多因素模型的实证分析

因子分析模型的建立

基于因子分析模型的居民消费价格指数影响因素分析摘要：由于目前对居民消费价格变动原因的分析指标很多，且指标体系中各指标之间存在着多重共线性，从而影响了分析模型的稳定性，使所得模型中出现了不符合经济学原理的现象。本文采用多元统计分析方法，以2010年居民消费物价水平为例，建立了关于居民消费价格分类指数变动的因子分析模型，研究发现影响居民消费价格指数的主要因素为食品、衣着和家用设备等生活必需品的价格水平，其次为健身等娱乐设施价格和房价水平。关键词：消费价格指数；影响因素；因子分析一、研究背景随着社会主义市场经济体制的确立和逐步完善，我国经济总量和综合实力迅速上升，居民的生活水平显着提高，经济和社会都有了较大的发展。相对于过去而言，居民食品方面的消费支出比重在逐渐下降，而在文化娱乐等方面的消费支出比重越来越大。国家发改委在全国物价局长会议上指出，明年要围绕促进经济平稳较快发展这一主线，积极稳妥地推进价格改革，切实改进价格监管，保持价格总水平基本稳定。同时由于影响价格变动的因素日益复杂，价格异常波动的可能性增加。分析影响居民消费价格指数的主要影响因素，改进价格监管，保持价格总水平基本稳定有着重要意义；同时也为产业政策的制定和宏观经济的调控提供了参考。居民消费价格指数（CPI）是反映与居民生活有关的产品及劳务价格统计出来的物价变动指标，通常作为观察通货膨胀水平的重要指标，在一定程度上也反映出我国居民消费结构的变化。本文通过对2010年全国居民消费价格指数的变化进行因子分析，从而确定出影响全国居民消费物价水平和消费结构变化的主导因素。二、因子分析模型的建立因子分析最初是由英国心理学家C.Spearman提出的，是多元统计分析的一个重要分支，其主要目的是浓缩数据。通过对诸多变量的相关性研究，来表示原来变量的主要信息。假设有n个样本，对于多指标问题X=（X1，X2，...Xk），形成的背景原因是多种多样的，其中共同原因称为公共因子，假设用Fj表示，它们之间是两两正交的；每一个分量Xi又有其特定的原因，称为特殊因子，假设用ei表示，其两两之间互不相关，且只对相应的Xi起作用。同时，F与e相互独立。于是因子分析的数学模型可表示为： Fi叫做公共因子(也称主因子)，它们是在各个原观测变量的表达式中都共同出现的因子，是相互独立的不可观测的理论变量。

我国股市影响因素模型分析

我国股市影响因素模型分析摘要：2007年3月18日，央行继1993年以来第6次提高人民币利率，这次加息后，我国的股市不但没有下跌，反而一路上扬，似乎与理论相背。对此现象本文对股市的影响因素进行了分析，并在此基础上，做了影响股市的多因素模型。通过模型分析，本文认为要维持我国证券市场持续、稳定、健康地发展，一定要完善我国的外汇市场和资本市场，为证券市场提供一个良好的外部环境和内部环境。关键词：市场流动性过剩;人民币升值;加息我国资本市场有其特殊的运行机制，为使资本市场与国际接轨，我国已经采取了一系列改革措施。2005年开始的股权分置改革到目前为止已基本完成；同年7月，我国也已进行了人民币汇率制度改革，由以前的固定汇率制度到现在有管理的浮动汇率制度。再看我国股市的发展状况，从2006年以来，我国沉迷了多年的股市进入了一个大牛市，即使2007年3月18日的人民币利率的提高也没有影响到股市的上涨。以下笔者就想对我国的股市做一下研究分析。从理论上来说，利率上升时，股票价格下降；利率下降时，股票价格上升。利率是影响股票价格的重要因素。福建师范大学经济学院夏春光在《我国股市波动的利率效应》一文中，从实证研究角度，收集了上海综合股票指数从1991年4月到2002年2月的波动情况。最后他得出的结论是：从利率调整的短期股市效应看，股市对升息的反应更为敏感，同时降息的股市效应有逐渐增强的趋势；不同时期的利率调整，对股市的中长期波动影响存在极大的差异；调息前股指的运行态势，深刻影响着利率效应的发挥。一般而言，升息属利空因素，会促使股指下跌；降息属利多因素，可使股指上升。而从1993年5月以来的第六次加息，我国的股市不但没有下跌，反而一路上扬，在随后的交易日更是连续上涨。出于多方面原因所采取的加息政策，它对股市的影响并不像我们想的那样简单，第六次加息甚至与理论结果相反。这并不能说明理论不正确，而是股票市场受到多方面因素的影响，本文把这些因素归为以下几类。一、股市的影响因素（一）市场流动性过剩流动性过剩，简单地说，就是一个经济体中的货币（一般指广义货币，即现金加银行存款）存量超出了正常经济运行所需要的水平。从种种指标来看，中国的流动性过剩的确存在。从最常用的衡量流动性的指标M2（广义货币）与GDP

