关于我国小康指数的spass数据分析
SPSS国家经济发展水平区域划分分析方法
SPSS分析方法在国家经济发展水平区域划分中的应用10数计系《2》班：陈东东学号：1006111002摘要：本文运用数理统计方法对中国经济发展水平进行评价和区域划分。
首先采用各项统计指标建立指标体系，运用SPSS软件进行聚类分析，对我国的27个省和直辖市进行研究，分析各自的经济发展特点。
根据已有信息，利用判别分析的方法来建立判别函数，并对选择的对象进行回报判别，用回报率说明了方法的合理性；再对我国的另外4个省和直辖市进行判别归类，宏观分析验证通过Fisher判别建立的线性判别函数的正确性。
《1》问题概述：随着中国经济的发展和社会的进步，人民的生活水平日益提高，城镇居民的生活水平更是上了一个大台阶．由于改革开放以来，城镇的投资的加大和企业的增加，近年来各地城镇家庭收入逐年递增。
城镇家庭的收入增加，必然会导致家庭消费支出总额的增加和家庭消费支出结构的变化。
从最近几年的统计数据可以看出：城镇地区对吃穿等基本生活资料的消费呈下降趋势，而对于文化教育及医疗保健的支出消费逐年递增。
从城镇家庭收支的变化情况可以看出整个国家的经济增长状况，以小见大，为决策提供一定的依据。
聚类和判别都是分类学的基本方法，而分类学是人类认识世界的基础学科。
平时我们对事物的认识都需要对其进行分类。
为了研究现阶段的全国经济发展各时间段的差异，我们需要对时期的经济指标进行分类，以便更好的做出下一步的经济策略。
聚类分析是直接比较各事物之间的性质，将性质相近的归为一类，将性质差别较大的归入不同的类。
判别分析则先根据已知的类别的事物的性质，利用某种技术建立函数式，然后对未知类型的新事物进行判断，将其归为已知的类别中。
聚类分析事先并不知道对象的类别的面貌，甚至连共有几个类别也不确定。
判别分析事先知道已知的对象的类别和类别数。
本文以2010年国家统计年鉴上公布的全国各地区城镇居民家庭平均每人全年消费性支出(2009年)作为数据源，将聚类分析和判别分析的原理运用到各个时期经济发展水平分类的研究上，对此问题进行统计分析。
SPSS统计分析案例(我国城镇居民消费结构及趋势的统计分析).doc
SPSS统计分析案例专业：经济学姓名：000 学号：00000000一、我国城镇居民现状近年来,我国宏观经济形势发生了重大变化,经济发展速度加快,居民收入稳定增加,在国家连续出台住房、教育、医疗等各项改革措施和实施“刺激消费、扩大内需、拉动经济增长”经济政策的影响下,全国居民的消费支出也强劲增长,消费结构发生了显著变化,消费结构不合理现象得到了一定程度的改善。
本文通过相关数据分析总结出了我国城镇居民消费呈现富裕型、娱乐教育文化服务类消费攀升的趋势特点。
二、我国居民消费结构的横向分析第一,食品消费支出比重随收入增加呈现出明显的下降趋势,这与恩格尔定律的表述一致。
但最低收入户与最高收入恩格尔系数相差太过悬殊,城镇最低收入户刚刚解决了温饱问题,而最高收入户的生活水平按照恩格尔系数的评价标准早已达到了富裕型,甚至接近最富裕型。
第二,衣着消费支出比重随收入增加缓慢上升,到高收入户又有所下降,但各收入组支出比重相差不大。
衣着支出比重没有更多的递增且最高收入户的支出比重有所下降,这些都符合恩格尔定律关于衣着消费的引申。
随着收入的增加,衣着支出比重呈现先上升后下降的走势。
事实上,在当前的价格水平和服装业的发展水平下,城镇居民的穿着是有一定限度的,而且居民对衣着的需求也不是无限膨胀的,即使收入水平继续提高,也不需要将更大的比例用于购买服饰用品了。
第三,家庭设备用品及服务、交通通讯、娱乐教育文化服务和杂项商品与服务的支出比重呈逐组上升趋势,说明居民的生活水平随收入的增加而不断提高和改善。
第四,医疗保健支出比重随收入水平提高呈现一种两端高、中间低的走势。
这是因为医疗保健支出作为生活必须支出,不论居民生活水平高低,都要将一定比例的收入用于维持自身健康,而且由于医疗制度改革,加重了个人负担的同时,也减小了旧制度可能造成的不同行业、不同体制下居民医疗保健支出的差别,因而不同收入等级的居民在医疗保健支出比重上差别不大。
第五,居住支出比重基本上呈先上升后下降的趋势,这与我国居民消费能级不断提升,住宅商品正在越来越成为城镇居民关注的热点是相吻合的,同时与恩格尔定律的引申也是一致的。
SPSS对于居民收入水平的数据分析
SPSS对于居民收入水平的数据分析随着时代的发展，生产力水平的不断提高，我国居民的收入水平也在稳步提高，通过对30个省市自治区居民收入的各项指标进行因子分析，聚类分析等，得到各省之间的收入对比，以及找出哪些指标可以比较充分的说明它的整体情况。
我们共选择了12个指标：X1劳动者报酬、X2家庭营业收入、X3转移性收入、X4财产性收入、X5食品支出、X6衣着支出、X7居住支出、X8家庭设备及服务支出、X9医疗保健支出、X10交通和通讯支出、X11文教娱乐用品和服务支出、X12其他商品及服务支出。
一．因子分析：⑴．首先，我们需要检验一下数据是否适合做因子分析，即进行KMO检验：由上表可知，KMO值为0.771，大于0.6，所以数据适合做因子分析。
⑵．SPSS得出因子提取和因子旋转的结果：由上表可知，较大的三个因子变量的方差特征值为8.063，1.170，0.810。
