Assignment 4

Group 8: Jack SiQi, Wayne ShengWei Hu

在前一次的作业中，我们发现我们的数据具有共线性问题。在经过分析之后，我们选择用
elastic-net 来处理数据，并得到了相应的回归结果。

1. Data screening procedures

(1) usage data

The data we use are Taiwan's monthly electricity sales from 2017 to 2021, the year-on-year
growth rate of Taiwan's monthly electricity sales from 2017 to 2021, and Taiwan's monthly
average temperature from 2017 to 2021 (the average temperature of Kaohsiung, Taipei, Taichung,
and Hualien), and the 2017 - Taiwan's industrial growth value in 2021.

The power generation data comes from the Department of Statistics.

The temperature data comes from the "Main Temperature Data Query Page"
https://stat.motc.gov.tw/mocdb/stmain.jsp?sys=100&funid=b8101

The data on the industrial growth value of the electricity and gas supply industry comes
from the Department of Statistics, https://dmz26.moea.gov.tw/

(2) data processing

We did not find outliers during data collection.

There are no missing values in the collected data.

We define the average monthly electricity sales as AE, and the average monthly temperature data
as AT , Hydro-Coal Industry Growth Value as WG .

（3）Preliminary Ideas

目前台湾用电紧张，我们希望找出一些可以显著影响用电的因素，并利用这些因素对台湾
的用电做出一些预测。

在《氣溫對都市電力消費的影響-以台北市為例》中，作者将气温与都市用电量进行回归

分析，并发现二者的相关性十分显著。我们承袭了该研究的想法，认为台湾的平均气温当
作影响台湾售电量的重要因素。

在《台灣景氣循環與全國企業 用电量關聯性之探討》中，作者提到了工业经济增长与用

电量之关联。我们承袭了该研究的想法，认为工业的发展会与用电量有一定关联，并提出
台湾工业增长值与台湾售电量存在关联的假设。
因此，我们将台湾月平均气温和工业增长值（水煤工业）作为预测台湾售电量的指标。
2， Test Heteroscedasticity

异方差性的怀特检验 a,b,c
卡方 自由度 显著性
3.642 5 .602
a. 因变量：合计售电量(千万度)
b. 对误差方差不依赖于独立变量值这一原假设进行检
验。
c. 设计：截距 + 水力煤电工业增长值 + 平均气温 + 水
力煤电工业增长值 * 水力煤电工业增长值 + 水力煤电工
业增长值 * 平均气温 + 平均气温 * 平均气温

修改异方差性的布劳殊-帕甘检验 a,b,c
卡方 自由度 显著性
.539 1 .463
a. 因变量：合计售电量(千万度)
b. 对误差方差不依赖于独立变量值这一原假设进行检
验。
c. 来自以下设计的预测值：截距 + 水力煤电工业增长值
+ 平均气温

异方差性的布劳殊-帕甘检验 a,b,c
卡方 自由度 显著性
.528 1 .468
a. 因变量：合计售电量(千万度)
b. 对误差方差不依赖于独立变量值这一原假设进行检
验。
c. 来自以下设计的预测值：截距 + 水力煤电工业增长值
+ 平均气温

从分析结果看，我们的数据不具有 Heteroscedasticity 问题。但考虑到作业的要求，我们会

继续演练作业的操作要求。

3. Remedy the heteroscedasticity issue

（1） Weighted Least Squares
以 WLS 处理完毕后，我们的结果如下：

输入/除去的变量 a,b
模型 输入的变量 除去的变量 方法
1 水力煤电工业增 . 输入
c
长值, 平均气温
a. 因变量：合计售电量(千万度)
b. 加权最小平方回归 - 按 weight 加权
c. 已输入所请求的所有变量。

模型摘要 b,c
模型 R R 方 调整后 R 方 标准估算的错误
1 .817a .668 .656 1.274107530
a. 预测变量：(常量), 水力煤电工业增长值, 平均气温
b. 因变量：合计售电量(千万度)
c. 加权最小平方回归 - 按 weight 加权

R^2 与原 OLS 的相差不大。

ANOVAa,b
模型 平方和 自由度 均方 F 显著性
1 回归 186.029 2 93.014 57.298 .000c
残差 92.531 57 1.623
总计 278.560 59
a. 因变量：合计售电量(千万度)
b. 加权最小平方回归 - 按 weight 加权
c. 预测变量：(常量), 水力煤电工业增长值, 平均气温

ANOVA 结果与 OLS 的 ANOVA 类似，整个模型同样具有显著性。

残差统计 a,b
最小值 最大值 平均值 标准偏差 个案数
预测值 1476.65039063 2047.29833984 1819.39153673 148.631986988 60
残差 -186.200469971 296.962249756 .243345890 107.546296437 60
c
标准预测值 . . . . 0
c
标准残差 . . . . 0
a. 因变量：合计售电量(千万度)
b. 加权最小平方回归 - 按 weight 加权
c. 未针对加权最小平方回归进行计算。

可以看出经过 Weighted Least Squares 处理后，我们的数据变化不大，因为数据本身为

Homoscedasticity。
（2） White

异方差性的怀特检验 a,b,c
卡方 自由度 显著性
3.642 5 .602
a. 因变量：合计售电量(千万度)
b. 对误差方差不依赖于独立变量值这一原假设进行检
验。
c. 设计：截距 + 水力煤电工业增长值 + 平均气温 + 水
力煤电工业增长值 * 水力煤电工业增长值 + 水力煤电工
业增长值 * 平均气温 + 平均气温 * 平均气温

主体间效应检验
因变量: 合计售电量(千万度)
源 III 类平方和 自由度 均方 F 显著性
a
修正模型 1323539.954 2 661769.977 55.349 .000
截距 2575.771 1 2575.771 .215 .644
水力煤电工业增长值 102479.564 1 102479.564 8.571 .005
平均气温 890125.861 1 890125.861 74.448 .000
误差 681511.235 57 11956.337
总计 200669317.551 60
修正后总计 2005051.189 59
a. R 方 = .660（调整后 R 方 = .648）

参数估算值
因变量: 合计售电量(千万度)
95% 置信区间
参数 B 标准误差 t 显著性 下限 上限
截距 -181.235 390.470 -.464 .644 -963.138 600.667
水力煤电工业增长值 11.816 4.036 2.928 .005 3.734 19.897
平均气温 32.495 3.766 8.628 .000 24.954 40.037

具有健壮标准误差的参数估算值
因变量: 合计售电量(千万度)
95% 置信区间
参数 B 健壮标准误差 a t 显著性 下限 上限
截距 -181.235 334.066 -.543 .590 -850.190 487.720
水力煤电工业增长值 11.816 3.446 3.429 .001 4.916 18.715
平均气温 32.495 3.434 9.464 .000 25.620 39.371
a. HC3 方法

我们可以看出，White 方法给出的结果与 OLS 相差不大。这是数据本身不具有

heteroscedasticity 的缘故。

从上表中我们可以看出各系数的 95%置信区间。

4. Conclusion
经过共线性及方差异质性分析之后，我们对我们的回归式有了初步的了解。 WG、AT
关于 AE 的回归式具有一定程度的解释力，也没有方差异质性问题，但存在着严重的共
线性问题。