基于SAS分析我国农村居民家庭消费情
SPSS论文-各地区城镇居民家庭人均消费性支出分析
SPSS论文题目：各地区城镇居民家庭人均消费性支出分析摘要：我国各地区的经济发展水平存在着较大的差异。
本文运用SPSS软件分析方法对我国各地区城镇居民消费性支出进行分析研究,研究表明:各地区城镇居民消费性支出的差异主要是由两方面引起的,首先是地区的经济发展水平,我国东部、中部和西部地区的消费水平存着较大差异;其次是由地区气候因素引起的消费倾向,我国南北地区明显有别。
关键字：SPSS，消费支出，分析数据：我国地域辽阔,各地区的经济发展很不平衡,各地区城镇间的消费性支出存在着较大的差异,而且由于多种因素的影响,这种差异呈现加速扩大的态势。
如何客观、准确、有效地分析这些差异,具有重要的理论和实践意义。
消费性支出的指标有许多,如果直接从诸多指标来分析各地区的差异,那未分析的结果很可能将是繁杂和不得要领的,很难给出直观有效的结论。
如果仅用消费性总支出这个指标,则显得太粗糙,丢失的有用信息太多,不能较充分地反映各地区的消费差异。
那么,如何能使得所作的分析研究即不繁杂又不损失太多的信息呢?这正是本文所要解决的问题。
居民消费支出：是指城乡居民个人和家庭用于生活消费以及集体用于个人消费的全部支出。
包括购买商品支出以及享受文化服务和生活服务等非商品支出。
对于农村居民来说，还包括用于生活消费的自给性产品支出。
集体用于个人的消费指集体向个人提供的物品和劳务的支出；不包括各种非消费性的支出。
其形式是通过居民平均每人全年消费支出指标来综合反映城乡居民生活消费水平。
消费支出特点明显：食品价格上涨使恩格尔系数有所回升；居住支出快速增长；家庭设备消费较快增长；汽车消费热点突出；义务教育负担减轻；衣着和医疗保健支出低速增长。
Descriptive Statistics此表描述了所统计的数据。
Statistics上述数据为用SPSS软件所作出的均值、方差、标准、峰度、偏度差等等数据，还有运用SPSS软件的回归分析、单一样本T检验所得到的数据和曲线图。
[论文]SPSS基于农村居民家庭人均生活消费支出分析
![[论文]SPSS基于农村居民家庭人均生活消费支出分析](https://img.taocdn.com/s3/m/ce467e29d15abe23492f4db2.png)
[论文]SPSS基于农村居民家庭人均生活消费支出分析SPSS基于农村居民家庭人均生活消费支出分析[摘要]:随着社会经济的快速发展和新农村建设的不断推进，我国农村经济社会得到了又好又快的发展，农民生活水平也得到了很大的提高，但是，由于我国各省市的经济背景、社会背景和环境背景等都存在着这样或那样的差异，从而导致了生活消费水平也参差不齐。
为了客观的了解我国农村居民的总体消费水平和生活现状，本文运用spss软件中的各种分析方法对我国农村居民的人均消费情况进行科学的分析。
[关键字]:消费支出频数分析参数检验非参数检验聚类分析恩格尔系数[引言]:改革开放以来，中国经济的发展迅速,在社会主义市场经济的运作过程中，消费不仅可以满足人的多方面的欲求，而且，也会促进生产的发展，它所表现出的历史规定性，可以折射出不同社会阶段中消费关系的本质特征。
我国人口众多，而且一半以上的人口在农村，农村居民的消费水平逐渐成为了制约我国经济发展的重要影响因素，因此，加强对农村居民的消费水平和消费结构的研究，不仅有利于改善我国农村居民的消费现状，而且对拉动我国经济增长有重要意义。
2010年2季度农村居民家庭个人现金收入统计(分地区)一、数据的与处理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。
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。
由于变量值较多，分组适应采用组据分组的方式，具体步骤如下:1、确定组数: k=1+ln(n)/ln2=1+ln31/ln2=62、确定组距: 组距=(最大值-最小值)/组数=(8844.88-1913.71)/6=1155.20\二、基本统计分析—频数分析利用spss先前已经对数据做好的分组，通过频数分析，可以进一步了解分组后的消费支出合计取值的状况，进而准确的把握数据的分布特征。
城乡居民消费水平的分析
二00九年各地区城乡居民消费水平的分析摘要：本文借用SAS分析软件对2009年各地区城乡居民消费水平进行描述统计和回归分析。
通过对城乡居民消费水平进行分析，得出农村和城镇都存在最高消费水平与最低消费水平差距较大的情况，农村消费水平偏离平均消费水平的程度小，内部差异较城镇小。
主要的步骤：首先对数据进行编程录入，然后做各项分析，通过分析结果得出结论。
关键词：SAS软件农村居民城镇居民居民消费水平内部差异一、引言在市场经济条件下，消费活动是经济活动的重点，一切经济活动的目的就是为了满足人们日益增长的消费需求。
随着中国经济突飞猛进的发展,城乡居民消费水平差距逐渐增大，地区性差异也特别明显。
分别对各地区城镇居民消费水平和农村居民消费水平的分析，从而得出是前者对各地区总消费水平的影响明显还是后者，哪个的相关性更强，对平复城乡差距有一定的意义。
