事件史分析操作及说明A_08
事件史分析的Stata操作及说明
目录
离散时间模型示例：职位晋升分析 (1)
Cox模型 (2)
Cox模型示例：癌症数据分析 (3)
分层的(stratified) Cox模型的背景 (11)
示例：癌症生存的分层分析 (12)
最大似然估计的连续时间存活分析 (18)
Exponential分布模型 (18)
Gompertz模型 (19)
Weibull模型 (19)
用Stata拟合exponential模型、Weibull模型和Gompertz模型：癌症生存 (19)
本章参考文献：
1.* Lawrence C. Hamilton. Statistics with STATA, Updated for Version 9. Brooks/Cole, a division of Thomson Learning,
Inc.,-2006. （第11章）// 中译本：郭志刚等，应用STATA做统计分析，重庆大学出版社，2008.
2.* Rabe-Hesketh and Everitt. A Handbook of Statistical Analyses Using Stata. Chapman & Hall/CRC, 2004
3.* Kleinbaum. Survival Analysis. 1996;
4.* Yamaguchi, Kazuo. Event History Analysis. Sage Publications. Inc. 1991
5.* Allison, Paul D.. Event History Analysis: Regression for Longitudinal Event Data.Sage Publications, Inc. 1984
6.* Blossfeld, Hamerle and Mayer. Event History https://www.360docs.net/doc/b311329913.html,wrence Erlbaum Associates, Inc. 1989
7.* Blossfeld and Rohwer. Techniques of Event History Modeling: New Approaches to Causal Analysis (Second Edition).
Lawrence Erlbaum Associates, Publishers, 2002.
8.* Cleves, Gould and Gutierrez. An Introduction to Survival Analysis Using Stata (reviced edition). Stata Press
Publication, 2004.
9.* Janet M. Box-Steffensmeier and Bradford S. Jones. Event History Modeling : A Guide for Social Scientists.
Cambridge University Press, 2004
10.梁在，事件史分析，载郭志刚主编《社会统计分析方法----SPSS软件应用》，中国人民大学出版社，1999年。
11.郭申阳，使用SPSS软件对事件史原始数据进行预处理，载郭志刚主编《社会统计分析方法----SPSS软件应用》，
中国人民大学出版社，1999年。
12.郭志刚，历时研究与事件史分析，《中国人口科学》第1期，2001年2月，第67～72页。
13.Cox, "Regression models and life tables," Journal of the Royal Statistical Society, 1972
14.Petersen, "The statistical analysis of event histories," Sociological Methods and Research, 1991
15.Allison, "Discrete-time methods for the analysis of event histories," Sociological Methodology, 1982
16.Poston, "Son preference and fertility in China." Journal of Biosocial Science 34: (2002): 333-347
标志* 者，社会学系资料室有正版或复印本。
重要声明
本讲义仅作为选修《高级社会统计专题》课同学的参考资料。
本讲义内容是从有关文献中选取、翻译和编辑的，辅助学生理解统
计方法原理和操作。本讲义不允许复印、传播或用于其他目的。
使用中如发现错误之处，请联系：zguo@ https://www.360docs.net/doc/b311329913.html,
事件史分析的Stata操作及说明
离散时间模型示例：职位晋升分析
用梁在（1999：p400，例1）关于职位晋升的数据来示范。该数据原为SPSS系统数据文件，已经用StatTransfer软件转换为Stata系统数据文件了，文件名为T12_3.dta。该数据有5个变量：id（案例识别码）、dura（在本公司工作时间）、prom（该人年中是否晋升）、wexp（到本公司前是否有工作经历）、sex（性别）。用dura、wexp和sex来解释prom。
应用Stata中命令形式为：
logit Y x1 x2 x3
其中Y代表虚拟因变量，各X代表自变量。对于本例的具体命令为：
logit prom dura wexp sex
Logit estimates Number of obs = 52
LR chi2(3) = 10.85
Prob > chi2 = 0.0126
Log likelihood = -28.712942 Pseudo R2 = 0.1589
------------------------------------------------------------------------------
prom | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
dura | 1.5433 .7046274 2.19 0.029 .1622553 2.924344
wexp | 1.726036 .7677605 2.25 0.025 .2212527 3.230819
sex | 1.2279 .6775754 1.81 0.070 -.1001238 2.555923
_cons | -4.00691 1.358362 -2.95 0.003 -6.669249 -1.34457
------------------------------------------------------------------------------
上述输出与SPSS输出结果相同。回归结果表明，在本公司工作时间dura和以往工作经历wexp 都对晋升有显著的正影响。虽然性别sex的回归系数为正值，表现出男职员比女职员更有可能晋升，然而该变量并未显著。
在logistic回归时，我们更愿意用优势比或发生比率(Odds Ratio)的方式来解释自变量的影响作用。优势比＝e(b)。用下列Stata命令可以直接输出优势比。
logistic prom dura wexp sex
Logistic regression Number of obs = 52
LR chi2(3) = 10.85
Prob > chi2 = 0.0126
Log likelihood = -28.712942 Pseudo R2 = 0.1589
------------------------------------------------------------------------------
prom | Odds Ratio Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
dura | 4.680007 3.297661 2.19 0.029 1.17616 18.622
wexp | 5.618337 4.313537 2.25 0.025 1.247639 25.30036
sex | 3.414051 2.313277 1.81 0.070 .9047254 12.88319
------------------------------------------------------------------------------
优势比系数表明，在其他条件不变时，在本公司工作时间每增加1年，晋升发生比将为原来的4.7倍。进入本公司前有工作经历的人的晋升发生比是以前没有工作经历的人的5.6倍。男职员的晋
升发生比是女职员的3.4倍，但统计性没有达到显著标准。
也就是说，实际上在用logistic 回归分析事件风险时，其自变量影响的解释与常规logistic 回归一样。所不同的只是现在用的是可以表现历时风险变化的人年记录数据。
Cox 模型
Cox 模型是人口学和社会学中应用最普遍的一种事件史分析模型，全称为Cox 比例风险模型
（Cox proportional hazards method.）。
Yamaguchi 在其事件史著作中甚至都没有讨论最大似然估计的连续时间模型。他直接使用Cox 提出的偏似然估计方法，并将此称为连续时间的比例风险模型。他还认为，Cox 模型是应用最普遍的事件史分析模型（p101）。
第一，Cox 模型最显著的优点是不需要定义具体形式就可以假定生存时间的依赖关系。在后面介绍那三种ML 连续时间模型时就可以看到，研究者必须在模型中定义具体的时间分布形式。但是在Cox 模型中，研究者并不需要定义具体时间分布形式。
第二，Cox 模型具有采用分层(stratified)分析的能力。这里，分层分析指模型可以控制某一分类
协变量中的某一类、或某一组分类协变量的影响。它们的影响可能与时间之间存在复杂的互动关系。
Cox 比例风险模型是ML 模型的推广。当模型中有两个固定自变量、且没有动态自变量时，Cox 模型可以用下列公式表达：
h t = a t b X b X 1122log ()()++
其中a t ()是时间的任意函数。但是，这一时间函数并没有具体定义。这就是Cox 模型的诱人之
处。因此，Cox 模型又被称为偏参数模型或半参数模型（partially parametric 或 semi-parametric ），因此时间函数不一定要被定义。
Cox 模型是用偏似然估计求解的，这使其具有天然优势，因为偏似然估计既能容许时间函数存
在，又不需要具体定义具体函数形式。
比例风险模型假定，风险率为协变量影响参数的对数线性函数。用()i h t 表示个人i 在时点t 的风险率，其公式为：
i 0k i k h t = h t b X t
()()exp[()]× (式1)
简称上式为式1。其中： h t 0() 代表时间函数的主要特征，称为基准风险函数；
i k X t ()是个人i 在时点t 上的第k 个自变量，既可以依时间变化，也可以是固定的。
基准风险函数h t 0()为所有案例所共有。但是，在这一方程用Cox 的PL 估计方法求解时，h t 0()
的函数形式并不用具体定义。我们来看看这是怎么回事（参见Yamaguchi ：p106-107和Allison ：p69-
71）。
参数的PL 估计通过使偏似然函数最大化来求出。PL 函数的建立过程为：首先，在持续期
(duration ，即风险期)长度的基础上，将案例按其持续期由小到大排序。下面公式中的下标i 将代表重新排序后的案例编号。于是，建立的PL 函数为：
i I i i j i i j i PL h t h t 1[()/()]δ=≥=∏∑
(式2)
其中：j i h t ()为第j 个案例在时点t i 上的风险函数值，其中t i 是第i 个案例发生事件或被删截的时点。式2中的δi 是一个虚拟变量，当第i 个案例发生事件时为1，而发生删截时为0。Π是表示连
乘的符号。
当把式1中的i h t ()代入式2的分子和分母中时，其中的基准风险函数h t 0()就被约分掉了。于
是，PL 函数可以仅仅表达为协变量参数的函数，如下：
i I ik jk k k i k k i i j i PL t b b t X X 1{exp[)]/exp[()]}(δ=≥=∏∑∑∑
(式3)
上述过程意味着，尽管在Cox 模型中存在基准风险函数，它反映出风险率的时间分布形式（见
式1），然而当模型实际中是用PL 方法来估计的时候，其具体函数形式并不需要定义，因为不管是什么函数形式，都会同时被从式2的分子和分母中被删除。所以，最终方程（式3）中并不存在基准风险函数h t 0()。
正是因为Cox 模型不需要具体定义风险的时间分布形式，所以它的应用要容易得多，也应用得
很普遍。
Cox 模型示例：癌症数据分析
下面用Stata 软件附带的cancer_01.dta 数据来示范估计Cox 模型。我们先来熟悉一下这个数据。 use "cancer_01.dta", clear
(Patient Survival in Drug Trial) desc
Contains data from C:\Stata\cancer.dta
obs: 48 Patient Survival in Drug Trial
vars: 4
size: 576 (99.9% of memory free)
-------------------------------------------------------------------------------
studytim int %8.0g Months to death or end of exp.
