多元统计分析实验

多元统计 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 实验 方差分析 1(1根据 题 快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题 目中所给出的数据，运用SPASS软件，分别做出三个总体正态分布的检验的结果，如( 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 一): 表一 分析:由(表一)知:三个总体中血红蛋白浓度(x1)指标与红细胞计数(x2)指标的Sig值都显著的大于0.05，故接受原假设，即各个总体服从正态分布。 1(2根据题目中所给出的数据，运用SPASS软件，做出三个总体方差齐性检验的结果，如(表二): 表二 分析:由(表二)知:Sig,0.67，显著的大于0.05，故接受原假设，即各总体方差齐性。 2(1根据题目中所给出的数据，运用SPASS软件，做出贫血患者指标x1与x2之间是否具有显著差异的结果，如(表三): 表三 分析:由Sig值可以看到，显著的小于0.05，故拒绝原假设，即贫血患者指标x1与x2之间具有显著的差异。 2(2根据题目中所给出的数据，运用SPASS软件，做出贫血患者指标x1与x2在三个总体之间是否具有显著差异的结果，如(表四): 表四 分析:由(表四)在FZ一栏中血红蛋白浓度指标与红细胞计数指标的Sig均显著的小于0.05，故这两个指标在三个总体之间也存在着显著的差异。 3( 根据题目中所给出的数据，运用SPASS软件，做出贫血患者指标x1与x2 在三个总体之中两两比较的结果，如(表五): 分析:由(表五)可知，当因变量为血红蛋白浓度时，A组与B组存在着显著的差异，B 组与C组存在着显著差异;当因变量为红细胞计数时，A组与B组存在着显著的差异。 4( 画出三组患者x1,x2两指标的均值图如下: 聚类分析 1、 用系统聚类法聚类，聚类 方法 快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载 采用组间联结法，距离采用平方欧式距离计算，给出树状图和冰柱图，给出聚合系数图，并分析聚成几类比较合适。 (树状图) (冰柱图) 聚合系数图 聚合系数随分类数变化曲线 3500.000 3000.000 2500.000 2000.000 1500.000聚合系数1000.000 500.000 .000 1234567891011121314 分类数 由聚合系数图可知，分类数为4时，曲线开始变得比较平缓，所以经分析分成4类比较合适。 现分类结果如下:第一类:DELL;第二类:娃哈哈;第三类:VINDA、HUSSAR、TCL;第四类:MICROSOF、IBM、APPLE、联想、世纪飞扬、NPP、北京电子、清华紫光、北大方正、ANGEL 、 2、 用快速聚类法给出聚类结果，聚类类数和系统聚类法相同。 表一 表二 表三 表四 分析:我们运用快速聚类方法将公司分为四类:第一类:娃哈哈;第二类:北京电子、北大 方正、TCL、ANGEL 、HUSSAR、VINDA;第三类:DELL、清华紫光;第四类:MICROSOF、IBM、APPLE、联想、NPP、VINDA 。 由(表四)方差分析表，可以看出四个变量的Sig均明显的小于0.05，因此，四个变量对分类贡献均比较显著。 判别分析 1、给出判别变量在各组间差异是否显著的检验，如果有差异不显著的剔除 图1 根据(图1)分析，收益性指标与生产效率指标的Sig的值均显著的大于0.05，故拒绝原假设，因此剔除收益性指标变量与生产效率指标变量 2、用逐步判别分析筛选变量 图2 分析:由(图2)知，我们剔除收益性指标变量与生产效率指标变量 基于以上进行下列过程: 3、给出费歇判别函数的表达式及判别函数的显著性检 图3 由(图3)得，费歇判别函数的表达式: yxx,，,2.3210.7771.823 13 图4 由(图4)根据Wilks’Lambda检验的Sig=0.000显著的小于0.05，故判别函数在0.05的显著水平上是显著的。 4、分析判别变量对各费歇判别函数的影响 图5 图6 分析:图5为判别函数的判别权重;图6为判别函数的判别载荷。由(图5)与(图6)可知，指标变量短期支付能力对判别函数的贡献最大;总负债率次之。 5、给出错判矩阵(包括leave-one-out法)，给出判对率 图7 由(图7)错判矩阵分析知:原始案例中，对分类1的判对率是88.2%;分类2的判对率是81.0%。