二、样本数据选取本文选取数据为09年各地区城乡居民消费水平，数据来源于国家统计局网站中国统计年鉴2009。
其中y1、x1、x2分别表示全体居民消费水平、农村居民消费水平、城镇居民消费水平。
注：y1表示全体居民消费水平、x1表示农村居民消费水平、x2表示城镇居民消费水平。
二、各地区城乡居民消费水平的分析程序如下：data _xfsp;input y x1 x2 @@;cards;22154 11483 2404415149 7075 174757193 3606 121956854 3705 106179668 3999 1478410848 4909 147748410 4239 120617737 4183 1059229572 13748 3160811993 7147 1596515790 8324 212516829 3683 1130110950 6037 157396229 3443 1003310494 5395 160276607 3528 118847791 4137 120807929 4154 1300015291 5239 210986893 3302 125856695 3447 102158308 3143 133146863 3891 117015044 2459 112235926 3038 116614060 2398 95637069 3210 122235284 2657 107656495 3424 108457858 3432 13151;run;proc print;run;三、数据分析（一）描述性统计分析1、描述性统计分析的基本思想统计分析往往是从了解数据的基本特征开始的。
基于SPSS的全国城镇居民消费水平差异分析
基于SPSS的全国城镇居民消费水平差异分析随着中国经济的持续发展，城镇居民的生活水平不断提高，消费水平也呈现出明显的差异。
消费水平的差异性不仅直接反映了城镇居民的经济实力和生活水平，也对整个国民经济的发展有着重要的影响。
对于城镇居民消费水平的差异分析具有重要的理论和现实意义。
一、研究内容本文主要基于SPSS统计软件，对全国城镇居民的消费水平进行差异性分析。
主要研究内容包括以下几个方面：1. 基本情况分析：分析全国城镇居民的基本情况，包括性别、年龄、教育程度、职业等因素对消费水平的影响。
2. 消费水平差异分析：分析不同城镇居民的消费水平情况，包括食品、衣着、居住、交通、通信、教育文化娱乐等方面的消费水平。
3. 影响消费水平的因素：分析影响城镇居民消费水平的主要因素，包括收入水平、家庭人口数、职业类型等。
4. 消费结构分析：分析不同城镇居民的消费结构情况，包括生活必需品和非生活必需品的消费占比。
二、研究方法1. 数据来源：本文所用数据主要来自国家统计局的全国城镇居民收入和消费水平调查数据。
2. 数据处理：利用SPSS软件对收集到的数据进行处理和分析，包括描述性统计分析、方差分析、相关分析等。
3. 统计模型：采用多元线性回归模型来分析影响城镇居民消费水平的主要因素，探讨各因素对消费水平的影响程度。
三、基本情况分析1. 性别差异：通过对全国城镇居民中男女消费水平的比较发现，男性在食品、交通、通信等方面的消费相对较高，而女性在衣着、教育文化娱乐等方面的消费相对较高。
2. 年龄差异：随着年龄的增长，城镇居民的消费水平也呈现出不同的特点。
年轻人更注重时尚和娱乐消费，而中年人更注重家庭生活和子女教育消费。
3. 教育程度差异：受教育程度的影响，不同城镇居民在教育文化娱乐方面的消费水平存在较大差异，受教育程度高的人群更愿意用钱提高生活品质。
4. 职业差异：不同职业的城镇居民在消费水平上也存在明显差异，高收入职业人群的消费水平显著高于低收入职业人群。
SPSS数据分析——农民人均生活收入及消费支出分析
农民人均生活收入及消费支出分析摘要: 在我国的国民经济问题中，增加农民收入是我国扩大内需的关键，通过运用SPSS分析方法对我国农民的收入及消费支出进行了各种分析, 以便能够更好地了解我国农村居民的收入结构和消费结构与消费行为等。
关键词：农民生活收入消费支出线性回归分析一、问题提出我国是一个农业大国，至今仍有9亿农村人口，占全国人口总数的70%，农民是我国最大的消费群体，农村消费能力的提升直接关系到国民经济的全局。
从农村市场看，中国有近六成人口(约8亿)生活在农村。
农村城镇化的进程对经济增长的带动作用是非常明显的，世界上还没有哪个国家有规模如此巨大的城镇化。
农村居民的收入虽然低于城市居民，但是基数巨大，且农村人口的收入也在稳定增长。
据测算，目前1个城镇居民的消费水平大体相当于3个农民的消费；城市化率提高1个百分点，就会有100万～120万人口从农村到城市。
由于城市人口的消费是农村的2.7～3倍，约拉动最终消费增长1.6个百分点。
随着经济的发展，我国农民的消费水平和结构也发生了很大变化，农民生活水平的提高和消费的增加对于实现国民经济又好又快发展、正确处理好内需和外需的关系至关重要。
但从总体来看，农民消费水平仍然较低，调查显示有的地区都不及城市居民人均消费支出的三分之一。
而且消费结构不合理，局限于食品类等生存基本需求品，消费在衣着装饰等方面的极少。
而影响农民消费水平的根本原因是农民的收入。
