09年社会敏感问题

2009年中国社会有哪些敏感度较高的社会问题?涉及社会各个领域,对社会产生很大影响,向潜规则一样,每个人知道,政府和社会大众却有些故意避而不谈的那类问题
09-06-28  匿名提问 发布
6个回答
时间
投票
  • 0

    四足蛙

      当前,世界金融危机加剧、世界经济增长放缓,对我国经济社会发展的不利影响增大。各种不稳定、不确定因素明显增多,许多问题直接涉及群众利益。要从提高驾驭复杂局面能力、提高党的领导水平和执政水平的高度,从改革发展稳定大局出发,把做好新形势下群众工作摆在更加重要的位置,高度重视和改善民计民生,千方百计为群众谋福利,继续下大气力解决好群众反映强烈的突出问题,努力把群众工作做得更加扎实、更加富有成效,为保持我市经济社会又好又快发展做出更大贡献。
      要准确把握新形势下群众工作的特点和规律,认真研究本地区本部门本单位还有哪些涉及群众利益的事要做,还有哪些影响群众利益的问题没有解决,统筹谋划,提早动手,扎扎实实地做好各项工作。现在根据人民群众需求和困难,认真为老百姓办实事、解难题,让改革发展成果更多惠及广大群众。要探索建立做好群众工作的长效机制,逐步形成一套具有完备体系的制度规范,为今后工作的良好开局乃至今后长远发展打下坚实基础,为实现科学发展和谐发展率先发展创造良好环境。

    09-06-28 | 添加评论 | 打赏

    评论读取中....

  • 0

    djkjkjk

    2009年中国经济发展趋势分析和调控对策建议

    内容摘要:2008年我国经济经受了国内外诸多不利因素的冲击,通过精心有效的宏观调控,基本保持了平稳较快发展格局,预计GDP增长10%左右,CPI上涨6.3%左右。2009年,国际经济环境更趋严峻,我国经济面临着周期性调整和结构性调整双重压力,预计2009年GDP增长9%左右,CPI上涨4%左右,全社会固定资产投资名义增长19%,社会消费品零售额名义增长16%,贸易顺差2350亿美元,同比减少约9%。建议宏观调控将“保增长、促转型”作为基本取向,实行积极的财政政策和稳健的货币政策。
    一、2008年中国经济在发展中调整
    2008年,次贷危机对世界经济的冲击超出预期,国内出现突如其来的重特大自然灾害。面对国内外一系列不利因素,党中央、国务院沉着应对、果断决策,适时调整宏观调控政策的方向、重点和力度,在严峻的国际国内环境中保持了中国经济平稳较快发展的基本面。
    1.控制物价过快上涨的政策措施取得初步成效
    无论是年初确定的“双防”方针还是年中调整的“一保一控”方针,我国始终将控制物价过快上涨作为2008年宏观调控主要目标之一,采取综合措施全面控防通货膨胀。支农惠农政策力度加强,使夏粮连续第五年增产,秋粮丰收在望,肉禽蛋等生产稳定发展,食品价格同比涨幅已经从2月份最高时的23.3%回落到8月份的10.3%,其中猪肉价格从2月份上涨63.4%回落到8月份上涨1.0%。食品价格过快上涨势头的扭转成为我国居民消费价格涨幅明显回落的主要原因。8月份,居民消费价格总水平同比上涨4.9%,涨幅比2月份高点8.7%回落了3.8个百分点,年内有望继续小幅走低,预计2008年全年居民消费价格累计上涨6.3%,物价过快上涨的趋势初步得到扭转。
    2.及时调整调控政策取向促进三大需求积极变化
    在国内外不利因素影响下,我国经济连续减速,经营困难的企业和行业不断增多,党中央、国务院及时将“防止经济由偏快转向过热”的政策取向调整为“保持经济平稳较快发展”的新目标,及时出台了多项微调措施,促进下半年三大需求出现积极变化。社会消费品零售总额增长更加强劲,1-8月累计社会消费品零售总额同比增长21.9%,增幅同比加快6.2个百分点;扣除价格因素,实际增长13.8%,增幅同比加快1.5个百分点。固定资产投资基本保持稳定增长,前8个月城镇固定资产投资84920亿元,同比增长27.4%,增幅同比加快0.7个百分点。在出口退税率提高和汇率升值放缓等多项政策利好刺激下,7、8月份当月贸易顺差同比增长3.8%和14.9%。总需求的积极变化有利于稳定经济走势,初步预计2008年国内生产总值实际增长10%左右。
    3.经济结构优化升级步伐加快
    在宏观调控政策引力和市场压力的共同作用下,经济结构调整步伐明显加快。外贸结构进一步优化,“两高一资”产品和粮食出口受到政策限制,高新技术产品和机电产品出口比重上升。从工业生产看,高能耗产品产量增速明显放缓,1-8月,生铁、粗钢、钢材、十种有色金属和水泥产量分别增长6.5%、8.3%、10.1%、13.3%和7.4%,增幅同比下降9.8个、9.4个、10.8个、11个和7.6个百分点。大规模集成电路的产量同比增幅由去年10.2%提高到今年的31.6%;大气污染防治设备产量同比增幅由去年的5.2%提高到今年的50.3%。工业结构的改善有利于减少资源消耗和污染排放,预计今年节能减排完成情况好于去年。
    当前我国经济运行中也出现许多新矛盾和新问题。价格上涨压力尚未根本缓解,企业成本上升和外需明显收缩使部分行业和企业生产经营困难加大;证券市场股指调整幅度过大和成交低迷,房地产市场观望气氛浓厚;能源资源价格形成机制改革不到位,煤电油气运短期供求矛盾十分突出;资本跨境流动使我国货币流动性过剩压力不减,但中小企业生产经营资金又十分紧张;制约农民持续增收的不利因素较多,服务业发展仍然面临诸多体制性障碍;在周期性和结构性调整双重压力下,经济下行风险加大。下图显示,2008年二季度以来,反映经济未来运行趋势的先行指数下降势头明显,表明经济趋势性下滑的风险在增大。
    对2008年我国经济发展的主要指标预测详见附表1。









