【正文】 變動,是指以數(shù)年為周期的一種波浪起 伏式的變動。②假設(shè)預(yù)測對象的變化僅與時間有 ,可以理解為它是把所有影響因素綜合地歸結(jié)為一個因素—時間. 時間序列的因素分析: 從影響因素發(fā)生作用的效果看, 通常可以把時間序列的變動分為四種類型, 即: ①長期趨勢,它是指時間序列觀察值,即經(jīng)濟現(xiàn)象,在較長一段時期內(nèi)持續(xù)存在的變化趨勢。②逐輪征詢階段。相關(guān)回歸分析預(yù)測法。修正預(yù)測值。 最小可以選擇最佳預(yù)測方法。預(yù)測誤差的方差 MSE。單個相對誤差 st。 經(jīng)濟預(yù)測對象影響因素的復(fù)雜性。⑤根據(jù)經(jīng)濟預(yù)測模型計算預(yù)測 12 調(diào)查數(shù)據(jù)分析 值,并測定預(yù)測誤差。③對資料進行分析,選擇適當(dāng)?shù)念A(yù)測方法。④ 理的推斷的原理. 預(yù)測分析的基本程序:①確定經(jīng)濟預(yù)測的目的。② 相關(guān)現(xiàn)象的依存關(guān)系和影響程度,揭示其變化規(guī)律和特征,以此預(yù)測經(jīng)濟現(xiàn)象未來狀態(tài)的原理,稱為相 關(guān)原理 。② 按經(jīng)濟預(yù)測的時間長短不同分為:近期經(jīng)濟預(yù)測,短期經(jīng)濟預(yù)測,中期經(jīng)濟預(yù)測和長期經(jīng)濟預(yù)測。 而不同類的變量之間則相關(guān)性較弱, 即各個因子之間又是不相關(guān)的. 因子分析就是要找到這些具有本質(zhì)意義的少量因子,并用一定的結(jié)構(gòu)或模型,去表達或解釋大量可觀測的 變量. 因子分析模型可以表示為,每個觀測變量由一組因子的線性組合來表示,設(shè)有 k 個觀測變量,分別為 X 1 , X 2 , , X k ,其中 Xi 為具有零均值,: X i = ai1 F1 + ai 2 F2 + + aim Fm + ε i 因子分析中要確定多個統(tǒng)計量,即因子載荷,因子方差貢獻率公因子方差及特殊方差,因子個數(shù),因 子旋轉(zhuǎn), 因子命名,因子得分. 在探測性因子分析中,求解初始因子的主要目的是確定能夠解釋測評變量之間相關(guān)關(guān)系的最少因子個 ,有很多種求因子解的方法,主要可以分為兩類:一類是基于主成分分析模型 的主成分分析法。 (3)求 R 的特征 根 λ1 ≥ λ2 ≥ ≥ λ p 0 及相應(yīng)的單位特征向量。 (5)主成分 Fi 與 xi 的相關(guān)系數(shù)為 σ jj . 各主成分的方差即相應(yīng)的特征根 λi 表明了該主成分 Fi 的方差在全部方差中的比值, 所以通常定義方差 11 調(diào)查數(shù)據(jù)分析 λi 為第 i 個主成分 Fi 的貢獻率,方差 λi 的值越大,表明主成分 Fi 綜合原始變量 x1 , x2 , x p 的能力越強. 主成分分析的基本步驟是: (1)將原始數(shù)據(jù)標準化。 (3)第 i 個主成分 Fi 的方差為第 i 個特征值 λi ,每兩個不相同主成分間的協(xié)方差為 0。 (7) ,但也有不同之處. (三)主成分分析 主成分分析就是設(shè)法將原來的 p 就是將原來的 p 個指標做線性組合,為了使第一個線性組合 F1 能夠盡可能多地反映原指標的信息,通常的 做法就是使 F1 的方差越大, F1 在所有線性組合中方 差最大,包含的信息最多,因此 F1 F1 還不能反映原指標的全部信息,再考慮選取 第二主成分 F2,使 F2 在剩余的線性組合中方差最大,并且與 F1 ,可以求出全部 p 個主 成分,就是要選取前幾個最大主成分來進行分析,以達到簡化數(shù)據(jù) ,有利于問題的分析和解決. ,得到 k 個特征值和 對應(yīng)的 k k 個特征值從大到小的順序排列,它們分別代表 k 個主成分所解釋的觀測變 , 質(zhì)有: (1)各主成分的均值都為 0。 (5)檢驗?zāi)Ｐ偷娘@著性。 (3) 估計判別函數(shù)或后驗概率。 (5)各判別變量之間具有多元正態(tài)分布. 判別分析的基本模型也稱判別函數(shù), 用數(shù)學(xué)形式表示為 yi = b1 x1i + b2 x2i + + b j x ji . 根據(jù)所收集樣本的數(shù) 據(jù),可以計算出一個判別臨界值 yc ,作為判定某個個體歸屬到哪一個類別的基準. 兩總體情況下判別分析主要有以下幾個步驟: (1)確定研究問題。 (3)所確定的判別變量不能 是其他判別變量的線性組合。而在聚類分析中,所有樣品或個體的所屬類別是未知的,而且類別的 個數(shù)一般也是未知的,分析的依據(jù)就是原始數(shù)據(jù). 進行判別分析有一些基本要求和假設(shè)條件: (1)分組類型在兩種以上,且組間樣本在判別值上差別比 較明顯。 (5)描述與解釋各個類別。 (3)選擇 聚類的方法。 關(guān)聯(lián)測度有多種關(guān)聯(lián)測度系數(shù), 其中得到了廣泛應(yīng)用的分別是簡單匹配系數(shù), 雅可比系數(shù)和果瓦系數(shù). 