因子分析的基本概念和步骤

因子分析的基本概念和步骤一、因子分析的意义在研究实际问题时往往希望尽可能多地收集相关变量，以期望能对问题有比较全面、完整的把握和认识。例如，对高等学校科研状况的评价研究，可能会搜集诸如投入科研活动的人数、立项课题数、项目经费、经费支出、结项课题数、发表论文数、发表专著数、获得奖励数等多项指标；再例如，学生综合评价研究中，可能会搜集诸如基础课成绩、专业基础课成绩、专业课成绩、体育等各类课程的成绩以及累计获得各项奖学金的次数等。虽然收集这些数据需要投入许多精力，虽然它们能够较为全面精确地描述事物，但在实际数据建模时，这些变量未必能真正发挥预期的作用，“投入”和“产出”并非呈合理的正比，反而会给统计分析带来很多问题，可以表现在：计算量的问题由于收集的变量较多，如果这些变量都参与数据建模，无疑会增加分析过程中的计算工作量。虽然，现在的计算技术已得到了迅猛发展，但高维变量和海量数据仍是不容忽视的。变量间的相关性问题收集到的诸多变量之间通常都会存在或多或少的相关性。例如，高校科研状况评价中的立项课题数与项目经费、经费支出等之间会存在较高的相关性；学生综合评价研究中的专业基础课成绩与专业课成绩、获奖学金次数等之间也会存在较高的相关性。而变量之间信息的高度重叠和高度相关会给统计方法的应用带来许多障碍。例如，多元线性回归分析中，如果众多解释变量之间存在较强的相关性，即存在高度的多重共线性，那么会给回归方程的参数估计带来许多麻烦，致使回归方程参数不准确甚至模型不可用等。类似的问题还有很多。为了解决这些问题，最简单和最直接的解决方案是削减变量的个数，但这必然又会导致信息丢失和信息不完整等问题的产生。为此，人们希望探索一种更为有效的解决方法，它既能大大减少参与数据建模的变量个数，同时也不会造成信息的大量丢失。因子分析正式这样一种能够有效降低变量维数，并已得到广泛应用的分析方法。因子分析的概念起源于20世纪初Karl Pearson和Charles Spearmen等人关于智力测验的统计分析。目前，因子分析已成功应用于心理学、医学、气象、地址、经济学等领域，并因此促进了理论的不断丰富和完善。因子分析以最少的信息丢失为前提，将众多的原有变量综合成较少几个综合指标，名为因子。通常，因子有以下几个特点： ↓因子个数远远少于原有变量的个数原有变量综合成少数几个因子之后，因子将可以替代原有变量参与数据建模，这将大大减少分析过程中的计算工作量。 ↓因子能够反映原有变量的绝大部分信息因子并不是原有变量的简单取舍，而是原有变量重组后的结果，因此不会造成原有变量信息的大量丢失，并能够代表原有变量的绝大部分信息。 ↓因子之间的线性关系并不显著由原有变量重组出来的因子之间的线性关系较弱，因子参与数据建模能够有效地解决变量多重共线性等给分析应用带来的诸多问题。 ↓因子具有命名解释性通常，因子分析产生的因子能够通过各种方式最终获得命名解释性。因子的命名解

单因素方差分析

综合性课程设计题目: 某校学生成绩单因素方差分析学院：理学院班级：统计13-2班学生姓名：黄克韬胡远亮贺鹏杰学生学号： 27 23 24 指导教师：姚君 2016年 12月 1日

课程设计任务书

目录摘要.................................................... I 1 问题重述 (1) 2 模型假设 (3) 3 模型建立 (4) 3.1 单因素方差分析前提条件 (4) 3.2 单因素方差分析步骤 (5) 3.3 模型推导 (9) 4 模型求解 (12) 4.1 做出直方图 (12) 4.2 做假设检验 (15) 4.3 检验原假设 (17) 4.4 计算平方和 (19) 4.5 比较F值和临界值 (20) 5 模型检验 (20) 6 模型评价 (27) 7 结论与体会 (28) 8 参考文献 (29) 9 源程序 (30)

摘要方差分析用于多个样本均数差别的显著性检验。它的基本思想是通过分析研究不同来源的变异对总变异的贡献大小，从而确定可控因素对研究结果影响力的大小。本文研究学生成绩与课设等级之间的关系，其中可明确观测变量为学生成绩，控制变量为课设等级。由于仅研究单个因素（课设等级）对观测变量（学生成绩）的影响，因此称为单因素方差分析。本文利用了假设检验和方差分析来对学生成绩进行分析，首先对学生汇编成绩的分布进行假设，其次利用皮尔逊2 对所得的分步进行检验，结合spss数据处理软件求出想要得到的结果，最后用单因素的方差分析判断学生汇编课设等级对学生汇编成绩的影响，从而得出汇编成绩与学生人数之间呈正态分布，学生汇编课设等级对学生汇编成绩有着显著影响。关键词：假设检验；单因素方差分析；Spss、卡方检验