    二、充分估计2009年国内外经济环境严峻性
    国际经济环境更趋严峻对我国形成较大的周期性调整压力,我国企业还面临生产要素价格上升、市场需求结构变化和节能减排等政策性导向所形成的结构性调整压力,2009年国内外经济环境中不利因素和不确定因素增多。
    1.次贷危机的恶化使世界经济复苏艰难
    次贷危机继续向纵深发展,正在严重破坏国际金融体系的运行秩序。这场金融危机到底会发展到什么程度和什么时候充满不确定性。次贷危机对实体经济的影响继续扩散,由于发达国家金融领域普遍出现信用和信心危机,企业从资本市场直接融资规模缩水,商业银行普遍的惜贷行为使工商业实体经济活动失去金融支持。美国、欧盟和日本三大经济体经济增长前景黯淡,经济全球化造成的世界各国经济周期同步性将放大次贷危机对全世界实体经济的拖累。资本市场和房地产市场资产价格大调整严重打击经济信心,使世界经济的复苏可能进一步推迟。世界经济复苏缺乏新的增长点,2009年世界经济增长率和贸易增长率将低于2008年。今年8月份以来,全球经济降温使国际油价跌幅超过30%,带动其它国际大宗商品价格不同程度的下降,近期各国通货膨胀率纷纷呈现见顶回落迹象,预计2009年随着世界经济进一步降温,通货膨胀压力较2008年减弱。
    2.国际经济低迷将进一步收缩我国外部需求
    2008年,美国经济陷入次贷危机后的低迷状态,美元对人民币大幅贬值,我国对美国出口增速大幅放缓,1-8月份仅增长10.6%。但由于人民币对欧元汇率相对稳定,1-8月份对欧盟出口仍然增长26.3%。次贷危机负面影响已经从美国向欧洲、日本和新兴国家传导,欧盟和日本二季度经济负增长;同时,8月份以后美元汇率反弹使人民币对欧元、日元升值加快,2009年我国对美、欧、日等主要经济体出口可能全面放缓,外贸顺差规模进一步缩小,净出口对经济增长的下拉影响可能比2008年更加严重,使我国2009年产能过剩矛盾更加突出。
    3.房地产开发投资降温,带动相关产业固定资产投资减速
    1-8月份,房地产开发投资增长29.1%,占固定资产投资总额的21.4%。但房地产成交量大幅萎缩,房价调整迹象明显,房地产开发商资金链紧张,市场可能由“量跌价滞”进一步发展为“量价齐跌”,初步预计,在2008年高基数的台阶上,2009年房地产开发投资增速将下滑到10%以下,房地产投资增量从6800元减少为3200亿元,这将导致固定资产投资明显减速。由于房地产是产业链较长的支柱产业,也是这一轮经济扩张的龙头产业,它的周期性调整将拖累一连串行业景气度下降,钢铁、建材等相关产业固定资产投资可能随之减速。地方政府基础设施投资资金来源主要来自土地出让金收入,今年以来各地土地出让金收入增幅明显下降将影响明年的基础设施建设规模。
    4.城乡居民收入增幅下降,保持消费需求快速增长难度加大
    2008年支撑我国经济平稳较快增长的重要支柱是居民消费的快速增长。但农民进一步增收面临许多制约因素,股市和房市调整使城镇居民财产性收入缩水,扣除物价因素后城乡居民实际收入增幅比前几年下降。“奥运景气”消失后,社会消费品零售总额增长速度可能逐步放缓。汽车、住房两大消费热点开始降温。1-7月份,商品房销售面积同比下降10.8%,增幅下降37.2个百分点。上半年汽车销量增幅回落11.4个百分点,8月份全国汽车销售环比下降5.53%,同比下降6.34%。房地产和汽车两大消费热点退潮后在短期内很难由其它消费热点替代,2009年社会消费品零售的名义增长和实际增长都可能低于2008年。
    5.成本上升与产能过剩“两碰头”,企业效益不容乐观
    2008年不得已对成品油、电力、公用事业等价格实行行政管制的负面作用越来越大,经济运行正常秩序受到较大影响。8月份火力发电仅增长1.8%,从供给方面约束了工业生产正常增长,如不及时解决这一突出矛盾,工业急剧减速将会威胁到我国经济平稳较快发展的基本面。2009年我国能源资源等要素价格形成机制改革势在必行,但在产能过剩背景下企业将面临成本上升而销售价格难以提高的重压,企业效益将大幅滑坡,财政收入形势严峻。
    三、2009年不同政策和环境组合下的经济增长情景预测
    2009年,国际经济环境复杂多变,不确定因素增多,我国宏观调控必须采取灵活有效的应对之策。我们将2009年国际经济环境分为轻微衰退、低速增长和轻微复苏三种情境,相对应地设计了三种不同力度的宏观调控政策组合,模拟预测了三种可能情景下的中国经济走势(见附表2)。
    1.中方案:平稳增长情景(GDP增长9%左右)
    美国、欧洲、日本三大经济体低速增长但没有陷入衰退,国际石油、粮食价格虽有波动但年均价水平比2008年有所下降,国内外没有比雷曼破产、汶川地震更强烈的突发事件发生;宏观调控以“保持经济平稳较快发展、促进经济结构转型升级”为首要政策目标,实行积极的财政政策和稳健的货币政策,在全国范围全面实施增值税转型,并根据实际运行变化,围绕“保增长、促转型”出台一系列政策措施。发行长期建设国债2000亿元。广义货币供应量增长16%-17%,保证对普通住宅、经济适用房等房地产项目的正常贷款。
    在上述条件下,经初步测算,预计2009年国内生产总值将增长9%左右。分产业看,第一产业增速小幅回落到3%左右。第二产业受出口和投资减速影响较大,规模以上工业增加值增速由2008年的15%减速为13.5%,第二产业增速也由2008年的11.1%减速为10.2%。受金融、交通运输和房地产等服务业减速影响,预计第三产业增速比2008年低0.5个百分点。预计房地产投资增速从2008年27%骤然下降到10%左右,多数制造业投资降温;虽然有积极财政政策和灾后重建等加速因素支撑,全社会固定资产投资名义增长仍然回落7.5个百分点,预计名义增长率达到19%,城镇固定资产投资名义增长20%。社会消费品零售总额名义增幅预计达到16%左右,同比下降5个百分点。世界贸易增长放缓使我国进出口同时减速,预计全年出口和进口分别将增长14.5%和19.5%,增幅同比下降6.5个和7.5个百分点,贸易顺差约2369亿美元,同比减少9%左右。理顺资源能源和公用事业价格成为影响居民消费价格的主要因素,预计居民消费价格上涨4%左右。城镇登记失业率由4%上升4.3%左右。
    这一情景的特点是考虑国内外不利因素增多,国内宏观调控明确“保增长、促转型”的政策,财政政策和货币政策同时作出重大调整,给社会强烈的政策预期引导,防止了经济景气连续惯性下滑,为缓解产能过剩压力、加快结构调整、深化体制改革提供较为宽松的景气环境。从现在掌握的信息资源分析,2009年出现这一情景的概率预计达到60%左右。
    2、高方案:快速增长情景(GDP增长9.5%以上)
    美国、欧盟和日本经济在2009年出现复苏,世界经济实际情况好于预期,国际石油价格水平低于2008年,国内外没有影响经济发展的重大突发事件发生;同时,宏观调控政策以“保增长”为首要目标,实行“双扩张”的财政政策和货币政策,在全国范围全面实施增值税转型,中央财政发行建设国债3000亿元,广义货币供应量增长18%左右,向在建和新开工投资项目(包括房地产)提供充足的贷款。
    在上述条件下,虽然房地产投资增速由2008年的27%下降到15%左右,但新开工的基础设施、保障性住房和灾后重建投资规模较大,固定资产投资增长仍然较快,全社会固定资产投资名义增长达到24.5%。由于就业和收入状况较好,社会消费品零售总额增幅达到18%。国际经济形势好于预期使出口增长17.5%,国内保持高增长使资源性产品的进口需求保持旺盛,进口增幅也达22.5%,对外贸易顺差达到2447亿美元左右,同比减少6%。初步预计经济增长率将保持9.5%以上的速度,但居民消费价格水平也继续保持在5%左右,理顺资源能源和公用事业价格成为影响居民消费价格的主要因素。城镇登记失业率保持4%左右。
    这一情景的特点是国际经济表现好于预期和宏观调控全面扩张政策的力量重合,较好维持了经济景气,继续保持就业扩大的局面,但可能进一步加剧能源、环境压力,可能使控制通货膨胀的成效前功尽弃,不利于保持经济长期平稳较快发展。出现这一情景的概率预计在20%左右。
    3、低方案:大幅下滑情景(GDP增长8.5%以下)
    如果我国继续实行稳健的财政政策和从紧的货币政策,同时美国、欧洲和日本经济轻微衰退;国内房地产投资增速下滑到5%以下,投资新开工项目明显减少,虽有灾后重建等政策性投资支撑,但全社会固定资产投资名义增长14.5%左右,增幅比上年下降12个百分点;社会消费品零售总额名义增长14%,也比上年下降8个百分点;由于国内景气下滑,进口增幅下降,出口和进口分别增长11.5%和16.5%,贸易顺差2291亿美元,同比减少12%。经济增长率可能下滑到8.5%以下。由于经济景气明显回落,物价上涨压力减弱,居民消费价格上涨3%左右。城镇登记失业率由4%上升4.5%左右。
    这一情景的特点是国际环境剧烈变化与国内政策变化的紧缩效果叠加,使经济降温过快,就业压力更加突出,金融坏帐快速浮出水面。我们认为,我国宏观调控的前瞻性、有效性在实践中不断提高,必然会根据经济运行变化适时调整政策力度,这一情景发生的概率仅为20%左右。
    四、对2009年宏观调控的对策建议
    我国仍然处于工业化、城市化双加速的发展战略机遇期,国内储蓄率较高,外汇储备充裕,基础设施投资空间充分,国内消费市场潜力较大,在科学发展观指导下进一步完善社会主义市场经济体制将有力激发国内各方面发展积极性,因此,我国经济具有应对各种困难和挑战的活力和潜力,通过适时有效的调控,我国经济定能继续保持平稳较快发展的基本面。对2009年宏观调控的主要政策建议是:
    1.以“保增长、促转型”为宏观调控的基本取向
    当前,价格上涨压力尚未根本缓解,但从国内农产品价格走势、国际大宗商品价格走势、次贷危机后国际货币流动性变化趋势和美元汇率走势等因素看,我国控制物价过快上涨有了更加有利的国内外环境,控物价的政策效果2009年将进一步显现。与此同时,次贷危机对世界各国实体经济的破坏作用不断加剧,国内一些地区和行业增长速度回落过快,经济过快下滑的风险在逐步增大。建议2009年将“保持经济平稳较快发展、促进经济结构转型升级”作为宏观调控首要政策目标。之所以要将“保增长”和“促转型”并列为首要政策目标,是因为我国当前经济运行中总量矛盾和结构矛盾同样突出,解决当前经济困难不仅需要总量政策的适度放松,更重要的是只有通过经济结构转型升级才能重构中国经济增长新活力,重获中国经济新的国际竞争力。将“保增长”和“促转型”并列为首要政策目标有利于进一步统一全党全国应对复杂形势的思想和行动,将各级政府和企业的发展积极性更好地引导到落实科学发展观上来,防止为保增长重走粗放型发展老路。
    2.实行积极的财政政策,更多发挥市场配置资源作用
    建议2009年实行积极的财政政策。不同于应对亚洲金融危机时所实行的积极财政政策,这次不仅要扩大政府建设投资,由政府配置资源来集中力量办大事,更要强调通过市场配置资源来促进经济结构转型升级。通过减税费降低企业成本和居民负担,增强企业投资和居民消费的积极性。加大对结构转型的财政支持力度,在全国全面实施增值税转型改革,以促进企业设备装备更新;建立财政科技投入稳定增长机制,加大对公益性科研机构和公益性行业科研的支持力度,支持国内重大装备制造业振兴和国家战略性产业发展。开展企业创新风险投资试点,为企业技术创新营造良好的政策环境。
    建议2009年中央长期建设国债发行规模扩大到2000亿元,重点用于灾后重建、国家重点基础设施建设项目、节能减排和结构升级等产业发展项目、支持“三农”项目等,采用银行配套贷款、吸收民间资金入股等办法,扩大国债投资带动作用。
    3.实行稳健的货币政策
    2009年我国货币流动性局面存在较大不确定性。既可能因为次贷危机进一步恶化使国内金融机构对国内经济形势和企业盈利前景预期转坏,普遍出现“惜贷”现象,同时国际“热钱”大量撤出,造成我国信贷市场、资本市场和货币市场交易量大幅萎缩,突然由流动性过剩转变为流动性不足,企业生产经营活动的资金严重短缺;也可能因为中国经济表现明显好于其他国家从而国际“热钱”继续大量流入我国,延续我国这几年一直存在的货币被动投放局面,银行体系流动性过剩。面对不确定性,实行紧缩或扩张的货币政策都不适宜,因此建议2009年实行稳健的货币政策,货币当局要根据货币流动性变化实际情况,灵活调整法定存款准备金率和存贷款利率,广义货币供应量增长率控制在16%-17%,取消信贷额度管理,重点加强信贷结构引导,在重视中小企业贷款的同时,引导资金向结构调整、自主创新、节能环保和国债项目配套倾斜,更好发挥货币政策在促转型中的独特作用。
    4.加大政府对保障性住房投资,稳定房地产市场
    前几年房地产价格上涨过快,超出了城镇居民的承受能力,出现调整实属必然。对房地产市场的调控要以改善供给结构和满足自住需求为导向,既要促进房价的理性回归,也要防范多重不利因素叠加导致市场过度调整。改善供给结构,增加廉租房、经济适用房、普通住宅的土地供应,加大保障性住房和普通住宅供给,大中型城市要扩大政府对保障性住房的投资,完善住房保障体系。金融机构应对在施房地产投资项目进行风险评估,保证对普通住宅和经济适用房等房地产项目的正常贷款,稳定房地产投资规模,保证在施房地产投资项目正常施工和竣工,防止因资金链断裂而出现大面积“烂尾楼”现象。要允许房地产上市公司和其它优质房地产公司通过企业债券市场筹集资金,鼓励房地产行业的兼并重组。前期出台的住宅交易环节税反而增加了购房人负担,应当及时取消。适当降低居民首套自住房贷款利率,取消对“第二套住房”特别贷款限制政策,吸引居民在房价回落到合理水平时踊跃入市。
    5.完善消费政策,进一步挖掘消费增长潜力
    要深化全党对扩大消费重要性的认识,未来中国经济的新增长点必然在13亿人民的消费需求,经济结构转型最重要的方面是需求结构从主要依靠外需转向主要依靠城乡居民消费升级。要从宏观收入分配环节千方百计增加城乡居民收入,建议降低居民储蓄存款利息个人所得税税率为零,提高工薪所得费用扣除标准到3000元,增加居民实际可支配收入,减轻低收入者税负。实行积极就业政策,扩大城乡就业,落实好《劳动合同法实施条例》相关政策,根据物价水平变动提高各地最低工资标准。加大对农村商贸流通体系和文化服务设施建设的投入力度,改善农村消费环境。完善消费税制度,引导居民合理消费。大力发展旅游、文化、体育等服务性消费,培育新的消费热点。
    6.完善外贸政策,帮助外向型企业渡过难关
    建议稳定人民币汇率,减弱人民币升值预期,消除次贷危机对我国出口的汇率传导机制,避免汇率成为美国转嫁危机的政策工具。次贷危机恶化后,发达国家未来的贸易壁垒会更多,贸易保护措施会更加频繁使用,中外贸易摩擦也会进一步增加。为此,中国政府和企业应有预见性地做好应对措施,务实、有效化解中外贸易可能出现的纠纷。如有必要,还可联合其他相关国家,在WTO框架下联合抵制发达国家可能出现的通过贸易保护向国际社会转嫁危机的做法。可细化劳动密集型产品的不同技术含量和附加值含量,对纺织轻工行业的鼓励类产品进一步提高出口退税率。重点支持自主品牌产品与高技术附加值产品出口,加快建立和完善自主性国际营销网络和售后服务体系;要对中小型外贸企业在资金、技术上予以一定支持,帮助企业通过技术升级渡过难关。继续严格控制粮食、化肥、钢材、煤炭和焦炭等“两高一资”产品出口。努力扩大重要资源、先进技术装备和关键零部件进口。
    7.抓住有利时机,理顺资源能源价格
    当前,国内农产品价格上涨压力逐步减轻,国际石油等大宗商品价格全面回落,为我国理顺资源能源价格、改革资源能源价格形成机制提供了有利时机。要标本兼治,以治本为主,下决心适时推出成品油价格形成机制改革,加快电价改革步伐,促进合理电价机制的形成。主要采用经济手段解决当前电煤、成品油、供热等由价格引发的供需矛盾,做好电力、煤炭、成品油、供热等供给保障工作,从供给面保障生产生活正常秩序。要进一步强化电力需求侧管理,抑制不合理需求。改革资源税费制度,完善资源有偿使用制度和生态环境补偿机制。
    附表1: 2008年中国经济主要指标预测(亿元,%)
    指标 2007年实际 2008年1-8月 2008年预测
    绝对数 增长 绝对数 增长 绝对数 增长
    GDP 249530 11.9 130619 10.4 297767 10
    一产 28095 3.7 11800 3.5 33967 3.6
    二产 121381 13.4 67419 11.3 146054 11.1
    三产 100054 12.6 51400 10.5 117746 10.4
    规模以上工业增加值 18.5 15.7 15.0
    轻工业 16.3 13.3 12.8
    重工业 19.6 16.8 16.0
    全社会固定资产投资 137239 24.8 68402 26.3 173607 26.5
    城镇固定资产投资 117414 25.8 84920 27.4 149703 27.5
    房地产投资 25280 30.2 18430 29.1 32106 27.0
    社会消费品零售额 89210 16.8 68439.2 21.9 108658 21.8
    出口(亿美元) 12180 25.7 9377 22.4 14738 21.0
    进口(亿美元) 9558 20.8 7857 30.0 12139 27.0
    外贸顺差(亿美元) 2622 50.0 1520 -6.2 2599 -0.9
    居民消费价格指数 104.8 4.8 107.3 7.3 106.3 6.3
    工业品出厂价格指数 103.1 3.1 108.2 8.2 108.6 8.6
    原材料、燃料、动力购进价格 104.4 4.4 112.2 12.2 112.5 12.5


    注:GDP、三次产业增加值、全社会投资为上半年数据,货币、工业增加值、零售额为1-8月份数据。GDP、工业增加值为可比价格的实际增长率,其它为名义增长率。

    附表2: 2009年三种经济增长情境预测
    指标 低方案 中方案 高方案
    绝对数 增长 绝对数 增长 绝对数 增长
    GDP 335593 8.5 339006 9.0 345147 9.5
    一产 36490 2.8 36736 3.0 38144 3.2
    二产 165375 9.6 167407 10.2 171395 10.8
    三产 133728 9.4 134863 9.9 135608 10.4
    规模以上工业增加值 10.5 13.5 14.2
    轻工业 9.7 11.0 12.6
    重工业 13.1 14.0 15.0
    全社会固定资产投资 198780 14.5 206593 19.0 216141 24.5
    城镇固定资产投资 172907 15.5 179643 20.0 187877 25.5
    房地产投资 33711 5.0 35316 10.0 36921 15.0
    社会消费品零售额 123870 14.0 126043 16.0 128216 18.0
    出口 16433 11.5 16875 14.5 17317 17.5
    进口 14142 16.5 14506 19.5 14870 22.5
    外贸顺差(亿美元) 2291 -11.9 2369 -8.9 2447 -5.9
    居民消费价格指数 103.0 3.0 104.0 4.0 105.0 5.0
    工业品出厂价格指数 102.0 2.0 103.5 3.5 105.5 5.5
    原材料、燃料、动力购进价格 103.5 3.5 105.5 5.5 107.5 7.5


    注:GDP、工业增加值的增速为可比价格的实际增长率,其它为名义增长率。

    09-07-19 | 添加评论 | 打赏

    评论读取中....

  • 0

    电视机方法

    1. 因子分析模型

    因子分析法是从研究变量内部相关的依赖关系出发,把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法。它的基本思想是将观测变量进行分类,将相关性较高,即联系比较紧密的分在同一类中,而不同类变量之间的相关性则较低,那么每一类变量实际上就代表了一个基本结构,即公共因子。对于所研究的问题就是试图用最少个数的不可测的所谓公共因子的线性函数与特殊因子之和来描述原来观测的每一分量。

    因子分析的基本思想:
         把每个研究变量分解为几个影响因素变量,将每个原始变量分解成两部分因素,一部分是由所有变量共同具有的少数几个公共因子组成的,另一部分是每个变量独自具有的因素,即特殊因子


       因子分析模型描述如下:

    (1)X = (x1,x2,…,xp)¢是可观测随机向量,均值向量E(X)=0,协方差阵Cov(X)=∑,且协方差阵∑与相关矩阵R相等(只要将变量标准化即可实现)。

    (2)F = (F1,F2,…,Fm)¢ (m<p)是不可测的向量,其均值向量E(F)=0,协方差矩阵Cov(F) =I,即向量的各分量是相互独立的。

    (3)e = (e1,e2,…,ep)¢与F相互独立,且E(e)=0, e的协方差阵∑是对角阵,即各分量e之间是相互独立的,则模型:

    x1 = a11F1+ a12F2 +…+a1mFm + e1

    x2 = a21F1+a22F2 +…+a2mFm + e2

    ………

    xp = ap1F1+ ap2F2 +…+apmFm + ep

    称为因子分析模型,由于该模型是针对变量进行的,各因子又是正交的,所以也称为R型正交因子模型。

    其矩阵形式为: x =AF + e .