农民生活消费支出主要包括食品、衣着、医疗卫生、教育文化、家庭设备、交通等方面，本文只挑选了四种典型的消费支出作为代表来分析农村居民的消费结构。
二、分析问题（一）数据来源说明（二）家庭总收入分析1、农村家庭总收入单线图，农村家庭总收入逐年增加。
3、家庭经营收入快速增长，是农民增收的最主要来源。
工资性收入持续平稳增长。
移性收入有所增长但增速明显减缓。
财产性收入中间期间还有所下降。
（三）、农民总支出分析1、如条形如所示分析，农民生活消费水平继续提高。
基于SPSS的全国城镇居民消费水平差异分析
基于SPSS的全国城镇居民消费水平差异分析全国城镇居民消费水平差异分析是对全国不同城镇居民的消费水平进行比较和分析的研究。
本文将使用SPSS软件来进行统计分析和数据可视化，以便更好地理解全国城镇居民消费水平的差异。
一、数据收集和整理我们需要收集全国各城镇的消费水平数据。
可以通过调查问卷、官方统计数据或者是公开发布的数据来获得这些数据。
收集到的数据应包括以下几个方面的指标：人均可支配收入、食品消费支出、非食品消费支出、居住消费支出、交通通信消费支出、教育文化娱乐消费支出、医疗保健消费支出等。
然后，我们需要将收集到的数据整理成适合SPSS分析的形式。
可以使用Excel软件来整理数据，将不同城镇的数据分别放在不同的列中，并为每个指标添加适当的标签。
二、数据描述和概括统计在进行数据分析之前，首先需要对数据进行描述和概括统计。
可以使用SPSS软件中的“描述统计”功能来计算每个指标的平均值、标准差、最小值、最大值等。
这些统计指标可以帮助我们更好地了解数据的分布情况。
三、差异分析接下来，我们可以使用SPSS软件中的t检验或者方差分析等方法来比较不同城镇之间的消费水平差异。
在进行差异分析之前，需要对数据进行正态性检验和方差齐性检验。
正态性检验可以通过SPSS软件中的“相关-一样本Kolmogorov-Smirnov检验”来进行。
当样本满足正态分布假设时，我们可以使用t检验来比较两个城镇之间的差异。
如果样本不满足正态分布假设，我们可以使用方差分析来比较多个城镇之间的差异，即在因变量中考虑城镇这个分类变量，并进行多个分类的方差分析。
在SPSS软件中，可以使用“分组统计”功能来进行方差分析。
四、数据可视化数据可视化是对分析结果进行直观展示和解释的重要步骤。
可以使用SPSS软件中的图表功能来生成不同城镇消费水平的柱状图、折线图、箱线图等图形，以便更好地比较和展示数据的差异。
还可以根据需要生成散点图、气泡图等，将不同城镇的消费水平与其他指标（如居住面积、教育水平等）进行关联分析，以探索不同因素对消费水平的影响。
我国居民消费指数分析SAS
我国居民消费指数分析SAS1.我国居民消费价格指数和商品零售价格指数数据分析2.1 我国居民消费价格指数和商品零售价格指数数据统计表资料来源：国家计委、国家统计局、国家信息中心2.2 SAS数据分析year-年份 c1-居民消费价格总指数 c2-商品零售价格总指数hpc-城市居民消费价格 hpv-城市商品零售价格gpc-农村居民消费价格 gpv-农村商品零售价格2.2.1 Listing用Listing方法，列出year-年份，c1-居民消费价格总指数，c2-商品零售价格总指数，hpc-城市居民消费价格，hpv-城市商品零售价格，gpc-农村居民消费价格，gpv-农村商品零售价格各项的数值2.2.2 Analysis用Analysis方法分析年份，居民消费价格总指数，商品零售价格总指数，城市居民消费价格，城市商品零售价格，农村居民消费价格，农村商品零售价格的各项指数，罗列各项分析值2.2.3 Anova用Anova方法分析居民消费价格总指数，商品零售价格总指数，城市居民消费价格，城市商品零售价格，农村居民消费价格，农村商品零售价格各指数随年份变化的关系，及相互分析，具体结果截图如下：correlation c1 c2 year用correlation方法分析居民消费价格总指数，商品零售价格总指数随年份的变化，进行校正，分析结果如下：2.2.5 box plot c1 year用box plot方法作图分析居民消费价格总指数随年份的变化，直观的放映出其起伏变化规律，图像截图如下：2.2.6 box plot c2 year用box plot方法作图分析商品零售价格总指数随年份的变化，直观的放映出其起伏变化规律，图像截图如下：2.2.7 scatter c1 c2 year用scatter方法作立体三维图，分析居民消费价格总指数与商品零售价格总指数随年份的变化，直观反映出各项的变化关系，反映其规律，图像截图如下：2.2.8 scatter hpc gpc year用scatter方法作立体三维图，分析城市居民消费价格，农村居民消费价格随年份的变化，直观反映出各项的变化关系，反映各项之间的规律，突出城市和农村在居民消费方面的差距与变化对比，图像截图如下：2.2.9 scatter hpv gpv year用scatter方法作立体三维图，分析城市商品零售价格，农村商品零售价格随年份的变化，直观反映出各项的变化关系，反映各项之间的规律，突出城市和农村在商品零售价格方面的差距与变化对比，图像截图如下：3．分析结果居民消费价格指数和商品零售价格指数存在一定的关系，根据变量可以相互影响，但影响程度不大，所以部分商品价格上升趋势不会对居民消费产生太大影响。
