两化融合的数据分析资料.docx

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： 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。 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。散点图Pearson相关系数表表K4Pe^iSri相关系数表， DJtA* DJIA-1 PearsonCwTEhHMP 1 .啪” Sig.(2-lailedH 000 N-p 10 10 SF- PearsonC口rreh廿ddA .BS 1 Sig.(2-tailcdX .000 Nr 10 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75非茗数相关系醵表「 2 DJIA^ KcnrlaJIs CorrelationCoefficimt-P l.OQO .P44H Sig.(2-tailed) .uoa biz 10 10 SPa CorrelationCoefficient*-1 944 i.ood Sig(2-13116^- 000 N* 10 111 Spearmans：rhg CorrelatiDnCoeffiEjent*:, L.COD .Q85H Sig.(2-tailed) .000 ]: 10 10 SPn CorrelatiatiCoefficient，■ 9B5 lnon SigU-tail叫 000 N*1 10 注：Ha*表示相美养敌在.QQ1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。 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。 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 Mean Sid.Deviation AnalysisN 食品 39J75O 2.29705 8 衣著 6.^875 .86592 8 家庭设箝用品及服 * 7.9125 2.87772 8 医疗保健 3625 L54729 8 交通和通信 8.1750 2.6134)2 8 文世娱溟服务 L4.47知 2.30016 8 居住 l2.ls-.25 2.91545 8 杂项临品与服务 2.9]25 -52491 S 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 1.000 .934 交通利通信 1.000 .925 史化媒