纱产量具有明显的线性趋势。用 Excel 求得的线性趋势方程为：2000 年预测值为：=（万吨）。对下面的数据分别拟合线性趋势线、二阶曲线 和阶次曲线。并对结果进行比较。时间 t 观测值 Y 时间 t 观测值 Y 1 372 19 360 2 370 20 357 3
28、374 21 356 4 375 22 352 5 377 23 348 6 377 24 353 7 374 25 356 8 372 26 356 9 373 27 356 10 372 28 359 11 369 29 360 12 367 30 357 13 367 31 357 14 365 32 355 15 363 33 356 16 359 34 363 17 358 35 365 18 359 详细答案：在求二阶曲线和三阶曲线时，首先将其线性化，然后用最小二乘法按线性回归进行求解。用 Excel 求得的趋势直线、二阶曲线和三阶曲线的系数如下：直线 二阶曲线 三阶曲线 Inte
29、rcept Intercept Intercept X Variable 1 X Variable 1 X Variable 1 X Variable 2 X Variable 2 X Variable 3 各趋势方程为：线性趋势：二阶曲线：三阶曲线：。根据趋势方程求得的预测值和预测误差如下表：时间 t 观测值 Y 直线 二阶曲线 三阶曲线 预测 误差平方 预测 误差平方 预测 误差平方 1 372 2 370 3 374 4 375 5 377 6 377 7 374 8 372 9 373 10 372 11 369 12 367 13 367 14 365 15 363 16 359 1
30、7 358 18 359 19 360 20 357 21 356 22 352 23 348 24 353 25 356 26 356 27 356 28 359 29 360 30 357 31 357 32 355 33 356 34 363 35 365 合计 不同趋势线预测的标准误差如下：直线：二阶曲线：三阶曲线：比较各预测误差可知，直线的误差最大，三阶曲线的误差最小。从不同趋势方程的预测图也可以看出，三阶曲线与原序列的拟合最好。下表是 19812000 年我国的原煤产量数据 年份 原煤产量（亿吨）年份 原煤产量（亿吨）1981 1991 1982 1992 1983 1993 19
31、84 1994 1985 1995 1986 1996 1987 1997 1988 1998 1989 1999 1990 2000 （1）绘制时间序列图描述其趋势。（2）选择一条适合的趋势线拟合数据，并根据趋势线预测 2001 年的产量。详细答案：（1）原煤产量趋势图如下：从趋势图可以看出，拟合二阶曲线比较合适。（2）用 Excel 求得的二阶曲线趋势方程为：2001 年的预测值为：。一家贸易公司主要经营产品的外销业务，为了合理地组织货源，需要了解外销订单的变化状况。下表是 19972001 年各月份的外销定单金额（单位：万元）。年/月 1997 1998 1999 2000 2001 1
32、 2 3 4 5 6 7 8 9 10 11 12 （1）根据各年的月份数据绘制趋势图，说明该时间序列的特点。（2）要寻找各月份的预测值，你认为应该采取什么方法 （3）选择你认为合适的方法预测 2002 年 1 月份的外销订单金额。详细答案：（1）趋势图如下：从趋势图可以看出，每一年的各月份数据没有趋势存在，但从 19972001 年的变化看，订单金额存在一定的线性趋势。（2）由于是预测各月份的订单金额，因此采用移动平均法或指数平滑法比较合适。（3）用 Excel 采用 12 项移动平均法预测的结果为：。用 Excel 采用指数平滑法（a=）预测的预测结果为：。19932000 年我国社会消费
33、品零售总额数据如下（单位：亿元）月/年 1993 1994 1995 1996 1997 1998 1999 2000 1 2 3 4 5 6 7 8 9 10 11 12 （1）绘制时间序列线图，说明该序列的特点。（2）利用分解预测法预测 2001 年各月份的社会消费品零售总额。详细答案：（1）趋势图如下：从趋势图可以看出，我国社会消费品零售总额的变具有明显的季节变动和趋势。（2）利用分解法预测的结果如下：2001年/月 时间编号 季节指数 回归预测值 最终预测值 1 97 2 98 3 99 4 100 5 101 6 102 7 103 8 104 9 105 10 106 11 107
34、 12 108 1995 年2000 年北京市月平均气温数据如下（单位：）：月/年 1995 1996 1997 1998 1999 2000 1 2 3 4 5 6 7 8 9 10 11 12 （1）绘制年度折叠时间序列图，判断时间序列的类型。（2）用季节性多元回归模型预测 2001 年各月份的平均气温。详细答案：（1）年度折叠时间序列图如下：从年度折叠时间序列图可以看出，北京市月平均气温具有明显的季节变动。由于折线图中有交叉，表明该序列不存在趋势。（2）季节性多元回归模型为：设月份为。则季节性多元回归模型为：虚拟变量为：，。由 Excel 输出的回归结果如下：系数 b0 b1 M1 M2