    其中:

    x=,A=,F=,e=

    这里,

    (1)m £ p;

    (2)Cov(F,e)=0,即F和e是不相关的;

    (3)D(F) = Im ,即F1,F2,…,Fm不相关且方差均为1;

    D(e)=,即e1,e2,…,ep不相关,且方差不同。

    我们把F称为X的公共因子或潜因子,矩阵A称为因子载荷矩阵,e 称为X的特殊因子。

    A = (aij),aij为因子载荷。数学上可以证明,因子载荷aij就是第i变量与第j因子的相关系数,反映了第i变量在第j因子上的重要性。

    2. 模型的统计意义

    模型中F1,F2,…,Fm叫做主因子或公共因子,它们是在各个原观测变量的表达式中都共同出现的因子,是相互独立的不可观测的理论变量。公共因子的含义,必须结合具体问题的实际意义而定。e1,e2,…,ep叫做特殊因子,是向量x的分量xi(i=1,2,…,p)所特有的因子,各特殊因子之间以及特殊因子与所有公共因子之间都是相互独立的。模型中载荷矩阵A中的元素(aij)是为因子载荷。因子载荷aij是xi与Fj的协方差,也是xi与Fj的相关系数,它表示xi依赖Fj的程度。可将aij看作第i个变量在第j公共因子上的权,aij的绝对值越大(|aij|£1),表明xi与Fj的相依程度越大,或称公共因子Fj对于xi的载荷量越大。为了得到因子分析结果的经济解释,因子载荷矩阵A中有两个统计量十分重要,即变量共同度和公共因子的方差贡献。

    因子载荷矩阵A中第i行元素之平方和记为hi2,称为变量xi的共同度。它是全部公共因子对xi的方差所做出的贡献,反映了全部公共因子对变量xi的影响。hi2大表明x的第i个分量xi对于F的每一分量F1,F2,…,Fm的共同依赖程度大。

    将因子载荷矩阵A的第j列( j =1,2,…,m)的各元素的平方和记为gj2,称为公共因子Fj对x的方差贡献。gj2就表示第j个公共因子Fj对于x的每一分量xi(i= 1,2,…,p)所提供方差的总和,它是衡量公共因子相对重要性的指标。gj2越大,表明公共因子Fj对x的贡献越大,或者说对x的影响和作用就越大。如果将因子载荷矩阵A的所有gj2 ( j =1,2,…,m)都计算出来,使其按照大小排序,就可以依此提炼出最有影响力的公共因子。

    3. 因子旋转

    建立因子分析模型的目的不仅是找出主因子,更重要的是知道每个主因子的意义,以便对实际问题进行分析。如果求出主因子解后,各个主因子的典型代表变量不很突出,还需要进行因子旋转,通过适当的旋转得到比较满意的主因子。

    旋转的方法有很多,正交旋转(orthogonal rotation)和斜交旋转(oblique rotation)是因子旋转的两类方法。最常用的方法是最大方差正交旋转法(Varimax)。进行因子旋转,就是要使因子载荷矩阵中因子载荷的平方值向0和1两个方向分化,使大的载荷更大,小的载荷更小。因子旋转过程中,如果因子对应轴相互正交,则称为正交旋转;如果因子对应轴相互间不是正交的,则称为斜交旋转。常用的斜交旋转方法有Promax法等。

    4.因子得分

    因子分析模型建立后,还有一个重要的作用是应用因子分析模型去评价每个样品在整个模型中的地位,即进行综合评价。例如地区经济发展的因子分析模型建立后,我们希望知道每个地区经济发展的情况,把区域经济划分归类,哪些地区发展较快,哪些中等发达,哪些较慢等。这时需要将公共因子用变量的线性组合来表示,也即由地区经济的各项指标值来估计它的因子得分。

    设公共因子F由变量x表示的线性组合为:

    Fj = uj1 xj1+ uj2 xj2+…+ujpxjp j=1,2,…,m

    该式称为因子得分函数,由它来计算每个样品的公共因子得分。若取m=2,则将每个样品的p个变量代入上式即可算出每个样品的因子得分F1和F2,并将其在平面上做因子得分散点图,进而对样品进行分类或对原始数据进行更深入的研究。

    但因子得分函数中方程的个数m小于变量的个数p,所以并不能精确计算出因子得分,只能对因子得分进行估计。估计因子得分的方法较多,常用的有回归估计法,Bartlett估计法,Thomson估计法。

    (1)回归估计法

    F = X b = X (X ¢X)-1A¢ = XR-1A¢ (这里R为相关阵,且R = X ¢X )。

    (2)Bartlett估计法

    Bartlett估计因子得分可由最小二乘法或极大似然法导出。

    F = [(W-1/2A)¢ W-1/2A]-1(W-1/2A)¢ W-1/2X = (A¢W-1A)-1A¢W-1X

    (3)Thomson估计法

    在回归估计法中,实际上是忽略特殊因子的作用,取R = X ¢X,若考虑特殊因子的作用,此时R = X ¢X+W,于是有:

    F = XR-1A¢ = X (X ¢X+W)-1A¢

    这就是Thomson估计的因子得分,使用矩阵求逆算法(参考线性代数文献)可以将其转换为:

    F = XR-1A¢ = X (I+A¢W-1A)-1W-1A¢

    5. 因子分析的步骤

    因子分析的核心问题有两个:一是如何构造因子变量;二是如何对因子变量进行命名解释。因此,因子分析的基本步骤和解决思路就是围绕这两个核心问题展开的。

    (i)因子分析常常有以下四个基本步骤:

    (1)确认待分析的原变量是否适合作因子分析。

    (2)构造因子变量。

    (3)利用旋转方法使因子变量更具有可解释性。

    (4)计算因子变量得分。

    (ii)因子分析的计算过程:

    (1)将原始数据标准化,以消除变量间在数量级和量纲上的不同。

    (2)求标准化数据的相关矩阵;

    (3)求相关矩阵的特征值和特征向量;

    (4)计算方差贡献率与累积方差贡献率;

    (5)确定因子:

    设F1,F2,…, Fp为p个因子,其中前m个因子包含的数据信息总量(即其累积贡献率)不低于80%时,可取前m个因子来反映原评价指标;

    (6)因子旋转:

    若所得的m个因子无法确定或其实际意义不是很明显,这时需将因子进行旋转以获得较为明显的实际含义。

    (7)用原指标的线性组合来求各因子得分:

    采用回归估计法,Bartlett估计法或Thomson估计法计算因子得分。

    (8)综合得分

    以各因子的方差贡献率为权,由各因子的线性组合得到综合评价指标函数。

    F = (w1F1+w2F2+…+wmFm)/(w1+w2+…+wm )

    此处wi为旋转前或旋转后因子的方差贡献率。

    (9)得分排序:利用综合得分可以得到得分名次。

    在采用多元统计分析技术进行数据处理、建立宏观或微观系统模型时,需要研究以下几个方面的问题:

    · 简化系统结构,探讨系统内核。可采用主成分分析、因子分析、对应分析等方法,在众多因素中找出各个变量最佳的子集合,从子集合所包含的信息描述多变量的系统结果及各个因子对系统的影响。“从树木看森林”,抓住主要矛盾,把握主要矛盾的主要方面,舍弃次要因素,以简化系统的结构,认识系统的内核。

    · 构造预测模型,进行预报控制。在自然和社会科学领域的科研与生产中,探索多变量系统运动的客观规律及其与外部环境的关系,进行预测预报,以实现对系统的最优控制,是应用多元统计分析技术的主要目的。在多元分析中,用于预报控制的模型有两大类。一类是预测预报模型,通常采用多元线性回归或逐步回归分析、判别分析、双重筛选逐步回归分析等建模技术。另一类是描述性模型,通常采用聚类分析的建模技术。

    · 进行数值分类,构造分类模式。在多变量系统的分析中,往往需要将系统性质相似的事物或现象归为一类。以便找出它们之间的联系和内在规律性。过去许多研究多是按单因素进行定性处理,以致处理结果反映不出系统的总的特征。进行数值分类,构造分类模式一般采用聚类分析和判别分析技术。

    如何选择适当的方法来解决实际问题,需要对问题进行综合考虑。对一个问题可以综合运用多种统计方法进行分析。例如一个预报模型的建立,可先根据有关生物学、生态学原理,确定理论模型和试验设计;根据试验结果,收集试验资料;对资料进行初步提炼;然后应用统计分析方法(如相关分析、逐步回归分析、主成分分析等)研究各个变量之间的相关性,选择最佳的变量子集合;在此基础上构造预报模型,最后对模型进行诊断和优化处理,并应用于生产实际。
     Rotated Component Matrix,就是经转轴后的因子负荷矩阵,
    当你设置了因子转轴后,便会产生这结果。
    转轴的是要得到清晰的负荷形式,以便研究者进行因子解释及命名。

    SPSS的Factor Analysis对话框中,有个Rotation钮,点击便会弹出Rotation对话框,
    其中有5种因子旋转方法可选择:

    1.最大变异法(Varimax):使负荷量的变异数在因子内最大,亦即,使每个因子上具有最高载荷的变量数最少。

    2.四次方最大值法(Quartimax):使负荷量的变异数在变项内最大,亦即,使每个变量中需要解释的因子数最少。

    3.相等最大值法(Equamax):综合前两者,使负荷量的变异数在因素内与变项内同时最大。

    4.直接斜交转轴法(Direct Oblimin):使因素负荷量的差积(cross-products)最小化。

    5.Promax 转轴法:将直交转轴(varimax)的结果再进行有相关的斜交转轴。因子负荷量取2,4,6次方以产生接近0但不为0的值,藉以找出因子间的相关,但仍保有最简化因素的特性。

    上述前三者属於「直交(正交)转轴法」(Orthogonal Rotations),在直交转轴法中,因子与因子之间没有相关,因子轴之间的夹角等於90 度。后两者属於「斜交转轴」(oblique rotations),表示因子与因子之间彼此有某种程度的相关,因素轴之间的夹角不是90度。

    直交转轴法的优点是因子之间提供的讯息不会重叠,受访者在某一个因子的分數与在其他因子的分數,彼此独立互不相关;缺点是研究迫使因素之间不相关,但这种情况在实际的情境中往往并不常存在。至於使用何种转轴方式,须视乎研究题材、研究目的及相关理论,由研究者自行设定。

    在根据结果解释因子时,除了要看因子负荷矩阵中,因子对哪些变量呈高负荷,对哪些变量呈低负荷,还须留意之前所用的转轴法代表的意义。


    2,主成分分析(principal component analysis)

    将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法。又称主分量分析。在实际课题中,为了全面分析问题,往往提出很多与此有关的变量(或因素),因为每个变量都在不同程度上反映这个课题的某些信息。但是,在用统计分析方法研究这个多变量的课题时,变量个数太多就会增加课题的复杂性。人们自然希望变量个数较少而得到的信息较多。在很多情形,变量之间是有一定的相关关系的,当两个变量之间有一定相关关系时,可以解释为这两个变量反映此课题的信息有一定的重叠。主成分分析是对于原先提出的所有变量,建立尽可能少的新变量,使得这些新变量是两两不相关的,而且这些新变量在反映课题的信息方面尽可能保持原有的信息。主成分分析首先是由K.皮尔森对非随机变量引入的,尔后H.霍特林将此方法推广到随机向量的情形。信息的大小通常用离差平方和或方差来衡量。
    (1)主成分分析的原理及基本思想。
    原理:设法将原来变量重新组合成一组新的互相无关的几个综合变量,同时根据实际需要从中可以取出几个较少的总和变量尽可能多地反映原来变量的信息的统计方法叫做主成分分析或称主分量分析,也是数学上处理降维的一种方法。
    基本思想:主成分分析是设法将原来众多具有一定相关性(比如P个指标),重新组合成一组新的互相无关的综合指标来代替原来的指标。通常数学上的处理就是将原来P个指标作线性组合,作为新的综合指标。最经典的做法就是用F1(选取的第一个线性组合,即第一个综合指标)的方差来表达,即Var(F1)越大,表示F1包含的信息越多。因此在所有的线性组合中选取的F1应该是方差最大的,故称F1为第一主成分。如果第一主成分不足以代表原来P个指标的信息,再考虑选取F2即选第二个线性组合,为了有效地反映原来信息,F1已有的信息就不需要再出现再F2中,用数学语言表达就是要求Cov(F1, F2)=0,则称F2为第二主成分,依此类推可以构造出第三、第四,……,第P个主成分。
    (2)步骤
    Fp=a1mZX1+a2mZX2+……+apmZXp
    其中a1i, a2i, ……,api(i=1,……,m)为X的协方差阵∑的特征值多对应的特征向量,ZX1, ZX2, ……, ZXp是原始变量经过标准化处理的值,因为在实际应用中,往往存在指标的量纲不同,所以在计算之前须先消除量纲的影响,而将原始数据标准化,本文所采用的数据就存在量纲影响[注:本文指的数据标准化是指Z标准化]。
    A=(aij)p×m=(a1,a2,…am,),Rai=λiai,R为相关系数矩阵,λi、ai是相应的特征值和单位特征向量,λ1≥λ2≥…≥λp≥0 。
    进行主成分分析主要步骤如下:
    1.      指标数据标准化(SPSS软件自动执行);
    2.      指标之间的相关性判定;
    3.      确定主成分个数m;
    4.      主成分Fi表达式;
    5.      主成分Fi命名;


    选用以上两种方法时的注意事项如下:
    1、因子分析中是把变量表示成各因子的线性组合,而主成分分析中则是把主成分表示成个变量的线性组合。

    2、主成分分析的重点在于解释个变量的总方差,而因子分析则把重点放在解释各变量之间的协方差。

    3、主成分分析中不需要有假设(assumptions),因子分析则需要一些假设。因子分析的假设包括:各个共同因子之间不相关,特殊因子(specific factor)之间也不相关,共同因子和特殊因子之间也不相关。

