運輸統(tǒng)計與分析課程設計我國汽車保有量發(fā)展趨勢分析(編輯修改稿)
2025-07-26 05:53 本頁面
【文章內容簡介】 N2222222222工業(yè)總產值Pearson 相關性.995**.990**1.997**.977**顯著性（雙側）.000.000.000.000N2222222222貨 運 量Pearson 相關性.998**.996**.997**1.988**顯著性（雙側）.000.000.000.000N2222222222客運量Pearson 相關性.980**.994**.977**.988**1顯著性（雙側）.000.000.000.000N2222222222公 路Pearson 相關性.923**.948**.932**.933**.933**顯著性（雙側）.000.000.000.000.000N2222222222能源消耗Pearson 相關性.971**.987**.976**.980**.976**顯著性（雙側）.000.000.000.000.000N2222222222人口數(shù)量Pearson 相關性.818**.872**.796**.832**.886**顯著性（雙側）.000.000.000.000.000N2222222222居民消費Pearson 相關性.983**.997**.977**.988**.995**顯著性（雙側）.000.000.000.000.000N2222222222相關性公 路能源消耗人口數(shù)量居民消費民用汽車Pearson 相關性.923.971**.818**.983**顯著性（雙側）.000.000.000.000N22222222人均國內生產總值Pearson 相關性.948**.987.872**.997**顯著性（雙側）.000.000.000.000N22222222工業(yè)總產值Pearson 相關性.932**.976**.796.977**顯著性（雙側）.000.000.000.000N22222222貨 運 量Pearson 相關性.933**.980**.832**.988顯著性（雙側）.000.000.000.000N22222222客運量Pearson 相關性.933**.976**.886**.995**顯著性（雙側）.000.000.000.000N22222222公 路Pearson 相關性1**.974**.861**.943**顯著性（雙側）.000.000.000N22222222能源消耗Pearson 相關性.974**1**.875**.983**顯著性（雙側）.000.000.000N22222222人口數(shù)量Pearson 相關性.861**.875**1**.904**顯著性（雙側）.000.000.000N22222222居民消費Pearson 相關性.943**.983**.904**1**顯著性（雙側）.000.000.000N22222222**. 在 .01 水平（雙側）上顯著相關。 輸出結果分析從表31的輸出結果我們可以看出，汽車保有量與人均GDP、工業(yè)總產值、公路貨運量、公路客運量、公路總里程、能源消耗總量、人口數(shù)量、、。因此，我們可以得出汽車保有量與各個影響因素之間具有很好的相關性。同時，從表中也可以看出汽車保有量的各個影響因素之間也存在很好的相關性，他們之間可能存在相互影響。 主成分分析 主成分分析的基本理論1. 主成分的概念 主成分分析（PCA），是由Hotelling于1933年首先提出的。在社會經(jīng)濟的研究中，為了全面系統(tǒng)的分析和研究問題，必須考慮許多經(jīng)濟指標，這些指標能從不同的側面反映所研究對象的特征，在某種程度上存在信息的重疊，具有一定的相關性。主成分分析就是力求數(shù)據(jù)信息丟失最少的原則下，在高維的變量空間降維，即研究指標體系的少數(shù)幾個線性組合，并且這幾個線性組合所構成的綜合指標將盡可能多的保留原來指標變異方面的信息的一種分析方法。假設我們所討論的實際問題中，有p個指標，我們把這p個指標看作p個隨機變量，記為Xl，XZ，…，XP，主成分分析就是要把這p個指標的問題，轉變?yōu)橛懻損個指標的線性組合的問題，而這些新的指標Fl，F(xiàn)Z，…，F(xiàn)k(k≦P)，按照保留主要信息量的原則充分反映原指標的信息，并且相互獨立。第一個線性組合即為第一個綜合指標記作Yl，為了使得該線性組合具有唯一性，要求在所有的線性組合中Yl的方差最大，它所包含的信息最多。如果要是第一主成分不足以代表原來的P個指標的所有信息量的話，考慮選擇第二個主成分，第二主成分是與第一主成分不相關的原線性組合方差最大者，以此類推。2. 主成分的性質方差為所有特征根之和即一說明主成分分析把p個隨機變量的總方差分解成為p個不相關的隨機變量的方差之和。貢獻率：第i個主成分的方差在全部方差中所占比重，稱為貢獻率，反映了原來p個指標多大比例的信息，有多大程度的綜合能力。累積貢獻率:前k個主成分共有多大的綜合能力，用這k個主成分的方差和在全部方差中所占比重來描述，稱為積累貢獻率。我們進行主成分分析的目的之一是希望用盡可能少的主成分Fl，F(xiàn)2，…，F(xiàn)k(k≤P)代替原來的p個指標。到底應該選擇多少個主成分，在實際工作中，主成分個數(shù)的多少取決于能夠反映原來變量85%以上的信息量為依據(jù)，即當累積貢獻率≥85%時的主成分的個數(shù)就足夠了。最常見的情況是主成分為2到3個3. 主成分分析的步驟(1) 把待評定的對象作為樣本，根據(jù)評定的目的選取各個樣本的P個指標，收集的這些樣本指標值，構成一個N*P的矩陣。（2）由于這些指標的量綱不統(tǒng)一，數(shù)量級也不同。要對上一步得到的原始數(shù)據(jù)進行標準化處理。數(shù)據(jù)處理公式為：其中Xij是第i個樣本的第j個指標的原始數(shù)據(jù)，是所有樣本的第j個指標的原始數(shù)據(jù)的平均值，了而面)是所有樣本的第j個指標原始數(shù)據(jù)的標準差。由此，就可以得到原始數(shù)據(jù)矩陣的標準化數(shù)據(jù)矩陣。(3)計算標準化矩陣的相關系數(shù)矩陣R。(4)求出相關系數(shù)矩陣R的特征值和特征向量，然后把特征值由小到大排列，最大的特征值所對應的主成分就叫第一主成分，排在第二位的那個特征向量對應的主成分就叫第二主成分，以此類推。每個主成分的值都是經(jīng)過標準化后的原始數(shù)值逐個加權和為：，其中權數(shù)向量：(5)根據(jù)特征值貢獻率選前面的M(MP)個主成分作為綜合評價函數(shù)的主成分。選取標準是前面的M個主成分的累積方差貢獻率大于或者等于85%。（6） 主成分實際上是各個變量的線性組合，也就是各個變量的加權平均。：得到歸一化的各個變量權重。 SPSS操作步驟：① 按分析—降維—因子分析，打開對話框并轉移分析變量操作如圖32和圖33所示： 圖32 因子分析對話框 33 因子分析次級對話框② 點擊“繼續(xù)”然后點擊“確定”輸出結果如表32：表32 主成分分析輸出結果KMO 和 Bartlett
數(shù)學相關推薦
鄂ICP備17016276號-1