它们的累计贡献率达到了83.689%。
⑶．将这三个特征值建立因子载荷阵，如左下图所示：将得到的因子载荷阵实行方差最大的正交旋转，得正交因子阵，如右上图所示。
由表知，第一个主因子可以比较充分的说明除了家庭营业收入和交通和通讯支出以外的的各项指标，而第二个主因子表达了家庭营业收入和医疗保健支出这两个指标，第三个主因子只体现了交通和通讯支出。
综上可得，这三个主因子涵盖了所有指标，所以SPSS成功的帮助我们将12个指标降围成这三个指标。
我们命名X1-X9为A因子，X10-X11为B因子，X12为C因子。
⑷．由下图可看出，右侧下方的指标非常密集，这个就是由第一个主因子表示的，右侧上方的两个指标由第二个主因子表达，而左侧的一个较孤立跟其他指标有很明显的距离的指标，则由第三个主因子表示。
载荷散点图很直观的向我们表达了这三个主因子的选取。
⑸．由下图，可得因子得分函数：Component Score Coefficient MatrixComponent1 2 3劳动者报酬.245 -.241 -.089 家庭营业收入-.300 .859 .007转移性收入.166 -.187 .187财产性收入.038 .050 .255食品支出.085 .063 .110衣着支出.135 .008 -.140 居住支出.157 -.047 -.095 家庭设备及服务支出.216 -.172 -.068 医疗保健支出-.055 .425 -.168 交通和通讯支出-.073 -.056 .815文教娱乐用品和服务支出.096 .047 .049其他商品及服务支出.128 .007 -.007⑹. 最后一部分，因子变量的协方差矩阵，由下表可知，各因子之间是不相关的，符合要求。
基于SPSS因子分析全国各省市经济发展水平
基于SPSS因子分析的全国各省市经济发展水平摘要随着经济的发展，传统的三大经济地带分类已不能满足现状。
虽然我国各地经济发展取得较大进展，但东西部之间贫富差距急剧扩大，因此缩小地区间差距，实现各地区协调发展有着重要的政治、经济、社会意义。
本文通过选取除港、澳、台之外的31个省市为样本，基于能够综合反映经济状况的多个指标，采用SPSS的因子分析的方法，选取了对社会发展状况影响较大的几个指标，对我国除台湾、香港、澳门在外的31个省市自治区的社会发展状况进行了分析与比较。
通过因子分析的方法可以从不同角度了解各省的人均GDP分布差异，从而体现出我国的综合经济实力，便于我们去寻找一些省市的特点和规律，从而了解各地发展优势所在和劣势所在，为了进一步更好地去改善和改革提供了一点可供参考的价值，也在此提出来一些看法和建议。
关键词：中国各省市；发展状况，因子分析引言改革开放以来，中国经济迅速发展。
中国作为世界经济的重要组成部分、近年来在经济建设中取得重大成就，但省内部却存在由北至南经济发展不平衡的现象，如何客观、定量的对全国各地区经济差异做出评价，提出有效解决国内经济发展不平衡的政策建议，促进全国全面经济协调发展，是目前有待解决的问题。
虽然我国的国民收入在全世界名列前茅，总体水平非常可观，面对我国十三亿的庞大人口，平均下来就是一个非常小的数目了，人均水平在世界中排在了后面。
比如一些贫富差距，卫生医疗方面，教育的投入方面投入不均，导致了诸多的问题。
本文通过利用因子分析方法对全国31个地区进行城市综合竞争力评价，讨论省市经济发展的特点，针对国内区域经济发展不平衡的问题，找出原因，并且利用所学知识，对全国区域经济协调发展提出政策建议。
改革开放以来，经济的快速发展带动力我国社会各方面的快速发展，但是由于我国国土辽阔，各地区所处自然环境、所拥有的自然资源不尽相同，各地区的经济发展的基础也不尽相同，因此我国各省市的社会发展状况也出现了较大的差异。
我国城镇居民人均消费的SPSS统计分析报告
2013年我国城镇居民人均消费的SPSS统计分析一、搜集到的2013年我国31个城市城镇居民人均消费水平的数据数据来源：国家统计局/workspace/index?m=hgnd 二、对数据的基本分析在数据文件建立好后，通常还需要对待分析的数据进行必要的预加工处理，这是数据分析过程中不可缺少的一个关键环节.（一）、对数据按人均消费（expend）进行降序排列操作步骤：（1）：选择“数据”→“排序个案”菜单项（2）：将“人均消费（expend）”选入“排序依据”列表框，选中“降序”（3）：点击“确认”按钮，生成如下降序排列的数据集由数据的降序排列可以看出，全国只有上海、北京、广东等九个城市的城镇人均消费在全国城镇人均消费水平以上.（二）、作出人均收入和人均消费的直方图操作步骤：（1）：选择“图形”，打开“图表构建程序”菜单项（2）：从“库”中选择“直方图”将其拉入“图表预览使用数据实例”（3）：将变量“地区”设置为x轴，将“人均收入”和“人均消费”设置为y轴（4）：点击“确认”按钮，即生成如下直方图通过一个复合条形图，可以很明确的发现我国城镇居民生活水平存在很大的地区差异，地区发展很不平衡，从图中的生活消费支出和人均收入来看，北京，上海，浙江这些省市城镇居民消费水平最高，人均收入也是最高的，各省市的城镇居民消费水平差异较大，大多数省份城镇居民人均消费集中在15000元左右.