多因素模型

多因素模型在单指数模型中，我们假设每个股票对每个风险因素有相同的敏感度，实际上，每个股票相对于不同的宏观经济因素有不同的β值。 1. 双因素模型假设两个最重要的宏观经济风险来源是围绕经济周期周围的不确定性（GDP）和利率(IR)。任何股票的收益都与这两个宏观风险因素以及它们自己公司的特有风险相关。可以把单指数模型扩展成一个双因素模型，表示如下：例：有两个公司，一个是公用事业单位，另一个是航空公司。公用事业单位对GDP的敏感性较低，但是对利率的敏感度较高，当利率上升时，它的股票价格将下跌；航空公司的业绩对经济活动非常敏感，但对利率却不那么敏感。假设某一天，有一个新闻节目暗示经济将发生扩张，GDP的期望上升，利率也上升。那么对公用事业单位来说这是坏消息，因为它对利率极为敏感。而对于航空公司而言，由于它更关切GDP，所以这是个好消息。很明显，一个单因素或者单指数模型难以把握公司对不同的宏观经济不确定性信息的反应。 2. 多因素模型多因素模型的一个例子是陈（Chen）、罗尔（Roll）与罗斯（Ross）将下列因素作为描述宏观经济的变量建立的。设IP—行业生产的变动百分比； EI—预期通货膨胀的变动百分比； UI—非预期通货膨胀的变动百分比； CG—长期公司债券对长期政府债券的超额收益； GB—长期政府债券对短期国库券的超额收益。 3. Fama-French多因素模型法马（Fama）与弗伦奇（French）建立了如下的多因素模型。式中SMB—小减去大（small minus big）：小股票资产组合的收益超过大股票资产组合的收益；HML—高减去低(high minus low)：有高帐面价值-市值比的股票资产组合的收益超过有低帐面价值-市值比的股票收益。注意，在这个模型中，市场指数确实扮演着一个角色，并被期望能用它把握源于宏观经济因素的系统风险。

【精选方案】消费者行为影响因素的理论模型分析

内容摘要：有关消费者行为的研究正越来越受到学者的重视。本文试图通过对影响消费者行为因素的有关研究成果的分析，探明影响消费者行为的因素。从而对消费者行为的一般和本土化研究产生裨益。本文认为，消费者行为影响因素的研究正从单独研究消费者的理性行为，转向研究消费者的感性行为和消费者与环境的互动行为。关键词：消费者行为，影响因素，模型，解构与前瞻消费者行为影响因素的理论模型分析 (一)Del Hawkins理论模型 Del Hawkins理论模型强调了消费者行为是一个在一定情景下的决策过程：“认识问题—搜集信息—评价选择—店铺选择与购买—购后活动”。在这个过程中，消费者主要受外部因素和内部因素的影响。这两大类因素的作用机理表现为，通过影响消费者的自我概念和生活方式从而使消费者产生需要和欲望，进而发生与此相对应的决策行为。而这两类因素的影响效果大小则会受消费者行为的体验结果以及两类因素的互相作用的影响。 (二)Roger Blackwell理论模型 Blackwell构建两个理论模型，但是，这两个模型在内容及其作用上存在一定差异。第一个模型是一个简化了的消费者行为模型。该模型把消费者行为描述成获取、消费和处置三个连贯的阶段所组成的过程，而且还对这三个阶段的决策问题具体化。在这个过程里，影响消费者行为的因素也是两大类，但与Del Hawkins 观点不同的是，Roger Blackwell把外部因素和内部因素统一归类为“消费者影响”因素，而把外部因素中的营销影响因素特别加以强调，命其为“组织影响”因素。“组织影响”因素与“消费者影响”因素共同组成影响消费者行为的两大类因素。第二个模型是对第一个模型的具体化。这个模型把消费者行为的获取、消费和处置过程进一步扩展为包含七个阶段的消费者决策过程。把原来的“组织影响”因素浓缩成一个产生效果的“激励”因素，把原来的“消费者影响”因素细分为“环境影响”因素、“个人差异”因素和“心理过程”因素。 (三)Frank Kardes理论模型 Frank Kardes的理论模型比较简单。他把消费者行为理解成情感反应、认知反应和行为反应过程。这些反应是由相关变量引起的，这些变量有个人变量、环境变量、人与环境互动变量等。 (四)John Mowen 理论模型

数学建模各种分析报告方法

现代统计学 1.因子分析(Factor Analysis) 因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子（之所以称其为因子，是因为它是不可观测的，即不是具体的变量），以较少的几个因子反映原资料的大部分信息。运用这种研究技术，我们可以方便地找出影响消费者购买、消费以及满意度的主要因素是哪些，以及它们的影响力（权重）运用这种研究技术，我们还可以为市场细分做前期分析。 2.主成分分析主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。主成分分析一般很少单独使用：a，了解数据。(screening the data),b,和cluster analysis一起使用，c，和判别分析一起使用，比如当变量很多，个案数不多，直接使用判别分析可能无解，这时候可以使用主成份发对变量简化。（reduce dimensionality）d,在多元回归中，主成分分析可以帮助判断是否存在共线性（条件指数），还可以用来处理共线性。主成分分析和因子分析的区别 1、因子分析中是把变量表示成各因子的线性组合，而主成分分析中则是把主成分表示成个变量的线性组合。 2、主成分分析的重点在于解释个变量的总方差，而因子分析则把重点放在解释各变量之间的协方差。 3、主成分分析中不需要有假设(assumptions),因子分析则需要一些假设。因子分析的假设包括：各个共同因子之间不相关，特殊因子（specific factor）之间也不相关，共同因子和特殊因子之间也不相关。 4、主成分分析中，当给定的协方差矩阵或者相关矩阵的特征值是唯一的时候，的主成分一般是独特的；而因子分析中因子不是独特的，可以旋转得到不同的因子。 5、在因子分析中，因子个数需要分析者指定（spss根据一定的条件自动设定，只要是特征值大于1的因子进入分析），而指定的因子数量不同而结果不同。在主成分分析中，成分的数量是一定的，一般有几个变量就有几个主成分。和主成分分析相比，由于因子分析可以使用旋转技术帮助解释因子，在解释方面更加有优势。大致说来，当需要寻找潜在的因子，并对这些因子进行解释的时候，更加倾向于使用因子分析，并且借助旋转技术帮助更好解释。而如果想把现有的变量变成少数几个新的变量（新的变量几乎带有原来所有变量的信息）来进入后续的分析，则可以使用主成分分析。当然，这中情况也可以使用因子得分做到。所以这中区分不是绝对的。总得来说，主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。主成分分析一般很少单独使用：a，了解数据。(screening the data),b,