    4、主成分分析中,当给定的协方差矩阵或者相关矩阵的特征值是唯一的时候,的主成分一般是独特的;而因子分析中因子不是独特的,可以旋转得到不同的因子。

    5、在因子分析中,因子个数需要分析者指定(spss根据一定的条件自动设定,只要是特征值大于1的因子进入分析),而指定的因子数量不同而结果不同。在主成分分析中,成分的数量是一定的,一般有几个变量就有几个主成分。和主成分分析相比,由于因子分析可以使用旋转技术帮助解释因子,在解释方面更加有优势。大致说来,当需要寻找潜在的因子,并对这些因子进行解释的时候,更加倾向于使用因子分析,并且借助旋转技术帮助更好解释。而如果想把现有的变量变成少数几个新的变量(新的变量几乎带有原来所有变量的信息)来进入后续的分析,则可以使用主成分分析。当然,这中情况也可以使用因子得分做到。所以这中区分不是绝对的。

    总得来说,主成分分析主要是作为一种探索性的技术,在分析者进行多元数据分析之前,用主成分分析来分析数据,让自己对数据有一个大致的了解是非常重要的。主成分分析一般很少单独使用:a,了解数据。(screening the data),b,和cluster analysis一起使用,c,和判别分析一起使用,比如当变量很多,个案数不多,直接使用判别分析可能无解,这时候可以使用主成份发对变量简化。(reduce dimensionality)d,在多元回归中,主成分分析可以帮助判断是否存在共线性(条件指数),还可以用来处理共线性。

    在算法上,主成分分析和因子分析很类似,不过,在因子分析中所采用的协方差矩阵的对角元素不在是变量的方差,而是和变量对应的共同度(变量方差中被各因子所解释的部分)。

      (1)了解如何通过SPSS因子分析得出主成分分析结果。首先,选择SPSS中Analyze-Data Reduction-Factor…,在Extraction…对话框中选择主成分方法提取因子,选择好因子提取个数标准后点确定完成因子分析。打开输出结果窗口后找到Total Variance Explained表和Component Matrix表。将Component Matrix表中第一列数据分别除以Total Variance Explained表中第一特征根值的开方得到第一主成分表达式系数,用类似方法得到其它主成分表达式。打开数据窗口,点击菜单项的Analyze-Descriptive Statistics-Descriptives…,在打开的新窗口下方构选Save standardized values as variables,选定左边要分析的变量。点击Options,只构选Means,点确定后既得待分析变量的标准化新变量。

    选择菜单项Transform-Compute…,在Target Variable中输入:Z1(主成分变量名,可以自己定义),在Numeric Expression中输入例如:0.412(刚才主成分表达式中的系数)*Z人口数(标准化过的新变量名)+0.212*Z第一产业产值+…,点确定即得到主成分得分。通过对主成分得分的排序即可进行各个个案的综合评价。很显然,这里的过程分为四个步骤:

    Ⅰ.选主成分方法提取因子进行因子分析。

    Ⅱ.计算主成分表达式系数。

    Ⅲ.标准化数据。

    Ⅳ.计算主成分得分。

         我们的程序也将依该思路展开开发。

    (2)对为何要将Component Matrix表数据除以特征根开方的解释

    我们学过主成分分析和因子分析后不难发现,原来因子分析时的因子载荷矩阵就是主成分分析特征向量矩阵乘以对应特征根开方值的对角阵。而Component Matrix表输出的恰是因子载荷矩阵,所以求主成分特征向量自然是上面描述的逆运算。  


    成功启动程序后选定分析变量和主成分提取方法即可在数据窗口输出得分和在OUTPUT窗口输出主成分表达式。















    3,聚类分析(Cluster Analysis)

    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的分析技术 。

    在市场研究领域,聚类分析主要应用方面是帮助我们寻找目标消费群体,运用这项研究技术,我们可以划分出产品的细分市场,并且可以描述出各细分市场的人群特征,以便于客户可以有针对性的对目标消费群体施加影响,合理地开展工作。

    4.判别分析(Discriminatory Analysis)

    判别分析(Discriminatory Analysis)的任务是根据已掌握的1批分类明确的样品,建立较好的判别函数,使产生错判的事例最少,进而对给定的1个新样品,判断它来自哪个总体。根据资料的性质,分为定性资料的判别分析和定量资料的判别分析;采用不同的判别准则,又有费歇、贝叶斯、距离等判别方法。

    费歇(FISHER)判别思想是投影,使多维问题简化为一维问题来处理。选择一个适当的投影轴,使所有的样品点都投影到这个轴上得到一个投影值。对这个投影轴的方向的要求是:使每一类内的投影值所形成的类内离差尽可能小,而不同类间的投影值所形成的类间离差尽可能大。贝叶斯(BAYES)判别思想是根据先验概率求出后验概率,并依据后验概率分布作出统计推断。所谓先验概率,就是用概率来描述人们事先对所研究的对象的认识的程度;所谓后验概率,就是根据具体资料、先验概率、特定的判别规则所计算出来的概率。它是对先验概率修正后的结果。

    距离判别思想是根据各样品与各母体之间的距离远近作出判别。即根据资料建立关于各母体的距离判别函数式,将各样品数据逐一代入计算,得出各样品与各母体之间的距离值,判样品属于距离值最小的那个母体。

    5.对应分析(Correspondence Analysis)

    对应分析是一种用来研究变量与变量之间联系紧密程度的研究技术。

    运用这种研究技术,我们可以获取有关消费者对产品品牌定位方面的图形,从而帮助您及时调整营销策略,以便使产品品牌在消费者中能树立起正确的形象。

    这种研究技术还可以用于检验广告或市场推广活动的效果,我们可以通过对比广告播出前或市场推广活动前与广告播出后或市场推广活动后消费者对产品的不同认知图来看出广告或市场推广活动是否成功的向消费者传达了需要传达的信息。 问卷设计是一项十分细致的工作,一份好的问卷应做到:内容简明扼要,信息包含要全;问卷问题安排合理,合乎逻辑,通俗易懂;便于对资料分析处理。
    一份问卷通常由三部分组成:前言、主体内容和结束语。
    问卷前言主要是对调查目的、意义及填表要求等的说明,包括问卷标题、调查说明及填表要求。前言部分文字须简明易懂,能激发被调查者的兴趣。
    问卷主体是市场调查所要收集的主要信息,它由一个个问题及相应的选择项目组成。通过主体部分问题的设计和被调查者的答复,市场调查者可以对被调查者的个人基本情况和对某一特定事物的态度、意见倾向以及行为有较充分的了解。
    问卷结束语主要表示对被调查者合作的感谢,记录下调查人员姓名、调查时间、调查地点等。结束语要简短明了,有的问卷也可以省略。
    3.问卷设计必须注意的问题。问卷中问题提问合理、排列科学可以提高问卷回收率和信息的质量。
    首先,文字要表达准确,不应使填卷人有模糊认识、如调查商品消费情况,使用“您通常喜人选购什么样的鞋?”就是用词不准确,因为“通常”“什么样”的含义不同的人有不同的理解,回答各异,不能取得准确的信息。如改为具体的问题:“您外出旅游时,会选购什么牌号的旅游鞋?”这样表达就很准确,不会产生歧义。

    OA居办公文档设备维修

    典型案例1
    客户对某产品的价格和服务质量感兴趣,询问消费者“您对它的价格和服务质量满意还是不满意?”
    [分析提示]
    该问题实际上包括价格和服务质量两个方面的问题,结果“对价格不满意”、“对服务不满意”或“对价格和服务不满意”的被调查者可能回答“不满意”,该结果显然得不到客户想了解的信息。因而,该问题应分为两个问题询问:
    “您对它的价格满意还是不满意?”
    “您对它的服务质量满意还是不满意?”
    这样,客户可以分别得到某产品的价格和服务质量方面的信息。
    其次,问卷要避免使用引导性的语句。如设计问卷时,问“××牌号的旅游鞋质优价廉,您是否准备选购?”这样的问题将容易使填表人由引导得出肯定性的结论或对问题反感,简单得出结论,这样不能反映消费者对商品的真实态度和真正的购买意愿,所以产生的结论也缺乏客观性,结果可信度低。
    典型案例2
    某公司想把某电视节目制作成VCD盘,配调查其潜在市场,所设计的问卷中标题和说明部分均表明调查是关于该电视节目的。问卷首先要求被调查者列举最喜欢的三个电视节目(开放题),结果该节目名列榜首,98%的被调查者声称最喜欢该节目。 OA居办公文档设备维修
    [分析提示〕
      显然结果是有偏差的,原因是标题和说明部分给出了该节目的名称,使得被调查者先对该节日产生或加深了印象,从而诱导被调查者在回答自己喜爱的节目时,有意无意地给出这一节目名称,导致结果再现偏差。
    再次,问卷问句设计要有艺术性,避免对填卷人产生刺激而不能很好地合作。如下面两级问句:
    A:您至今未买电脑的原因是什么?
    (a)买不起
    (b)没有用
    (c)不懂
    (d)软件少
    B:您至今未购买电脑的主要原因是什么?
    (a)价格高
    (b)用途较少
    (c)性能不了解
    (d)其他
    显然B组问句更有艺术性,能使被调查者愉快地合作。而A组问句较易引起填卷人反感、不愿合作或导致调查结果不准确。
    最后,问卷不要提不易回答的问题。这里可能有两种情况:一种是涉及填卷人的心理、习惯和个人生活隐私而不愿回答的问题,即使将其列入问卷也不易得到真实结果。遇有这类问题,如果实在回避不了,可列出档次区间或用间接的方法提问。如调查个人收入,如果直接询问,不易得到准确结果,而划分出不同的档次区间供其选择,效果就比较好。另一种是时间久、回忆不起来或回忆不准确的问题。 OA居office automation ju
    决定每个问题的措辞
    决定总的措辞,就是将已定类型和内容转化为标准提问的依据以及被调查者能够理解并根据其回答的问题。表面看来,这一阶段不过是确定用词语气,然而其作用却是至关重要的。措辞不当往往会使被调查者误解题意或拒绝回答,引起计量误差,从而直接影响数据质量,事后弥补非常困难,而且成本太高。
    在这一步骤实践中,经常出现的问题有:
    (l)词不达意,问题的措辞没有准确反映问题的内容。造成这类问题的原因一般有:措辞错误,无法表达原意;模棱两可,令人产生歧义;缺少重要句子成分等。
    例如,在某调查中有单选题询问“贵公司从事的生产活动”,而现实中许多公司兼营多种产品活动,选择时仅按照备选答案的顺序,选出见到的第一个自己公司从事的产品活动,而非最主要的产品活动,显然得出的答案有偏。
    (2)被调查者无法正确理解问题。其原因主要有:
    ①缺少必要的定义说明。调查对象是非专业人员时,可能不理解某些专业词语的含义。
    [典型案例 3]
    某VCD光盘生产厂家就市场潜力派员访问调查,询问: OA居www.oaju.com
    请问您是否使用过VCD 2.0版本技术?
    □使用过    □没有使用过    □不知道
    [分析提示]
    因为不知道什么是2.0版本技术,有些被调查者可能已使用过却选择了没有使用过,所得的结果显然有误差。
    此外,即使对于专业术语或日常用语,不同人的理解也可能不同。

    [典型案例4]
      请您估计一下,您平均一个月在音像制品上花多少元钱?
    [分析提示]
    这里的“音像制品”虽然是常用词语,但是如果不对音像制品范围进行划定,则被调查者对其所含物品种类的理解有些人就可能认为是磁带、录像带等。还有,这里的“花多少元钱”,可以指购买,也可以指租借,不同人的理解显然也是不同的。
    ②用词生僻或过于专业。一般调查中,调查对象文化程度分布广泛,生僻、专业的词语会阻碍被调查者对问题的理解。
    〔典型案例5〕
    某保险公司调查顾客对本公司业务的印象,询问:
    请问您对本公司的理赔时效是否满意?
    OA居办公文档设备维修


    请问您对本公司的展业方式是否满意?
    [分析提示]
    许多被调查者不明白什么是“理赔时效”和“展业方式”,即便给出答案也没有意义。
    ③语词过于复杂,也容易使被调查者理解错误。
    (3)使被调查者不能准确回答。主要原因有:
    ①问题、答案选项的措辞诱导被调查者的思维。
    〔典型案例6〕
      您并不认为应该增加反污染法规吧?
    [分析提示〕
    这种否定句提问对被调查者的回答有诱导作用。
    ②问题给出的答案选项含义模糊或相互交叉,使被调查者无法准确表达自己的意见和看法。例如:询问被调查者对某品牌商品的购买时间,选项中有“最近三个月内购买”和“最近一年内购买”,如果被调查者是上周购买的,则选这两个选项都对。
    ③问题要求被调查者回忆、估计,而回忆是造成计量误差的主要原因。经常有些市场调查要求被调查者回忆以前三个月甚至半年、一年的购买情况,这显然取决于被调查者的回忆力和合作程度。某次汤料市场调查询问被调查者每次做几碗汤,尽管说明了碗的大致容量,但这种估计明显会有很大的计量误差。
    OA居www.oaju.com