基于SPSS的全国城镇居民消费水平差异分析
基于SPSS的全国城镇居民消费水平差异分析全国城镇居民消费水平差异分析是一个重要的经济研究课题，它可以帮助我们了解不同地区、不同人群的消费行为和消费能力，为政府制定相关经济政策提供科学依据。
本文将基于SPSS软件对全国城镇居民消费水平的差异进行分析和解读。
我们需要获取全国城镇居民的消费水平数据。
可以通过调查问卷、面访等方式获取样本数据，并对数据进行清洗和整理。
在SPSS中，可以使用数据编辑模块完成数据清洗和整理工作。
在数据清洗和整理完成后，我们可以进行描述性统计分析。
通过描述性统计分析，可以计算出各个指标的均值、标准差、最大值和最小值等统计量，从而了解数据的基本情况。
在SPSS中，可以使用统计分析模块中的描述统计功能进行计算。
接下来，我们可以进行多样本t检验分析。
多样本t检验可以比较不同地区、不同人群的消费水平是否存在显著差异。
在SPSS中，可以使用统计分析模块中的t检验功能进行多样本t检验分析。
在进行多样本t检验前，需要先设置组别变量和待比较的指标变量。
组别变量应该包含不同地区、不同人群的分类信息，指标变量则是我们需要比较的消费水平指标。
通过多样本t检验分析的结果，我们可以判断不同地区、不同人群之间的消费水平是否存在显著差异，并可以比较差异的大小和方向。
我们还可以进行相关分析或回归分析。
通过相关分析，可以计算出各个指标之间的相关系数，从而了解不同指标之间的关系。
在SPSS中，可以使用统计分析模块中的相关功能进行相关分析。
通过回归分析，我们可以建立消费水平和其他相关因素之间的数学模型，并判断这些因素对消费水平的影响程度。
在SPSS中，可以使用统计分析模块中的线性回归功能进行回归分析。
通过相关分析和回归分析的结果，我们可以了解不同指标之间的相关关系，并揭示消费水平的影响因素。
我们可以进行差异分析结果的解读。
根据上述分析结果，我们可以比较不同地区、不同人群之间的消费水平差异，并解释差异产生的原因。
通过解读分析结果，我们可以为政府制定相关经济政策提供科学依据，促进消费水平的均衡和提高。
全国农村居民人均收入与消费的统计分析SPSS课程设计
天津理工大学中环信息学院课程设计课程名称：SPSS统计分析设计题目：用SPSS软件对全国农村居民人均收入与消费的统计进行分析姓名：薛存莲学号： 10080065系别：经济与管理系专业班级： 10信管2班开始日期： 2012 年 5 月 20 日完成日期 2012 年 6 月 20 日指导教师：赵飞燕成绩评定等级（分数）全国农村居民人均收入与消费的统计【摘要】本文运用多元线性回归方法及基础理论，通过建立回归模型的基本过程和借助于SPSS及SAS统计软件，建立我国全国农村居民人均收入与全国人均消费支出的初步模型与优化模型。
分析农民人均纯收入和生活消费支出的关系，从中寻求影响农民消费水平的主要因素，并量化其影响程度。
结果表明：收入是影响农村居民消费支出的主要因素，不同收入来源对消费水平影响不同，工资性收入和家庭经营性收入对其影响较小但较为稳定，财产性收入和转移性收入的影响较大但不稳定，高收入阶层收入的增加对消费影响较小，中低收入阶层收入的增加对消费影响较大，但收入较低和最低阶层消费则有其特殊性。
对此，应千方百计增加农民收入，重点提高中低收入阶层农民收入，不断开拓农村新的消费热点，以促进农村经济的快速发展。
农村居民人均纯收入是农村居民纯收入按照农村住户人口平均的纯收入水平。
它反映的是全国或一个地区农村居民的平均收入水平。
农村居民人均纯收入是一个年度核算指标。
农村居民纯收入是农村住户当年从各个来源得到的总收入相应地扣除有关费用性支出后的收入总和。
农村居民家庭总收入包括工资性收入、家庭经营收入、财产性收入、转移性收入。
近年来,中国农村居民人均收入和消费水平呈逐年提高、增长速度加快的趋势,但与城镇居民相比,消费和收入水平仍存在较大差距,应当从提高农村居民收入水平、健全社会保障程度等角度进一步提高农村居民生活水平。
关键词：人均收入与消费，一元回归的分析，相关性分析目录第一章问题研究的背景及意义 (3)第二章研究的相关理论 (3)第三章数据及分析 (4)3.1描述性统计分析 (4)3.2统计图的绘制 (5)3.3均值比较 (6)第四章相关性分析 (7)第五章一元回归的分析. . . . . . . . . . . . . . . . . . . 7 第六章时间序列的曲线估计. . . . . . . . . . . . . . . . . 10 第七章总论. . . . . . . . . . . . . . . . . . . . . . . . 12一、问题研究的背景及意义农村居民消费结构是衡量农村居民生活水平的一个重要指标，我国是农业大国，农村居民是一个庞大的消费群体。
案例11.2我国各地区农村居民家庭消费性支出分析
1、实验目的掌握主成分分析与因子分析的spss应用2、实验基本内容（1）主成分和因子分析原理讲解（2）spss具体操作步骤（3）结果分析（4）进一步应用。