基于影响因素主成分分析的航材消耗预测模型

兵工自动化 2016-08 Ordnance Industry Automation 35(8) ·50· doi: 10.7690/bgzdh.2016.08.012 基于影响因素主成分分析的航材消耗预测模型张梁1，崔崇立2，贲徐伟3，辛昱1，曹亮4 (1. 空军勤务学院学员一大队二队，江苏徐州 221000；2. 空军勤务学院航材管理系，江苏徐州 221000； 3. 中国人民解放军94906部队，江苏苏州 215157； 4. 中国人民解放军94783部队，浙江湖州 313111) 摘要：为了确定航材消耗预测各影响因素的影响程度，提高航材消耗规律分析及其预测的准确性，提出一种基于影响因素主成分分析与广义线性回归的航材消耗预测模型。对航材消耗影响因素进行定性、定量分析，通过主成分分析筛选变量，对影响因素数据进行降维，得到最佳的影响因子集合；然后通过广义线性回归构建航材消耗方程，并验证其拟合优度，最后进行消耗预测。分析结果表明：该模型降低了影响因子相关性，减小了回归分析难度，提升了回归分析的精度，提升了航材消耗预测模型的准确度。关键词：航材消耗；主成分分析；广义线性回归中图分类号：TP391.92 文献标志码：A Prediction Model of the Aviation Materials Consumption Based on PCA of Influencing Factors Zhang Liang1, Cui Chongli2, Ben Xuwei3, Xin Yu1, Cao Liang4 (1. No. 2 Team, No. 1 Cadet Brigade, Air Force Logistics College, Xuzhou 221000, China; 2. Department of Air Material Management, Air Force Logistics College, Xuzhou 221000, China; 3. No. 94906 Unit of PLA, Suzhou 215157, China; 4. No.94783 Unit of PLA, Huzhou 313111, China) Abstract: To define the multi-factor affecting degree of consuming prediction of aviation materials and improve the accuracy of consumption analysis and prediction, we proposed a method for predicting the consumption of aviation materials based on principal component analysis (PCA) of influencing factors and generalized liner regression. Firstly, quantitatively and qualitatively analysis the influence factors of aviation materials consumption. Then, screen out the main factors by PCA and make it dimensionality reduction to get the best collection of variables. Finally, use the generalized linear regression to build the air material consumption equation, and verify its goodness-of-fit, and finally make consumption forecast. The results show that the model reduces the impact factor correlation, and the difficulty of regression analysis, and improves the precision of regression analysis, and the accuracy of the prediction model of aviation material consumption. Keywords: consuming of aviation materials; PCA; generalized liner regression 0 引言航空器材的消耗预测是空军航材保障工作中的重要环节。该项工作直接影响空军航空兵部队作战训练任务的完成和保障工作的军事、经济效益[1-2]。进行航材消耗预测的关键在于准确掌握航材历史消耗信息和恰当选择分析方法，以确定影响因素的影响程度，从而为航材保障实践活动提供指导。基于此，笔者提出一种基于影响因素主成分分析与广义线性回归的航材消耗预测模型，采用定性、定量分析的方法，分析环境条件和保障任务等诸多航材消耗影响因素，通过主成分分析确定影响主因子，减小影响因素相关性对航材消耗规律线性回归分析的影响，从而减小广义线性回归建模的工作量，提高航材消耗规律分析的准确性。1 模型介绍 1.1 主成分分析在多数实际问题中，数据的不同指标(属)之间有一定的相关性。主成分分析是利用降维的思想，将多个变量转化为少数几个综合变量(即主成分)，其中每个主成分都是原始变量的线性组合，各主成分之间互不相关，使这些主成分能够反映原始变量的绝大部分信息，且所含的信息互不重叠[3]。计算步骤如下： 1) 变量标准化。协方差矩阵的计算根据自变量不同分为2种情况：当各变量的度量单位相同且数值差异不大时，可直接计算变量的协方差矩阵；反之，则需要将原 1 收稿日期：2016-04-15；修回日期：2016-05-12 作者简介：张梁(1992—)，男，四川人，在读硕士，从事航材保障决策与信息技术研究。

