《两化融合的数据分析资料》由会员分享，可在线阅读，更多相关《两化融合的数据分析资料（4页珍藏版）》请在金锄头文库上搜索。
1、相关关系概念：相关关系反映出变量之间虽然相互影响，具有依存关系，但彼此之间是不能 一对应的。相关分析的作用：确定选择相关关系的表现形式及相关分析方法。把握相关关系的方向与密切程度。相关分析不但可以描述变量之间的关系状况，而且用来进行预测。相关分析还可以用来评价测量量具的信度、效度以及项目的区分度。（1）（2）（3）（4）Spss提供的分析方法：简单相关分析的基本原理简单相关分析是研究两个变量之间关联程度的统计方法。它主要是通过计算简单相关系数来反映变量之间关系的强弱。（注：两个元素间呈现线性相关）两种表现形式：1.相关图在统计中制作相关图，可以直观地判断事物现象之间大致上呈现何种关系的形式。
2、散点图Pearson相关系数表表K4 PeiS&ri相关系数表，DJtA*DJIA-1Pearson CwTEhHMP1.啪”Sig. (2-lailedH000N-p1010SF-Pearson C 口rreh廿 ddA.BS1Sig. (2-tailcdX.000Nr10注:5衰利旺.瑛数在DJOL的是苦性水平t现尾】上昆甜眯分析：两种指数的Pearson系数值高达0.995,非常接近1；同时相伴概率P值明显小于显著性水平0.01，这也进一步说明两者高度正线性相关。在7 5非茗数相关系醵表2DJIAKcnrlaJIsCorrelation Coefficimt-Pl.OQO.P44HSig
3、. ( 2 -tailed).uoabiz1010SPaCorr elation Coefficient*-1944i.oodSig (2-13116-000N*10111Spearmans： rhgCorrelatiDn CoeffiEjent*:,L.COD.Q85HSig. ( 2 -tailed).000:1010SPnCorrelatiati C o efficient，9B5l nonSig U-tail叫000N*110注：Ha*表示相美养敌在.Q Q1的旬客性水平(取底 上旬短柏为*分析：Kendall和Spearman相关系数，分别等于0.994和0.985；同时它们的概率P
4、值也远小于显著性水平。2.偏相关分析的基本原理：偏相关分析是在相关分析的基础上考虑了两个因素以外的各种作用，或者说在扣除了其 他因素的作用大小以后，重新来测度这两个因素间的关联程度。这种方法的目的就在于消除 其他变量关联性的传递效应。偏相关分析就是在研究两个变量之间的线性相关关系时控制可 能对其产生影响的变量。因子分析的基本原理：因子分析就是在尽可能不损失信息或者少损失信息的情况下，将多个变量减少为少数几 个因子的方法。这几个因子可以高度概括大量数据中的信息，这样，既减少了变量个数，又 同样能再现变量之间的内在联系。(1) 确认待分析的原变量是否适合作因子分析因子分析的主要任务是将原有变量的信
5、息重叠部分提取和综合成因子，进而最终实现减 少变量个数的目的。故它要求原始变量之间应存在较强的相关关系。进行因子分析前，通常 可以采取计算相关系数矩阵、巴特利特球度检验和KMO检验等方法来检验候选数据是否适 合采用因子分析。(2) 构造因子变量将原有变量综合成少数几个因子是因子分析的核心内容。它的关键是根据样本数据求解 因子载荷阵。因子载荷阵的求解方法有基于主成分模型的主成分分析法、基于因子分析模型 的主轴因子法、极大似然法等。所能出的图表描述性统计表MeanSid. DeviationAnalysis N食品39J75O2.297058衣著6.875.865928家庭设箝用品及服*7.912
6、52.877728医疗保健&3625L547298交通和通信8.17502.6134)28文世娱溟服务L4.47知2.300168居住l2.ls-.252.915458杂项临品与服务2.9 25-52491S解释：显示了食品、衣着等这八个消费支出指标的描述统计量，例如 均值、标准差等。这为后续的因子分析提供了一个直观的分析结果。 可以看到，食品支出消费所占的比重最大，其均值等于39.4750%，其 次是文化娱乐服务支出消费和交通通信支出消费。所有的消费支出 中，医疗保健消费支出占的比重最低。ExiLraclion食品1.000_M2衣着1.000-M2宗庭设备用品及服务1.000跃疔保健1.0
7、00.934交通利通信1.000.925史化媒乐服各1.000.953居住1.000.978杂项商品与服务1.000_947因子分析共同度下表是因子分析的共同度，显示了所有变量的共同度数据。第一列是因子分析初始解下 的变量共同度。它表明，对原有八个变量如果采用主成分分析法提取所有八个特征根，那么 原有变量的所有方差都可被解释，变量的共同度均为1（原有变量标准化后的方差为1）。事 实上，因子个数小于原有变量的个数才是因子分析的目的，所以不可能提取全部特征根。于 是，第二列列出了按指定提取条件（这里为特征根大于1）提取特征根时的共同度。可以看 到，所有变量的绝大部分信息（全部都大于83% ）可被因
8、子解释，这些变量信息丢失较少。 因此本次因子提取的总体效果理想。碎石图解释：横坐标为因子数目，纵坐标为特征根。可以看到，第一个因子的特征值很高，对 解释原有变量的贡献最大；第三个以后的因子特征根都较小，取值都小于1，说明它们对解 释原有变量的贡献很小，称为可被忽略的“高山脚下的碎石”，因此提取前三个因子是合适 的。如何结合以上的两种分析方法来解决我们两化融合的数据分析的问题。我们的想法是利 用因子分析法来提取其主要的因子，就是对于综合评分贡献最大的因素。我们们可以简化我 们的三级评价指标。再根据下级指标与上级指标之间的相关程度来确定到底是哪一个指标对 于企业或行业的影响最大，我们再根据短板效应来对于企业或行业提出较为切合实际的建 议，为政府的决策提供决策支持。