（三）、对数据按照人均消费作出直方图，以统计我国农村人均消费的水平1、首先对数据分组，分组数目的确定.lg n，计算得组数为6.按照Sturges提出的经验公式来确定组数K,K=1+2lg2、确定组距组距=（最大值-最小值）/组数=（28155.00-12231.90）/6=2653.85，可近似取值为3000.00元.操作步骤：（1）：选择“转换”→“可视离散化”菜单项，将“人均消费”选入“要离散的变量”列表框中，单击“继续”按钮进入主对话框.（2）：单击“生成分割点”按钮，设定分割点数量为6，宽度为3000.00，可见系统会自动会填充第一个分割点的位置为12231.90，单击“应用”返回到主对话框.（3）：此时可以看到下部数值标签网格里的“值”列已被自动填充，单击“生成标签”按钮，是标签列也得到自动填充.（4）：将离散的变量名设定为expendNew.（5）：单击“确定”按钮.3、频数分析操作步骤：（1）：选择“分析”→“描述统计”→“频率”，打开频率对话框.（2）：选定“expendNew”，点击“图表”，选择“条形图”点击继续.（3）：点击“确认”，生成如下三张表.Statistics人均消费(已离散化)N Valid 32Missing 0Mean 3.13Median 3.00Std. Deviation 1.314Minimum 1Maximum 7Percentiles 25 2.0050 3.0075 3.75人均消费(已离散化)Frequency Percent Valid Percent Cumulative Percent Valid <= 12231.90 1 3.1 3.1 3.110 31.3 31.3 34.412231.91 -15231.9015231.91 -13 40.6 40.6 75.018231.903 9.4 9.4 84.418231.91 -21231.903 9.4 9.4 93.821231.91 -24231.9024231.91 -1 3.1 3.1 96.927231.9027231.91+ 1 3.1 3.1 100.0 Total 32 100.0 100.0由上图的频数分析可以看出，我国2013年城镇居民人均消费支出集中在第二组和第三组，大约占到百分之七十.由于在表格中不存在缺失值，因此频数分布表中的百分比和有效百分比相同.从此次分析中可以看出，我国城镇家庭居民人均消费的总体水平比较集中，大约在12000元--18000元之间，还有少数省市的消费水平处在中等阶段，而有上海、北京、浙江等一些经济较发达的地区的城镇家庭居民人均消费达到了21000元以上.三、对数据的回归分析（一）、作出人均收入与消费支出散点图，以观察他们的线性关系如何操作步骤：（1）：选择“图形”，打开“图表构建程序”菜单项（2）：从“库”中选择“散点图”将其拖入“图表预览使用数据实例”（3）：将“人均收入”选定为x轴，将“人均消费”选定为y轴（4）：点击“确认”生成如下散点图由散点图可以看出，人均消费Y和人均收入X大概呈一元线性关系，因此可以建立一元线性模型进行回归分析.（二）假设回归模型为Y=a+b X,其中，Y表示城镇人均消费支出，为被解释变量，X表示人均收入，为解释变量，b为回归系数.操作步骤：（1）选择“分析”→“回归”→“线性”菜单项，打开“线性回归”对话框.（2）将“人均消费”选入“因变量”列表框，将“人均收入”选入“自变量”列表框.（3）单击“确定”按钮.得到如下（1）、（2）、（3）、（4）四张表格，依次分析如下：表（1）：移入/移出的变量Variables Entered/Removed bModel VariablesEnteredVariablesRemoved Method1 人均收入a. EnterVariables Entered/Removed bModel VariablesEnteredVariablesRemoved Method1 人均收入a. Entera. All requested variables entered.b. Dependent Variable: 人均消费从上表可以看出，放入模型的变量只有一个即“人均收入”，选择变量的方法为强行进入法，也就是说将所有的自变量都放入模型中，模型的因变量为“人均消费”.表（2）：模型汇总Model SummaryModel R R Square Adjusted RSquareStd. Error of theEstimate1 .960a.922 .920 1106.90715a. Predictors: (Constant), 人均收入上表是对模型的简单汇总，其实就是对回归方程拟合情况的描述，通过这张表可以知道相关系数R=0.960，决定系数2R=0.922，调整决定系数2R=0.920,和回归系数的标准误=31106.90715.由于决定系数接近于1，说明模型的拟合程度较好.表（3）：方差分析表ANOVA bModel Sum of Squares df Mean Square F Sig.1 Regression 4.353E8 1 4.353E8 355.256 .000aResidual 36757303.474 30 1225243.449Total 4.720E8 31a. Predictors: (Constant), 人均收入b. Dependent Variable: 人均消费F=355.256，P=0.000<0.05,表明回归方程高度显著，即农民人均收入对消费有高度影响.