died int %8.0g 1 if patient died
drug int %8.0g Drug type (1=placebo)
age int %8.0g Patient's age at start of exp.
drug01 float %9.0g 1=real drugs, 0=placebo
agemean float %9.0g age centered at its mean
-------------------------------------------------------------------------------
数据中原来仅有前4个变量。表达生存的因变量实际上包括其中的前两个，后两个变量将作为协变量。第5个变量是将第3个变量改造为一个简单的虚拟变量。因为少设了一个虚拟变量（旨在示范时简单），改造过程损失了一些信息。
各变量的意义如下：
1、 studytim 是癌症患者的风险期长度，即自患病始至死亡或删截的时间。观测值域为1~39个月。
2、 died 是个虚拟变量，1表示风险期以死亡结束（即无删截，占65%），0表示删截。
3、 drug 是原始分类变量，表示患者采用的药物，1是安慰剂，2和3代表两种真实的不同药物。
4、 age 是患者的年龄，按岁计量。
5、 drug01是使用药物的虚拟变量：0是安慰剂，1为使用真实的不同药物（未区分具体药物）。
6、 agemean 是将age 以其平均值对中的改造变量。（该变量在做分层的生存曲线图时有用。）
在用Stata 做EV A 时，必须先要用stset 命令（表示s urvival t ime set ）声明将要用这个数据做生
存分析。随后要依次定义生存时间的变量studytim 和表示这一风险期是否删截的变量died 。（注意这
样定义以后Stata将自动转换数据格式以适应生存分析的需要！）
stset studytim died
failure event: died != 0 & died < .
obs. time interval: (0, studytime]
exit on or before: failure
------------------------------------------------------------------------------
48 total obs.
0 exclusions
------------------------------------------------------------------------------
48 obs. remaining, representing
31 failures in single record/single failure data
744 total analysis time at risk, at risk from t = 0
earliest observed entry t = 0
last observed exit t = 39
下面要求输出生存数据的概要统计。
stsum
failure _d: died
analysis time _t: studytime
| incidence no. of |------ Survival time -----|
| time at risk rate subjects 25% 50% 75%
---------+---------------------------------------------------------------------
total | 744 .0416667 48 8 17 33
输出表明，有48个患者，共计744个月生存期。如果假定每个月的死亡风险率都相同的话，那么可以估计出平均每个人月的死亡风险率为0.0417，即死亡31人与744个人月之比值。
上表中failures依题意就表示死亡，744个人月中发生死亡的频数为31，因此stsum表中的死亡风险为31/744 = .04167（这其实就是所谓的风险函数值，即发生率incidence rate）。生存时间的四分位值是从K-M（Kaplan-Meier）生存函数（见后面）中推导出来。从K-M生存函数估计出，死于前8个月之内的平均概率为25%，死于前17个月内的平均死亡概率为50%（提示：不要将这17个月作为中位存活时间和死亡时间来理解！1），死于前33个月内的死亡概率达到75%。
下面取得这一生存数据的描述统计。
stdes
failure _d: died
analysis time _t: studytime
|-------------- per subject --------------|
Category total mean min median max
------------------------------------------------------------------------------
no. of subjects 48
no. of records 48 1 1 1 1
(first) entry time 0 0 0 0
(final) exit time 15.5 1 12.5 39
subjects with gap 0
time on gap if gap 0
time at risk 744 15.5 1 12.5 39
1它是年龄别生存概率的中位数，而不是年龄别尚存人数的中位数。
failures 31 .6458333 0 1 1
------------------------------------------------------------------------------
输出表明，有48个患者，共计744个月生存期，其中已经死亡31人。
从K-M生存函数估计出，患者平均生存15.5个月。最短的只生存了1个月，中位生存月数为12.5个月。（注意：此值不等于前表输出中的平均死亡概率达到50%时所对应的时间！）最长的生存期达到39个月。已经死亡的31个人占总数48人的64.58%。
用常规方法取得概要统计，即
sum
Variable | Obs Mean Std. Dev. Min Max
-------------+--------------------------------------------------------
studytime | 48 15.5 10.25629 1 39
died | 48 .6458333 .4833211 0 1
drug | 48 1.875 .8410986 1 3
age | 48 55.875 5.659205 47 67
_st | 48 1 0 1 1
-------------+--------------------------------------------------------
_d | 48 .6458333 .4833211 0 1
_t | 48 15.5 10.25629 1 39
_t0 | 48 0 0 0 0
这一统计输出证明了对生存期的描述统计的理解是对的，即48个人平均生存15.5个月，最小值为1个月，最大值39个月。死亡人数占到约65%，换句话说就是有35%的案例是以删截结束。注意drug为1时表示安慰剂，2和3才代表真实药物。那么这个变量的平均数1.875其实没有意义。所以，下面我们需要专门对drug列出频数表来看看分布。变量age的均值为55.9岁，最小者47岁，最大者67岁。我们还看到Stata在将数据转换为生存时间格式时还新加了4个变量。
下面我们要求列出drug的频数表：
tab drug
Drug type |
(1=placebo) | Freq. Percent Cum.
------------+-----------------------------------
1 | 20 41.67 41.67
2 | 14 29.17 70.83
3 | 1
4 29.17 100.00
------------+-----------------------------------
Total | 48 100.00
变量drug的频数表说明，有42%的案例使用安慰剂，29%用的是第1种药物，另外有29%用的是第2种药物。
tab drug drug01
Drug type |
(1=placebo | drug01
) | 0 1 | Total
-----------+----------------------+----------
1 | 20 0 | 20
2 | 0 14 | 14
3 | 0 1
4 | 14
-----------+----------------------+----------
Total | 20 28 | 48
以上可看出drug是如何虚拟变量化的。
由于数据仅有48个案例，不妨用常规方法列出所有案例的变量值。list
+----------------------------------------------------+
| studyt~e died drug age _st _d _t _t0 |
|----------------------------------------------------|
1. | 1 1 1 61 1 1 1 0 |
2. | 1 1 1 65 1 1 1 0 |
3. | 2 1 1 59 1 1 2 0 |
4. | 3 1 1 52 1 1 3 0 |
5. | 4 1 1 56 1 1 4 0 |
|----------------------------------------------------|
6. | 4 1 1 67 1 1 4 0 |
7. | 5 1 1 63 1 1 5 0 |
8. | 5 1 1 58 1 1 5 0 |
9. | 8 1 1 56 1 1 8 0 |
10. | 8 0 1 58 1 0 8 0 |
|----------------------------------------------------|
11. | 8 1 1 52 1 1 8 0 |
12. | 8 1 1 49 1 1 8 0 |
13. | 11 1 1 50 1 1 11 0 |
14. | 11 1 1 55 1 1 11 0 |
15. | 12 1 1 49 1 1 12 0 |
|----------------------------------------------------|
16. | 12 1 1 62 1 1 12 0 |
17. | 15 1 1 51 1 1 15 0 |
18. | 17 1 1 49 1 1 17 0 |
19. | 22 1 1 57 1 1 22 0 |
20. | 23 1 1 52 1 1 23 0 |
|----------------------------------------------------|
21. | 6 1 2 67 1 1 6 0 |
22. | 6 0 2 65 1 0 6 0 |
23. | 7 1 2 58 1 1 7 0 |
24. | 9 0 2 56 1 0 9 0 |
25. | 10 0 2 49 1 0 10 0 |
|----------------------------------------------------|
26. | 11 0 2 61 1 0 11 0 |
27. | 13 1 2 62 1 1 13 0 |
28. | 15 0 2 50 1 0 15 0 |
29. | 16 1 2 67 1 1 16 0 |
30. | 19 0 2 50 1 0 19 0 |
|----------------------------------------------------|
31. | 20 0 2 55 1 0 20 0 |
32. | 22 1 2 58 1 1 22 0 |
33. | 23 1 2 47 1 1 23 0 |
34. | 32 0 2 52 1 0 32 0 |
35. | 6 1 3 55 1 1 6 0 |
|----------------------------------------------------|
36. | 10 1 3 54 1 1 10 0 |
37. | 17 0 3 60 1 0 17 0 |
38. | 19 0 3 49 1 0 19 0 |
39. | 24 1 3 58 1 1 24 0 |
40. | 25 0 3 50 1 0 25 0 |
|----------------------------------------------------|
41. | 25 1 3 55 1 1 25 0 |
42. | 28 1 3 57 1 1 28 0 |
43. | 28 0 3 48 1 0 28 0 |
44. | 32 0 3 56 1 0 32 0 |
45. | 33 1 3 60 1 1 33 0 |
|----------------------------------------------------|
46. | 34 0 3 62 1 0 34 0 |
47. | 35 0 3 48 1 0 35 0 |
48. | 39 0 3 52 1 0 39 0 |
+----------------------------------------------------+
注意第1个和第2个患者都仅仅参加研究1个月，并且也都没有删截，即他们都已经死亡了。第10个患者参加研究8个月，但是以删截结束。第45个患者参加研究33个月后死亡了，第46、47、48个患者生存期分别为34、35、39个月，并且都仍然生存，即他们都以删截结束。
我们也看到了stset 新加的4个变量。_st 在此例中取值都是1，是个常量，其意义可能是时间
变量值都不缺失，结果导致_t 值就等于studytime 值。并且_d 值就等于died 值，那么意义就是标志时间变量是否删截。_t0都等于0，这标志时间的起点。
我们知道这些患者参加研究的起始时间可能实际上不同，观测时间到可能是一样的。但是现在将始点都定为0，然后用观测时间作为时间刻度。这好比：
观测时点 ↓ ? ↓ _t0
SSSSSSSSSSX SSSSSSSSSSX
SSSQ SSSQ
SSSSSSSSSSSSSSX SSSSSSSSSSSSSSX
下面介绍所谓的Kaplan-Meier 生存函数。
令n t 代表尚未失败（本例即死亡）且在时期t 开始时未删截的观测案例数，d t 代表在时间t 中的失败案例数（本例即死亡数）。Kaplan-Meier 对超出时期t 的生存人数估计为时期t 的生存概率与生存时间（人年数或人月数）的乘积：
t j j j j t S(t) =n d n 0
{()/}=?∏
mdn mdn
mdn x x x x mdn mdn 0mdn
s q p l p l =1l 0001(1)==?=?==×=∏∏因为：其中： x mdn x =x when l l 0()(0.5)=所以：
对上述癌症数据而言，有2名患者在1个月后就死亡了。在这么短的时间里尚未发生删截，所以超出时期t=1的生存概率为：
S(1) = (48-2) / 48 = 0.9583
即：(1- q 1)
此式就是存活概率（1-q x ）：分母为期初人数，分子为期末时（即下期初）的存活人数。
第1个时期结束时的生存概率等于本期存活概率。 在时期t=2中，有1人死亡。在时期t=3中，又有1人死亡。因此：
S(2) = 0.9583 × (46-1) / 46 = 0.9375 即：S(1)(1-q 2)=(1-q 1) (1-q 2)
S(3) = 0.9375 × (45-1) / 45 = 0.9167 即：S(2)(1-q 3)=(1-q 1) (1-q 2) (1-q 3)
人口统计学原理告诉我们，当这个生存函数的初始值为实际最初人数时，生存函数值等于t 期末时的存活人数（即生命表中的l x ，当l 0＝1时）。当这个生存函数的初始值为1.0时，生存函数值等
于从期初t0生存至某一t期末时的概率，它实际上为各年龄存活概率1-q t的连乘积。
用sts list命令要求Stata计算所有时期t末的生存概率：
sts list
failure _d: died
analysis time _t: studytime
Beg. Net Survivor Std.
