《《影响老年人服装消费因素的分析》-公开DOC·毕业论文》由会员分享，可在线阅读，更多相关《《影响老年人服装消费因素的分析》-公开DOC·毕业论文（29页珍藏版）》请在金锄头文库上搜索。
1、湖北师范学院2012届数学与统计学院学士学位论文毕业（设计）学号08111030441编号研究类型应用研究分类号 HUBEI NORMAL UNIVERSITY学士学位论文Bachelors Thesis 论文题目影响老年人服装消费因素的分析作者姓名 指导教师 所在院系数学与统计学院专业名称统计学完成时间2012.5.8影响老年人服装消费因素的分析 （湖北师范学院数学与统计学院 统计学 0703班 湖北黄石 435002）摘要：采用问卷调查的方式，调查荆门市60岁以上老年人的个人信息，包括文化程度、职业、月收入、每年中用于服装的花费等，从影响老年人选择服装的年龄因子、职位因子、收入因子、每年开
2、销因子、风格因子、面料因子、色彩因子、档次因子8个因子入手进行统计分析。最终得出结论：在影响老年人服装消费的各种指标中，由回归分析表明，年龄因子，收入因子，和服装风格因子之间存在线性关系。在主分量分析中，第一主分量是服装风格因子，第二主分量是收入因子，第三主分量因子是年龄因子。我们可以推断荆门市的老年人在服装消费是最主要比较看重服装的风格，其次与自己的收入与年龄也有很大关系。分析结果与实际也很吻合。说明主成分分析法用的非常好。关键字：逐步回归分析 主成分分析 服装消费 Effect of elderly clothing consumption factors analysis ZengMen
3、gLing (Tutor: JiangBingHua )(Department of mathematics and statistics，Hubei Normal University , 435002)Abstract: Adopting questionnaire survey, investigation of Jingmen City, the elderly over the age of 60 personal information, including education, occupation, income, every year for clothing expense
4、. From the effect of older age factor, the choice of clothing position factor, income factor, cost factor, each style factor, fabric , color factor, quality factor 8 factor proceed with statistical analysis. Final conclusion: The effects of elderly clothing consumption of various indicators, by regr
5、ession analysis shows that, age factor, income factor, and there is a linear relationship between the clothing style factor. The principal component analysis, the first principal component is the clothing style factor ,The second principal component is income factor, the third principal component fa
6、ctor is age factor. We can infer from the older people in Jingmen city garment consumption is the leading pay more attention to the clothing style. Secondly, with their income and age also has the very big relations. The analysis results and the actual anastomosis.Key words: stepwise regression prin
7、cipal component analysis garment consumption 影响老年人服装消费因素的分析 曾梦玲（指导老师：江秉华）（湖北师范学院数学与统计学院 统计学 0703班 湖北黄石 435002） 1、研究背景我国老年市场潜力巨大，根据我国国家统计局第六次人口普查结果显示：全国总人口为 1339724852 人，60 岁及以上人口占 13.26%，比 2000 年人口普查上升 2.93 个预测百分点，其中 65 岁及以上人口占 8.87%，比 2000 年人口普查上升1.91 个百分点。据，2030 年我国 60 岁以上老年人将达到 3.1 亿，占全国总人口比例的 20
8、.42%。到 2050 年，60 岁以上老年人数量将达到 4.68 亿（其中 80 岁以上人口数达 1 亿左右），占人口总数的 27.71%。早在1999 年，我国就已步入老龄化社会，当时企业界和理论界均认为我国的老年市场亟待开发、老年产业潜力巨大，但大部分企业却不敢轻易涉足老年产业。到市场上逛逛服装商店，人们就会发现这样一种现象：俊男俏女的服装,花红蓝绿的儿童服装比比皆是，而想买件老年人服装却是十分困难的事。寻找专卖老年人服装的商店更是困难。从市场经营的规律来讲,凡是市场上短缺东西，就是一个财富信号, 就是一个潜力,就是一次机遇。所以,这种现状应当引起商家的重视。但是商家如何将老年人服装市场