表（4）：系数Coefficients aModel Unstandardized CoefficientsStandardizedCoefficientst Sig.B Std. Error Beta1 (Constant) 1897.504 835.983 2.270 .031人均收入.599 .032 .960 18.848 .000 a. Dependent Variable: 人均消费由上表知a=1897.504，b=0.599，由此可以得出以下回归方程：人均消费Y=1897.504+0.599人均收入X上述回归方程给出了如下信息：2013年中国城镇居民人均可支配收入增加1元，人均消费支出增加0.599元.四、单样本的T检验（一）：由频数分析可知，分组后，全国31个省市的城镇家庭居民平均每人生活消费支出合计，大约有23个城市都集中在第一组，数额主要12231.91——18231.90元之间，其中在15231.91 - 18231.90之间的占到了百分之四十，因此可推断，全国农村家庭居民平均每人生活消费支出的平均数应该在15000--20000元之间，假设为18000元，由于该问题涉及的是单个总体，且要进行总体均值检验，同时农村家庭居民平均每人消费的总体可近似认为服从正态分布，因此，应采用单样本t检验来分析推断全国农村家庭居民人均消费的平均值是否为18000元.分析结果如下：（二）：操作步骤：1、选择“分析”→“比较均值”→“单样本天t检验”菜单项，打开“单样本t检验”对话框如下图所示：2、单击“确定”按钮.生成如下两张图表：表（1）：One-Sample StatisticsN Mean Std. Deviation Std. Error Mean人均消费32 17216.6031 3902.16064 689.81106表（2）：One-Sample TestTest Value = 18000t df Sig. (2-tailed)MeanDifference95% Confidence Interval of theDifferenceLower Upper人均消费-1.136 31 0.265 -783.39688 -2190.2758 623.4821 由表（1）可知样本均值为17216.6031，低于基准线18000.00，标准差3902.16064，均值标准差689.81106.由表（2）为单样本t检验的分析结果，第一行注明了用于比较的假设总体均数为18000，下面从左到右依次为t值、自由度、p值、两均数的差值、差值.根据上面的检测结果t=-1.136，p=0.256，由于p>0.05，所以不能拒绝原假设，可以认为人均消费水平在18000元.同时，可知全国城镇居民2013年人均消费在95％的置信水平下的置信区间为：（15809.7242,18623.4821）.五、非参数检验——多配比样本分参数检验数据中我国城镇家庭居民人均消费包括食品、衣着、居住、家庭设备、交通及通讯、文教娱乐、医疗保健、和其他8个指标，为了比较清楚的了解这8项指标对我国城镇居民人均消费总体的影响，以及其大概的消费动向，可以利用多配比样本的非参数检验Friedman 检验对各个指标进行检验.（一）：操作步骤：（1）选择“分析”→“非参数检验”→“旧对话框”→“k个相关样本”菜单项，打开如下对话框：（2）：单击“确定”按钮，得到如下两张表格：表（1）：RanksMean Rank食物消费8.00衣物消费 5.09居住消费 4.50家居设备 2.66交通通讯 6.38医疗保健 2.34文教娱乐 5.88其它 1.16表（2）：Test Statistics aN 32Chi-Square 198.604df 7Asymp. Sig. .000a. Friedman Test（二）、结果分析检验结果中的p值小于给定水平0.05，故拒绝原假设，认为八个指标对我国城镇居民人均消费的影响是有显著差异的.由表（1）知食物消费对人均消费的影响最大，其次是交通通讯和衣物消费，而影响最小的是其它.六、因子分析在研究我国城镇居民的消费情况时收集了食物、衣物、居住等八个影响居民消费情况的因素，以期对问题能够有比较全面、完整的把握和认识.由于数据过多，在实际建模时，这些变量未必能真正发挥预期的作用，会给统计分析带来许多问题，可以表现在：计算量的问题和变量间的相关性问题.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个数，但这又必然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.因子分析正是解决这种问题的方法.