Time Total Fail Lost Function Error [95% Conf. Int.]
-------------------------------------------------------------------------------
1 48
2 0 0.958
3 0.0288 0.8435 0.9894
2 46 1 0 0.9375 0.0349 0.8186 0.9794
3 45 1 0 0.9167 0.0399 0.7930 0.9679
4 44 2 0 0.8750 0.0477 0.7427 0.9418
5 42 2 0 0.8333 0.0538 0.6943 0.9129
6 40 2 1 0.791
7 0.0586 0.6474 0.8820
7 37 1 0 0.7703 0.0608 0.6236 0.8656
8 36 3 1 0.7061 0.0661 0.5546 0.8143
9 32 0 1 0.7061 0.0661 0.5546 0.8143
10 31 1 1 0.6833 0.0678 0.5302 0.7957
11 29 2 1 0.6362 0.0708 0.4807 0.7564
12 26 2 0 0.5872 0.0733 0.4304 0.7145
13 24 1 0 0.5628 0.0742 0.4060 0.6931
15 23 1 1 0.5383 0.0749 0.3821 0.6712
16 21 1 0 0.5127 0.0756 0.3570 0.6483
17 20 1 1 0.4870 0.0761 0.3326 0.6249
19 18 0 2 0.4870 0.0761 0.3326 0.6249
20 16 0 1 0.4870 0.0761 0.3326 0.6249
22 15 2 0 0.4221 0.0786 0.2680 0.5684
23 13 2 0 0.3572 0.0788 0.2087 0.5083
24 11 1 0 0.3247 0.0780 0.1809 0.4771
25 10 1 1 0.2922 0.0767 0.1543 0.4449
28 8 1 1 0.2557 0.0753 0.1247 0.4093
32 6 0 2 0.2557 0.0753 0.1247 0.4093
33 4 1 0 0.1918 0.0791 0.0676 0.3634
34 3 0 1 0.1918 0.0791 0.0676 0.3634
35 2 0 1 0.1918 0.0791 0.0676 0.3634
39 1 0 1 0.1918 0.0791 0.0676 0.3634
-------------------------------------------------------------------------------
注意：这里Time是以序数标志的时段。开始人数是时段期初人数，而s(x)则以期末为参照。
生存函数值从时点1开始（其实该表省略了起始时间0时的S(0)=1，表示所有人在开始时都尚存。）然后这一比例随时间发展而下降。（它对应着生命表中的l x，当以总人数替代初始数1时，曲线高度则代表尚存人数。）这一尚存比例也可以理解为是尚存概率2，表示生存时间越长的概率越小。注意当这一尚存概率下降到0.75时意味着有25%的人已经死亡了，这一点大约对应着时间轴上的7和8个月之间的位置。这一尚存概率下降到0.5时（即50%死亡）对应着16到17个月之间。这一尚存概率下降到0.25时（即75%死亡）对应着32到33个月之间。
另外从上表中我们还可以看到各年龄上死亡结果和删截结果的不同影响。只要该年龄有人死亡2生存概率是笼统的概念，定义为l
/l x。建议沿用中文人口统计学中的一种传统，将上述K-M函数中的这种具体生存
x＋n
概率称为尚存概率，因为它是生存概率的一种特殊形式，定义为l x/l0。“尚存”概念的基准参照是确切0岁。而“生存”概念的参照可以是任何年龄。因此，就生命表而言，生存概率不仅可以是l20/l10，即从确切年龄10存活至确切年龄20岁的概率，也可以是L20/L10，即10岁年龄组人口存活到20岁时的概率。就这么细致地分析而言，K-M生存函数其实是L x/L0。
（即fail 值＞0），该年龄的尚存概率就会比前一年龄下降；然而如果该年龄没有案例死亡，但是有案例删截（即Net lost ＞0），则该年龄的尚存概率不会比前一年龄降低，比如在time 分别为32、34、35、36时就是这种情况。
提示：注意输出的生存函数的标题为Survivor Function 。思考一下为什么是“生存者”函数？因为
实际上它其实对应的就是生命表中的尚存人数（即x l l 01=列，有），只不过现在考虑并控制了删截影响之后的x l 列估计。
下面用sts graph 命令要求Stata 画出尚存概率曲线： sts graph
K-M 曲线直观地描述了每一时间单位上的经验尚存概率。其实我们还可以分组描述不同类别的
生存函数，并且也可以对不同类别的生存函数之间是否存在差异进行检验。 下面用stcox 命令做Cox 模型估计，这一命令之后定义自变量。注意这个命令不需要定义因变量，因为我们前面已经将此数据按生存时间格式定义过了（stset ），即这一生存数据的时间为
studytime ，事件变量为died （死亡为1，删截为0）。下列Cox 模型命令的备选命令, nohr 是要求直接输出系数估计，而不是输出风险比h azard r atio 。
stcox drug01 age , nohr
failure _d: died
analysis time _t: studytime
Iteration 0: log likelihood = -99.911448
Iteration 1: log likelihood = -83.551879
Iteration 2: log likelihood = -83.324009
Iteration 3: log likelihood = -83.323546
Refining estimates:
Iteration 0: log likelihood = -83.323546
Cox regression -- Breslow method for ties
No. of subjects = 48 Number of obs = 48
No. of failures = 31
Time at risk = 744
LR chi2(2) = 33.18
Log likelihood = -83.323546 Prob > chi2 = 0.0000
------------------------------------------------------------------------------
_t | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
drug01 | -2.254965 .4548338 -4.96 0.000 -3.146423 -1.363507
age | .1136186 .0372848 3.05 0.002 .0405416 .1866955
------------------------------------------------------------------------------
Model chi2(2)指模型似然值卡方检验的（括号中的2为自由度），即常见的LRχ2（或标为L2）。它是2倍的检验模型似然值L1与截距模型似然值L0之间差异的检验。截距模型的对数似然值在迭代0的那一步已经输出，这时模型中没有纳入自变量。
这一卡方值的计算公式为：
LRχ2 = 2(L1 - L0)
可以从输出中看到，这一卡方值检验的统计性非常显著（0.0000），表明我们可以拒绝H0：模型中所有系数均为0，接受H1：至少有一个风险系数不为0。
对Cox风险模型系数的解释方法与logistic回归系数相同。于是，drug01的系数-2.25表明，在控制age不变的条件下，应用真实药物治疗将会导致对数死亡风险率（log of the hazard of dying）比不用药物降低2.25。而age的系数表明，当控制drug01不变时，每提高1岁，对数风险率将提高0.11。
对风险系数的检验Z分数是该系数与其标准误之比值。P>|z|提供的是统计显著性水平，可见drug和age都非常显著。
Pseudo R2为一种伪确定系数，与logistic回归类似。Stata使用的计算公式为：
Pseudo R2 = 1 - L1/L0
stcox命令不提供伪确定系数，但是命令稍微变化一点，就可以输出这个指标。
应用 co x命令，然后定义因变量，然后定义自变量，最后以, dead (died)备选命令定义事件变量。这种命令形式也同样可以完成Cox模型估计。
cox studytim drug01 age, dead (died)
Iteration 0: log likelihood = -99.911448
Iteration 1: log likelihood = -83.551879
Iteration 2: log likelihood = -83.324009
Iteration 3: log likelihood = -83.323546
Refining estimates:
