R软件在西部地区新型城镇化测度中应用.docVIP

R软件在西部地区新型城镇化测度中应用 　　摘 要： 　　主成分分析能够对各种数据进行降维，应用广泛，但当得到的结果和现实有差距时要进行修正。利用层次分析方法对主成分的结果进行修正。利用R软件，给出了西部地区新型城镇化水平的综合得分，为西部地区新型城镇化建设提供一定的指导。 　　关键词： 　　R软件；新型城镇化；主成分分析；层次分析法 　　中图分类号：TB 　　文献标识码：A 　　文章编号2016 　　1 引言 　　主成分分析方法在综合评价中是经常用到的方法，其基本思想是变量降维，将大量相关的变量综合成少数几个主成分，从而简化问题，便于分析。然而，主成分分析方法有一定的局限性，其中一种局限为很多重要的变量往往占的权重比较小。新型城镇化发展需要“动力、质量、公平”三者有机统一，但是运用主成分之后，公平性的指标占的比例较小，这与新型城镇化的内涵不相符。一方面由于城镇化公平性的指标不易得，另一方面体现了主成分分析方法的局限性。 　　本文尝试对主成分分析方法的局限性进行改进。以西部地区新型城镇化水平测度为例，基于R软件，首先运用主成分分析方法，得到几个综合的主成分及其权重，之后利用层次分析方法，通过比较矩阵确定主成分权重，然后利用加权方法最终确定综合主成分的权重，最后给出西部地区新型城镇化的综合得分。 　　2 西部地区新型城镇化测度 　　选取的西部地区包括内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆。考虑西部地区新型城镇化的特殊性及相关指标的易得性，参照王等的城镇化指标的选取，本文从新型城镇化发展动力、发展质量以及发展公平等方面选取了10个指标，指标如下：人口地区生产总值、资本形成总额、公共财政收入、城镇居民消费、年末公共交通车辆运营数、年末实有道路长度、生活垃圾清运量、森林覆盖率、城镇居民人均可支配收入、年末城镇人口比重。数据来自2014年中国统计年鉴。 　　2.1 主要函数说明 　　（1）对数据进行标准化处理的函数：scale（）函数。函数用法：scale（x，center=TRUE，scale=TRUE），主要参数：x：数值型矩阵；center和scale均为逻辑参数，当center=TRUE，scale=TRUE时，对x进行标准化处理。 　　（2）KMO检验及Bartlett球形检验函数：KMO（）函数及cortest.bartlett（）。函数用法：KMO（r），主要参数：r：相关系数矩阵。 　　cortest.bartlett（R，n=NULL），主要参数：R：相关系数矩阵；n：样本容量。在使用cortest.bartlett（）时，需要加载psych包。 　　（3）主成分分析主要函数：principal（）。函数用法：principal（r，nfactors=1，residuals=FALSE，rotate=varimax，n.obs=NA，covar=FALSE，scores=TRUE，missing=FALSE，impute=median，oblique.scores=TRUE，method=regression），主要参数：r：相关系数矩阵或是原始数据矩阵；nfactors：需要提取的主成分个数，默认为1；rotate：旋转方法，默认的为方差最大化旋转varimax；scores：当scores=TRUE时，计算主成分得分。在使用principal（）时，需要加载psych包。 　　2.2 应用实例及解释 　　2.2.1 分析的基本步骤 　　第一步：读入数据。read.csv（）函数读入数据。第二步：对数据进行预处理，包括对逆变量的处理以及数据的标准化处理。由于我们选择的变量均为正指标及中性指标，因此我们只对数据进行标准化处理。运用的函数为scale（）函数。第三步：进行KMO检验及Bartlett球形检验，Bartlett球形检验的P值小于0.05时，可以认为相关系数矩阵与单位矩阵有显著性差异。当KMO检验的值大于0.5时，适合做主成分分析。运用的函数为KMO（）和cortest.bartlett（）。第四步：主成分提取、旋转命名及主成分得分的计算。一般根据相关系数矩阵的特征值大于1来确定主成分的个数，或者选取累计方差贡献率大于0.85时的特征根的个数为主成分的个数。通过旋转，使得一个变量只在尽可能少的成分上有较高的载荷，这样使得主成分的实际含义更加清晰，便于命名。当主成分确定之后，可以计算各个主成分在每个样本上的具体数值，这些数值被称为主成分得分。运用的函数为principal（）。第五步：主成分权重确定，采用主成分权重与层次分析的权重结合的综合赋权法：wj=ρwjp+（1-ρ）wje，其中为wjp主成分析