按P291、P302操作流程熟悉软件应用实验步骤：第一步：设置变量地区，食品，衣着，居住，家庭设备及服务，交通和通信，文教娱乐及服务，医疗保健，其他商品及服务第二步录入实验数据第三步主成分分析将原始数据标准化：“分析-描述统计-描述”—“分析-降维-因子分析”，选取变量为标准化的数据第四步：计算变量3、实验总结3.1实验结果及分析（1）根据主成分分析得到以下结果：我们可知：在主成分分析中，只提取了一个成分，成分1的特征值是7.013，开根号后得到2.648，则可以得到：Y1=0.363X1+0.342X2+0.352X3+0.364X4+0.372X5+0.356X6+0.343X7+0.337X8因为Z=0.87662*Y,可以得到得分表（部分）最后的分类可以根据最终得分Z的值来划分，题目中没有给出具体的分类标准，故我未进行划分。
（3）答题一：本案例中的数据覆盖了农村居民家庭消费性支出的8个方面，分别为食品、衣着、居住、家庭设备及服务、交通和通信、文教娱乐及服务、医疗保健、其他商品及服务。
（4）答题二：各个省份农村居民家庭生活状况：分析综合得分可知，北京、上海、浙江三地的综合得分均达一千分以上，这三个省份农村居民家庭生活状况优渥，生活的消费性支出高，生活状况良好，其中，上海的综合得分最高，达1913.30，生活状况最好。
天津、山西、辽宁、黑龙江、江苏、福建、山东、广东八个省份的综合得分在0~1000分之间，说明这八个省份的农村居民家庭生活状况比较良好。
然而河北、内蒙古、吉林、安徽、江西、河南、湖北、湖南、广西、海南、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆这20的省份的综合得分都小于零，说明这20个省份的农村居民家庭生活状况较差，其中贵州省的综合得分最低，为-659.01，表明贵州省综合农村居民的生活状况最差。
- 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)。
基于SAS分析我国农村居民家庭消费情况的研究一、导言伴随着我国经济的飞速发展，我国已经成为仅次于美国的世界第二大经济体，GDP已经超过德国日本，位居世界第二，人民生活水平有了翻天覆地的改变，但受到金融危机的影响，近几年来物价持续上涨，通货膨胀严重，CPI屡创历史新高，人民的消费能力是否随着GDP的增加而增加了呢？再次我仅以中国统计年鉴-2010中的“农村居民家庭平均每人生活消费支出构成”中的“生活消费总支出”中2000—2009年的数据为依据利用统计软件SAS进行了相关分析。
数据如下：10-25 农村居民家庭平均每人生活消费支出构成单位：%指标2000 2003 2005 2007 2008 2009生活消费总支出100.00 100.00 100.00 100.00 100.00 100.00 食品49.13 48.59 45.48 43.08 43.67 40.97 衣着 5.75 5.72 5.81 6.00 5.79 5.82 居住15.47 15.58 14.49 17.80 18.54 20.16 家庭设备用品及服务 4.52 4.32 4.36 4.63 4.75 5.13 交通通讯 5.58 5.49 9.59 10.19 9.84 10.09 文教娱乐用品及服务11.18 11.58 11.56 9.48 8.59 8.53 医疗保健 5.24 4.61 6.58 6.52 6.72 7.20 其他商品及服务 3.14 2.11 2.13 2.13 2.30 2.11二、分析1，通过对消费种类进行主成分分析判断农村居民家庭的消费情况。
2，对主成分标准化后在分析各年的消费能力排名。
三、结果猜测1，农村居民家庭的消费应该主要集中在衣食住行上。
2，农村居民家庭的消费能力并不是随着GDP的增加而增加的。
四、数据处理利用SAS软件获取并整理数据，进一步分析数据并得到结果。
4.1，导入数据的SAS程序：data zy;input year x1-x8;cards;2000 49.13 5.75 15.47 4.52 5.58 11.18 5.24 3.142003 48.59 5.72 15.58 4.32 5.49 11.58 4.61 2.112005 45.48 5.81 14.49 4.36 9.59 11.56 6.58 2.132007 43.08 6.00 17.80 4.63 10.19 9.48 6.52 2.132008 43.67 5.79 18.54 4.75 9.84 8.59 6.72 2.302009 40.97 5.82 20.16 5.13 10.09 8.53 7.20 2.11;run;proc corr cov nosimple data=zy;var x1-x8;run;proc princomp data=zy out=aa;var x1-x8;run;data score1;set aa;keep year prin1;proc sort data=score1;by descending prin1;run;proc print data=score1;run;4.2，程序结果如下：The SAS