Iteration 0: log likelihood = -83.323546
Cox regression -- Breslow method for ties
Entry time 0 Number of obs = 48
LR chi2(2) = 33.18
Prob > chi2 = 0.0000
Log likelihood = -83.323546 Pseudo R2 = 0.1660
------------------------------------------------------------------------------
studytime | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
drug01 | -2.254965 .4548338 -4.96 0.000 -3.146423 -1.363507
age | .1136186 .0372848 3.05 0.002 .0405416 .1866955
------------------------------------------------------------------------------
由于上述方式定义的Cox模型与前面用stcox命令定义的模型完全相同，因此所有结果其实一样，只是多提供了一个伪确定系数指标而已。Stata建议做Cox模型时还是用stcox命令，因为其命令形式很简单，不容易出错。
与logistic回归类似，其实对Cox模型系数取指数（即取反对数）以后更容易解释。因为模型系数对指数以后就还原为风险比了。
要求直接输出Cox模型的风险比的命令如下：（, hr其实为默认，可省略）
stcox drug01 age, hr
failure _d: died
analysis time _t: studytime
Iteration 0: log likelihood = -99.911448
Iteration 1: log likelihood = -83.551879
Iteration 2: log likelihood = -83.324009
Iteration 3: log likelihood = -83.323546
Refining estimates:
Iteration 0: log likelihood = -83.323546
Cox regression -- Breslow method for ties
No. of subjects = 48 Number of obs = 48
No. of failures = 31
Time at risk = 744
LR chi2(2) = 33.18
Log likelihood = -83.323546 Prob > chi2 = 0.0000
------------------------------------------------------------------------------
_t | Haz. Ratio Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
drug01 | .1048772 .0477017 -4.96 0.000 .0430057 .2557622
age | 1.120325 .0417711 3.05 0.002 1.041375 1.20526
------------------------------------------------------------------------------
注意现在输出的不再是系数本身，而是系数的指数值，输出标题为风险比(Haz. Ratio)。其意义为当解释变量变化一个单位时，风险率要变化的倍数。有时将风险比又称为因子(factor)，将风险率的变化倍数称为因子变化(factor change)。
注意，这时Z检验并不是风险比系数与其标准误之比，而是直接沿用了原来系数估计与其标准误之比。这是因为风险比的置信区间是基于原来系数的置信区间的上下限按指数推算出来的。
此外我们已经比较习惯于按解释变量变化一个单位导致因变量的百分比变化(percentage change)方式来解释这种指数化的系数了，其公式为：
百分比变化＝100(e b-1) 即百分比变化＝100(风险比-1)
drug01的风险比为0.105，所以就本模型而言，从安慰剂变为真正的药物治疗，将降低癌症死亡风险率近90%。
age的风险比为1.12，就是说年龄每增加1岁，癌症死亡风险将提高12%。
【未完待续】
事件史分析3
三讲COX 风险 本讲提要 1．Cox模型的内容 2．Cox模型的特点和应用 3．Cox模型的假设和检验 1. 什么是Cox模型 A。在事件史分析中的时间依赖问题 原因：时间是一个重要维度 例子： ?职务升迁：对工作期限的依赖 ?工作变动：对年龄（工龄）的依赖 三种解决办法: ?离散时间的事件史模型： o（1）时间作为解释变量，（2）使用随时间变化的变量，（3）不对时间模型化 o假设：时间依赖问题通过模型中的控制变量可以排除； ?Cox模型：假设有时间依赖，但是把时间依赖看作是一个可以通过统计处理而绕过的问题 ?参数方程：对时间依赖的方式加以模型化 B．COX模型 几个假设 ?假设我们讨论的事件史中，时间是连续的； ?假设样本中每个人的风险是成比例的，即每个人的风险都是其他人风险的一个固定比例。所以，COX模型又称比例风险模型。 比例风险模型可以表述如下： h(t, x) = h0(t) eβ’x?ln h(t, x) = α(t) +β’x
在这里，α(t)=logh0(t)。 上面公式说明，一个样本在时间t的风险是两个部分的乘积： 1．h0(t) 是一个基准风险函数，它的形式没有被具体规定（不能是负数），可以用任何形式出现。我们可以把它看作是当所有变量为0时，一个样本所面临的风险函 数。 2 eβ’x。一组k自变量的线形方程。 用广义线形模型（Generalized Linear Models）的语言来说，时间与解释变量间没有interaction。. ?If α(t) = α→ exponential model ?If α(t) = α t → Gompertz model ?If α(t) = α log t → Weibull model 注意：Cox模型的一个重要假设是，h0(t)可以有任何形式，但是它对于所有的样本都是同样的，因此，我们可以通过样本之间的相比来消除α(t)。这个假设的另外一个表述是，样本之间的风险是成比例的（proportional）。 例如， 在这里，λ0(t)在公式中被取消，因此风险的比例在不同时间都是同样的，不随时间变化。如果我们观察不同群体的log h(t)，那么它们的log h(t)应该是平行的。而h0(t) 可以被解释为所有样本共有的共同基准风险。
资料分析的方法
资料分析的方法 一、社会科学的研究步骤 在每一个环节都需要理论的指导。其中，在检验研究假设结束之后，需要与现有的文献对话，再次发现新问题，开始新一轮的研究过程。在这个环节之中，资料分析作为重要一环，对于社会科学的研究极为重要。 二、资料分析的方式分类 教育研究包含多样化的研究方法及分类。一般情况下，按照认识论基础，研究方法可以分为定量研究、定性研究和混合研究。 也有部分学者按照研究目的、手段等对研究方法进行分类。比如别敦荣和彭阳红将研究方法分为：理论思辨、经验总结、历史研究、调查研究、比较研究、数学分析、质的研究和个案研究； 在国内，根据刘良华对研究方法的分类大体上有三个基本类型：实证研究（量化的、质化的）、思辨研究（又称理论研究）、实践研究（常以教育对策、教育反思、教育改革形式显现）。实证研究是基于“事实”的方式进行论证并有规范的研究设计和研究报告。 陈向明指出，“研究方法”一般包含三个层面：第一，方法论，即指导研究的思想体系，其中包括基本的理论假定、原则、研究逻辑和思路等；第二，研究方法或方式，即贯穿于研究全过程的程序与操作方式；第三，具体的技术和技巧，即在研究的某一阶段使用的具体工具、手段和技巧等。 文中所采取的分类是按照陈向明定义中的第三个层面为标准进行的分类。在实际的研究过程中大多数时候是以一种研究方法为主，其他为辅，交叉使用的。以下内容是介绍每一种具体的方式。 那么资料搜集上来了？该如何分析呢？ 三、具体的资料分析方式 1思辨分析 （1）历史研究方法 历史研究法是运用历史资料，按照历史发展的顺序对过去事件进行研究的方法。亦称纵向研究法，是比较研究法的一种形式。在政治学领域中，它着重对以往的政治制度、政治思想、政治文化等的研究。 历史研究的目的在于解决政治制度的现状及其演变趋向。但不是断章取义地分析政治制度的现状，而是系统地研究它们以往的发展及其变迁的原因。历史研究法主要是研究政治制度的发展历史，从各种事件的关系中找到因果线索，演绎出造成制度现状的原因，推测该制度未来的变化。
麦肯锡行业分析模板
行业分析报告
使用说明： 1.本模板列出行业资料收集、行业分析的思路和框架，各位顾问、分析员可按 照此框架开展工作，也可在此基础上做针对行业特点的局部结构调整。2.本模板列出的框架主要基于SCP模型；附录为SCP模型分析的框架，供大 家参考，另可参考《Mckinsey-战略》一文。 3.本模板供大家不断积累行业资料使用，增添内容者可将相关资料贴到本文件 中，也可在相关位置注明可查到相关资料的网址、书目页码等信息。