9、的潜力挖掘出来，这就需要好好的对老年人对服装许许多多方面做出思考。本文就将问卷调查结果，从影响老年人选择服装的年龄因子、职位因子、收入因子、每年开销因子、风格因子、面料因子、色彩因子、档次因子8个因子入手进行统计分析。通过对这些因子的分析找出老年人服装受影响的主要因子，最终使得商家能设计出更有利于市场的老年服饰。2、调查内容、对象与方法2.1 调查内容与方法采用问卷调查的方式，调查内容是老年人的个人信息，包括文化程度、职业、月收入、每年中用于服装的花费等；除了个别问题采用开放式的形式，请调查对象自由作答以外，绝大部分的问题采用封闭式的形式。2.2 调查对象调查对象为荆门市60 岁以上的老年人。
10、将问卷设计出来后于 2012 年2月进行了试调查，以测定调查对象对于问卷的理解程度。然后利用暑假回家的机会对他们周围的 60 岁以上的老年人进行调查的方式，于 2012 年 23月进行了调查。共发放调查问卷 100 份，收回 98 份，除去回答不符合要求或不完整的问卷 2份，对 98 份有效问卷进行了统计分析，有效应答率为 98%。调查对象的月收入和每年用于服装的花费以及职业和文化程度情况统计见附录。调查结束后，以有效样本结果进行分析，并运用 SPSS 及 Excel 软件进行整理和统计。 2.3分析方法对于封闭式问题的数据，采用社会科学统计软件包SAS9.2 进行统计分析。采用的主要分析方法
11、为多元统计方法，对消费观念作因子分析，分析各类人群在消费观念方面的特征。主要采用聚类分析，回归分析，主成分分析等分析方法。 2、逐步回归模型建立2.1 回归分析2.1.1 逐步回归分析的基本思想同时，每一引入一个新变量，对已入选方程的老变量逐个进行检验，将经检验认为不显著的变量剔除，以保证所得自变量自己中的每个变量都是显著的，此过程仅经若干步直到不能再引入新变量为止。这时，回归方程中所有自变量对因变量都是显著的，而不在回归方程的变量对都是经验不显著的，由此可见，逐步回归法选择变量的过程包含两个基本步骤，一是从回归方程中剔除经检验不显著的变量，二是引入新变量到回归方程中。2、1、2 REG过程的
12、功能设考察的指标(或称因变量，响应变量)为，影响这些指标的因素(或称自变量，回归变量)为。已知这些变量的次观测数据组成的一个SAS数据集。REG过程可以完成以下几方面的计算：(1) 利用具有多项选择的MODEL语句来建立用户需要的线性回归模型； (2) 提供九种选择“最佳”回归模型的方法； (3) 允许采用交互方式修改模型及用于拟合这个模型的数据； (4) 可建立线性约束回归模型； (5) 检验线性假设和多变量假设； (6) 生成原始数据和一些统计量的散点图；对散点图还有“着色”，加亮功能； (7) 产生偏回归杠杆图，并进行共线性诊断，影响诊断； (8) 可以输出预测值、残差、标准残差、置信区
13、间的上下限和影响统计量等；并把它们存储到一个SAS数据集里； (9) 可以使用和的相关阵和离差阵作为输入数据； (10) 可以把离差阵(叉积阵)存贮到一个输出SAS数据集里，以便将来使用； (11) 在611版本，REG过程完成岭回归和不完全的主成分分析(IPC)；(12) 在611版本，PROC REG语句可使用选项GRAPHICS，它使得你能够要求PLOT语句用高分辩率图形设备绘图。2、1、3选择最优回归模型方法设和的次观测数据为满足线性回归模型：.利用矩阵符号可简记为.因考察的个自变量对的作用有大有小，且自变量之间一般存在相关性。为了从与的所有可能回归模型中选出拟合这组观测数据的最优回归
14、子集，REG过程提供了九种选择回归模型的方法，它们通过MODEL语句中的选项selection=来规定。下面介绍这些方法及其在选项SELECTION=中用于识别这些方法的关键词。1. 全回归模型(NONE)没有对回归变量进行筛选，建立与全部自变量的回归模型。这是很多回归分析使用的方法。当省略选项SELECTION=时，表示建立全回归模型。2向前法或逐步引入法(FORWARD)向前选择法的初始模型中没有变量。对每个自变量，向前法计算如果这个自变量包含在模型中它对模型贡献大小的统计量，并将这些统计量相应的值与SLENTRY=的值(用户在MODEL语句中规定的引入时的显著水平。如果没有规定，即缺省时
15、，则用0.50比较如果所有自变量对应的统计量的显著概率(值)都大于这个值(表示所有自变量对因变量的贡献都不显著)，向前选择过程结束。否则，就把具有最大值的自变量引人模型。然后对未引入模型的自变量再计算它们的的统计量，重复上述计算步骤，变量逐个被加到模型中，直到没有变量其值相应的值大于SLENTRY=的值。使用向前选择法，变量一旦选入模型，就不会被剔除。3向后法或逐步剔除法(BACKWARD)向后删除法开始对包含所有自变量的模型计算统计量, 然后从这个模型中逐个删除变量，直到在模型中的所有变量产生的统计量在这个MODEL语句里规定的选项SLSTAY=的值(如果缺省，则用0.10)水平上是显著的。在每一步，删除对模型贡献最小的变量。4.逐步筛选法(STEPWISE)逐步法是向前选择法的修正，和向前选择法的区别在于引入模型中的变量有可能被删除。像向前选择法一样，变量被逐个引入到模型中，而且对引入的变量其统计量在SLENTRY=的水平上必须是显著的。引入一个变量之后，逐步法