多因素方差分析

多因素方差分析多因素方差分析是对一个独立变量是否受一个或多个因素或变量影响而进行的方差分析。SPSS调用“Univariate”过程，检验不同之间因变量均数，由于受不同因素影响是否有差异的问题。在这个过程中可以分析每一个因素的作用，也可以分析因素之间的交互作分析协方差，以及各因素变量与协变量之间的交互作用。该过程要求因变量是从多元正态总体随机采样得来，且总体中各单元的方差可以通过方差齐次性检验选择均值比较结果。因变量和协变量必须是数值型变量，协变量与因变量不彼此独立。因素变量是分类变量数值型也可以是长度不超过8的字符型变量。固定因素变量(Fixed Factor)是反应处理的因素;随机因素是随机地从总体中抽取的因 [例子] 研究不同温度与不同湿度对粘虫发育历期的影响，得试验数据如表5-7。分析不同温度和湿度对粘虫发育历期的影响是否存在着显著表5-7 不同温度与不同湿度粘虫发育历期表数据保存在“DATA5-2.SAV”文件中，变量格式如图5-1。

1）准备分析数据在数据编辑窗口中输入数据。建立因变量历期“历期”变量，因素变量温度“A”，湿度为“B”变量，重复变量“重复”。然后输数值，如图5-6所示。或者打开已存在的数据文件“DATA5-2.SAV”。图5-6 数据输入格式 2）启动分析过程点击主菜单“Analyze”项，在下拉菜单中点击“General Linear Model”项，在右拉式菜单中点击“Univariate”项，系统打开单因素方差分析设置窗口如图5-7。

图5-7 多因素方差分析窗口 3）设置分析变量设置因变量:在左边变量列表中选“历期”，用向右拉按钮选入到“Dependent Variable：”框中。设置因素变量:在左边变量列表中选“a”和“b”变量，用向右拉按钮移到“Fixed Factor(s):”框中。可以选择多个因素变量存容量的限制，选择的因素水平组合数(单元数)应该尽量少。设置随机因素变量:在左边变量列表中选“重复”变量，用向右拉按钮移到“到Random Factor(s)”框中。可以选择多个随机变量设置协变量：如果需要去除某个变量对因素变量的影响，可将这个变量移到“Covariate(s)”框中。设置权重变量：如果需要分析权重变量的影响，将权重变量移到“WLS Weight”框中。 4）选择分析模型在主对话框中单击“Model”按钮，打开“Univariate Model”对话框。见图5-8。图5-8 “Univariate Model” 定义分析模型对话框

spss中的单因素方差分析

SPSS中的单因素方差分析一、基本原理单因素方差分析也即一维方差分析，是检验由单一因素影响的多组样本某因变量的均值是否有显著差异的问题，如各组之间有显著差异，说明这个因素（分类变量）对因变量是有显著影响的，因素的不同水平会影响到因变量的取值。二、实验工具 SPSS for Windows 三、试验方法例：某灯泡厂用四种不同配料方案制成的灯丝（filament），生产了四批灯泡。在每批灯泡中随机地抽取若干个灯泡测其使用寿命（单位：小时hours），数据列于下表，现在想知道，对于这四种灯丝生产的灯泡，其使用寿命有无显著差异。灯泡灯丝 1 2 3 4 5 6 7 8 甲 1600 1610 1650 1680 1700 1700 1780 乙1500 1640 1400 1700 1750 丙 1640 1550 1600 1620 1640 1600 1740 1800 丁1510 1520 1530 1570 1640 1680 四、不使用选择项操作步骤（1）在数据窗建立数据文件，定义两个变量并输入数据，这两个变量是： filament 变量，数值型，取值1、2、3、4 分别代表甲、乙、丙、丁，格式为F1.0，标签为“灯丝”。 Hours 变量，数值型，其值为灯泡的使用寿命，单位是小时，格式为F4.0，标签为“灯泡使用寿命”。（2）按Analyze，然后Compared Means，然后One-Way Anova 的顺序单击，打开“单因素方差分析”主对话框。（3）从左边源变量框中选取变量hours，然后按向右箭头，所选去的变量hours 即进入Dependent List 框中。（4）从左边源变量框中选取变量filament，然后按向右箭头，所选取的变量folament 即进入Factor 框中。（5）在主对话框中，单击“OK”提交进行。五、输出结果及分析灯泡使用寿命的单因素方差分析结果 ANQVA Sun of Squares df Mean Square F Sig Between Groups 39776.46 3 13258.819 1.638 .209 Within Groups 178088.9 22 8094.951 Total 217865.4 25 该表各部分说明如下：第一列：方差来源，Between Groups 是组间变差，Within Groups 是组内变差，Total 是总变差。第二列：离差平方和，组间离差平方和为39776.46，组内离差平方和为178088.9，总离差平方和为217865.4，是组间离差平方和与组内离差平方和相加而得。第三列：自由度，组间自由度为3，组内自由度为22，总自由度为25，是组间自由度和组内自由度之和。第四列：均方，即平方和除以自由度，组间均方是 13258.819，组内均方是8094.951. 第五列：F 值，这是F 统计量的值，其计算公式为模型均方除以误差均方，用来检验模型的显著性，如果不显著说明模型对指标的变化没有解释能力，F 值为1.683. 第六列：显著值，是F 统计量的p 值，这里为0.209. 由于显著值0.209 大于0.05，所以在置信水平0.95 下不能否定零假设，也就是说四种灯丝生产的灯泡，其平均使用寿命美誉显著差异。六、使用选择项操作步骤七、输出结果及分析描述性统计量表方差一致性检验 Sig 大于0.05，说明各组的方差在0.05 的显著水平上没有显著性差异，即方差具有一致性。