聚類分析內(nèi)容非常豐富,有系統(tǒng)聚類,有序樣品聚類法,動態(tài)聚類法,模糊聚類法, 10 調(diào)查數(shù)據(jù)分析 ,應(yīng)用最廣泛的有層次聚類法和迭代聚類法. 層次聚類法包括最短距離法,最長距離法,平均聯(lián)結(jié)法,重心法,離差平方和法. 聚類分析的步驟是: (1)確定待研究問題并選擇變量。 (5)進行估計和預(yù)測. 一元回歸分析法是回歸分析法中最基本的方法, 簡單,它可以幫助我們理解多元回歸分析法. 一元線性回歸分析的基本模型為: y = a + bx + 為便于模型中參數(shù)的估計,我們常常假定模型中的 誤差項 滿足若干經(jīng)典假設(shè)的條件下, 模型中的參數(shù)估計方法是普通最小二 a 和 b 后,可獲得經(jīng)驗回歸方程 y = a + b x 對于獲得的經(jīng)驗回歸方程 y = a + b x ,還需進行統(tǒng)計檢驗. 檢驗分為擬合優(yōu)度檢驗和回歸系數(shù)的顯著性 , 顯著性檢驗有 t 檢驗和 F 檢驗兩種方法. t 檢驗是對各回歸系數(shù)的顯著性所進行的檢驗, F 檢驗是對全部 回歸系數(shù)進行一次性顯著性檢驗, 其目的是檢驗回歸方程在整體上是否顯著成立. 在一元線性回歸分析中, 由于只存在一個解釋變量,所以上述兩種檢驗是等價的. 如果回歸模型通過了統(tǒng)計檢驗, 估計值或預(yù)測值的置信區(qū)間. (二)多元線性回歸分析 如果因變量與多個自變量之間相關(guān),且為線性關(guān)系,則需運用多元線性回歸分析方法來研究其數(shù)量上的依 存關(guān)系. 在多元回歸模型中, 關(guān)于誤差項 多元線性回歸分析法的基本模型為 y = b0 + b1 x1 + b2 x2 + + bk xk + . 滿足若干經(jīng)典假設(shè)的條件下,模型中的參數(shù)估計 9 調(diào)查數(shù)據(jù)分析 b j ( j = 1,2, k ) 后 , 可 獲 得 經(jīng) 驗 回 歸 方 程 y = b0 + b1 x1 + b2 x2 + + bk xk .本章主要介紹了多元線性回歸分析中的二元線性回歸分析方法. 二元線性回歸分析法的回歸方程為: y = b0 + b1 x1 + b2 x2 .二元線性回歸模型中的參數(shù),同樣運用普通 b0,b1,b2 后, ,檢驗?zāi)Ｐ蛯? t 檢驗和 F 檢驗兩種方法. t 檢驗是對各回歸系數(shù)的顯 著性所進行的檢驗, F 檢驗是對全部回歸系數(shù)進行一次性顯著性檢驗,其目的是檢驗回歸方程在整體上是 . 不論是進行一元線性回歸分析,還是多元線性回歸分析,如果模型中的誤差項不能滿足經(jīng)典假設(shè),存 在異方差或自相關(guān),多重共線性等現(xiàn)象時,則我們不能直接用普通最小二乘估計法估計模型中的參數(shù),而 是先要對原有模型進行變換,或?qū)?shù)據(jù)進行某種處理,然后再用普通最小二乘估計法估計模型中的參數(shù). (三)非線性回歸 在實際工作中,有時變量之間相關(guān)關(guān)系并非存在線性關(guān)系,而呈諸如拋物線,指數(shù)曲線,雙曲線等各 ,如果仍然直接用線性回歸方程進行分析,將不能正確反映客觀現(xiàn)象之間的相 , 歸方程所進行的分析,稱為非線性回歸分析. 非線性回歸方程的形式多種多樣,本章主要介紹了拋物線,指數(shù)曲線,雙曲線,冪函數(shù)曲線,對數(shù)曲 線和 S 型曲線模型的形式及其參數(shù)的估計方法. 非線性回歸分析的一般步驟是: 首先是對所研究的兩個現(xiàn)象進行理論分析,分析兩者之間 是否存在相關(guān)關(guān)系,以及是什么形式的相關(guān),并結(jié)合觀察散點圖的分布,確定擬合哪種形式的曲線較為合 ,列表計算其有關(guān)參數(shù),從而確定所擬合的回歸方程形式,并利用有關(guān)資 料計算相關(guān)系數(shù), 測. 第七章 調(diào)查數(shù)據(jù)的多元統(tǒng)計分析 (一) 聚類分析 聚類分析是一種分類的方法,主要用于辨認具有相似性的事物,并根據(jù)彼此不同的特性加以聚類 使同一類的事物具有高度的相同性,即 R 型聚類,也可以對樣本進行聚類,即 Q 型聚類. 為了得到比較合理的分類,首先要采用適當(dāng)?shù)闹笜藖矶康孛枋鲅芯繉ο?樣品或變量)之間的聯(lián)系 (1)距離測度. (2)相關(guān)測度. (3) 適用于間距測度等級及以上的數(shù)據(jù),關(guān)聯(lián)測度適用于名義測度和順序測度. 距離測度包括歐氏距離,絕對值距離,明科夫斯基距離,馬氏距離等方法。 (3)求回歸系數(shù),并建 立回歸模型。按照自變量和因變量之間的關(guān)系類型,可分為線性回歸分析和非線性回歸分析. 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 ,且因變