SystemThe CORR Procedure8 Variables: x1 x2 x3 x4 x5 x6 x7 x8Covariance Matrix, DF = 5x1 x2 x3 x4x1 10.34610667 -0.19080000 -5.78932667 -0.77213333x2 -0.19080000 0.00963000 0.07444000 0.00749000x3 -5.78932667 0.07444000 4.73086667 0.61029333x4 -0.77213333 0.00749000 0.61029333 0.08893667x5 -6.74865333 0.15148000 2.88947333 0.38264667x6 3.99022667 -0.06058000 -3.04066667 -0.38685333x7 -2.95518000 0.05255000 1.39836000 0.21089000x8 0.75584000 -0.01362000 -0.26518000 -0.01624000Covariance Matrix, DF = 5x5 x6 x7 x8x1 -6.74865333 3.99022667 -2.95518000 0.75584000x2 0.15148000 -0.06058000 0.05255000 -0.01362000x3 2.88947333 -3.04066667 1.39836000 -0.26518000x4 0.38264667 -0.38685333 0.21089000 -0.01624000x5 5.18926667 -2.31455333 2.16376000 -0.53024000x6 -2.31455333 2.12014667 -1.07424000 0.15502000x7 2.16376000 -1.07424000 0.98975000 -0.16134000x8 -0.53024000 0.15502000 -0.16134000 0.16664000Pearson Correlation Coefficients, N = 6Prob > |r| under H0: Rho=0x1 x2 x3 x4 x5 x6 x7 x8x1 1.00000 -0.60447 -0.82750 -0.80494 -0.92103 0.85197 -0.923490.575640.2037 0.0421 0.0534 0.0091 0.0312 0.0086 0.2319x2 -0.60447 1.00000 0.34876 0.25593 0.67762 -0.42397 0.53827-0.340000.2037 0.4981 0.6245 0.1391 0.4022 0.2706 0.5097x3 -0.82750 0.34876 1.00000 0.94087 0.58317 -0.96010 0.64623-0.298660.0421 0.4981 0.0051 0.2244 0.0024 0.1656 0.5653x4 -0.80494 0.25593 0.94087 1.00000 0.56325 -0.89089 0.71081-0.133400.0534 0.6245 0.0051 0.2445 0.0172 0.1134 0.80110.4928 0.1658 0.6598 0.4439 0.0142 0.4495 0.2672x1 x2 x3 x4 x5 x6 x7 x8x5 -0.92103 0.67762 0.58317 0.56325 1.00000 -0.69780 0.95476-0.570200.0091 0.1391 0.2244 0.2445 0.1232 0.0030 0.2374x6 0.85197 -0.42397 -0.96010 -0.89089 -0.69780 1.00000 -0.741580.260800.0312 0.4022 0.0024 0.0172 0.1232 0.0915 0.6177x7 -0.92349 0.53827 0.64623 0.71081 0.95476 -0.74158 1.00000-0.397270.0086 0.2706 0.1656 0.1134 0.0030 0.09150.4354x8 0.57564 -0.34000 -0.29866 -0.13340 -0.57020 0.26080 -0.397271.000000.2319 0.5097 0.5653 0.8011 0.2374 0.6177 0.4354The PRINCOMP ProcedureObservations 6Variables 8Simple Statisticsx1 x2 x3 x4Mean 45.15333333 5.815000000 17.00666667 4.618333333StD 3.21653644 0.098132563 2.17505555 0.298222512Simple Statisticsx5 x6 x7 x8Mean 8.463333333 10.15333333 