目录 行业概况7行业简介7行业规模、发展速度、平均利润水平、主要厂商7外部影响（政策、技术）（E）8政策法规、行业管理模式8国内对行业的管理性政策法规、行业促进政策等8国内行业管理、促进政策对行业的影响分析（实例）8国外成功的行业管理模式（政策法规）8技术发展趋势9主要技术术语、简写和解释9国际技术走向、发展前景分析9国际技术领先的国家、公司的名称、简介、技术领先之处9国内技术水平、发展趋势、与国外的技术差距9国内技术领先公司的名称、简介、技术领先之处9行业供求分析（S）10行业供给、行业进入者10行业业务模式分析（资本集中度、利润来源、进入/推出壁垒）10行业集中度、竞争态势10
行业大厂商盈利模式、竞争优势分析（实例）11行业小厂商盈利模式、竞争优势分析（实例）11行业中的外国企业竞争模式分析11行业需求、替代产品12对行业产品的需求规模、增长率及原因分析12行业替代品的种类、规模、可替代性分析12对产品需求的变化周期及特点12需求细分市场分析12产业链、相关行业分析（S）13上游企业分析13供应商行业的名称（及行业编号），简介13供应商行业的讨价能力分析13下游行业分析14顾客行业的名称（及行业编号），简介14顾客行业的讨价能力分析14相关行业分析15相关行业的类别（替代性、补充性、服务性）、名称（及行业编号），简介15行业关系分析15行业厂商行为分析（C）15营销行为15
16种常用数据分析方法
一、描述统计描述性统计是指运用制表和分类，图形以及计筠概括性数据来描述数据的集中趋势、离散趋势、偏度、峰度。 1、缺失值填充：常用方法：剔除法、均值法、最小邻居法、比率回归法、决策 树法。 2、正态性检验：很多统计方法都要求数值服从或近似服从正态分布，所以之前需要进行正态性检验。常用方法：非参数检验的K-量检验、P-P图、Q-Q图、W 检验、动差法。 二、假设检验 1、参数检验 参数检验是在已知总体分布的条件下（一股要求总体服从正态分布）对一些主要的参数（如均值、百分数、方差、相关系数等）进行的检验。 1）U验使用条件：当样本含量n较大时，样本值符合正态分布 2）T检验使用条件：当样本含量n较小时，样本值符合正态分布 A 单样本t检验：推断该样本来自的总体均数卩与已知的某一总体均数卩0 （常为理论值或标准值）有无差别； B 配对样本t 检验：当总体均数未知时，且两个样本可以配对，同对中的两者在可能会影响处理效果的各种条件方面扱为相似； C 两独立样本t 检验：无法找到在各方面极为相似的两样本作配对比较时使用。 2、非参数检验 非参数检验则不考虑总体分布是否已知，常常也不是针对总体参数，而是针对总体的某些一股性假设（如总体分布的位罝是否相同，总体分布是否正态）进行检验。 适用情况：顺序类型的数据资料，这类数据的分布形态一般是未知的。 A 虽然是连续数据，但总体分布形态未知或者非正态； B 体分布虽然正态，数据也是连续类型，但样本容量极小，如10 以下； 主要方法包括：卡方检验、秩和检验、二项检验、游程检验、K-量检验等。 三、信度分析检査测量的可信度，例如调查问卷的真实性。 分类： 1、外在信度：不同时间测量时量表的一致性程度，常用方法重测信度 2、内在信度；每个量表是否测量到单一的概念，同时组成两表的内在体项一致性如何，常用方法分半信度。 四、列联表分析用于分析离散变量或定型变量之间是否存在相关。对于二维表，可进行卡 方检验，对于三维表，可作Mentel-Hanszel 分层分析列联表分析还包括配对计数资料的卡方检验、行列均为顺序变量的相关检验。 五、相关分析 研究现象之间是否存在某种依存关系，对具体有依存关系的现象探讨相关方向及相关程度。 1、单相关：两个因素之间的相关关系叫单相关，即研究时只涉及一个自变量和一个因变量； 2、复相关：三个或三个以上因素的相关关系叫复相关，即研究时涉及两个或两个以
常用数据分析方法详细讲解
常用数据分析方法详解 目录 1、历史分析法 2、全店框架分析法 3、价格带分析法 4、三维分析法 5、增长率分析法 6、销售预测方法 1、历史分析法的概念及分类 历史分析法指将与分析期间相对应的历史同期或上期数据进行收集并对比，目的是通过数据的共性查找目前问题并确定将来变化的趋势。 *同期比较法：月度比较、季度比较、年度比较 *上期比较法：时段比较、日别对比、周间比较、 月度比较、季度比较、年度比较 历史分析法的指标 *指标名称： 销售数量、销售额、销售毛利、毛利率、贡献度、交叉比率、销售占比、客单价、客流量、经营品数动销率、无销售单品数、库存数量、库存金额、人效、坪效 *指标分类： 时间分类 ——时段、单日、周间、月度、季度、年度、任意 多个时段期间 性质分类 ——大类、中类、小类、单品 图例 2框架分析法 又叫全店诊断分析法 销量排序后，如出现50/50、40/60等情况，就是什么都能卖一点但什么都不 好卖的状况，这个时候就要对品类设置进行增加或删减，因为你的门店缺少 重点，缺少吸引顾客的东西。 如果达到10/90，也是品类出了问题。 如果是20/80或30/70、30/80，则需要改变的是商品的单品。 *单品ABC分析（PSI值的概念） 销售额权重（0.4）×单品销售额占类别比＋销售数量权重（0.3） × 单品销售数量占类别比＋毛利额权重（0.3）单品毛利额占类别比 *类别占比分析（大类、中类、小类） 类别销售额占比、类别毛利额占比、 类别库存数量占比、类别库存金额占比、
类别来客数占比、类别货架列占比 表格例 3价格带及销售二维分析法 首先对分析的商品按价格由低到高进行排序，然后 *指标类型：单品价格、销售额、销售数量、毛利额 *价格带曲线分布图 *价格带与销售对数图 价格带及销售数据表格 价格带分析法 4商品结构三维分析法 *一种分析商品结构是否健康、平衡的方法叫做三维分析图。在三维空间坐标上以X、Y、Z 三个坐标轴分别表示品类销售占有率、销售成长率及利润率，每个坐标又分为高、低两段，这样就得到了8种可能的位置。 *如果卖场大多数商品处于1、2、3、4的位置上，就可以认为商品结构已经达到最佳状态。以为任何一个商品的品类销售占比率、销售成长率及利润率随着其商品生命周期的变化都会有一个由低到高又转低的过程，不可能要求所有的商品同时达到最好的状态，即使达到也不可能持久。因此卖场要求的商品结构必然包括：目前虽不能获利但具有发展潜力以后将成为销售主力的新商品、目前已经达到高占有率、高成长率及高利润率的商品、目前虽保持较高利润率但成长率、占有率趋于下降的维持性商品，以及已经决定淘汰、逐步收缩的衰退型商品。 *指标值高低的分界可以用平均值或者计划值。 图例 5商品周期增长率分析法 就是将一段时期的销售增长率与时间增长率的比值来判断商品所处生命周期阶段的方法。不同比值下商品所处的生命周期阶段(表示) 如何利用商品生命周期理论指导营运(图示) 6销售预测方法[/hide] 1.jpg (67.5 KB) 1、历史分析法
历史分析方法和
历史分析方法和“公式” 一、历史背景、原因和目的 1、历史背景=（国内+国际）（经济+政治+文化+……） ⑴经济背景=生产力+生产关系+经济结构+经济格局+…… ⑵政治背景=政局+制度+体制+政策+阶级+民族+外交+军事+…… ⑶文化背景=思想、宗教+科技+教育+…… 2、历史条件：与背景分析基本相同，更侧重于有利因素 3、原因广度：原因=主观（内因）+客观（外因） ⑴主观原因：事件发起、参与者内在经济、政治、思想诸方面因素 ⑵客观原因：自然、社会环境、外在各方面经济、政治、思想因素等 原因广度与背景分析方法基本相同，背景侧重于静态分析，原因更侧重于动态分析。 4、原因深度：原因：→直接→主要→根本 ⑴直接原因：最直接引发事件的偶然性因素（导火线、借口等） ⑵主要原因：包括引发事件的主观、客观各方面重要因素 ⑶根本原因：历史趋势（生产力发展、时代要求）+主观需要等三者既有层次区别，又有联系渗透， 5、矛盾分析：生产力与生产关系矛盾、经济基础与上层建筑矛盾、阶级矛盾、阶级内部矛盾、民族矛盾、宗教矛盾、不同利益集团矛盾…… 6、目的、动机：→直接→主要→根本 ⑴直接动机：解决当前面临的种种危机或问题 ⑵主要目的：实现某一方面目标，求得稳定和发展等 ⑶根本目的：建立或巩固统治，维护统治阶级利益（根本利益） 目的、动机属于主观方面的原因，是事件发动者的主观意愿。 二、历史内容=经济+政治+文化+…… 历史内容即客观历史，是人类重大历史活动的客观记载。活动的主体包括重要历史人物、群体、组织、机构等。活动内容包括经济政治方面的事件、事态、制度、政策、纲领、路线、计划、条约；文化方面的理论、技术、文物器具、工程建筑、书籍文献等。一般历史内容，可从经济、政治、文化诸方面分析。 1、经济内容：生产力+生产关系+经济结构、布局+…… ⑴古代经济=经济制度＋经济政策+（农业+手工业+商业）+经济结构、布局+…… ①经济政策=总政策+土地+租税+赋役+人身+…… ②农业经济=人口+土地+工具+水利+作物+布局+…… ③手工业经济=（纺织+矿冶+陶瓷+……）（技术+布局+……） ④商品经济=城市+交通+商品+市场+货币+边贸+外贸+…… ⑤经济结构、布局=经济成份比例变化+经济重心变化+经济方式扩展+…… 古代经济一般分析方法，是先分析各时期经济政策的调整，再从农业、手工业、商业各方面分析经济发展情况。 ⑵近现代经济=经济发展要素+经济成份+国际经济+…… ①济发展要素=技术+资金+市场+原料+劳力+经济结构+经营方式+政策+…… ②经济成份=自然经济+外资+合资+民资+官资+国营+集体+个体+…… ③国际经济=总格局+（生产+管理+资本+技术+市场+关税）（协作+竞争） 2、政治内容=制度+体制+政策+阶级+民族+外交+军事+……