婚姻质量及其影响因素的分析模型

婚姻质量及其影响因素的分析模型一、引言婚姻质量作为生活质量的一个重要方面已越来越受到重视。影响婚姻质量的因素很多，也很复杂。社会学家和心理学家为此构建了许多不同的模型。20世纪60年代到90年代，欧美国家离婚率迅速上升，他们对家庭生命周期、婚龄、子女及子女的数量、女性的就业、社会角色和家务分工、个性特征、宗教等因素的研究构建了大量的控制分析模型：就家庭生命周期来看，大量的研究表明婚姻满意度在婚后的几十年里呈U形曲线状态；Glenn and Melanahan 利用美国6次全国抽样调查资料分析表明，在控制其他变量影响下，确实在养育孩子的那段时间里夫妻的婚姻幸福感下降了。为了全面了解婚姻质量的影响因素，刘易斯构建了婚姻质量的综合解释模型即“三段论”婚姻质量解释模型。但遗憾的是和其他模型一样，实证研究并未揭示这些变量对婚姻产生怎样的影响。20世纪末，卢淑华和文道锋对北京市4个城区的498份有关家庭婚姻资料中的婚姻质量和相应的7个显变量和3个潜变量进行了多元分析，建立了结构模型，复相关系数说明能解释方程的39.65％，但由三个项目组成的因变量婚姻质量并未标准化。徐安琪和叶文振对全国4个城市和地区的家庭婚姻调查资料进行分析，把婚姻稳定性作为因变量，把个人社会阶层等15个变量作为自变量进行多因素路径分析，回归系数为0.35。以上这些研究为我们大致勾画了婚姻质量及其影响因素关系的轮廓，但一方面未使用标准化的测评工具，无法进行重复研究，另一方面所构建的模型的拟合度还不太理想。本文将影响婚姻质量的个人资源条件归纳为3个层次(生理、心理和社会)共12个变量，并以此为依据进行婚姻质量及其影响因素的分析模型研究。二、研究对象与方法按照我国行政区的划分和城乡比例分层取样，我们选取了全国28个省、自治区和直辖市的3000对夫妻进行评定，经人工和计算机的资料整理，收回有效问卷2732套，有效率为91.10％。研究工具包括两部分：(1)婚姻主观感受量表(MPS)。该量表包括总分和3个因子分(3个因子指夫妻互动、家庭关系和夫妻冲突)。常模样本来自全国28个省的3350对夫妻，常模均数为64.93±17.12。(2)自编问卷。首先确定了影响婚姻质量的三个层次(生理、心理和社会)共12个变量，然后将12个变量分解为104个题目，形成最终的问卷。

数学建模之因子分析法

因子分析因子分析就是一种降维、简化数据的技术。它通过研究众多变量之间的部依赖关系，探求观测数据中的基本结构，并用少数几个“抽象”的变量来表示其基本的数据结构。这几个抽象的变量被称作“因子”，能反映原来众多变量的主要信息。原始的变量是可观测的显在变量，而因子一般是不可观测的潜在变量。 1.因子分析法的应用 ①汽车行业业绩评价研究（下载文档）， ②上市公司盈利能力及资本结构实证分析， ③生育率影响因素分析。 2.步骤 ①对原始数据进行标准化处理用12,, ,m x x x 表示因子分析指标的m 个变量，评价对象有n 个，ij a 表示第i 个评价对象对应于第j 个指标的取值。将每个指标值ij a 转化为标准化指标ij a ，即 ,(1,2, ,;1,2, ,)ij j ij j a a i n j m s μ-= == 式中：11n j ij i a n μ==∑，21 1()1n j ij j i s a n μ==--∑ 相应地，标准化指标变量为 ,(1,2, ,)j j j j x x j m s μ-= = ②计算相关系数矩阵R ()ij m m R r ?= 1 ,(,1,2, ,)1 n ki kj k ij a a r i j m n =?= =-∑ 式中：1,ii ij ji r r r ==，ij r 是第i 个指标和第j 指标之间的相关系数。

③计算初等载荷矩阵解特征方程0=-R I λ，得到特征值(1,2,,)i i m λ=12,0m λλλ≥≥≥≥，再求出相对应的特征值i λ的特征向量(1,2,,)i u i m =，其中12(,,,)T j j j mj u u u u =, 得到初等载荷矩阵为 11, ,m m u λ?Λ=? ④ 确定主因子的个数()k k m ≤ 一般选取使得累计贡献率11 85%k m i i i i λλ ==≥∑∑的这k 个主因子，对k 个因子载荷矩阵作旋转，用() 1k Λ表示1Λ的前k 列，T 表示正交矩阵，则得矩阵()21k T Λ=Λ，建立因子模型，即 1111111, . k k m m mk k x F F x F F αααα=++?? ??=++? ⑥计算因子得分，作出综合评价求出单个因子的得分函数?j F ，用?ij F 表示第i 个样本对第j 个因子的得分估计值，Y 表示原始数据标准化后的矩阵，则总得分为 1??()ij n k k F F YR -?== Λ 例题我国上市公司赢利能力与资本结构的实证分析已知上市公司的数据见表1 表1 上市公司数据