    ④问题会有假定性,使被调查者无法准确回答。
    〔典型案例7〕
    您辞去日前的职位后是否会立即找其他工作?
    [分析提示〕
    被调查者可能因为假设不成立(不打算辞职)而说不,也可能因为辞职后不会立即找其他工作而说不。
    (4)缺少必要说明,问题或选项较抽象,都会使被调查者回答的口径不一,引起计量
    误差,甚至使数据无效。例如,询问消费者购买VCD的平均单价,但没有对单价进行定义说明。结果有人认为是一盒的价格,有人认为是一张盘的价格,结果得到的数字有数百元的,也有几元的。这样的结果根本无法用于推断总体。有些问题含有“偶尔”、“许多”、“大致”等含义模糊的词语,不同被调查者的理解显然也是不同的。
    (5)问题的措辞可能会影响回答率,使被调查者不愿意回答或不愿意真实回答。例如,直接询问一些敏感性问题总会使被调查者产生反感而拒答。又如被调查者可能不愿示弱或怕被看不起而说谎。所以,在决定措辞时要注意研究被调查者的心理。
    (6)问题中出现褒义词、贬义词或否定问题都会影响被调查者的回答。 OA居办公文档设备维修
    [典型案例8]
    1941年罗格(Rugg)进行的试验:
    A:您是否认为美国应该禁止反对民主的公开言论?
    B:您是否认为美国应该允许反对民主的公开议论?
    [分析提示]
    结果问题A中 54%的调查者回答“是”,问题B中75%的被调查者回答“否”,显然是过于严格的措辞“禁止”导致这两题结果的显著差异。
    问卷措辞的确定具有很大的灵活性和创造性,不同设计者往往具有不同的风格。这里主要针对以上问题提出预防和控制措施,建议设计者反复推敲,尽量避免措辞引起的误差。
    (l)遵守准确性原则,总措辞表达意思要准确并完整,不要模棱两可。一个问题只询问一个问题,不要随意为被调查者做假设。答案选项要准确详尽,避免互相交叉或包容。例如,经常询问的收入问题,应对收入的内容进行界定,是税后收入还是税前收入,是否包括第二职业收入、投资收益、转移收入等。
    (2)问题不要带有倾向性,避免诱导性和暗示性。例如,褒义词、贬义词、否定问题都应尽量避免,即尽量给出中间的“一般/无所谓”选项(以下简称中间项)。笔者认为,该选项的存在会诱使被调查者不思考问题,直接选择中间项。实践中经常出现被调查者把量表中所有的题(或多数题)都选择为中间项,当然不给出中间项也会产生偏差,有些被调查者可能对问题本来没有明显偏好,而就近给出选择。但笔者认为,被调查者在“被迫”选择的同时已经过思考,选项能够代表他自己的想法。 OA居www.oaju.com
    (3)遵循可靠性原则,避免使用过于生僻、专业的词语。必须使用时,应进行定义和说明。措辞要标准、规范、具体,防止不同被调查者对同一问题的理解不同,同时还有可比性。
    (4)注意措辞尽量婉转,可以用第三人称提问。
      另外,如果条件允许,可以用随机化回答技术消除被调查者的疑虑。
    (5)注意效率原则,措辞尽量用最简单的词语表达最确切的含义。但这时的简单并非指问题越短越好。实践表明,问题越长,得到的回答越多、越准确。
    [典型案例9]
    某调查曾分别用短句①和长句②对不同样本进行过试验:
    ①你的咽喉痛过吗?
    ②这个问题是关于咽喉疼痛的,我们正在寻找这方面的信息,请问你的咽喉曾经痛过吗?
    [分析提示〕
    根据被调查者的医生提供的信息,检查调查所得数据的质量,结果表明长句②得到的回答更真实。
    (6)注意可维护性原则,语句标准,口径统一。参考资料:http://www.oaju.com/html/shangwuwenshu/diaoyanwenshu/2006/0527/529.html

    09-08-03 | 添加评论 | 打赏

    评论读取中....

  • 0

    猴子国

    什么是创造性思维能力?  指思维活动的创造意识和创新精神,不墨守成规,奇异、求变,表现为创造性地提出问题和创造性地解决问题。

      创造性思维不是生来俱有的,而是后天认真思考、培养锻炼出来的。

      (1)激发人的好奇心和求知欲。这是培养创造性思维能力的主要环节。影响人的创造力的强弱,起码有三种因素:一是创新意识,即创新的意图、愿望和动机;二是创造思维能力;三是各种创造方法和解题策略的掌握。激发好奇心和求知欲是培养创新意识、提高创造思维能力和掌握创造方法与策略的推动力。实验研究表明,一个好奇心强、求知欲旺盛的人,往往勤奋自信,善于钻研,勇于创新。因此,有人说:“好奇心是学者的第一美德。”

      (2)培养发散思维和聚合思维。这是发展创造性思维能力的重要方面。在人的创造活动中,既要重视聚合思维的培养,更要重视发散思维的培养。当前,各级学校比较重视求同思维的培养而忽视求异思维的训练。如有的教师往往按照一张标准答卷给分,而学生也往往按照固有的一个答案回答问题。这样,无形之中使学生形成了一个固定的思维模式,严重影响了学生的观察力、好奇心、想象力及主动性的发展。通过这种办法培养出来的只能是知识积累型的学生。发散思维本身有不依常规,寻求变异,探索多种答案的特点。具有良好发散思维的人,一般对新事物都很敏感,而且具有回避老一套解决问题的强烈愿望。所以应重视对学生发散思维的培养。

      (3)培养直觉思维和逻辑思维。这是培养创造性思维不可缺少的环节。所谓直觉思维,是指未经逐步分析而迅速地对解决问题的途径和答案做出合理反映的思维。如猜测、预感、设想、顿悟等。著名科学家爱因斯坦就具有极强的直觉能力。他非常重视实验。大学时,他用大部分时间在实验室里操作,迷恋于获得的直接经验。这些经验使他从马赫、休谟等人的著作中吸取合理的思想,抛弃其唯心论、不可知论的错误观点,从而形成自己一整套相对论的体系。一般来说,知识结构只是一种“间架”,其中存在着很多“缺口”。这些“缺口”对于非常熟悉这个问题的人,就是一个非常具有吸引力的因素,他不仅有熟悉之感,而且能够对它“似有灵犀一点通”。这是过去长期积累的知识和辛勤劳动逐渐在头脑中搭起的一座从已知到未知的桥梁。因此,在当前情境启发下,才会表现出一瞬间的直觉反应。但是直觉思维往往不完善、不明确,有时是错误的。要使直觉思维达到完善,逻辑思维可认为是它的一个必要的检验、修改和订正的完善过程。因此,应把两者结合起来培养,会更有助于创造性思维的发展。
    [编辑本段]
    如何培养创造性思维
      培养思维的创造性应注意:

      l、加强学习的独立性,保持应有的好奇心。

      2.增强问题意识,在课堂听讲和读书学习中,注意发现问题,提出问题。

      3、注重思维的发散,在解题练习中进行多解、多变。

      创造性思维是人类的高级心理活动。创造性思维是政治家、教育家、科学家、艺术家等各种出类拔萃的人才所必须具备的基本素质。心理学认为:创造思维是指思维不仅能提示客观事物的本质及内在联系,而且能在此基础上产生新颖的、具有社会价值的前所未有的思维成果。

      创造性思维是在一般思维的基础上发展起来的,它是后天培养与训练的结果。卓别林为此说过一句耐人寻味的话:"和拉提琴或弹钢琴相似,思考也是需要每天练习的。"因此,我们可以运用心理上的"自我调解",有意识地从几个方面培养自己的创造性思维。

      (1)展开"幻想"的翅膀

      心理学家认为,人脑有四个功能部位:一是以外部世界接受感觉的感受区;二是将这些感觉收集整理起来的贮存区;三是评价收到的新信息的判断区;四是按新的方式将旧信息结合起来的想象区。只善于运用贮存区和判断区的功能,而不善于运用想象区功能的人就不善于创新。据心理学家研究,一般人只用了想象区的 15%,其余的还处于"冬眠"状态。开垦这块处女地就要从培养幻想入手。想象力是人类运用储存在大脑中的信息进行综合分析、推断和设想的思维能力。在思维过程中,如果没有想象的参与,思考就发生困难。特别是创造想象,它是由思维调节的。

      爱因斯坦说过:"想象力比知识更重要,因为知识是有限的,而想象力概括着世界的一切,推动着进步,并且是知识进化的源泉。"爱因斯坦的"狭义相对论"就是从他幼时幻想人跟着光线跑,并能努力赶上它开始的。世界上第一架飞机,就是从人们幻想造出飞鸟的翅膀而开始的。幻想不仅能引导我们发现新的事物,而且还能激发我们作出新的努力,探索,去进行创造性劳动。

      青年人爱幻想,要珍惜自己的这一宝贵财富。幻想是构成创造性想象的准备阶段,今天还在你幻想中的东西,明天就可能出现在你创造性的构思中。

      (2)培养发散思维

      所谓发散思维,是指倘若一个问题可能有多种答案,那就以这个问题为中心,思考的方向往外散发,找出适当的答案越多越好,而不是只找一个正确的答案。人在这种思维中,可左冲右突,在所适合的各种答案中充分表现出思维的创造性成分。1979年诺贝尔物理学奖金获得者、美国科学家格拉肖说:"涉猎多方面的学问可以开阔思路......对世界或人类社会的事物形象掌握得越多,越有助于抽象思维。"比如我们思考"砖头有多少种用途"。我们至少有以下各式各样的答案:造房子、砌院墙、铺路、刹住停在斜坡的车辆、作锤子、压纸头、代尺划线、垫东西、搏斗的武器......如此等等。

      (3)发展直觉思维

      所谓直觉思维是指不经过一步一步分析而突如其来的领悟或理解。很多心理学家认为它是创造性思维活跃的一种表现,它即是发明创造的先导,也是百思不解之后突然获得的硕果,在创造发明的过程中具有重要的地位。物理学上的"阿基米德定律"是阿基米德在跳入澡缸的一瞬间,发现澡缸边缘溢出的水的体积跟他自己身体入水部分的体积一样大,从而悟出了著名的比重定律。又如,达尔文在观察到植物幼苗的顶端向太阳照射的方向弯曲现象时,就想到了它是幼苗的顶端因含有某种物质,在光照下跑向背光一侧的缘故。但在他有生之年未能证明这是一种什么物质。后来经过许多科学的反复研究,终于在1933年找到了这种物质植物生长素。

      直觉思维在学习过程中,有时表现为提出怪问题,有时表现为大胆的猜想,有时表现为一种应急性的回答,有时表现为解决一个问题,设想出多种新奇的方法、方案等等。为了培养我们的创造性思维,当这些想象纷至沓来的时候,可千万别怠慢了他们。青年人感觉敏锐,记忆力好,想象极其活跃,在学习和工作中,在发现和解决问题时,可能会出现突如其来的新想法、新观念,要及时捕捉这种创造性思维的产物,要善于发展自己的直觉思维。

      (4)培养思维的流畅性、灵活性和独创性

      流畅性、灵活性、独创性是创造力的三个因素。流畅性是针对刺激能很流畅地作出反应的能力。灵活性是指随机应变的能力。独创性是指对刺激作出不寻常的反应,具有新奇的成分。这三性是建筑在广泛的知识的基础之上的。60年代美国心理学家曾采用所谓急骤的联想或暴风雨式的联想的方法来训练大学生们思维的流畅性。训练时,要求学生像夏天的暴风雨一样,迅速地抛出一些观念,不容迟疑,也不要考试质量的好坏,或数量的多少,评价在结束后进行。速度愈快表示愈流畅,讲得越多表示流畅性越高。这种自由联想与迅速反应的训练,对于思维,无论是质量,还是流畅性,都有很大的帮助,可促进创造思维的发展。

      (5)培养强烈的求知欲

      古希腊哲学家柏拉图和亚里士多德都说过,哲学的起源乃是人类对自然界和人类自己所有存在的惊奇。他们认为:积极的创造性思维,往往是在人们感到"惊奇' 时,在情感上燃烧起来对这个问题追根究底的强烈的探索兴趣时开始的。因此要激发自己创造性学习的欲望,首先就必须使自己具有强烈的求知欲。而人的欲求感总是在需要的基础上产生的。没有精神上的需要,就没有求知欲。要有意识地为自己出难题,或者去"啃"前人遗留下的不解之迷,激发自己的求知欲。青年人的求知欲最强,然而,若不加以有意识地转移地发展智力,追求到科学上去,就会自然萎缩。求知欲会促使人去探索科学,去进行创造性思维,而只有在探索过程中,才会不断地激起好奇心和求知欲,使之不枯不竭,永为活水。一个人,只有当他对学习的心理状态,总处于"跃跃欲试"阶段的时候,他才能使自己的学习过程变成一个积极主动"上下求索"的过程。这样的学习,就不仅能获得现有的知识和技能,而且还能进一步探索未知的新境界,发现未掌握的新知识,甚至创造前所未有的新见解、新事物。
      当前,世界金融危机加剧、世界经济增长放缓,对我国经济社会发展的不利影响增大。各种不稳定、不确定因素明显增多,许多问题直接涉及群众利益。要从提高驾驭复杂局面能力、提高党的领导水平和执政水平的高度,从改革发展稳定大局出发,把做好新形势下群众工作摆在更加重要的位置,高度重视和改善民计民生,千方百计为群众谋福利,继续下大气力解决好群众反映强烈的突出问题,努力把群众工作做得更加扎实、更加富有成效,为保持我市经济社会又好又快发展做出更大贡献。
      要准确把握新形势下群众工作的特点和规律,认真研究本地区本部门本单位还有哪些涉及群众利益的事要做,还有哪些影响群众利益的问题没有解决,统筹谋划,提早动手,扎扎实实地做好各项工作。现在根据人民群众需求和困难,认真为老百姓办实事、解难题,让改革发展成果更多惠及广大群众。要探索建立做好群众工作的长效机制,逐步形成一套具有完备体系的制度规范,为今后工作的良好开局乃至今后长远发展打下坚实基础,为实现科学发展和谐发展率先发展创造良好环境。

    09-10-10 | 添加评论 | 打赏

    评论读取中....