分析历史事件的方法,分析历史事件的本质.doc
分析历史事件的方法，分析历史事件的本质分析历史事件的方法，分析历史事件的本质 分析历史事件的方法 (1)坚持正确的立场。人民的立场、进步的立场、爱国的立场、全球利益的立场等等，就是正确的立场。比如说希特勒的所作所为，完全是在拉历史的倒车，他违背了人性，企图从根本上抹煞人类文明。因此，希特勒是整个人类的公敌，为人不耻，遭人唾弃。 (2)坚持历史评价而非道德评价。这条原则涉及到的主要是人物的评价。对历史人物，应根据他们对历史发展、社会进步在客观上所起作用来进行评价，不能用道德来衡量一个历史人物。(3)评价历史应坚持阶级分析方法。一般而言，历史人物生活在阶级社会，客观上都代表一定阶级的利益。因此，只有运用阶级分析方法，才能更深刻地揭示其活动的本质。运用阶级分析方法，首先，在分析历史人物的历史活动时，应给历史人物以阶级定位，注意确定阶级属性的标准不是观其出身而是观其言行代表哪个阶级的利益。如康有为出身于封建官僚家庭，自幼饱读四书五经，一生从未当过资本家，但其思想主张和行为却符合民族资产阶级上层的利益，因此他是民族资产阶级上层的代表人物。其次，对一定历史人物或社会集团，应该用其阶级属性来解释其言行。如
太平天国之所以失败，从主观原因来讲，是由于农民阶级的局限性。另外，在运用阶级分析方法时，注意不要简单化、一刀切，如认为只要是地主阶级就一定反动、腐朽，只要是农民阶级就当然肯定。 (4)评价历史事物应坚持效果第一，动机第二。历史是复杂和矛盾的。在历史文明的进程中，主观上的善良愿望未必都能得到善的效果，恶的动机又常常成全了善的效果，以至以往文明处处交织着这种善与恶的二律背反。在评价历史时，应将效果与动机结合起来进行分析，不可偏废，同时应将对效果的评价放在首位，因为对历史起作用较大的是结果而不是动机，同时动机对效果的实现又有一定的关系，所以也要兼顾动机。 综上所述，同学们在学习的过程中，首先要学会学习，然后掌握一定的学习技巧中考，解决最基本的基础知识，最后要掌握一定的历史理论和分析解决问题的方法以达培养能力的目的。这样，成功一定会属于你。接影响。 分析历史事件的本质 一、通过剖析历史背景来认识历史本质 任何历史事件的存在，都有一定的历史背景，历史背景是历史事件发生的依据。既然历史本质是内化在历史事件中的，那么，它也一定与历史背景有着必然的逻辑联系。有些历史事件是因某
行业分析方法
行业分析方法 Document number：PBGCG-0857-BTDO-0089-PTT1998
[讨论] 行业研究如何提高基本功全套研究方法与案例 [推广有奖] 人大经济论坛经管爱问微信好号“jgasker”好文共享与推荐，实时答疑服务，欢迎关注！ 一、行业研究认识 1、行业研究引题 本人自从事工作来，基本都于研究打交道，尤其是行业研究，在此，把这几年如何做行业研究的一些体会和经验与大家分享，希望对初入行业研究的初学者能提供一些浅显提示，避免少走弯路，同时也想通过本研究与行业研究的志同伙伴(有经验者)做一个沟通交流，起到“抛砖引玉”之效。本行业研究的分享主要有三个方面的内容，一是行业研究的基本概述，包括行业研究的认识、目的、原则和方法等;二是行业研究流程与内容，包括行业研究的基本流程，行业研究内容及研究报告框架等;三是行业研究的案例，以电视剧行业为实证来完整介绍一个行业研究的全过程。行业研究经验分享目的及主要内容图 2、行业研究定义 行业研究的定义：参考相关文献，行业研究是通过深入研究某一行业发展动态、规模结构、竞争格局以及综合经济信息等，为企业自身发展或行业投资者等相关客户提供重要的参考依据。行业研究是重点研究行业过去发展历程、行业现在发展现状和行业未来发展趋势，发现与挖掘行业发展阶段、主要影
响因素及行业内的行业关键成功因素等，为企业发展方向提供指导及为投资者决策提供依据。行业研究定义的包含要素示意图 3、行业研究认识 (1)行业研究是规律可循的，专业并非是绝对壁垒行业研究是揭示行业发展重要工具，研究不同行业虽然有不同内容与因素，但是从研究方法与规律来看有共同点，也就是说行业研究是相通的。很多人研究员把其专业背景作为行业研究的壁垒来看，其实不然，虽具有某行业专业背景能够很快了解其行业，但不是构成该行业绝对壁垒。目前认为壁垒相对较高的行业如医药、TMT等，需要一定的专业知识背景，但也可以通过后续的学习弥补相关技术等知识欠缺，因此只要我们掌握了行业研究的基本规律与方法，任何行业都是可以通过时间和努力去研究与掌握的。(2)行业研究需要从微观中来，也需要到宏观中去(大处着眼、小处着手)何为行业研究，简单来讲就是对某一个特定行业及行业内聚合的企业进行深入了解与研究，包括行业发展历史、现状、规模结构、竞争格局、未来趋势及综合信息等因素，为企业自身或行业投资者提供重要的参考依据。从行业研究的所属层次来看，行业研究是介于宏观经济研究与公司微观经济研究之间，在经济学上可以称为中观层次研究。正是因为行业研究是介于宏观经济研究与公司微观经济研究之间，行业研究在行业本身之发展之外，需要关注本行业与宏观经济
材料分析方法说明
红外汲取光谱 1 波长（λ）相邻两个波峰或波谷之间的直线距离，单位为米（m）、厘米（cm）、微米（μm）、纳米（nm）。这些单位之间的换算关系为1m＝102cm＝106μm＝109nm。 2频率（v）单位时刻内通过传播方向某一点的波峰或波谷的数目，即单位时刻内电磁场振动的次数称为频率，单位为赫兹（Hz，即s-1），频率和波长的关系为 3 波数（σ）每厘米长度内所含的波长的数目，它是波长的倒数，即σ＝1 / λ ,波数单位常用cm-1来表示。 4传播速度:辐射传播速度υ等于频率v乘以波长λ，即υ＝v λ。在真空中辐射传播速度与频率无关，并达到最大数值，用c 表示，c值准确测定为2.99792×1010cm/s 5周期T:相邻两个波峰或波谷通过空间某固定点所需要的时刻间隔，单位为秒（s）。 红外光谱法的特点: （1）特征性高。就像人的指纹一样，每一种化合物都有自己的特征红外光谱，因此把红外光谱分析形象的称为物质分子的“指纹”分析。（2）应用范围广。从气体、液体到固体，从无机化合物到有机化合物，从高分子到低分子都可用红外光谱法进行分析。（3）用样量少，分析速度快，不破坏样品。
简正振动的数目称为振动自由度，每个振动自由度相应于红外光谱图上一个基频汲取峰。每个原子在空间都有三个自由度，假如分子由n个原子组成，其运动自由度就有3n 个，这3n个运动自由度中，包括3个分子整体平动自由度，3个分子整体转动自由度，剩下的是分子的振动自由度。关于非线性分子振动自由度为3n－6，但关于线性分子，其振动自由度是3n－5。例如水分子是非线性分子，其振动自由度=3×3－6=3. 红外汲取光谱（Infrared absorption spectroscopy, IR）又称为分子振动—转动光谱。当样品受到频率连续变化的红外光照耀时，分子汲取了某些频率的辐射，并由其振动或转动运动引起偶极矩的净变化，产生分子振动和转动能级从基态到激发态的跃迁，使相应于这些汲取区域的透射光强度减弱。记录红外光的百分透射比与波数或波长关系的曲线，就得到红外光谱。 红外光谱在化学领域中的应用大体上可分为两个方面：一是用于分子结构的基础研究，应用红外光谱能够测定分子的键长、键角，以此推断出分子的立体构型；依照所得的力常数能够明白化学键的强弱；由简正频率来计算热力学函数。二是用于化学组成的分析，红外光谱最广泛的应用在于对物质的化学组成进行分析，用红外光谱法能够依照光谱中汲取峰的位置和形状来推断未知物
历史分析方法
历史分析方法和“公式” 历史分析方法和“公式” 一、历史背景、原因和目的 1、历史背景=（国内+国际）（经济+政治+文化+……） ⑴经济背景=生产力+生产关系+经济结构+经济格局+…… ⑵政治背景=政局+制度+体制+政策+阶级+民族+外交+军事+…… ⑶文化背景=思想、宗教+科技+教育+…… 如：鸦片战争背景：（一）国内：1、经济：自然经济+资本主义萌芽+土地集中。2、政治：①腐败：官场+军队+财政②阶级矛盾。3、思想：愚昧自大。（二）国际：1、经济：工业革命→市场原料。2、政治：资本主义扩张。 2、历史条件：与背景分析基本相同，更侧重于有利因素 如十月革命的历史条件：（一）国内：①经济：资本主义发展到垄断，相对落后、生活贫困②政治：沙皇专制、无产阶级壮大、革命政党成熟、力量对比变化等③思想：列宁主义指导。（二）国际：帝国主义忙于一战等。 3、原因广度：原因=主观（内因）+客观（外因） ⑴主观原因：事件发起、参与者内在经济、政治、思想诸方面因素 ⑵客观原因：自然、社会环境、外在各方面经济、政治、思想因素等 原因广度与背景分析方法基本相同，背景侧重于静态分析，原因更侧重于动态分析。如美国独立战争的原因广度分析：（一）内因：①经济：资本主义经济发展、统一的市场等②政治：美利坚民族形成、资产阶级、种植园主阶级形成等③文化：统一的文化、民族意识觉醒等。（二）外因：①英国的经济掠夺和政治压迫②启蒙思想的影响等。 4、原因深度：原因：→直接→主要→根本 ⑴直接原因：最直接引发事件的偶然性因素（导火线、借口等） ⑵主要原因：包括引发事件的主观、客观各方面重要因素 ⑶根本原因：历史趋势（生产力发展、时代要求）+主观需要等 三者既有层次区别，又有联系渗透，如“五四”运动爆发的直接原因是巴黎和会上中国外交失败；主要原因涉及当时国内外各种矛盾，包括帝国主义侵略、北洋军阀黑暗统治、民族资本主义发展、无产阶级壮大、十月革命影响、马克思主义传播等因素；根本原因则是主要原因中最深层的因素。 5、矛盾分析：生产力与生产关系矛盾、经济基础与上层建筑矛盾、阶级矛盾、阶级内部矛盾、民族矛盾、宗教矛盾、不同利益集团矛盾…… 如尼德兰革命爆发的原因：①资本主义经济发展与旧制度矛盾②资产阶级与封建阶级矛盾③尼德兰人民与西班牙统治者的民族矛盾④加尔文教与天主教矛盾等等。 6、目的、动机：→直接→主要→根本 ⑴直接动机：解决当前面临的种种危机或问题 ⑵主要目的：实现某一方面目标，求得稳定和发展等 ⑶根本目的：建立或巩固统治，维护统治阶级利益（根本利益） 目的、动机属于主观方面的原因，是事件发动者的主观意愿。如王安石变法：直接动机是解决面临的社会危机；主要目的是增加财政收，缓和阶级矛盾，实现富国强兵等；根本目的是巩固封建统治。 二、历史内容=经济+政治+文化+…… 历史内容即客观历史，是人类重大历史活动的客观记载。活动的主体包括重要历史人物、群体、组织、机构等。活动内容包括经济政治方面的事件、事态、制度、政策、纲领、路线、计划、条约；文化方面的理论、技术、文物器具、工程建筑、书籍文献等。一般历史内容，可从经济、政治、文化诸方面分析。 1、经济内容：生产力+生产关系+经济结构、布局+……