6.145000000 2.320000000StD 2.277996195 1.45607234 0.994861799 0.408215629Correlation Matrixx1 x2 x3 x4 x5 x6 x7 x8x1 1.0000 -.6045 -.8275 -.8049 -.9210 0.8520 -.92350.5756x2 -.6045 1.0000 0.3488 0.2559 0.6776 -.4240 0.5383-.3400x3 -.8275 0.3488 1.0000 0.9409 0.5832 -.9601 0.6462-.2987x4 -.8049 0.2559 0.9409 1.0000 0.5633 -.8909 0.7108-.1334x5 -.9210 0.6776 0.5832 0.5633 1.0000 -.6978 0.9548-.5702x6 0.8520 -.4240 -.9601 -.8909 -.6978 1.0000 -.74160.2608x7 -.9235 0.5383 0.6462 0.7108 0.9548 -.7416 1.0000 -.3973x8 0.5756 -.3400 -.2987 -.1334 -.5702 0.2608 -.3973 1.0000 Eigenvalues of the Correlation MatrixEigenvalue Difference Proportion Cumulative1 5.53958038 4.26093054 0.6924 0.69242 1.27864984 0.60779877 0.1598 0.85233 0.67085107 0.26082731 0.0839 0.93614 0.41002376 0.30912882 0.0513 0.98745 0.10089494 0.10089494 0.0126 1.00006 0.00000000 0.00000000 0.0000 1.00007 0.00000000 0.00000000 0.0000 1.00008 0.00000000 0.0000 1.0000The PRINCOMP ProcedureEigenvectorsPrin1 Prin2 Prin3 Prin4 Prin5 Prin6 Prin7 Prin8x1 -.421195 0.073658 0.071570 -.065309 -.225417 0.870039 0.000000 0.000000x2 0.259714 -.423409 0.640724 -.538493 0.167132 0.111751 -.059057 -.094141x3 0.370540 0.360448 -.162017 -.367816 -.045671 0.122751 0.744369 0.000000x4 0.356312 0.450621 -.049838 0.005869 0.592195 0.292315 -.415392 0.242427x5 0.383433 -.301784 0.108890 0.359780 -.283087 0.155878 0.113669 0.709401x6 -.385975 -.296433 0.000368 0.185556 0.691590 0.031323 0.464713 0.182988x7 0.387261 -.095172 0.138002 0.593253 0.074481 0.248011 0.140164 -.619092x8 -.211937 0.542507 0.724373 0.233698 -.067017 -.207939 0.146121 0.111162Obs year Prin11 2009 2.933372 2007 1.623943 2008 1.426944 2005 -0.708665 2000 -2.607516 2003 -2.668074.3各指标随年份的变化如下图：4.3.1：食品消费总支出随年份的变化图：42444648x120002002200420062008y e a r4.3.2衣着消费总支出随年份的变化图：5.85.96.0x220002002200420062008y e a r4.3.3居住消费总支出随年份的变化图：161820x320002002200420062008y e a r4.3.4家庭设备用品及服务消费总支出随年份的变化图：4.44.64.85.0x420002002200420062008y e a r4.3.5交通通讯消费总支出随年份的变化图：6810x520002002200420062008y e a r4.3.6文教娱乐用品及服务消费总支出随年份的变化图：91011x620002002200420062008y e a r4.3.7医疗保健消费总支出随年份变化图：567x720002002200420062008y e a r4.3.8其他消费总支出随年份的变化图：2.22.42.6 2.83.0x820002002200420062008y e a r4.4，结果分析：利用SAS 