（一）操作步骤（1）、选择菜单“分析”→“降维”→“因子分析”，出现因子分析对话框；（2）、把参与因子分析的样本选到变量对话框中，如下图：（3）单击“确定”按钮，得到如下11张图：图（1）原有变量的相关系数矩阵：Correlation Matrix食物消费衣物消费居住消费家居设备医疗保健交通通讯文教娱乐其它Correlatio n 食物消费1.000 .288 .656 .744 .295 .787 .782 .732衣物消费.288 1.000 .337 .517 .694 .368 .374 .634居住消费.656 .337 1.000 .676 .505 .849 .750 .771家居设备.744 .517 .676 1.000 .441 .830 .853 .767医疗保健.295 .694 .505 .441 1.000 .479 .414 .600交通通讯.787 .368 .849 .830 .479 1.000 .860 .782文教娱乐.782 .374 .750 .853 .414 .860 1.000 .831 其它.732 .634 .771 .767 .600 .782 .831 1.000从上图可以看到，大部分的相关系数都较高，各变量呈较强的线性关系，能够从中提取公共因子，适合进行因子分析.图（2）巴特利特球度检验和KMO检验KMO and Bartlett's TestKaiser-Meyer-Olkin Measure of Sampling Adequacy. .833Bartlett's Test of Sphericity Approx. Chi-Square 233.009df 28Sig. .000由上图知，巴特利特球度检验统计量的观测值为233.009，相应的概率p为0.如果给出的显著性水平为0.05，由于概率p小于显著性水平，应拒绝零假设，认为相关系数矩阵与单位阵有显著地差异.同时，KMO值为0.833，根据Kaiser 给出了KMO度量标准可知原有变量适合进行因子分析.图（3）因子分析的初始解CommunalitiesInitial Extraction食物消费 1.000 .798衣物消费 1.000 .862居住消费 1.000 .750家居设备 1.000 .812医疗保健 1.000 .821交通通讯 1.000 .897文教娱乐 1.000 .885其它 1.000 .872Extraction Method: PrincipalComponent Analysis.由上图第二列可知，所有变量的共同度均较高，各个变量的信息丢失较少.因此，本次因子提取的总体效果较理想.图（4）因子解释原有变量总方差的情况：Total Variance ExplainedComponent Initial Eigenvalues Extraction Sums of SquaredLoadingsRotation Sums of SquaredLoadingsTotal% ofVarianceCumulative % Total% ofVarianceCumulative % Total% ofVarianceCumulative %1 5.504 68.794 68.794 5.504 68.794 68.794 4.524 56.545 56.5452 1.192 14.898 83.692 1.192 14.898 83.692 2.172 27.147 83.6923 .473 5.910 89.6024 .258 3.222 92.8245 .237 2.961 95.7856 .178 2.227 98.0127 .091 1.136 99.1478 .068 .853 100.000Extraction Method: Principal Component Analysis.上图◎第一组数据项描述了初始因子解的情况.可以看到，第一个因子解的特征根值为 5.504，解释原有八个变量总方差的68.794％，累计方差贡献率为68.794％.其余数据含义类似.在初始解中由于提取了八个因子，因此原有变量的总方差均被解释掉.◎第二组数据项描述了因子解的情况.可以看到，由于指定提取两个因子，两个因子共解释了原有变量总方差的83.692％.总体上，原有变量的信息丢失较少，因子分析效果较理想.◎第三组数据项描述了最终因子解的情况.可见，因子旋转后，累计方差比没有改变，也就是没有影响原有变量的共同度，但却重新分配了各个因子解释原有变量的方差，改变了各因子的方差贡献，使得因子更容易解释.图（5）因子的碎石图：上图横坐标为因子数目，纵坐标为特征根.可以看到，第一个因子的特征根值很高，对原有变量的贡献最大；第3个以后的因子特征根都较小，对解释原有变量的贡献很小，已经成为可被忽略的“高山脚下的碎石”，因此提取两个因子是合适的.图（6）因子载荷矩阵：Component Matrix aComponent1 2其它.929 .097交通通讯.921 -.222文教娱乐.909 -.241家居设备.895 -.103居住消费.854 -.143食物消费.822 -.350衣物消费.599 .710医疗保健.635 .646a. 2 components extracted.上图因子载荷矩阵是因子分析的核心内容.