谈谈分析历史问题的四种方法
谈谈分析历史问题的四种方法 一、全面分析法 “全面”是辩证唯物主义的主要观点，它是建立在事物是普遍联系的这一理论基础之上的，将这一观点引入史学领域以分析历史问题，就是要联系到影响历史事件的各个方面。以鸦片战争的爆发原因和战争结果为例，第一、鸦片战争是一场战争，是战争就会有交战双方（有时是多方），因此就不能只分析其中一方而忽视另一方。第二、从交战的任何一方考虑，导致战争爆发和导致战争结局的往往不是单方面的因素，而是多方面因素的交织的结果。这里的多方面我们常常可以用政治、经济、军事、文化、外交等作为参照（涉及古代中国的一些问题上，一般可以用政治、经济、民族关系、对外关系和文化等五个方面作为参照）。这样，分析鸦片战争爆发的原因和战争结果时，可以在心目中形成以下表格：中国（大清帝国）英国 政治腐朽的封建专制制度，政治腐败新兴的资本主义制度 经济封闭的自然经济开放的商品经济 军事处于冷兵器时代，且装备不整，训练不勤，军纪松弛跨入火器时代，船坚炮利 外交积极开拓海外殖民地，对华觊觎已久夜郎自大、闭关锁国 文化近代自然科学突飞猛进，第一次科技革命（工业革命）完成文网严密，“万马齐喑”，乾嘉学派为代表的考证学风盛行 以上表格并不是参考答案，而是一种分析问题的思路，它提醒我们从交战双方的各个方面进行分析，只有这样的分析才能透彻理解战争爆发的根本原因——英国欲凭借武力打开中国市场，将中国变成其殖民地（主要作为其商品市场和原料供应地），才能分析战争最终以中国战败而告终的根本原因——腐朽的封建制度无法战胜处于上升时期有的资本主义制度。也只有这样才能理解禁烟运动只是鸦片战争爆发的直接原因，如果中国不禁烟，英国也能达到变中国为其殖民地的目的，战争的手段自然也可以不予采用，这等于未战已先降。 除了从政治、经济等方面分析以外，在分析与资本主义发展相关的问题时，还可以从市场、资本、劳动力等方面进行全面分析，各种教材在分析工业革命爆发的原因时就都采用这一方法。这一方法同样可以迁移去分析其它问题，如19世纪后期主要资本主义国家经济发展速度不一的原因时都可以归于市场、资本等方面，以下以美国经济迅速发展的原因为例予以分析： 市场：内战的结束消除了分裂的根源，扫除了资本主义发展的障碍（国内市场重新统一）西部的开发促使农业得以迅速发展（国内市场扩大） 资本：西欧剩余资本的输入 劳动力：大量移民的涌入 其他：（优越的地理位置等，此处略） 二、辩证分析法 与全面分析不同，辩证分析法侧重于从事件的积极和消极两方面进行分析。这一方法主要适用于对历史人物的评价和对历史事件影响的分析。 还是以鸦片战争为例，鸦片战争的最大影响是标志着中国近代史的开端，其之所以能标志中国近代史开端是因为从此中国开始沦为半殖民地半封建社会。中国沦为半殖民地半封建社会的过程又正是中国近代化的过程，因此两者都在导致鸦片战争各种影响的具体内容上同时存在。在此，也可以用一个表格来展示分析思路： 最终影响二级影响初级影响（积极一面）初级影响（消极一面）
如何快速了解一个行业介绍
如何快速了解一个行业 “了解一个行业”这件事本身不太可能快速完成。不过，如果我们只是想摸清楚最基本的情况，我们可以通过问对几个关键问题着手。这些关键问题围绕着一个根本问题：这个行业的链条是如何运转起来的？ 1 这个行业的存在是因为它提供了什么价值？ 2 这个行业从源头到终点都有哪些环节？ 3 这个行业的终端产品售价都由谁分享？ 4 每个环节凭借什么关键因素，创造了什么价值获得他所应得的利益？ 5 谁掌握产业链的定价权？ 6 这个行业的市场集中度如何？ 而信息获取的渠道，则包括： 1 金融投资机构的行业报告； 2 咨询公司的分析报告； 3 行业交流网站或论坛的热门帖子； 4 业内企业的培训课件； 5 参加行业展会或者论坛； 6 从业者的私下交流。 隔行如隔山，要想成功创业，或在某一行有所建树，就得先“入行”，先了解了该行业才行。要了解一个行业，首先得了解该行业的产业政策、行业前景、市场饱和度、商业运作模式、利润水平、风险状况、准入门槛等，至于专业知识、行情信息及发展趋势等则应时刻关注、不断更新。 一般而言，要快速了解一个行业，可以采取以下一些途径： 1、从龙头企业入手，关注其网站、了解其动态、运作模式等； 2、从行业协会之类的组织入手，关注其网站及出版物； 3、参加行业展览会； 4、关注行业资讯类网站； 5、网络交易平台，如阿里巴巴、慧聪网这样的B2B网站的行业论坛 6、通过网络搜索引擎直接搜索想了解的信息； 7、看行业内的专业人士写的东西； 8、通过各种关系向熟悉该行业的人请教，或在一些职业交流的聊天室或QQ群里向人请教； 9、到书店翻阅该行业相关的专业书籍或行业分析报告； 10、最务实的做法是到处于该行业的企业去上班，带着学习的目的进行工作，虚心向周围的同事请教，自己则不断查阅资料、不断思考、不断总结。 我再总结下：要了解一个行业，就是要多听多问。最好的办法就是去这样的公司去上班。呵呵。首先你要具备这个行业的专业知识，要先熟悉这个行业是做什么，怎么做？你必须先成为这个行业的内行人！这样，你才可以以内行的身份与这个行业的人交流沟通，才可以了解和知道这个行业的发展状况和发展前景。否则你无法与内行人沟通，就算内行人告诉你，你也听不懂！
(完整版)常用数据分析方法论
常用数据分析方法论 ——摘自《谁说菜鸟不会数据分析》 数据分析方法论主要用来指导数据分析师进行一次完整的数据分析，它更多的是指数据分析思路，比如主要从哪几方面开展数据分析？各方面包含什么内容和指标？ 数据分析方法论主要有以下几个作用： ●理顺分析思路，确保数据分析结构体系化 ●把问题分解成相关联的部分，并显示它们之间的关系 ●为后续数据分析的开展指引方向 ●确保分析结果的有效性及正确性 常用的数据分析理论模型 用户使用行为STP理论 SWOT …… 5W2H 时间管理生命周期 逻辑树 金字塔SMART原则 …… PEST分析法 PEST分析理论主要用于行业分析 PEST分析法用于对宏观环境的分析。宏观环境又称一般环境，是指影响一切行业和企业的各种宏观力量。 对宏观环境因素作分析时，由于不同行业和企业有其自身特点和经营需要，分析的具体内容会有差异，但一般都应对政治、经济、技术、社会，这四大类影响企业的主要外部环境因素进行分析。
以下以中国互联网行业分析为例。此处仅为方法是用实力，并不代表互联网行业分析只需要作这几方面的分析，还可根据实际情况进一步调整和细化相关分析指标：
5W2H分析法 5W2H分析理论的用途广泛，可用于用户行为分析、业务问题专题分析等。 利用5W2H分析法列出对用户购买行为的分析：（这里的例子并不代表用户购买行为只有以下所示，要做到具体问题具体分析）
逻辑树分析法 逻辑树分析理论课用于业务问题专题分析 逻辑树又称问题树、演绎树或分解树等。逻辑树是分析问题最常使用的工具之一，它将问题的所有子问题分层罗列，从最高层开始，并逐步向下扩展。 把一个已知问题当成树干，然后开始考虑这个问题和哪些相关问题有关。 （缺点：逻辑树分析法涉及的相关问题可能有遗漏。）
案例研究分析方法介绍
案例研究分析方法介绍 1.案例研究的起源 案例研究最早于1870年由美国哈佛大学法学院提出,其目的是为了在法律文献急剧增长的情况下使学生更有效的学习法律的原理原则。此后,案例研究作为一种教学方式被普遍应用于法律、商业、医学及公共政策等领域中。案例研究的另一个来源是是医学、社会工作和心理学工作者的个人描述,通常被称作“个案记录”或者“个案历史”。作为研究方法的案例研究不同于作为教学方法的案例研究,作为教学性案例研究的材料是经过精心处理的,以便更有效的突出其有用之处,而在研究型案例研究中这种行为是绝不允许的;此外,教学性案例研究不须考虑研究过程的严谨性,也不考虑忠实的呈现实证数据,而研究性案例研究则有及其严格的要求。 2.案例研究的核心内涵 案例研究作为社会科学领域的主要研究方法之一,与调查法和实验法并列成为实证研究的重要方法。案例研究与其他类型的研究方法通常会结合使用,发展至今,已经形成了一套完整的研究体系。对于案例研究方法的定义,各学者都提出了自己的见解。Jennifer Platt对案例研究的定义为“一整套设计研究方案必须遵循的逻辑,是只有当所要研究的问题与其环境相适应时才会适用的方法,而不是什么环境下都要生搬硬套的教条。”Robert Yin则认为案例研究是一种经验主义的探究,它研究现实生活背景中的暂时现象;在这样一种研究情境中,现象本身与其背景之间的界限不明显,(研究者只能)大量运用事