  • 0

    sunye174

    1. 因子分析模型

    因子分析法是从研究变量内部相关的依赖关系出发,把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法。它的基本思想是将观测变量进行分类,将相关性较高,即联系比较紧密的分在同一类中,而不同类变量之间的相关性则较低,那么每一类变量实际上就代表了一个基本结构,即公共因子。对于所研究的问题就是试图用最少个数的不可测的所谓公共因子的线性函数与特殊因子之和来描述原来观测的每一分量。

    因子分析的基本思想:
         把每个研究变量分解为几个影响因素变量,将每个原始变量分解成两部分因素,一部分是由所有变量共同具有的少数几个公共因子组成的,另一部分是每个变量独自具有的因素,即特殊因子


       因子分析模型描述如下:

    (1)X = (x1,x2,…,xp)¢是可观测随机向量,均值向量E(X)=0,协方差阵Cov(X)=∑,且协方差阵∑与相关矩阵R相等(只要将变量标准化即可实现)。

    (2)F = (F1,F2,…,Fm)¢ (m<p)是不可测的向量,其均值向量E(F)=0,协方差矩阵Cov(F) =I,即向量的各分量是相互独立的。

    (3)e = (e1,e2,…,ep)¢与F相互独立,且E(e)=0, e的协方差阵∑是对角阵,即各分量e之间是相互独立的,则模型:

    x1 = a11F1+ a12F2 +…+a1mFm + e1

    x2 = a21F1+a22F2 +…+a2mFm + e2

    ………

    xp = ap1F1+ ap2F2 +…+apmFm + ep

    称为因子分析模型,由于该模型是针对变量进行的,各因子又是正交的,所以也称为R型正交因子模型。

    其矩阵形式为: x =AF + e .

    其中:

    x=,A=,F=,e=

    这里,

    (1)m £ p;

    (2)Cov(F,e)=0,即F和e是不相关的;

    (3)D(F) = Im ,即F1,F2,…,Fm不相关且方差均为1;

    D(e)=,即e1,e2,…,ep不相关,且方差不同。

    我们把F称为X的公共因子或潜因子,矩阵A称为因子载荷矩阵,e 称为X的特殊因子。

    A = (aij),aij为因子载荷。数学上可以证明,因子载荷aij就是第i变量与第j因子的相关系数,反映了第i变量在第j因子上的重要性。

    2. 模型的统计意义

    模型中F1,F2,…,Fm叫做主因子或公共因子,它们是在各个原观测变量的表达式中都共同出现的因子,是相互独立的不可观测的理论变量。公共因子的含义,必须结合具体问题的实际意义而定。e1,e2,…,ep叫做特殊因子,是向量x的分量xi(i=1,2,…,p)所特有的因子,各特殊因子之间以及特殊因子与所有公共因子之间都是相互独立的。模型中载荷矩阵A中的元素(aij)是为因子载荷。因子载荷aij是xi与Fj的协方差,也是xi与Fj的相关系数,它表示xi依赖Fj的程度。可将aij看作第i个变量在第j公共因子上的权,aij的绝对值越大(|aij|£1),表明xi与Fj的相依程度越大,或称公共因子Fj对于xi的载荷量越大。为了得到因子分析结果的经济解释,因子载荷矩阵A中有两个统计量十分重要,即变量共同度和公共因子的方差贡献。

    因子载荷矩阵A中第i行元素之平方和记为hi2,称为变量xi的共同度。它是全部公共因子对xi的方差所做出的贡献,反映了全部公共因子对变量xi的影响。hi2大表明x的第i个分量xi对于F的每一分量F1,F2,…,Fm的共同依赖程度大。

    将因子载荷矩阵A的第j列( j =1,2,…,m)的各元素的平方和记为gj2,称为公共因子Fj对x的方差贡献。gj2就表示第j个公共因子Fj对于x的每一分量xi(i= 1,2,…,p)所提供方差的总和,它是衡量公共因子相对重要性的指标。gj2越大,表明公共因子Fj对x的贡献越大,或者说对x的影响和作用就越大。如果将因子载荷矩阵A的所有gj2 ( j =1,2,…,m)都计算出来,使其按照大小排序,就可以依此提炼出最有影响力的公共因子。

    3. 因子旋转

    建立因子分析模型的目的不仅是找出主因子,更重要的是知道每个主因子的意义,以便对实际问题进行分析。如果求出主因子解后,各个主因子的典型代表变量不很突出,还需要进行因子旋转,通过适当的旋转得到比较满意的主因子。

    旋转的方法有很多,正交旋转(orthogonal rotation)和斜交旋转(oblique rotation)是因子旋转的两类方法。最常用的方法是最大方差正交旋转法(Varimax)。进行因子旋转,就是要使因子载荷矩阵中因子载荷的平方值向0和1两个方向分化,使大的载荷更大,小的载荷更小。因子旋转过程中,如果因子对应轴相互正交,则称为正交旋转;如果因子对应轴相互间不是正交的,则称为斜交旋转。常用的斜交旋转方法有Promax法等。

    4.因子得分

    因子分析模型建立后,还有一个重要的作用是应用因子分析模型去评价每个样品在整个模型中的地位,即进行综合评价。例如地区经济发展的因子分析模型建立后,我们希望知道每个地区经济发展的情况,把区域经济划分归类,哪些地区发展较快,哪些中等发达,哪些较慢等。这时需要将公共因子用变量的线性组合来表示,也即由地区经济的各项指标值来估计它的因子得分。

    设公共因子F由变量x表示的线性组合为:

    Fj = uj1 xj1+ uj2 xj2+…+ujpxjp j=1,2,…,m

    该式称为因子得分函数,由它来计算每个样品的公共因子得分。若取m=2,则将每个样品的p个变量代入上式即可算出每个样品的因子得分F1和F2,并将其在平面上做因子得分散点图,进而对样品进行分类或对原始数据进行更深入的研究。

    但因子得分函数中方程的个数m小于变量的个数p,所以并不能精确计算出因子得分,只能对因子得分进行估计。估计因子得分的方法较多,常用的有回归估计法,Bartlett估计法,Thomson估计法。

    (1)回归估计法

    F = X b = X (X ¢X)-1A¢ = XR-1A¢ (这里R为相关阵,且R = X ¢X )。

    (2)Bartlett估计法

    Bartlett估计因子得分可由最小二乘法或极大似然法导出。

    F = [(W-1/2A)¢ W-1/2A]-1(W-1/2A)¢ W-1/2X = (A¢W-1A)-1A¢W-1X

    (3)Thomson估计法

    在回归估计法中,实际上是忽略特殊因子的作用,取R = X ¢X,若考虑特殊因子的作用,此时R = X ¢X+W,于是有:

    F = XR-1A¢ = X (X ¢X+W)-1A¢

    这就是Thomson估计的因子得分,使用矩阵求逆算法(参考线性代数文献)可以将其转换为:

    F = XR-1A¢ = X (I+A¢W-1A)-1W-1A¢

    5. 因子分析的步骤

    因子分析的核心问题有两个:一是如何构造因子变量;二是如何对因子变量进行命名解释。因此,因子分析的基本步骤和解决思路就是围绕这两个核心问题展开的。

    (i)因子分析常常有以下四个基本步骤:

    (1)确认待分析的原变量是否适合作因子分析。

    (2)构造因子变量。

    (3)利用旋转方法使因子变量更具有可解释性。

    (4)计算因子变量得分。

    (ii)因子分析的计算过程:

    (1)将原始数据标准化,以消除变量间在数量级和量纲上的不同。

    (2)求标准化数据的相关矩阵;

    (3)求相关矩阵的特征值和特征向量;

    (4)计算方差贡献率与累积方差贡献率;

    (5)确定因子:

    设F1,F2,…, Fp为p个因子,其中前m个因子包含的数据信息总量(即其累积贡献率)不低于80%时,可取前m个因子来反映原评价指标;

    (6)因子旋转:

    若所得的m个因子无法确定或其实际意义不是很明显,这时需将因子进行旋转以获得较为明显的实际含义。

    (7)用原指标的线性组合来求各因子得分:

    采用回归估计法,Bartlett估计法或Thomson估计法计算因子得分。

    (8)综合得分

    以各因子的方差贡献率为权,由各因子的线性组合得到综合评价指标函数。

    F = (w1F1+w2F2+…+wmFm)/(w1+w2+…+wm )

    此处wi为旋转前或旋转后因子的方差贡献率。

    (9)得分排序:利用综合得分可以得到得分名次。

    在采用多元统计分析技术进行数据处理、建立宏观或微观系统模型时,需要研究以下几个方面的问题:

    · 简化系统结构,探讨系统内核。可采用主成分分析、因子分析、对应分析等方法,在众多因素中找出各个变量最佳的子集合,从子集合所包含的信息描述多变量的系统结果及各个因子对系统的影响。“从树木看森林”,抓住主要矛盾,把握主要矛盾的主要方面,舍弃次要因素,以简化系统的结构,认识系统的内核。

    · 构造预测模型,进行预报控制。在自然和社会科学领域的科研与生产中,探索多变量系统运动的客观规律及其与外部环境的关系,进行预测预报,以实现对系统的最优控制,是应用多元统计分析技术的主要目的。在多元分析中,用于预报控制的模型有两大类。一类是预测预报模型,通常采用多元线性回归或逐步回归分析、判别分析、双重筛选逐步回归分析等建模技术。另一类是描述性模型,通常采用聚类分析的建模技术。

    · 进行数值分类,构造分类模式。在多变量系统的分析中,往往需要将系统性质相似的事物或现象归为一类。以便找出它们之间的联系和内在规律性。过去许多研究多是按单因素进行定性处理,以致处理结果反映不出系统的总的特征。进行数值分类,构造分类模式一般采用聚类分析和判别分析技术。

    如何选择适当的方法来解决实际问题,需要对问题进行综合考虑。对一个问题可以综合运用多种统计方法进行分析。例如一个预报模型的建立,可先根据有关生物学、生态学原理,确定理论模型和试验设计;根据试验结果,收集试验资料;对资料进行初步提炼;然后应用统计分析方法(如相关分析、逐步回归分析、主成分分析等)研究各个变量之间的相关性,选择最佳的变量子集合;在此基础上构造预报模型,最后对模型进行诊断和优化处理,并应用于生产实际。
     Rotated Component Matrix,就是经转轴后的因子负荷矩阵,
    当你设置了因子转轴后,便会产生这结果。
    转轴的是要得到清晰的负荷形式,以便研究者进行因子解释及命名。

    SPSS的Factor Analysis对话框中,有个Rotation钮,点击便会弹出Rotation对话框,
    其中有5种因子旋转方法可选择:

    1.最大变异法(Varimax):使负荷量的变异数在因子内最大,亦即,使每个因子上具有最高载荷的变量数最少。

    2.四次方最大值法(Quartimax):使负荷量的变异数在变项内最大,亦即,使每个变量中需要解释的因子数最少。

    3.相等最大值法(Equamax):综合前两者,使负荷量的变异数在因素内与变项内同时最大。

    4.直接斜交转轴法(Direct Oblimin):使因素负荷量的差积(cross-products)最小化。

    5.Promax 转轴法:将直交转轴(varimax)的结果再进行有相关的斜交转轴。因子负荷量取2,4,6次方以产生接近0但不为0的值,藉以找出因子间的相关,但仍保有最简化因素的特性。

    上述前三者属於「直交(正交)转轴法」(Orthogonal Rotations),在直交转轴法中,因子与因子之间没有相关,因子轴之间的夹角等於90 度。后两者属於「斜交转轴」(oblique rotations),表示因子与因子之间彼此有某种程度的相关,因素轴之间的夹角不是90度。

    直交转轴法的优点是因子之间提供的讯息不会重叠,受访者在某一个因子的分數与在其他因子的分數,彼此独立互不相关;缺点是研究迫使因素之间不相关,但这种情况在实际的情境中往往并不常存在。至於使用何种转轴方式,须视乎研究题材、研究目的及相关理论,由研究者自行设定。

    在根据结果解释因子时,除了要看因子负荷矩阵中,因子对哪些变量呈高负荷,对哪些变量呈低负荷,还须留意之前所用的转轴法代表的意义。


    2,主成分分析(principal component analysis)

    将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法。又称主分量分析。在实际课题中,为了全面分析问题,往往提出很多与此有关的变量(或因素),因为每个变量都在不同程度上反映这个课题的某些信息。但是,在用统计分析方法研究这个多变量的课题时,变量个数太多就会增加课题的复杂性。人们自然希望变量个数较少而得到的信息较多。在很多情形,变量之间是有一定的相关关系的,当两个变量之间有一定相关关系时,可以解释为这两个变量反映此课题的信息有一定的重叠。主成分分析是对于原先提出的所有变量,建立尽可能少的新变量,使得这些新变量是两两不相关的,而且这些新变量在反映课题的信息方面尽可能保持原有的信息。主成分分析首先是由K.皮尔森对非随机变量引入的,尔后H.霍特林将此方法推广到随机向量的情形。信息的大小通常用离差平方和或方差来衡量。
    (1)主成分分析的原理及基本思想。
    原理:设法将原来变量重新组合成一组新的互相无关的几个综合变量,同时根据实际需要从中可以取出几个较少的总和变量尽可能多地反映原来变量的信息的统计方法叫做主成分分析或称主分量分析,也是数学上处理降维的一种方法。
    基本思想:主成分分析是设法将原来众多具有一定相关性(比如P个指标),重新组合成一组新的互相无关的综合指标来代替原来的指标。通常数学上的处理就是将原来P个指标作线性组合,作为新的综合指标。最经典的做法就是用F1(选取的第一个线性组合,即第一个综合指标)的方差来表达,即Var(F1)越大,表示F1包含的信息越多。因此在所有的线性组合中选取的F1应该是方差最大的,故称F1为第一主成分。如果第一主成分不足以代表原来P个指标的信息,再考虑选取F2即选第二个线性组合,为了有效地反映原来信息,F1已有的信息就不需要再出现再F2中,用数学语言表达就是要求Cov(F1, F2)=0,则称F2为第二主成分,依此类推可以构造出第三、第四,……,第P个主成分。
    (2)步骤
    Fp=a1mZX1+a2mZX2+……+apmZXp
    其中a1i, a2i, ……,api(i=1,……,m)为X的协方差阵∑的特征值多对应的特征向量,ZX1, ZX2, ……, ZXp是原始变量经过标准化处理的值,因为在实际应用中,往往存在指标的量纲不同,所以在计算之前须先消除量纲的影响,而将原始数据标准化,本文所采用的数据就存在量纲影响[注:本文指的数据标准化是指Z标准化]。
    A=(aij)p×m=(a1,a2,…am,),Rai=λiai,R为相关系数矩阵,λi、ai是相应的特征值和单位特征向量,λ1≥λ2≥…≥λp≥0 。
    进行主成分分析主要步骤如下:
    1.      指标数据标准化(SPSS软件自动执行);
    2.      指标之间的相关性判定;
    3.      确定主成分个数m;
    4.      主成分Fi表达式;
    5.      主成分Fi命名;