35、 M3 M4 M5 M6 M7 M8 M9 M10 M11 季节性多元回归方程为：2001 年各月份平均气温的预测值如下：年/月 时间 虚拟变量 预测 M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 1 73 1 0 0 0 0 0 0 0 0 0 0 2 74 0 1 0 0 0 0 0 0 0 0 0 3 75 0 0 1 0 0 0 0 0 0 0 0 4 76 0 0 0 1 0 0 0 0 0 0 0 5 77 0 0 0 0 1 0 0 0 0 0 0 6 78 0 0 0 0 0 1 0 0 0 0 0 7 79 0 0 0 0 0 0 1 0 0 0 0
36、8 80 0 0 0 0 0 0 0 1 0 0 0 9 81 0 0 0 0 0 0 0 0 1 0 0 10 82 0 0 0 0 0 0 0 0 0 1 0 11 83 0 0 0 0 0 0 0 0 0 0 1 12 84 0 0 0 0 0 0 0 0 0 0 0 下表中的数据是一家大型百货公司最近几年各季度的销售额数据（单位：万元）。对这一时间序列的构成要素进行分解，计算季节指数、剔除季节变动、计算剔除季节变动后趋势方程。年/季 1 2 3 4 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 详细答案：各季节指数如下：1 季度 2
37、 季度 3 季度 4 季度 季节指数 季节变动图如下：根据分离季节因素后的数据计算的趋势方程为：。下表中的数据是一家水产品加工公司最近几年的加工量数据（单位：t）。对该序列进行分解，计算季节指数、剔除季节变动、计算剔除季节变动后趋势方程。年/月 1997 1998 1999 2000 2001 1 2 3 4 5 6 7 8 9 10 11 12 详细答案：各月季节指数如下：1 月 2 月 3 月 4 月 5 月 6 月 7 月 8 月 9 月 10 月 11 月 12 月 季节变动图如下：根据分离季节因素后的数据计算的趋势方程为：。第 14 章 指数 （1）产值总指数：1 1000.9 10
38、0058.5500115 800130250123.87%8.590055 500100700105150pqp qkp q 产值变动的绝对额：1 1001302501051502510pqp qp q（元）（2）单位成本指数：1 1019 100058.5500115 800130250112.28%8.5 100055 500100800116000pp qPp q 由于单位成本变动影响产值的绝对量：1 10 1130250116001425pp qp q（元）经济意义：由于单位成本平均上涨了%，使总产值增加了 1425 元。（3）产量指数：10008.5 100055 500100800
39、116000110.32%8.590055 500100700105150qq pLq p 由于产量变动影响产值的绝对量：10001160001051501085qq pq p（元）经济意义：由于产量平均增长%，使总产值增长 10850 元。（4）相对分析：pqqpkLP 1 1101 1000001p qq pp qp qq pp q 123.87%112.28%110.32%绝对量分析：pqqp 1 10010001 101()()p qp qq pq pp qp q 130250105150(13025011600)(300500290000)(116000105150)25101425
40、1085 经济意义（分析说明）:由于三种产品的产量平均增长了%,使总产值增长了 1085 元；又由于三种产品的单位成本平均上涨了%,使总产值增加了 1425 元。它们共同作用的结果，使报告期总产值比基期增加了%,增加的绝对量为 2510 元.（1）总平均劳动生产率指数：1 11100004.52406.4 1809.2 1206.1824018012097.78%4.42006.2 1609.0 1506.32200160150 xfx ffxkx fxf 该企业总平均劳动生产率变动量为：1 100106.186.320.14x fx fff xf（元/件）（2）各个车间职工人数结构变动对总平
41、均劳动生产率变动的影响：0110004.42406.2 1809.0 1206.0224018012095.29%4.42006.2 1609.0 1506.32200160150fx ffkkx ff结构 0100106.026.320.3x fx fff 结构（元/件）（3）各个车间劳动生产率变动对总平均劳动生产率变动的影响：1 110114.52406.4 1809.2 1206.18240180120102.66%4.42406.2 1809.0 1206.02240180120 xx ffkkx ff固定 1101116.186.020.16x fx fff固定（元/件）（4）相对分析：xxfkkk 1 11 101111000100010 x fx fx ffffx fx fx ffff 97.78%95.29%102.66%绝对分析：固定可变结构)()(000110110111000111ffxffxffxffxffxffx=+经济意义：由于三个车间职工人数变化，使总平均劳动生产率价格提高了%，即平均每人增长了万元，又由于三个车间劳动生产率的变化，使总平均劳动生产率降低了%，即平均每人减少万元，两者共同的影响，使总平均劳动生产率下降了%，即平均每人减少万元。