例证据来展开研究。Robert Yin的定义得到了广大的学者的认同。虽然目前对于案例研究尚没有完全严格的定义,但总体来说,作为一 种研究思路的案例研究包含了各种方法,涵盖了设计逻辑、资料收集技术,以及具体的资料分析手段。就这一意义来说,案例研究既不是资料收集技术,又不仅限于设计研究方案本身,而是一种全面的、综合性的研究思路。 根据Robert Yin等学者的观点,案例研究方法适用于解决“怎么样”和“为什么”的问题。具体来说,案例研究具有以下几种用途:其最重要的用途是解释现实生活中的各种因素之间假定存在的联系,这与案例研究的前提密切相关,即案例的现象与背景存在着密切的联系,而这种联系的复杂程度又是实验或调查都无法解释的。用评估学的术语来说,就是解释某一方案的实施过程与方案实施效果之间的联系。第二个用途是描述某一刺激及其所处的现实生活场景。第三个用途是以描述的形式,列示某一评估活动中的一些主题。第四个用途是探索那些因果关系不够明显、因果联系复杂多变的现象。第五个用途是进行元评估,即对某一评估活动本身进行再评估。 3.案例研究的分类体系 案例研究作为一种研究方法,其过程中会涉及到多种研究维度,因此一个清晰的分类体系可以帮助研究者选择合适的研究方法。按研究目的分类探索性案例研究、描述性案例研究、解释性的案例研究。按分析单位分类整体性案例研究和嵌入性案例研究案例研究可以选择单案例研究,也可以选择多案例研究。两者都属于案例研究的变式,
历史事件的评价方法
分析历史问题的时候，就要采取正确的评价方法： （1）坚持正确的立场。人民的立场、进步的立场、爱国的立场、全球利益的立场等等，就是正确的立场。比如说希特勒的所作所为，完全是在拉历史的倒车，他违背了人性，企图从根本上抹煞人类文明。因此，希特勒是整个人类的公敌，为人不耻，遭人唾弃。 （2）坚持历史评价而非道德评价。这条原则涉及到的主要是人物的评价。对历史人物，应根据他们对历史发展、社会进步在客观上所起作用来进行评价，不能用道德来衡量一个历史人物。 （3）评价历史应坚持阶级分析方法。一般而言，历史人物生活在阶级社会，客观上都代表一定阶级的利益。因此，只有运用阶级分析方法，才能更深刻地揭示其活动的本质。运用阶级分析方法，首先，在分析历史人物的历史活动时，应给历史人物以阶级定位，注意确定阶级属性的标准不是观其出身而是观其言行代表哪个阶级的利益。如康有为出身于封建官僚家庭，自幼饱读四书五经，一生从未当过资本家，但其思想主张和行为却符合民族资产阶级上层的利益，因此他是民族资产阶级上层的代表人物。其次，对一定历史人物或社会集团，应该用其阶级属性来解释其言行。如太平天国之所以失败，从主观原因来讲，是由于农民阶级的局限性。另外，在运用阶级分析方法时，注意不要简单化、一刀切，如认为只要是地主阶级就一定反动、腐朽，只要是农民阶级就当然肯定。 （4）评价历史事物应坚持效果第一，动机第二。历史是复杂和矛盾的。在历史文明的进程中，主观上的善良愿望未必都能得到善的效果，恶的动机又常常成全了善的效果，以至以往文明处处交织着这种善与恶的二律背反。在评价历史时，应将效果与动机结合起来进行分析，不可偏废，同时应将对效果的评价放在首位，因为对历史起作用较大的是结果而不是动机，同时动机对效果的实现又有一定的关系，所以也要兼顾动机。 综上所述，同学们在学习的过程中，首先要学会学习；然后掌握一定的学习技巧，解决最基本的基础知识；最后要掌握一定的历史理论和分析解决问题的方法以达培养能力的目的。这样，成功一定会属于你。
16种常用数据分析方法
一、描述统计 描述性统计是指运用制表和分类，图形以及计筠概括性数据来描述数据的集中趋势、离散趋势、偏度、峰度。 1、缺失值填充：常用方法：剔除法、均值法、最小邻居法、比率回归法、决策树法。 2、正态性检验：很多统计方法都要求数值服从或近似服从正态分布，所以之前需要进行正态性检验。常用方法：非参数检验的K-量检验、P-P图、Q-Q图、W检验、动差法。 二、假设检验 1、参数检验 参数检验是在已知总体分布的条件下（一股要求总体服从正态分布）对一些主要的参数(如均值、百分数、方差、相关系数等）进行的检验。 1）U验使用条件：当样本含量n较大时，样本值符合正态分布 2）T检验使用条件：当样本含量n较小时，样本值符合正态分布 A 单样本t检验：推断该样本来自的总体均数μ与已知的某一总体均数μ0 (常为理论值或标准值)有无差别； B 配对样本t检验：当总体均数未知时，且两个样本可以配对，同对中的两者在可能会影响处理效果的各种条件方面扱为相似； C 两独立样本t检验：无法找到在各方面极为相似的两样本作配对比较时使用。
2、非参数检验 非参数检验则不考虑总体分布是否已知，常常也不是针对总体参数，而是针对总体的某些一股性假设（如总体分布的位罝是否相同，总体分布是否正态）进行检验。适用情况：顺序类型的数据资料，这类数据的分布形态一般是未知的。 A 虽然是连续数据，但总体分布形态未知或者非正态； B 体分布虽然正态，数据也是连续类型，但样本容量极小，如10以下； 主要方法包括：卡方检验、秩和检验、二项检验、游程检验、K-量检验等。 三、信度分析 检査测量的可信度，例如调查问卷的真实性。 分类： 1、外在信度：不同时间测量时量表的一致性程度，常用方法重测信度 2、内在信度；每个量表是否测量到单一的概念，同时组成两表的内在体项一致性如何，常用方法分半信度。 四、列联表分析 用于分析离散变量或定型变量之间是否存在相关。 对于二维表，可进行卡方检验，对于三维表，可作Mentel-Hanszel分层分析。列联表分析还包括配对计数资料的卡方检验、行列均为顺序变量的相关检验。
主要经济分析方法介绍
第五讲 主要经济分析方法介绍 赵德友 微观经济学研究如何使企业的利润最大化。宏观经济学主要研究如何实现四大调控目标即促进经济增长、增加就业、稳定物价、保持国际收支平衡。 一、经济总量、速度、结构分析 1．经济发展速度 （1）生产总值名义发展速度 %100?= 上年当年价生产总值 当年价生产总值 名义发展速度 名义发展速度不反映生产规模的物量发展，因此计算发展速度一律使用可比价格或不变价格。 （2）生产总值实际发展速度 生产总值平减指数 名义发展速度生产总值平减指数 上年现价生产总值现价生产总值 上年不变价生产总值不变价生产总值= ??=?% 100%100 %100?= 实际发展速度 名义发展速度 生产总值平减指数 生产总值平减指数又叫通货膨胀指数。 （3）各产业增加值的发展速度（略） （4）环比发展速度 设第t 年的生产总值为y t 设第t-1年的生产总值为Y t-1，则第t 年的环
比发展速度R t 为： %1001 ?=-y y R t t t （5）定基发展速度 设第k 年的生产总值为y k ,第k+t 年的生产总值为y k+t ，则第k+t 年对第k 年的定基发展速度S k+t ，k 为： %100,?= ++y y S k t k k t k 定基发展速度与环比发展速度的关系为： R R R S t k k k k t k ++++???=......21, 2．经济增长速度 增长速度等于增长量与基期水平之比。环比增长速度r t 为： %1001 1 ?-= --y y y r t t t t 第k+t 年对第k 年的定基增长速度s k+t ，k 为： %100,?- = ++y y y s k k t k k t k 环比经济增长速度r t =环比发展速度R t -100% 定基增长速度s k+t ，k =定基发展速度S k+t ，k -100% 3．平均发展速度和平均增长速度 第k+t 年对第k 年的平均发展速度g k+t ，k 为： t k t k t t k y y g ++=, 第k+t 年对第k 年的平均增长速度h k+t ，k 为：
行业研究的基本逻辑和方法
行业研究的基本逻辑和方法 企业在进行决策时，对行业与市场的充分了解能够为管理决策提供更为准确的依据，减少不必要的决策失误，那么如何展开行业研究呢？ 行业研究的基本逻辑 在日常生活大小事情的选择中，我们都会根据所搜集和掌握的信息做决定，我们对于事情判断的正确性很大程度上依赖于掌握信息的多少。这个道理对于企业决策来说同样有效，对行业与市场更为深入的情报研究能够为公司管理层在决策中提供更为全面和准确的依据。因此，进行充分且深入的行业研究十分重要。 在进行行业研究前，我们首先要明确进行行业研究的目的：是单纯地了解行业现状？还是挖掘商业模式？还是归纳龙头公司产品线布局？明确目的再进行研究能够使我们切入要点，切实地为公司/业务提供价值。 行业研究的基本流程 我们将行业研究分为四个流程阶段： 行业研究的基本流程是：资料搜集→结构化分析→内容呈现→盘点。 首先，为了确保行业研究的深入，第一环节的资料搜集和分析对于整体行业研究的深度至关重要。如果在第一环节搜集到的资料过少，后面结构化分析环节就会无从下手，进而导致整个行业研究流产。为此，我们会通过多维度进行资料的搜集，其中包括：一手信息/数据搜集，采用数据爬虫对前端网页中结构化数据的抓取、编写定量问卷对用户进行调研分析、组织对行业专家的访谈等； 二手信息/数据搜集，整理和分析第三方机构披露的数据，对所在行业/市场进行分析。由于二手信息/数据渠道过多，我们会在后面的章节详细陈述这些查找互联网行业信息的渠道。 其次，在有了基本的材料后，我们会对这些材料进行结构化分析。所谓结构化分析，指的是通过系统化和标准化的框架/模型，或采用结构化的逻辑思维对我们前面搜集到的信息进行分析，通过结构化分析最终能够帮助我们全面深刻地理解所研究的行业。