得到数据的协方差矩阵为： S=[x1 10.34610667 -0.19080000 -5.78932667 -0.77213333x2 -0.19080000 0.00963000 0.07444000 0.00749000x3 -5.78932667 0.07444000 4.73086667 0.61029333x4 -0.77213333 0.00749000 0.61029333 0.08893667x5 -6.74865333 0.15148000 2.88947333 0.38264667x6 3.99022667 -0.06058000 -3.04066667 -0.38685333x7 -2.95518000 0.05255000 1.39836000 0.21089000x8 0.75584000 -0.01362000 -0.26518000 -0.01624000x1 -6.74865333 3.99022667 -2.95518000 0.75584000x2 0.15148000 -0.06058000 0.05255000 -0.01362000x3 2.88947333 -3.04066667 1.39836000 -0.26518000x4 0.38264667 -0.38685333 0.21089000 -0.01624000x5 5.18926667 -2.31455333 2.16376000 -0.53024000x6 -2.31455333 2.12014667 -1.07424000 0.15502000]由此看出，各个指标的样本方差差异很大，因此从样本相关系数矩阵出发做主成分分析，得到下面的相关系数矩阵R=[1.00000 -0.60447 -0.82750 -0.80494 -0.92103 0.85197 -0.92349 0.57564-0.60447 1.00000 0.34876 0.25593 0.67762 -0.42397 0.53827 -0.34000-0.82750 0.34876 1.00000 0.94087 0.58317 -0.96010 0.64623 -0.29866-0.80494 0.25593 0.94087 1.00000 0.56325 -0.89089 0.71081 -0.13340-0.92103 0.67762 0.58317 0.56325 1.00000 -0.69780 0.95476 -0.570200.85197 -0.42397 -0.96010 -0.89089 -0.69780 1.00000 -0.74158 0.26080-0.92349 0.53827 0.64623 0.71081 0.95476 -0.74158 1.00000 -0.397270.57564 -0.34000 -0.29866 -0.13340 -0.57020 0.26080 -0.39727 1.00000]同时得到个样本主成分的贡献率，累计贡献率如下表：Eigenvalues of the Correlation MatrixEigenvalue Difference Proportion Cumulative1 5.53958038 4.26093054 0.6924 0.69242 1.27864984 0.60779877 0.1598 0.85233 0.67085107 0.26082731 0.0839 0.93614 0.41002376 0.30912882 0.0513 0.98745 0.10089494 0.10089494 0.0126 1.00006 0.00000000 0.00000000 0.0000 1.00007 0.00000000 0.00000000 0.0000 1.00008 0.00000000 0.0000 1.0000可知第一个前两个主要成分的累积贡献率已经达到了89.08%，或者说农村居民家庭消费支出主要集中在衣食住行上面，下面我们只取这两个样本做进一步分析，利用SAS得到对应于r1和r2的正交单位化特征向量e1和e2，如下：标准化指标值e1 e2x1 -.421195 0.073658x2 0.259714 -.423409x3 0.370540 0.360448x4 0.356312 0.450621x5 0.383433 -.301784x6 -.385975 -.296433x7 0.387261 -.095172x8 -.211937 0.542507得到标准化指标的强两个主成分为：Y1=x1*(-.421195)+x2*(0.259714)+x3*0.370540+x4*(0.356312)+x5*0.383433+x6*-.385975+x7*0.387261+x8 * -.211937Y2= x1*(0.073658)+x2*-.423409+x3*0.360448+x4*0.450621+x5*-.301784+x6 *(-.296433)+ x7* -.095172 +x8 *(0.542507)Y1和Y2中关于各项消费水平的指标系数有正有负，说明了消费种类的差异性较大。