2011年我国农村居民生活消费分析..docVIP

多元统计分析论文 题 2011年我国农村居民生活消费分析学院 肖梦圆 学号： 刘昌慧 学号： 指导老师： 2013/12/15 2011年我国农村居民生活消费分析 摘要：本文综合了因子分析与聚类分析,先进行因子分析, 然后再根据因子分析的结果进行聚类分析。在2011年农村居民消费结构的数据基础上, 本文较多运用了31个省份的因子得分,计算出单因子情况下31个省份的得分和31个省份在八项消费产生的3个因子上的综合得分, 再把该得分作为31个省份的属性, 采用离差平方和(ward)方法进行聚类, 最后将城市分为四层，对整体进行综合评价和说明。 关键词：因子分析；聚类分析；综合评价 一、引言 由于我国国土辽阔,自然条件差异很大,经济发展极不平衡,一些地区、一些乡村、一些居民群体的生活目前与小康指标仍有差距,有的甚至还没有解决温饱问题。我国现有60%的人口在农村,农村居民的生活问题是全面建设小康社会的主要问题。因此,我们小组成员经过商讨决定 二、研究方法—因子分析法 2.1 统计思想 因子分析是主成分分析的推和发展，它也是讲具有错综复杂关系的变量（样品）为数量较少几个因子以再现原始变量与因子之间的相互关系，同时根据不同因子还可以对变量进行分类，属于多分析中处理降维的一种统计方法。样品）样品是相似系数矩阵样品样品）相似性）））性）性 2.2 数学模型（正交因子模型 2.3 因子的确定 利用2011年各地区农村居民家庭平均每人生活消费支出资料(见附表一，摘自《中国统计年鉴(2012)》),做因子相关性分析得： Correlation Matrix 食品 衣着 居住 家庭设备及服务 交通和通讯 文教娱乐用品及服务 医疗保健 其他商品和服务 Correlation 食品 1.000 .653 .745 .810 .871 .782 .711 .852 衣着 .653 1.000 .786 .778 .883 .847 .845 .792 居住 .745 .786 1.000 .877 .850 .819 .858 .858 家庭设备及服务 .810 .778 .877 1.000 .855 .840 .811 .824 交通和通讯 .871 .883 .850 .855 1.000 .896 .874 .879 文教娱乐用品及服务 .782 .847 .819 .840 .896 1.000 .883 .892 医疗保健 .711 .845 .858 .811 .874 .883 1.000 .862 其他商品和服务 .852 .792 .858 .824 .879 .892 .862 1.000 上图为相关矩阵由于都大于相关系数绝对值0.3，说明变量之间的相关程度极弱，可视为不相关；当绝对值在~0.5之间，视为低度相关；当绝对值在~0.8之间，视为中度相关当绝对值=0.8，视为高度相关） KMO是用于观测相关系数值和偏相关系数值的一个指标，KMO值越大，因子分析的相关性越强，越适合于作公共因子分析，并且因子分析的结果越好，相反，KMO值越小说明这些因子分析的相关性越弱，越不适合做因子分析。如果KMO值小于0.5，则数据较不适宜进行因素分析；Bartlett’s检验变量值是彼此独立的一系列指标，当该统计了取值很大表示拒绝零假设，适合做因子分析，否则因子分析就不适合了 KMO and Bartletts Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .868 Bartletts Test of Sphericity Approx. Chi-Square 327.825 df 28 Sig. .000 由上图可知，kmo的值为相关可知，这个越大，数据就越适合做因子分析，显著性水平位故拒绝artlett球度检验的零假设，适合做因子分析 因子相关矩阵中的数据 2.4 分析过程 2.4.1 共同度描述的是变量对m个因子的依赖程度，也就是用m个因子描述变量的有效性。本文用因子分析法，选取特征值ｒ0.2的变量作为主因子并计算其共同度，如图： Communalities Initial Extraction 食品 1.000 .984 衣着 1.000 .938 居住 1.000 .957 家庭设备及服务 1.000 .918 交通和通讯 1.000 .949 文教娱乐用品及服