根据该表可以写出本案例的因子分析模型：其它=0.9291f +0.0972f 交通通讯=0.9211f -0.2222f 文教娱乐=0.9091f -0.2412f 家居设备=0.8951f -0.1032f 居住消费=0.8541f -0.1432f 食物消费=0.8221f -0.3502f 衣物消费=0.5991f +0.7102f 医疗保健=0.6351f +0.6462f 由上表知，八个变量在第一个因子上的载荷都很高，意味着他们与第一个因子的相关度高，第一个因子很重要. 图（7）旋转后的因子载荷矩阵：Rotated Component Matrix aComponent 1 2交通通讯 .915 .244 文教娱乐 .914 .222 食物消费 .889 .084 家居设备 .836 .336 居住消费 .819 .281 其它 .770 .528 衣物消费 .188 .909 医疗保健 .250.871a. Rotationconvergedin3 iterations.由上图知，交通通讯、文教娱乐、食物消费、家居设备、居住消费、其它在第一个因子上有较高的载荷，第一个因子主要解释了这几个变量；衣物消费、医疗保健在第二个因子上的载荷较高，第二个因子主要解释了这几个变量.图（8）因子旋转中的正交矩阵Component Transformation MatrixComponent 1 21 .879 .4772 -.477 .879图（9）因子协方差矩阵：Component Score Covariance MatrixComponent 1 21 1.000 .0002 .000 1.000从上表可以看出，两因子没有线性相关性，实现了因子分析的设计目标.图（10）旋转后的因子载荷图：由上图可以直观的看出，衣物消费和食物消费比较靠近两个因子坐标轴，表明如果分别用第一个因子刻画食物消费，用第二个因子刻画衣物消费，信息丢失较少，效果较好.图（11）因子得分系数矩阵：Component Score CoefficientMatrixComponent1 2食物消费.271 -.187衣物消费-.188 .576居住消费.194 -.032家居设备.184 .001医疗保健-.157 .532交通通讯.236 -.084文教娱乐.241 -.099其它.110 .152根据上表可以得到以下因子得分函数：F=0.271食物消费-0.188衣物消费+0.194居住消费+0.184家居设备-0.157医1疗设备+0.236交通通讯+0.241文教娱乐+0.110其它F=-0.187食物消费+0.576衣物消费-0.032居住消费+0.001家居设备+0.532 2医疗设备-0.084交通通讯-0.099文教娱乐+0.152其它可见计算两个因子得分变量的变量值时，食物消费和衣物消费的权重较高，但方向恰好相反，这与因子的实际含义是相吻合的.七、实验心得本科的时候有概率统计和数理分析的基础，但是从来没有接触过应用统计分析的东西，SPSS也只是听说过，从来没有学过.一直以为这一块儿会比较难，这学期最初学的时候，因为没有认真看教材，课下也没有认真搜集相关资料，所以学起来有些吃力，总感觉听起来一头雾水.老师说最后的考核是通过提交学习报告，然后我从图书馆里借了些教材查了些资料，发现很多问题都弄清楚了.结合软件和书上的例子，实战一下，发现SPSS的功能相当强大.这门课要学习完了，整个学习的过程是充满曲折和挑战的，我见证了自己从一无所知到困惑迷茫再到略懂再到会用的过程.甚至学完之后有些问题还没有彻底搞清楚，自己接下来还会不断的探索的.SPSS是个很神奇的工具，结合AMOS和EXCEL更是如虎添翼，相信学习了SPSS在以后的论文和数据分析中很有用.这门课给我的感觉是看起来很难，但是实际学起来就好很多，因为当我结合具体实例和软件的时候，很多抽象的问题就豁然开朗了.但是想给老师一个建议，这门课需要很强的统计和概率论的基础，要不然就会很难听懂或者听得半懂.然后这门课的很多方法的相关资料都是用在医疗卫生、自然科学领域的，在管理中的应用的资料不怎么多.老师希望我们上课的时候结合在管理中的应用来学习，但是资料有限，希望老师在这个方面多给学生一些引导.。
关于我国小康指数的spass数据分析
关于我国小康指数的spass数据分析数据分析期末作业题目我国各省小康指数基于SPSS的分析院系 xx00xx00 年级专业目录一(数据来源 (1)二.数据的处理及选用分析方法简述 (1)三.数据分析 (2)3.1描述性统计分析 (4)3.2散点图的绘制 (5)四.多元回归分析 (6)五.非参数检验分析 (8)六.总论 (10)关于我国小康指数的spass数据分析一.数据来源二、数据的处理及选用分析方法简述在数据文件建立好后，通常还需要对待分析的数据进行必要的预加工处理,首先，为了便于数据的浏览，快捷的找到数据的最大值和最小值，同时，快捷的发现数据的异常值，先将数据按照降序重新进行排列;其次，为了粗略的把握数据的分布，实现数据的离散化处理和对数据进行频数分析，和对数据进行频数分析，利用spss软件中的分组功能对数据进行简单的分组。
鉴于本案例所涉及的变量为多元变量，包括经济技术，生活质量，社会结构，人口素质，在用SPASS分析是采用描述性统计分析、多元线性回归、非参数检验分析。