One-Way-ANOVA过程--单因素方差分析

SPSS--One-Way ANOVA过程--单因素方差分析 One-Way ANOVA过程该命令用于两组及多组独立样本平均数差异显著性的比较，即成组设计的方差分析。还可进行随后的两两成对比较。 1 界面说明【Dependent List框】选入需要分析的变量，可选入多个结果变量（因变量）。【Factor框】选入需要比较的分组因素，只能选一个。【Contrast钮】弹出Contrast对话框，用于对精细趋势检验和精确两两比较的选项进行定义，该对话框比较专业，也较少用，这里做简单介绍。?Polynomial复选框定义是否在方差分析中进行趋势检验。?Degree下拉列表和Polynomial复选框配合使用，可选则从线性趋势一直到最高五次方曲线来进行检验。 ?Coefficients框定义精确两两比较的选项。按分组变量升序给每组一个系数值，注意最终所有系数值相加应为0。如果不为0仍可检验，只不过结果是错的。比如说在下面的例2要对一、三组进行单独比较，则在这里给三组分配系数为1、0、-1，就会在结果中给出相应的检验内容。

【Post Hoc按钮】弹出Post Hoc Multiple Comparisons对话框，用于选择进行各组间两两比较的方法： ?EquaL Variances Assumed复选框：当各组数据方差齐性时的两两比较方法，共14种。其中最常用的为LSD和S-N-K法。?EquaL Variances Not Assumed复选框:当各组方差不齐性时的两两比较方法，共4种，其中以Dunnetts's C法较常用。?Significance Level框定义两两比较时的显著性水平，默认为0.05。【Options按钮】弹出Options对话框，用于定义相关的选项： ?Statistics复选框：选择一些附加的统计分析项目，有统计描述（Descriptive）和方差齐性检验（Homogeneity-of-variance）。 ?Means plot复选框：用各组均数做图，直观了解它们的差异。 ?Missing Values单选框组：定义分析中对缺失值的处理方法，可以是具体分析时用到的变量有缺失值才去除该记录（Excludes cases analysis by analysis），或只要相关变

多因子定价模型检验,波动和投资组合Tests of Multi-Factor Pricing Models, Volatility, and Portfolio Pe

NBER WORKING PAPER SERIES TESTS OF MUTLIFACTOR PRICIN G MODELS, VOLATILITY BOUNDS AND PORTFOLIO PERFORMANCE Wayne E. Ferson Working Paper9441 https://www.360docs.net/doc/f215968368.html,/papers/w9441 NATIONAL BUREAU OF ECONOMIC RESEARCH 1050 Massachusetts Avenue Cambridge, MA 02138 January 2003 The author acknowledges financial support from the Collins Chair in Finance at Boston College and the Pigott-PACCAR professorship at the University of Washington. He is also grateful to George Constantinides and Ludan Liu for helpful comments and suggestions. The views expressed herein are those of the authors and not necessarily those of the National Bureau of Economic Research. ?2003 by Wayne E. Ferson. All rights reserved. Short sections of text not to exceed two paragraphs, may be quoted without explicit permission provided that full credit including . notice, is given to the source.

基于因子分析的创意产业区影响因素模型研究

基于因子分析的创意产业区影响因素模型研究 ———以杭州四大创意产业区为例蒋　雁吴克烈 (浙江理工大学　310018) 内容摘要:本文在对国内外相关文献研究的基础上,结合创意产业区本身的特征,通过对杭州四大创意产业区的实地调研,探索性地提出了杭州创意产业区形成与发展的影响因素,包括创意本身的特征、创新环境、网络环境和政府支持等四个维度。通过实证研究验证并构建了创意产业区形成与发展的影响因素模型,最后给出了提升杭州创意产业区发展的政策建议。关键词:创意产业区　影响因素　因子分析中图分类号:F124.3 文献标识码:A 文章编号:1005-1309(2009)01-0065-008 在《杭州市大文化产业发展规划(2005年～2010年)》中,提出“创意产业”要成为“杭州文化的支柱产业”,到2007年末,杭州创意产业产值已达4.35亿元,成为国内重要的文化创意基地之一。自2003年LOFT49唱响全国后,先后出现了杭州数字娱乐产业园、唐尚433、A8艺术公社、开元198和浙江省文化创意产业实验区等创意产业集聚区。杭州的创意产业园区发展地如火如荼,创意产业区形成与发展的影响因素成为了近年来经济界关注的热点之一。本文的目的是通过构建创意产业区形成与发展的影响因素模型,探寻创意产业区形成与发展的主要影响因素,从而为促进杭州创意产业区的发展提供政策建议。一、创意产业区的影响因素指标体系创意产业区的形成需要多种条件的积累,国内外学者对于创意产业区发展的影响因素研究有比较丰富的理论成果。人力资源要素是创意产业区发展的根本动力。厉无畏(2006)认为,所谓“创意人才”,就是“掌握有较高水平的知识,具有很强的创新能力,能够运用自己的创作技能和手段把特有的表达内容和信息转换、复制、浓缩到新的创意产品或服务中去,并且能够推动该产品或服务的生产、流通和经营的人才集合体”。Fl orida(2002)认为一个能够通过创意产业来促进经济持续发展的地区需要同时具备三个条件技术,人才和宽容,即3T原则。他认为,人是区域增长的引擎,城市正是具有吸引创意人群的功能而刺激经济增长。另外,柔性劳动力市场在创意产业区发展中有其特殊重要性,主要表现在二个方面:第一,在柔性劳动力市场中各种劳动力可以方便地获得;第二,组织的柔性化, Fl orida(2002)把这种“创意人才不断更新”称为“即插即用”型工作方式。张京成(2006)则从文化的角度出发,认为文化发展程度上的差别是造成不同地区创意产业发展水平产生差距的重要原因, 收稿日期:2008-10-25