交叉验证后，对分类1的判对率是88.2%;分类2的判对率是76.2%。 6、 给出费歇分类结果图，要求将所有组显示在一张图中 解释:由于判别函数只有一个，因此，对费歇分类结果图无法显示在一张图中。 7、 给出待判的结果 待判的八个变量，前四个分为第一类;后四个分为第二类。 因子分析作业 要求:先对数据做标准化处理，然后基于标准化数据进行以下操作 1、给出原始变量的相关系数矩阵: 表一 分析:(表一)为原是变量的相关系数矩阵，由(表一)中结果可以看出原始变量之间有较 强的相关性，进行因子分析是合适的。 2、用主成分法求公因子，公因子的提取按照默认提取(即特征值大于1)，给出公因子的方差贡献度表: 表二 分析:由(表二)可知，前三个特征值较大，其余五个特征值均较小。前三个公共因子 对样本方差的贡献率和为89.599%，于是我们选择前三个公共因子建立因子载荷阵。 3、给出共同度表，并进行解释: 表三 分析:表三为共同度表，给出了此次分析从每个原始变量中提取的信息，由(表三)可知，， 主成分几乎包含了各个原始变量至少80%的信息。 4、给出因子载荷矩阵，据之分析提取的公因子的实际意义。如果不好解释，请用因子旋转(采用正交旋转中最大方差法)给出旋转后的因子载荷矩阵，然后分析旋转之后的公因子，要求给各个公因子赋予实际含义; 表四 分析:由(表四)数据可以得出:第一因子关主要是由国内生产总值、固定资产总值、货物周转、工业产值四个指标决定，主要代表着30个省市的产出能力，故命名为投入产出因子;第二因子主要是由居民消费、职工工资两个指标决定，主要反映民众生活水平能力，故命名为消费能力因子;第三因子主要是由商品零售、消费价格两个指标决定，主要代表着是价格指数方面的能力，故命名为价格指数因子。 解释的总方差 初始特征值 旋转平方和载入 成份 合计 方差的 % 累积 % 合计 方差的 % 累积 % 1 3.748 46.847 46.847 3.207 40.089 40.089 2 2.198 27.474 74.321 2.222 27.770 67.859 3 1.222 15.278 89.599 1.739 21.740 89.599 4 .403 5.036 94.635 5 .212 2.652 97.287 6 .135 1.690 98.977 7 .067 .840 99.817 8 .015 .183 100.000 提取方法:主成份分析。 表五 由上(表五)可以看出:各个主成分的贡献率与旋转前的有变化，但是3个主成分的累积贡献率相同都是89.599%。 5、先利用提取的每个公因子分别对各省市进行排名并作简单分析。最后构造一个综合因子，计算各省市的综合因子的分值，并进行排序并作简单分析。 FAC1_1 FAC2_1 FAC3_1 F 山东 2.11763 上海 3.66094 云南 2.07204 上海 1.44 江苏 2.03281 广东 1.6829 贵州 1.69291 江苏 0.85 广东 1.48171 北京 1.58836 湖北 1.28542 山东 0.85 河北 1.22895 天津 0.99048 新疆 1.16111 广东 0.80 四川 1.10693 浙江 0.74993 四川 0.98784 四川 0.51 河南 1.07313 西藏 0.6314 陕西 0.90343 湖北 0.44 辽宁 0.96184 福建 0.27409 上海 0.84557 浙江 0.40 浙江 0.65225 江苏 0.26647 甘肃 0.77625 云南 0.35 上海 0.60326 青海 0.18476 广西 0.62601 北京 0.23 湖北 0.60136 新疆 0.11802 湖南 0.53464 辽宁 0.13 湖南 0.26238 云南 0.04579 青海 0.47211 湖南 0.08 黑龙江 0.23633 海南 0.00117 山东 0.25513 新疆 0.05 安徽 -0.06617 宁夏 -0.15123 内蒙 0.21824 贵州 -0.03 福建 -0.26842 山东 -0.19777 西藏 -0.00481 河南 -0.04 云南 -0.28002 广西 -0.27211 江西 -0.0403 广西 -0.05 广西 -0.28376 甘肃 -0.29037 宁夏 -0.13117 河北 -0.10 山西 -0.36466 湖北 -0.29779 山西 -0.13995 陕西 -0.12 北京 -0.39638 贵州 -0.34462 江苏 -0.17691 黑龙江 -0.13 陕西 -0.41389 黑龙江 -0.37617 北京 -0.25054 福建 -0.21 内蒙 -0.47727 吉林 -0.39701 浙江 -0.32565 甘肃 -0.21 吉林 -0.51327 辽宁 -0.43068 河南 -0.46473 山西 -0.36 江西 -0.56026 湖南 -0.52044 黑龙江 -0.57616 青海 -0.39 新疆 -0.57753 四川 -0.52561 辽宁 -0.61312 内蒙 -0.39 甘肃 -0.74551 陕西 -0.53203 河北 -0.78714 江西 -0.42 贵州 -0.76636 山西 -0.66221 福建 -0.79854 天津 -0.43 天津 -0.88229 江西 -0.68 吉林 -0.94379 西藏 -0.46 青海 -1.34465 安徽 -0.79471 广东 -1.1953 吉林 -0.52 宁夏 -1.35668 内蒙 -0.88339 安徽 -1.50695 安徽 -0.57 海南 -1.46804 河南 -1.3165 天津 -1.62403 宁夏 -0.61 西藏 -1.59344 河北 -1.52165 海南 -2.25163 海南 -1.08 表六 分析:(表六)为各个城市在三个公因子的得分和综合得分，根据表中数据，我们就可对各城市的经济发展水平进行评价了。在投入产出因子f1上得分最高的6个城市是山东、江苏、广东、河北、四川。其中山东得分为2.11763，江苏得分为2.03281，高于其他城市，说明山东、江苏的工业的投入产出能力最高，工业发展相对较快，从而推动城市发展;而青海、宁夏、海南、西藏的投入产出能力较差，可能由于地理位置的缘故工业发展相对落后。上海、广东、北京、天津在消费能力因子f2上的得分较高，说明它们的消费能力较高，人们的收入也较高，从而生活质量较好，城市发展较快;而河南、河北得分较低，它们的消费能力较低，从而说明人们的收入也相对较低，生活质量相对差一点，城市发展较慢。云南、贵州、湖北、新疆在价格指数因子f3上的得分较高，说明在这些城市物价相对较高，可能以些非本地产的东西由于运输的不方便，使得这些物价相对较高，而广东、安徽、天津、海南的价格指数较低，说明，在这些城市，交通相对便捷，运输方便，或者本地产的东西较多基本满足需求，使得物价相对较低，但从侧面也可看出这些城市与其他城市的联系可能较少，不利于自己的总和发展，从而也说明了这些城市的发展相对较慢。由综合因子f的分就可综合评价城市的经济发展水平，综合得分的前3名上海、山东、江苏，得分最低的3个城市安徽、宁夏、海南。 对应分析 1、给出摘要表，根据该表做以下分析 表一 根据(表一 )，可以看到观测的数据n=232。 表二 ? 分析各维度(各公因子)的解释能力(即各自解释总惯量所占比例)，解释提取二维是 否足够。 根据(表二)中Proportion of Inertia中的Accounted of 列的数据知，第一公因子解释总信息量的93.9%，第二公因子解释总信息量的6.1%;Cumulative 列的数据知,累计贡献率为100%，所以提取二维公因子足够。 第一列数据是各状态在二维图中分值的相关程度，是对行与列进行因子分析产生的新的综合变量的典型相关系数，是特征根的平方根。由第二列知总惯量为0.352，第三列知卡方值为75.312，有关系式75.312=0.352*232。由sig.值为0<0.05,拒绝两变量独立(卡方值为0)的原假设，说明行与列之间有较强的相关性。 ? 根据该表，请分析回答 数学成绩和汉字使用两个变量间是否有相互作用关系(即独立 性检验)。 由Sig值为0<0.05.故拒绝原假设，则行与列之间有较强的相关性，即数学成绩和汉字使用间具有较强的相互作用关系。 2、 给出数学成绩和汉字使用在一张图中的对应分析图，并对该图进行简单的解 释说明。最终分析汉字具有的抽象图形符号的特性能否会促进对儿童空间和 抽象思维能力。 图一 由(图一)可知，在同一变量内部，数学成绩A、B、C、D各成一类，汉字读写能力的三个水平也各成一类。同时可以看出数学成绩A的汉字读写能力为纯汉字，数学成绩B的汉字读写能力为半汉字，数学成绩C、D的汉字读写能力为纯英文。因此数学成绩较高的对汉字的读写能力也较高，数学成绩较低的汉字读写能力也较低，所以汉字具有的抽象图形符号的特性可以促进对儿童空间和抽象思维能力。