三.•spass数据分析(一)描述性统计分析EXAMINE VARIABLES=x1 BY x2 x4 x5 x6 x3/ID=dq/PLOT BOXPLOT STEMLEAF NPPLOT SPREADLEVEL/COMPARE GROUP/MESTIMATORS HUBER(1.339) ANDREW(1.34) HAMPEL(1.7,3.4,8.5)TUKEY(4.685)/PERCENTILES(5,10,25,50,75,90,95) HAVERAGE/STATISTICS DESCRIPTIVES EXTREME/CINTERVAL 95/MISSING LISTWISE/NOTOTAL.以上过程是在spass窗口中定义ID和变量所得结果.表3-1表3-2结果分析:表3-1散点图表明各个省的社会结构对小康综合指数的关系,不同的社会结构对小康指数的影响是不同的.表3-2的离散正态概率分布图中可以看出点随机落在中间横线的远端,因此可以拒绝正态分布.表3-2结果分析:表3-2散点图表现出各个省人口素质和小康指数的关系:不同的人口素质对小康指数的影响不同.以下生活质量和经济技术发展对小康指数的影响与人口素质是相同的.四.多元线性回归分析我国居民小康指数Y与社会结构X2,经济技术x3,人口素质x4,生活质量x5,法制与治安x6,的一元线性回归分析变量选择说明:被解释变量即自变量: x2,x3,x4,x5,x6，解释变量即因变量:.居民的小康指数Y，1. 相关分析表，由模型汇总中看到复相关系数为1.000，决定相关系数1.000，回归估计得标准误差0.05058，说明方程拟合度较好，表明回归方程显著性较高。
SPSS数据分析：我国各省城镇和农村居民人均收入数据分析
2010年我国各省城镇与农村居民人均收入数据分析学院工商管理专业班级人力资源0910学生姓名赵飞飞学号0802091033一、选题理由：在我国，城乡收入差距一直是国家和社会公众关注的热点问题。
城乡收入差距问题关系到民生，关系到社会主义和谐社会的建设和发展，关系到社会主义市场经济的发展和完善。
本次调研的数据来自国家统计局发布的2010年城镇与农村人均收入水平，目的是通过SPSS软件进行数据分析，对我国2010年城乡收入情况有一个全面细致的认识。
二、原始数据资料（2010年城乡居民人均收入）从表中可以看出，在经济平稳较快增长、社会保障进一步加强以及各项惠农政策贯彻落实到位等积极因素作用下，2010年各地区城乡居民收入继续稳定增加。
全年城镇居民和农村居民人均纯收入分别为19109 元和5919 元，增幅分别为11.3%和14.9%，2010 年农村居民实际收入增幅首次高于城镇居民实际收入增幅。
但是，一方面，不管是城镇还是农村，各省份之间的差距还比较大。
尤其像上海、北京、浙江等比较发达的省市，人均收入非常高；而像西藏、青海、甘肃这样的省份，人均收入又非常的低。
另一方面，每个省份的城乡收入差距也比较大。
三、SPSS统计数据分析城镇人均收入分为4组：第1组10000元—15000元；第2组15000元——20000元；第3组20000元——25000元；第4组25000元以上。
农村人均收入分为3组：第1组0元——5000元；第2组5000元——10000元：第3组10000元以上。
1.城镇人均收入和农村人均收入水平分布状况分析(1)城镇人均收入依据表格，2010年，全国31个省市（除港、澳、台地区）中，城镇人均收入在10000—15000元的有6个，15000—20000元的有18个，20000—25000元的有4个，25000元以上的有3个。
从以上数据可以得出，各省市城镇人均收入水平集中在15000—20000元这个区间，说明整体水平都比较高。
采用SPSS软件曲线估计法预测发达地区小康水平--以广东省为例
＝次 曲线
大 ，Ｓ Ｐ Ｓ Ｓ可 以处理 任意大 小 的数据文件 ， 无 论文件 中包含 多少
个 变量 ， 也不论数 据 中包 含 多少个案例 。Ｓ Ｐ Ｓ Ｓ软件 包括常 规的 集 中量数和差异量数 、 相关分析 、 回归分析 、 方差分析、 卡方检验 、 ｔ检验和 非参数检验 ； 也包 括近期 发展的多元 统计技术 ， 如多元 回归分 析、 聚类分析 、 判别分析 、 主成分 分析和 因子 分析等方法 ， 并 能在 屏幕（ 或打 印机 ） 上显 示（ 打 印） 如正 态分布 图、 直方 图、 散
０ 引言
Ｓ Ｐ Ｓ Ｓ软件集数据录入 、 资料编辑 、 数据管理 、 统计分析 、 报表
制 作、 图形绘制为 一体 。 从理论上说 ， 只要计算机硬盘和 内存足够
１ ． １ 曲线估计方法
本文采用 Ｓ Ｐ Ｓ Ｓ 软件进行 曲线估计 。 Ｓ Ｐ Ｓ Ｓ中的非线性模型（ 本
质线性模型 ） 见表 １ 。 表 １常见的非线性模 型（ 本质线性模型 ）
Ｕｓ ｉ ｎｇ Ｓ ＰＳＳ ｓ ｏｆ ｔ ｗａ ｒ ｅ ， ｃ ｕｒ ｖ ｅ ｅ ｓ ｔ ｉ ｍａ ｔ ｉ ｏ ｎ ｍｅ ｔ ｈｏ ｄ ｔ ｏ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｔ ｈｅ
ｗｅ ｌ ｌ — — － ｏ ｆ ｆ ｌ ｅ ｖ ｅ ｌ ｉ ｎ ｄ ｅ ｖ ｅ ｌ ｏ ｐｅ ｄ ａ ｒ ｅ ａ
” ｌ ／ 一 ∥ ＋ ～ 岛 一 一