    选用以上两种方法时的注意事项如下:
    1、因子分析中是把变量表示成各因子的线性组合,而主成分分析中则是把主成分表示成个变量的线性组合。

    2、主成分分析的重点在于解释个变量的总方差,而因子分析则把重点放在解释各变量之间的协方差。

    3、主成分分析中不需要有假设(assumptions),因子分析则需要一些假设。因子分析的假设包括:各个共同因子之间不相关,特殊因子(specific factor)之间也不相关,共同因子和特殊因子之间也不相关。

    4、主成分分析中,当给定的协方差矩阵或者相关矩阵的特征值是唯一的时候,的主成分一般是独特的;而因子分析中因子不是独特的,可以旋转得到不同的因子。

    5、在因子分析中,因子个数需要分析者指定(spss根据一定的条件自动设定,只要是特征值大于1的因子进入分析),而指定的因子数量不同而结果不同。在主成分分析中,成分的数量是一定的,一般有几个变量就有几个主成分。和主成分分析相比,由于因子分析可以使用旋转技术帮助解释因子,在解释方面更加有优势。大致说来,当需要寻找潜在的因子,并对这些因子进行解释的时候,更加倾向于使用因子分析,并且借助旋转技术帮助更好解释。而如果想把现有的变量变成少数几个新的变量(新的变量几乎带有原来所有变量的信息)来进入后续的分析,则可以使用主成分分析。当然,这中情况也可以使用因子得分做到。所以这中区分不是绝对的。

    总得来说,主成分分析主要是作为一种探索性的技术,在分析者进行多元数据分析之前,用主成分分析来分析数据,让自己对数据有一个大致的了解是非常重要的。主成分分析一般很少单独使用:a,了解数据。(screening the data),b,和cluster analysis一起使用,c,和判别分析一起使用,比如当变量很多,个案数不多,直接使用判别分析可能无解,这时候可以使用主成份发对变量简化。(reduce dimensionality)d,在多元回归中,主成分分析可以帮助判断是否存在共线性(条件指数),还可以用来处理共线性。

    在算法上,主成分分析和因子分析很类似,不过,在因子分析中所采用的协方差矩阵的对角元素不在是变量的方差,而是和变量对应的共同度(变量方差中被各因子所解释的部分)。

      (1)了解如何通过SPSS因子分析得出主成分分析结果。首先,选择SPSS中Analyze-Data Reduction-Factor…,在Extraction…对话框中选择主成分方法提取因子,选择好因子提取个数标准后点确定完成因子分析。打开输出结果窗口后找到Total Variance Explained表和Component Matrix表。将Component Matrix表中第一列数据分别除以Total Variance Explained表中第一特征根值的开方得到第一主成分表达式系数,用类似方法得到其它主成分表达式。打开数据窗口,点击菜单项的Analyze-Descriptive Statistics-Descriptives…,在打开的新窗口下方构选Save standardized values as variables,选定左边要分析的变量。点击Options,只构选Means,点确定后既得待分析变量的标准化新变量。

    选择菜单项Transform-Compute…,在Target Variable中输入:Z1(主成分变量名,可以自己定义),在Numeric Expression中输入例如:0.412(刚才主成分表达式中的系数)*Z人口数(标准化过的新变量名)+0.212*Z第一产业产值+…,点确定即得到主成分得分。通过对主成分得分的排序即可进行各个个案的综合评价。很显然,这里的过程分为四个步骤:

    Ⅰ.选主成分方法提取因子进行因子分析。

    Ⅱ.计算主成分表达式系数。

    Ⅲ.标准化数据。

    Ⅳ.计算主成分得分。

         我们的程序也将依该思路展开开发。

    (2)对为何要将Component Matrix表数据除以特征根开方的解释

    我们学过主成分分析和因子分析后不难发现,原来因子分析时的因子载荷矩阵就是主成分分析特征向量矩阵乘以对应特征根开方值的对角阵。而Component Matrix表输出的恰是因子载荷矩阵,所以求主成分特征向量自然是上面描述的逆运算。  


    成功启动程序后选定分析变量和主成分提取方法即可在数据窗口输出得分和在OUTPUT窗口输出主成分表达式。















    3,聚类分析(Cluster Analysis)

    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的分析技术 。

    在市场研究领域,聚类分析主要应用方面是帮助我们寻找目标消费群体,运用这项研究技术,我们可以划分出产品的细分市场,并且可以描述出各细分市场的人群特征,以便于客户可以有针对性的对目标消费群体施加影响,合理地开展工作。

    4.判别分析(Discriminatory Analysis)

    判别分析(Discriminatory Analysis)的任务是根据已掌握的1批分类明确的样品,建立较好的判别函数,使产生错判的事例最少,进而对给定的1个新样品,判断它来自哪个总体。根据资料的性质,分为定性资料的判别分析和定量资料的判别分析;采用不同的判别准则,又有费歇、贝叶斯、距离等判别方法。

    费歇(FISHER)判别思想是投影,使多维问题简化为一维问题来处理。选择一个适当的投影轴,使所有的样品点都投影到这个轴上得到一个投影值。对这个投影轴的方向的要求是:使每一类内的投影值所形成的类内离差尽可能小,而不同类间的投影值所形成的类间离差尽可能大。贝叶斯(BAYES)判别思想是根据先验概率求出后验概率,并依据后验概率分布作出统计推断。所谓先验概率,就是用概率来描述人们事先对所研究的对象的认识的程度;所谓后验概率,就是根据具体资料、先验概率、特定的判别规则所计算出来的概率。它是对先验概率修正后的结果。

    距离判别思想是根据各样品与各母体之间的距离远近作出判别。即根据资料建立关于各母体的距离判别函数式,将各样品数据逐一代入计算,得出各样品与各母体之间的距离值,判样品属于距离值最小的那个母体。

    5.对应分析(Correspondence Analysis)

    对应分析是一种用来研究变量与变量之间联系紧密程度的研究技术。

    运用这种研究技术,我们可以获取有关消费者对产品品牌定位方面的图形,从而帮助您及时调整营销策略,以便使产品品牌在消费者中能树立起正确的形象。

    这种研究技术还可以用于检验广告或市场推广活动的效果,我们可以通过对比广告播出前或市场推广活动前与广告播出后或市场推广活动后消费者对产品的不同认知图来看出广告或市场推广活动是否成功的向消费者传达了需要传达的信息。

    09-12-10 | 添加评论 | 打赏

    评论读取中....

  • 0

    sunye184

    1. 因子分析模型

    因子分析法是从研究变量内部相关的依赖关系出发,把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法。它的基本思想是将观测变量进行分类,将相关性较高,即联系比较紧密的分在同一类中,而不同类变量之间的相关性则较低,那么每一类变量实际上就代表了一个基本结构,即公共因子。对于所研究的问题就是试图用最少个数的不可测的所谓公共因子的线性函数与特殊因子之和来描述原来观测的每一分量。

    因子分析的基本思想:
         把每个研究变量分解为几个影响因素变量,将每个原始变量分解成两部分因素,一部分是由所有变量共同具有的少数几个公共因子组成的,另一部分是每个变量独自具有的因素,即特殊因子


       因子分析模型描述如下:

    (1)X = (x1,x2,…,xp)¢是可观测随机向量,均值向量E(X)=0,协方差阵Cov(X)=∑,且协方差阵∑与相关矩阵R相等(只要将变量标准化即可实现)。

    (2)F = (F1,F2,…,Fm)¢ (m<p)是不可测的向量,其均值向量E(F)=0,协方差矩阵Cov(F) =I,即向量的各分量是相互独立的。

    (3)e = (e1,e2,…,ep)¢与F相互独立,且E(e)=0, e的协方差阵∑是对角阵,即各分量e之间是相互独立的,则模型:

    x1 = a11F1+ a12F2 +…+a1mFm + e1

    x2 = a21F1+a22F2 +…+a2mFm + e2

    ………

    xp = ap1F1+ ap2F2 +…+apmFm + ep

    称为因子分析模型,由于该模型是针对变量进行的,各因子又是正交的,所以也称为R型正交因子模型。

    其矩阵形式为: x =AF + e .

    其中:

    x=,A=,F=,e=

    这里,

    (1)m £ p;

    (2)Cov(F,e)=0,即F和e是不相关的;

    (3)D(F) = Im ,即F1,F2,…,Fm不相关且方差均为1;

    D(e)=,即e1,e2,…,ep不相关,且方差不同。

    我们把F称为X的公共因子或潜因子,矩阵A称为因子载荷矩阵,e 称为X的特殊因子。

    A = (aij),aij为因子载荷。数学上可以证明,因子载荷aij就是第i变量与第j因子的相关系数,反映了第i变量在第j因子上的重要性。

    2. 模型的统计意义

    模型中F1,F2,…,Fm叫做主因子或公共因子,它们是在各个原观测变量的表达式中都共同出现的因子,是相互独立的不可观测的理论变量。公共因子的含义,必须结合具体问题的实际意义而定。e1,e2,…,ep叫做特殊因子,是向量x的分量xi(i=1,2,…,p)所特有的因子,各特殊因子之间以及特殊因子与所有公共因子之间都是相互独立的。模型中载荷矩阵A中的元素(aij)是为因子载荷。因子载荷aij是xi与Fj的协方差,也是xi与Fj的相关系数,它表示xi依赖Fj的程度。可将aij看作第i个变量在第j公共因子上的权,aij的绝对值越大(|aij|£1),表明xi与Fj的相依程度越大,或称公共因子Fj对于xi的载荷量越大。为了得到因子分析结果的经济解释,因子载荷矩阵A中有两个统计量十分重要,即变量共同度和公共因子的方差贡献。

    因子载荷矩阵A中第i行元素之平方和记为hi2,称为变量xi的共同度。它是全部公共因子对xi的方差所做出的贡献,反映了全部公共因子对变量xi的影响。hi2大表明x的第i个分量xi对于F的每一分量F1,F2,…,Fm的共同依赖程度大。

    将因子载荷矩阵A的第j列( j =1,2,…,m)的各元素的平方和记为gj2,称为公共因子Fj对x的方差贡献。gj2就表示第j个公共因子Fj对于x的每一分量xi(i= 1,2,…,p)所提供方差的总和,它是衡量公共因子相对重要性的指标。gj2越大,表明公共因子Fj对x的贡献越大,或者说对x的影响和作用就越大。如果将因子载荷矩阵A的所有gj2 ( j =1,2,…,m)都计算出来,使其按照大小排序,就可以依此提炼出最有影响力的公共因子。

    3. 因子旋转

    建立因子分析模型的目的不仅是找出主因子,更重要的是知道每个主因子的意义,以便对实际问题进行分析。如果求出主因子解后,各个主因子的典型代表变量不很突出,还需要进行因子旋转,通过适当的旋转得到比较满意的主因子。

    旋转的方法有很多,正交旋转(orthogonal rotation)和斜交旋转(oblique rotation)是因子旋转的两类方法。最常用的方法是最大方差正交旋转法(Varimax)。进行因子旋转,就是要使因子载荷矩阵中因子载荷的平方值向0和1两个方向分化,使大的载荷更大,小的载荷更小。因子旋转过程中,如果因子对应轴相互正交,则称为正交旋转;如果因子对应轴相互间不是正交的,则称为斜交旋转。常用的斜交旋转方法有Promax法等。

    4.因子得分

    因子分析模型建立后,还有一个重要的作用是应用因子分析模型去评价每个样品在整个模型中的地位,即进行综合评价。例如地区经济发展的因子分析模型建立后,我们希望知道每个地区经济发展的情况,把区域经济划分归类,哪些地区发展较快,哪些中等发达,哪些较慢等。这时需要将公共因子用变量的线性组合来表示,也即由地区经济的各项指标值来估计它的因子得分。

    设公共因子F由变量x表示的线性组合为:

    Fj = uj1 xj1+ uj2 xj2+…+ujpxjp j=1,2,…,m

    该式称为因子得分函数,由它来计算每个样品的公共因子得分。若取m=2,则将每个样品的p个变量代入上式即可算出每个样品的因子得分F1和F2,并将其在平面上做因子得分散点图,进而对样品进行分类或对原始数据进行更深入的研究。

    但因子得分函数中方程的个数m小于变量的个数p,所以并不能精确计算出因子得分,只能对因子得分进行估计。估计因子得分的方法较多,常用的有回归估计法,Bartlett估计法,Thomson估计法。

    (1)回归估计法

    F = X b = X (X ¢X)-1A¢ = XR-1A¢ (这里R为相关阵,且R = X ¢X )。

    (2)Bartlett估计法

    Bartlett估计因子得分可由最小二乘法或极大似然法导出。

    F = [(W-1/2A)¢ W-1/2A]-1(W-1/2A)¢ W-1/2X = (A¢W-1A)-1A¢W-1X

    (3)Thomson估计法

    在回归估计法中,实际上是忽略特殊因子的作用,取R = X ¢X,若考虑特殊因子的作用,此时R = X ¢X+W,于是有:

    F = XR-1A¢ = X (X ¢X+W)-1A¢

    这就是Thomson估计的因子得分,使用矩阵求逆算法(参考线性代数文献)可以将其转换为:

    F = XR-1A¢ = X (I+A¢W-1A)-1W-1A¢

    5. 因子分析的步骤

    因子分析的核心问题有两个:一是如何构造因子变量;二是如何对因子变量进行命名解释。因此,因子分析的基本步骤和解决思路就是围绕这两个核心问题展开的。

    (i)因子分析常常有以下四个基本步骤:

    (1)确认待分析的原变量是否适合作因子分析。

    (2)构造因子变量。

    (3)利用旋转方法使因子变量更具有可解释性。

    (4)计算因子变量得分。

    (ii)因子分析的计算过程:

    (1)将原始数据标准化,以消除变量间在数量级和量纲上的不同。

    (2)求标准化数据的相关矩阵;