人力资源管理五因素分析模型

人力资源管理五因素分析模型 2007-9-23来源：中国人力资源开发网作者：陈谏在当今企业管理学界研究得最多的领域就是人力资源管理，其实中国从来不缺乏对人管理的先进思想和智慧，古往今来，在历史的长河中涌现了不计其数育才、求才、用才的经典故事，只不过这些故事的经典之处，并非在商业；目前竞争激烈的商业环境中，产品和营销策略被普遍认为是是企业的主要价值，近几年我们通过对人力资源管理的深入研究发现，不容易为竞争者模仿、复制的"人才"和"企业文化"，才是独一无二的价值所在。企业的成功，取决于一个具竞争力的优势上，即企业员工的表现。换言之，优秀的专业人才是带领企业创造绩效与价值的关键。企业如何找到适合企业文化、又有能力协助企业成长的人才，是我们人力资源管理工作者最核心的工作之一。人力资源部门必须通盘了解企业未来几年的目标及营运方向，协助企业配合策略规划，订定出切合时宜的人力资源管理模式。要寻找人力资源管理模式，我们必须先研究人力资源管理的对象，其实，人力资源管理的对象不仅仅是"人"，还包括"岗位"、"团队"、"职务簇"、和"关联".对于人的研究，我们大体上会注重于人的素质、人的能力、人的知识、人的业绩、人的价值、人的报酬、人的成本、人的投资等方面，这些信息都是依附在"人"这个活动的载体上，不管是"自然人理论"还是"科学人理论"，或者是"职业人理论"，都离不开对这些要素的分析与研究。岗位的定义是大家最熟悉的，让我们忽视的是构成岗位的要素：岗位的目标、岗位的资源、岗位的重要性、岗位的胜任力模型、岗位的发展属性等。职务簇是具备同样属性要素、但存在量差的岗位集合，同一个职务簇中不同的岗位，存在等级、重要性、目标等的差异。处于相同职务簇的群体，我们会用同样的管理方式去管理，如培训、考核、资源调配、薪酬设计等等。团队是相对分散的人的集合，有非常多的组合规则，这些规则来源于"人"和"岗位"的属性，

单因素方差分析方法

spss教程：单因素方差分析 ? ?| ?1 ?2 ?3 ?4 ?5 ?6 ?7 分步阅读用来测试某一个控制变量的不同水平是否给观察变量造成显著差异和变动。方差分析前提：不同水平下，各总体均值服从方差相同的正态分布。所以方差分析就是研究不同水平下各个总体的均值是否有显著的差异。统计推断方法是计算F统计量，进行F检验，总的变异平方和SST，控制变量引起的离差SSA

（Between Group离差平方和），另一部分随机变量引起的SSE（组内Within Group离差平方和），SST=SSA+SSE。方法/步骤 1.计算检验统计量的观察值和概率P_值：Spss自动计算F统计值，如果相伴概率P小于显著性水平a，拒绝零假设，认为控制变量不同水平下各总体均值有显著差异，反之，则相反，即没有差异。 2.方差齐性检验：控制变量不同水平下各观察变量总体方差是否相等进行分析。采用方差同质性检验方法（Homogeneity of variance），原假设“各水平下观察变量总体的方差无显著差异，思路同spss两独立样本t检验中的方差分析”。图中相伴概率0.515大于显著性水平0.05，故认为总体方差相等。

趋势检验：趋势检验可以分析随着控制变量水平的变化，观测变量值变化的总体趋势是怎样的，线性变化，二次、三次等多项式。趋势检验可以帮助人们从另一个角度把握控制变量不同水平对观察变量总体作用的程度。图中线性相伴概率为0小于显著性水平0.05，故不符合线性关系。

3.多重比较检验：单因素方差分析只能够判断控制变量是否对观察变量产生了显著影响，多重比较检验可以进一步确定控制变量的不同水平对观察变量的影响程度如何，那个水平显著，哪个不显著。常用LSD、S-N-K方法。LSD方法检测灵敏度是最高的，但也容易导致第一类错误（弃真）增大，观察图中结果，在LSD项中，报纸与广播没有显著差异，但在别的方法中，广告只与宣传有显著差异。