面 建设 小康 社会 总 体上 分两 步 走 ： 第 一步 ， 到２ ０ １ ０年， 全 省人
均Ｇ Ｄ Ｐ比 ２ ０ ０ ０年翻一 番， 全 省进入 宽裕型小康 社会 。 第二步 ， 到 ２ ０ ２ ０年 ， 全省人均 Ｇ Ｄ Ｐ比 ２ ０ １ ０年再翻 一番， 全面建成小康社会 ， 率先基本实现社会主义现代化 。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
数据分析期末作业
题目我国各省小康指数基于SPSS的分析院系 xx00xx00
年级专业
目录
一．数据来源 (1)
二.数据的处理及选用分析方法简述 (1)
三.数据分析 (2)
3.1描述性统计分析 (4)
3.2散点图的绘制 (5)
四.多元回归分析 (6)
五.非参数检验分析 (8)
六.总论 (10)
关于我国小康指数的spass数据分析
一.数据来源
二、数据的处理及选用分析方法简述
在数据文件建立好后，通常还需要对待分析的数据进行必要的预加工处理,首先，为了便于数据的浏览，快捷的找到数据的最大值和最小值，同时，快捷的发现数据的异常值，先将数据按照降序重新进行排列；其次，为了粗略的把握数据的分布，实现数据的离散化处理和对数据进行频数分析，和对数据进行频数分析，利用spss软件中的分组功能对数据进行简单的分组。
鉴于本案例所涉及的变量为
多元变量，包括经济技术，生活质量，社会结构，人口素质，在用SPASS分析是采用描述性统计分析、多元线性回归、非参数检验分析。
三.•spass数据分析
(一)描述性统计分析
EXAMINE VARIABLES=x1 BY x2 x4 x5 x6 x3
/ID=dq
/PLOT BOXPLOT STEMLEAF NPPLOT SPREADLEVEL
/COMPARE GROUP
/MESTIMATORS HUBER(1.339) ANDREW(1.34) HAMPEL(1.7,3.4,8 .5) TUKEY(4.685)
/PERCENTILES(5,10,25,50,75,90,95) HAVERAGE
/STATISTICS DESCRIPTIVES EXTREME
/CINTERVAL 95
/MISSING LISTWISE
/NOTOTAL.
以上过程是在spass窗口中定义ID和变量所得结果.
表3-1
表3-2
结果分析:表3-1散点图表明各个省的社会结构对小康综合指数的关系,不同的社会结构对小康指数的影响是不同的.表3-2的离散正态概率分布图中可以看出点随机落在中间横线的远端,因此可以拒绝正态分布.
表3-2
结果分析:表3-2散点图表现出各个省人口素质和小康指数的关系:不同的人口素质对小康指数的影响不同.以下生活质量和经济技术发展对小康指数的影响与人口素质是相同的.
四.多元线性回归分析
我国居民小康指数Y与社会结构X2,经济技术x3,人口素质x4,生活质量x5,法制与
治安x6,的一元线性回归分析变量选择说明：被解释变量即自变量：
x2,x3,x4,x5,x6，解释变量即因变量：.居民的小康指数Y，
1. 相关分析表，由模型汇总中看到复相关系数为1.000，决定相关系数1.000，回归估计得标准误差0.05058，说明方程拟合度较好，表明回归方程显著性较高。
2.方差分析表，F=
3.048E5，P=0.000<0.001,表明回归方程高度显著较高，存在
线性回归关系。
3. 结果分析:回归系数的显著性检表：常数项的P=0.00<0.001，说明存在显著性差异，故应该得出现在回归方程中，回归方程为：Y=—
207+215X2+401x3+242x4+298x4+136x5。
五.非参数检验
描述性统计结果如下表所示
结果分析:从该表中看出社会结构的平均值为73.3065,方差为12.11676,最小值为51.60,最大值为100.00,经济与技术的平均值为55.0871,方差为18.57586,最小值为31.50,最大值为94.70.
Wilcoxon检验结果如下两表所示:
Wilcoxon Signed Ranks Test
结果分析:从第一个表中看出Negative Ranks为31a,,,,,Positive Ranks为0,Ties 为0，表示31个省中经济与技术发展和社会结构对小康指数的影响是一致的。
平均秩分别为16和0.
从第二个表中看出Z统计量为-4.860，相伴概率为0，小于显著水平0.05，因此拒绝零假设。
Sign Test
结果分析:从第一个表中看出正负平均秩的值和Wilcoxon检验是一致的，第二个表中看出相伴概率为0，小于显著性水平，拒绝零假设。
六.依据SPSS计算结果得出综合结论。
本案例分别从描述性统计分析、多元线性回归、非参数检验三种分析方法对我国各省小康指数进行分析,得出以下结论:
(1)社会结构、经济技术发展、人口素质、生活质量、法制与治安对
各省的小康指数的影响是不一致的,因此,不同的因素会导致小康水平的发展.
(2)影响小康综合指数的社会结构、经济技术发展、人口素质、生活质量、法制与治安等因素与小康综合指数是呈线性相关的,各省的影响因素的不同使得其小康综合指数不同.
(3)只有社会结构、经济技术发展、人口素质、生活质量、法制与治安等因素共同发展才能是小康水平得到提升.。