    (3)求相关矩阵的特征值和特征向量;

    (4)计算方差贡献率与累积方差贡献率;

    (5)确定因子:

    设F1,F2,…, Fp为p个因子,其中前m个因子包含的数据信息总量(即其累积贡献率)不低于80%时,可取前m个因子来反映原评价指标;

    (6)因子旋转:

    若所得的m个因子无法确定或其实际意义不是很明显,这时需将因子进行旋转以获得较为明显的实际含义。

    (7)用原指标的线性组合来求各因子得分:

    采用回归估计法,Bartlett估计法或Thomson估计法计算因子得分。

    (8)综合得分

    以各因子的方差贡献率为权,由各因子的线性组合得到综合评价指标函数。

    F = (w1F1+w2F2+…+wmFm)/(w1+w2+…+wm )

    此处wi为旋转前或旋转后因子的方差贡献率。

    (9)得分排序:利用综合得分可以得到得分名次。

    在采用多元统计分析技术进行数据处理、建立宏观或微观系统模型时,需要研究以下几个方面的问题:

    · 简化系统结构,探讨系统内核。可采用主成分分析、因子分析、对应分析等方法,在众多因素中找出各个变量最佳的子集合,从子集合所包含的信息描述多变量的系统结果及各个因子对系统的影响。“从树木看森林”,抓住主要矛盾,把握主要矛盾的主要方面,舍弃次要因素,以简化系统的结构,认识系统的内核。

    · 构造预测模型,进行预报控制。在自然和社会科学领域的科研与生产中,探索多变量系统运动的客观规律及其与外部环境的关系,进行预测预报,以实现对系统的最优控制,是应用多元统计分析技术的主要目的。在多元分析中,用于预报控制的模型有两大类。一类是预测预报模型,通常采用多元线性回归或逐步回归分析、判别分析、双重筛选逐步回归分析等建模技术。另一类是描述性模型,通常采用聚类分析的建模技术。

    · 进行数值分类,构造分类模式。在多变量系统的分析中,往往需要将系统性质相似的事物或现象归为一类。以便找出它们之间的联系和内在规律性。过去许多研究多是按单因素进行定性处理,以致处理结果反映不出系统的总的特征。进行数值分类,构造分类模式一般采用聚类分析和判别分析技术。

    如何选择适当的方法来解决实际问题,需要对问题进行综合考虑。对一个问题可以综合运用多种统计方法进行分析。例如一个预报模型的建立,可先根据有关生物学、生态学原理,确定理论模型和试验设计;根据试验结果,收集试验资料;对资料进行初步提炼;然后应用统计分析方法(如相关分析、逐步回归分析、主成分分析等)研究各个变量之间的相关性,选择最佳的变量子集合;在此基础上构造预报模型,最后对模型进行诊断和优化处理,并应用于生产实际。
     Rotated Component Matrix,就是经转轴后的因子负荷矩阵,
    当你设置了因子转轴后,便会产生这结果。
    转轴的是要得到清晰的负荷形式,以便研究者进行因子解释及命名。

    SPSS的Factor Analysis对话框中,有个Rotation钮,点击便会弹出Rotation对话框,
    其中有5种因子旋转方法可选择:

    1.最大变异法(Varimax):使负荷量的变异数在因子内最大,亦即,使每个因子上具有最高载荷的变量数最少。

    2.四次方最大值法(Quartimax):使负荷量的变异数在变项内最大,亦即,使每个变量中需要解释的因子数最少。

    3.相等最大值法(Equamax):综合前两者,使负荷量的变异数在因素内与变项内同时最大。

    4.直接斜交转轴法(Direct Oblimin):使因素负荷量的差积(cross-products)最小化。

    5.Promax 转轴法:将直交转轴(varimax)的结果再进行有相关的斜交转轴。因子负荷量取2,4,6次方以产生接近0但不为0的值,藉以找出因子间的相关,但仍保有最简化因素的特性。

    上述前三者属於「直交(正交)转轴法」(Orthogonal Rotations),在直交转轴法中,因子与因子之间没有相关,因子轴之间的夹角等於90 度。后两者属於「斜交转轴」(oblique rotations),表示因子与因子之间彼此有某种程度的相关,因素轴之间的夹角不是90度。

    直交转轴法的优点是因子之间提供的讯息不会重叠,受访者在某一个因子的分數与在其他因子的分數,彼此独立互不相关;缺点是研究迫使因素之间不相关,但这种情况在实际的情境中往往并不常存在。至於使用何种转轴方式,须视乎研究题材、研究目的及相关理论,由研究者自行设定。

    在根据结果解释因子时,除了要看因子负荷矩阵中,因子对哪些变量呈高负荷,对哪些变量呈低负荷,还须留意之前所用的转轴法代表的意义。


    2,主成分分析(principal component analysis)

    将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法。又称主分量分析。在实际课题中,为了全面分析问题,往往提出很多与此有关的变量(或因素),因为每个变量都在不同程度上反映这个课题的某些信息。但是,在用统计分析方法研究这个多变量的课题时,变量个数太多就会增加课题的复杂性。人们自然希望变量个数较少而得到的信息较多。在很多情形,变量之间是有一定的相关关系的,当两个变量之间有一定相关关系时,可以解释为这两个变量反映此课题的信息有一定的重叠。主成分分析是对于原先提出的所有变量,建立尽可能少的新变量,使得这些新变量是两两不相关的,而且这些新变量在反映课题的信息方面尽可能保持原有的信息。主成分分析首先是由K.皮尔森对非随机变量引入的,尔后H.霍特林将此方法推广到随机向量的情形。信息的大小通常用离差平方和或方差来衡量。
    (1)主成分分析的原理及基本思想。
    原理:设法将原来变量重新组合成一组新的互相无关的几个综合变量,同时根据实际需要从中可以取出几个较少的总和变量尽可能多地反映原来变量的信息的统计方法叫做主成分分析或称主分量分析,也是数学上处理降维的一种方法。
    基本思想:主成分分析是设法将原来众多具有一定相关性(比如P个指标),重新组合成一组新的互相无关的综合指标来代替原来的指标。通常数学上的处理就是将原来P个指标作线性组合,作为新的综合指标。最经典的做法就是用F1(选取的第一个线性组合,即第一个综合指标)的方差来表达,即Var(F1)越大,表示F1包含的信息越多。因此在所有的线性组合中选取的F1应该是方差最大的,故称F1为第一主成分。如果第一主成分不足以代表原来P个指标的信息,再考虑选取F2即选第二个线性组合,为了有效地反映原来信息,F1已有的信息就不需要再出现再F2中,用数学语言表达就是要求Cov(F1, F2)=0,则称F2为第二主成分,依此类推可以构造出第三、第四,……,第P个主成分。
    (2)步骤
    Fp=a1mZX1+a2mZX2+……+apmZXp
    其中a1i, a2i, ……,api(i=1,……,m)为X的协方差阵∑的特征值多对应的特征向量,ZX1, ZX2, ……, ZXp是原始变量经过标准化处理的值,因为在实际应用中,往往存在指标的量纲不同,所以在计算之前须先消除量纲的影响,而将原始数据标准化,本文所采用的数据就存在量纲影响[注:本文指的数据标准化是指Z标准化]。
    A=(aij)p×m=(a1,a2,…am,),Rai=λiai,R为相关系数矩阵,λi、ai是相应的特征值和单位特征向量,λ1≥λ2≥…≥λp≥0 。
    进行主成分分析主要步骤如下:
    1.      指标数据标准化(SPSS软件自动执行);
    2.      指标之间的相关性判定;
    3.      确定主成分个数m;
    4.      主成分Fi表达式;
    5.      主成分Fi命名;


    选用以上两种方法时的注意事项如下:
    1、因子分析中是把变量表示成各因子的线性组合,而主成分分析中则是把主成分表示成个变量的线性组合。

    2、主成分分析的重点在于解释个变量的总方差,而因子分析则把重点放在解释各变量之间的协方差。

    3、主成分分析中不需要有假设(assumptions),因子分析则需要一些假设。因子分析的假设包括:各个共同因子之间不相关,特殊因子(specific factor)之间也不相关,共同因子和特殊因子之间也不相关。

    4、主成分分析中,当给定的协方差矩阵或者相关矩阵的特征值是唯一的时候,的主成分一般是独特的;而因子分析中因子不是独特的,可以旋转得到不同的因子。

    5、在因子分析中,因子个数需要分析者指定(spss根据一定的条件自动设定,只要是特征值大于1的因子进入分析),而指定的因子数量不同而结果不同。在主成分分析中,成分的数量是一定的,一般有几个变量就有几个主成分。和主成分分析相比,由于因子分析可以使用旋转技术帮助解释因子,在解释方面更加有优势。大致说来,当需要寻找潜在的因子,并对这些因子进行解释的时候,更加倾向于使用因子分析,并且借助旋转技术帮助更好解释。而如果想把现有的变量变成少数几个新的变量(新的变量几乎带有原来所有变量的信息)来进入后续的分析,则可以使用主成分分析。当然,这中情况也可以使用因子得分做到。所以这中区分不是绝对的。

    总得来说,主成分分析主要是作为一种探索性的技术,在分析者进行多元数据分析之前,用主成分分析来分析数据,让自己对数据有一个大致的了解是非常重要的。主成分分析一般很少单独使用:a,了解数据。(screening the data),b,和cluster analysis一起使用,c,和判别分析一起使用,比如当变量很多,个案数不多,直接使用判别分析可能无解,这时候可以使用主成份发对变量简化。(reduce dimensionality)d,在多元回归中,主成分分析可以帮助判断是否存在共线性(条件指数),还可以用来处理共线性。

    在算法上,主成分分析和因子分析很类似,不过,在因子分析中所采用的协方差矩阵的对角元素不在是变量的方差,而是和变量对应的共同度(变量方差中被各因子所解释的部分)。

      (1)了解如何通过SPSS因子分析得出主成分分析结果。首先,选择SPSS中Analyze-Data Reduction-Factor…,在Extraction…对话框中选择主成分方法提取因子,选择好因子提取个数标准后点确定完成因子分析。打开输出结果窗口后找到Total Variance Explained表和Component Matrix表。将Component Matrix表中第一列数据分别除以Total Variance Explained表中第一特征根值的开方得到第一主成分表达式系数,用类似方法得到其它主成分表达式。打开数据窗口,点击菜单项的Analyze-Descriptive Statistics-Descriptives…,在打开的新窗口下方构选Save standardized values as variables,选定左边要分析的变量。点击Options,只构选Means,点确定后既得待分析变量的标准化新变量。

    选择菜单项Transform-Compute…,在Target Variable中输入:Z1(主成分变量名,可以自己定义),在Numeric Expression中输入例如:0.412(刚才主成分表达式中的系数)*Z人口数(标准化过的新变量名)+0.212*Z第一产业产值+…,点确定即得到主成分得分。通过对主成分得分的排序即可进行各个个案的综合评价。很显然,这里的过程分为四个步骤:

    Ⅰ.选主成分方法提取因子进行因子分析。

    Ⅱ.计算主成分表达式系数。

    Ⅲ.标准化数据。

    Ⅳ.计算主成分得分。

         我们的程序也将依该思路展开开发。

    (2)对为何要将Component Matrix表数据除以特征根开方的解释

    我们学过主成分分析和因子分析后不难发现,原来因子分析时的因子载荷矩阵就是主成分分析特征向量矩阵乘以对应特征根开方值的对角阵。而Component Matrix表输出的恰是因子载荷矩阵,所以求主成分特征向量自然是上面描述的逆运算。  


    成功启动程序后选定分析变量和主成分提取方法即可在数据窗口输出得分和在OUTPUT窗口输出主成分表达式。















    3,聚类分析(Cluster Analysis)

    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的分析技术 。

    在市场研究领域,聚类分析主要应用方面是帮助我们寻找目标消费群体,运用这项研究技术,我们可以划分出产品的细分市场,并且可以描述出各细分市场的人群特征,以便于客户可以有针对性的对目标消费群体施加影响,合理地开展工作。

    4.判别分析(Discriminatory Analysis)

    判别分析(Discriminatory Analysis)的任务是根据已掌握的1批分类明确的样品,建立较好的判别函数,使产生错判的事例最少,进而对给定的1个新样品,判断它来自哪个总体。根据资料的性质,分为定性资料的判别分析和定量资料的判别分析;采用不同的判别准则,又有费歇、贝叶斯、距离等判别方法。

    费歇(FISHER)判别思想是投影,使多维问题简化为一维问题来处理。选择一个适当的投影轴,使所有的样品点都投影到这个轴上得到一个投影值。对这个投影轴的方向的要求是:使每一类内的投影值所形成的类内离差尽可能小,而不同类间的投影值所形成的类间离差尽可能大。贝叶斯(BAYES)判别思想是根据先验概率求出后验概率,并依据后验概率分布作出统计推断。所谓先验概率,就是用概率来描述人们事先对所研究的对象的认识的程度;所谓后验概率,就是根据具体资料、先验概率、特定的判别规则所计算出来的概率。它是对先验概率修正后的结果。

    距离判别思想是根据各样品与各母体之间的距离远近作出判别。即根据资料建立关于各母体的距离判别函数式,将各样品数据逐一代入计算,得出各样品与各母体之间的距离值,判样品属于距离值最小的那个母体。

    5.对应分析(Correspondence Analysis)

    对应分析是一种用来研究变量与变量之间联系紧密程度的研究技术。

    运用这种研究技术,我们可以获取有关消费者对产品品牌定位方面的图形,从而帮助您及时调整营销策略,以便使产品品牌在消费者中能树立起正确的形象。

    这种研究技术还可以用于检验广告或市场推广活动的效果,我们可以通过对比广告播出前或市场推广活动前与广告播出后或市场推广活动后消费者对产品的不同认知图来看出广告或市场推广活动是否成功的向消费者传达了需要传达的信息。

    09-12-15 | 添加评论 | 打赏

    评论读取中....

精华知识
更多  
意见反馈 帮助