关于我国各省市经济发展的多元统计分析——课程论文.docVIP

关于我国各省市经济发展的多元统计分析 摘要 关键词 ；； Multivariate Statistical Analysis about Various Provinces and Cities Economy Development in Our Country [Abstract] Through multivariate statistical principal component analysis, factor analysis and cluster analysis method, the 31 provinces, municipalities and autonomous regions in China 11 measures of social and economic development data of multivariate statistical analysis, aimed at according to the analysis results for the area classification, comparison and development status of social economy comprehensive evaluation. [Keywords] SAS; economy development; principal component analysis; factor analysis; cluster analysis0引言 根据中国统计局公布的2011 年全国31 个省、市、自治区的有关经济发展方面的数据，按照设置指标体系的内容全面、系统及可操作性的原则[6-7]，本文选取了11 项指标来综合评价各地的经济发展状况[8-10]（具体数据见表1[11]）： 反映地区经济效益的指标：x1——人均GDP（亿元)、x2——工业总产值（亿元）； 反映宏观方面财政、投资方面的指标：x3——财政收入(万元)、x4——财政支出（万元）、x5——固定资产投资（亿元)； 反映居民消费方面的指标：x6——居民消费水平（元）、x7——居民消费价格指数（上年＝100）、x8——商品零售价格指数（上年＝100）、x9——社会消费品零售总额（亿元）； 反映居民收入方面的指标：x10——年度在岗职工平均工资（元）、x11——年度农村居民家庭人均纯收入（元）。 表1 各地区11项指标数据表 Table1 Regional 11 indicators data table 数据来源：2012年中国统计年鉴（已是最新数据） 主成分分析 主成分的基本思想 主成分分析法是霍特林于1933 年首先提出来的其原理是利用降维的思想把众多变量转化为少数几个综合指标这几个综合指标为原来变量的线性组合综合指标保留了原始变量的主要信息 彼此间又不相关能使复杂的问题简单化便于抓住主要矛盾进行分析[12-16]。 主成分分析SAS 软件输出结果及分析 根据主成分分析原理，由于各指标值有不同的量纲，我们将对数据进行标准化处理，在SAS中进行分析。处理结果显示主成分的特征值、贡献率、累积贡献率等的结果如表2。 表2 主成分的特征值及贡献率表 Table2 Eigenvalues of the Correlation Matrix 从表2 中我们可以看出前3 项相应的方差贡献分别为S1=65.54%，S2=19.98%，S3=10.24%，累积方差贡献达到了95.76%，且其特征值均大于1，这说明前面3个成分是主成分，因此可以用它们来代替原始的20 个指标它们能反映评价指标所包含的绝大部分信息。 表3 特征向量 Table3 Eigenvectors 从表3中我们可以得到主成分分析的特征向量，据此可以得到用标准化变量表达的三个主成分表达式： Prin1=0.0313523x1＋0.336370x2＋…＋0.332865x11 Prin2=－0.296709x1＋0.304239x2＋…－0.291478x11 Prin3=0.176678x1＋0.020089x2＋…＋0.158460x11 对所选主成分的解释主成分分析中一般认为绝对值大于0.3 的负载就是显著的因为0.3 的平方约为10%，即0.3 负载能解释变量方差的10%。 从表3 （主成分表达式）可见第一主成分在x1、x2、x3、x4、x6、x9、x11即人均GDP、工业总产值、财政收入、财政支出、居民消费水平、社会消费品零售总额、农村居民收入等指标上负载较大，可以说第一主成分是经济发展水平经济效益因子。 第二主成分负载最大的指标是x5、x10即固定资产投资、在岗职工平均工资，可以说第二主成分是投资、城市收入的因子。 第三主成分以x7、x8即居民