当前位置：文档之家 › 多元统计分析实验报告

多元统计分析实验报告

  • 格式：doc
  • 大小：239.50 KB
  • 文档页数：8

页眉内容 页脚内容8 多元统计分析的实验报告 院系：数学系 班级：13级B班 姓名：陈翔 学号：20131611233

实验目的：比较三大行业的优劣性 实验过程 有如下的内容：（1）正态性检验； （2）主体间因子，多变量检验a； （3）主体间效应的检验； （4）对比结果（K 矩阵）; (5) 多变量检验结果; (6) 单变量检验结果; (7) 协方差矩阵等同性的 Box 检验a,误差方差等同性的 Levene 检验a; (8) 估计; (9) 成对比较,多变量检验；（10）单变量检验。

实验结果：综上所述，我们对三个行业的运营能力进行了具体的比较分析，所得数据表明，从总体来看，信息技术业要稍好于电力、煤气及水的生产和供应业以及房地产业。 页眉内容

页脚内容8 1. 正态性检验 Kolmogorov-Smirnova Shapir o-Wilk 统计量 df Sig. 统计量 df Sig. 净资产收益率 .113 35 .200* .978 35 .677 总资产报酬率 .121 35 .200* .964 35 .298 资产负债率 .086 35 .200* .962 35 .265 总资产周转率 .180 35 .006 .864 35 .000 流动资产周转率 .164 35 .018 .885 35 .002 已获利息倍数 .281 35 .000 .551 35 .000 销售增长率 .103 35 .200* .949 35 .104 资本积累率 .251 35 .000 .655 35 .000 *. 这是真实显著水平的下限。 a. Lilliefors 显著水平修正 此表给出了对每一个变量进行正态性检验的结果，因为该例中样本中n=35<2000，所以此处

选用Shapiro-Wilk统计量。由Sig.值可以看到，总资产周转率、流动资产周转率、已获利息倍数及资本积累率均明显不遵从正态分布，因此，在下面的分析中，我们只对净资产收益率、总资产报酬率、资产负债率及销售增长率这四个指标进行比较，并认为这四个变量组成的向量遵从正态分布（尽管事实上并非如此）。这四个指标涉及公司的获利能力、资本结构及成长能力，我们认为这四个指标可以对公司运营能力做出近似的度量。 2. 主体间因子 N

行业 电力、煤气及水的生产和供应业 11

房地行业 15 信息技术业 9

多变量检验a 效应 值 F 假设 df 误差 df Sig.

截距 Pillai 的跟踪 .967 209.405b 4.000 29.000 .000 Wilks 的 Lambda .033 209.405b 4.000 29.000 .000 Hotelling 的跟踪 28.883 209.405b 4.000 29.000 .000 Roy 的最大根 28.883 209.405b 4.000 29.000 .000

行业 Pillai 的跟踪 .481 2.373 8.000 60.000 .027 Wilks 的 Lambda .563 2.411b 8.000 58.000 .025 Hotelling 的跟踪 .698 2.443 8.000 56.000 .024 Roy 的最大根 .559 4.193c 4.000 30.000 .008 a. 设计 : 截距 + 行业 页眉内容 页脚内容8 b. 精确统计量 c. 该统计量是 F 的上限，它产生了一个关于显著性级别的下限。 上面第一张表是样本数据分别来自三个行业的个数。第二张表是多变量检验表，

该表给出了几个统计量，由Sig.值可以看到，无论从哪个统计量来看，三个行业的运营能力（从净资产收益率、总资产报酬率、资产负债率及销售增长率这四个指标的整体来看）都是有显著差别的。 3. 主体间效应的检验 源 因变量 III 型平方和 df 均方 F Sig.

校正模型 净资产收益率 306.300a 2 153.150 4.000 .028 总资产报酬率 69.464b 2 34.732 3.320 .049 资产负债率 302.366c 2 151.183 .680 .514 销售增长率 2904.588d 2 1452.294 2.154 .133

截距 净资产收益率 615.338 1 615.338 16.073 .000 总资产报酬率 218.016 1 218.016 20.841 .000 资产负债率 105315.459 1 105315.459 473.833 .000 销售增长率 1.497 1 1.497 .002 .963

行业 净资产收益率 306.300 2 153.150 4.000 .028 总资产报酬率 69.464 2 34.732 3.320 .049 资产负债率 302.366 2 151.183 .680 .514 销售增长率 2904.588 2 1452.294 2.154 .133

误差 净资产收益率 1225.054 32 38.283 总资产报酬率 334.753 32 10.461 资产负债率 7112.406 32 222.263 销售增长率 21579.511 32 674.360

总计 净资产收益率 2238.216 35 总资产报酬率 641.598 35 资产负债率 117585.075 35 销售增长率 24585.045 35

校正的总计 净资产收益率 1531.354 34 总资产报酬率 404.217 34 资产负债率 7414.772 34 销售增长率 24484.099 34 a. R 方 = .200（调整 R 方 = .150） b. R 方 = .172（调整 R 方 = .120） c. R 方 = .041（调整 R 方 = -.019） d. R 方 = .119（调整 R 方 = .064） 此表给出了每个财务指标的分析结果，同时给出了每个财务指标的方差来源，包

括校正模型、截距、主效应（行业）、误差及总的方差来源，还给出了自由度、均方、F统计量及Sig.值 页眉内容 页脚内容8 4. 对比结果（K 矩阵） 行业 简单对比a 因变量 净资产收益率 总资产报酬率 资产负债率 销售增长率

级别 1 和级别 3 对比估算值 -5.649 -3.070 7.259 -13.223 假设值 0 0 0 0 差分（估计 - 假设） -5.649 -3.070 7.259 -13.223 标准 误差 2.781 1.454 6.701 11.672 Sig. .051 .043 .287 .266

差分的 95% 置信区间 下限 -11.313 -6.031 -6.390 -36.998 上限 .016 -.109 20.908 10.552

级别 2 和级别 3 对比估算值 1.054 -.057 1.791 -22.696 假设值 0 0 0 0 差分（估计 - 假设） 1.054 -.057 1.791 -22.696 标准 误差 2.609 1.364 6.286 10.949 Sig. .689 .967 .778 .046

差分的 95% 置信区间 下限 -4.260 -2.834 -11.013 -44.999 上限 6.368 2.721 14.595 -.394 a. 参考类别 = 3 此表表示，在0.05的显著水平下，第一行业（电力、煤气及水的生产和供应业）

与第三行业（信息技术业）的总资产报酬率指标存在显著差别，净资产收益率、资产负债率和销售增长率等财务指标无明显差别，但由第一栏可以看到，电力、煤气及水的生产和供应业的净资产收益率、总资产报酬率和销售增长率均低于信息技术业，资产负债率高于信息技术业，似乎说明信息技术业作为新兴行业，其成长能力要更高一些。第二行业（房地产业）与第三行业的销售增长率指标有明显的差别，第三行业大于第二行业，说明信息技术业的获利能力高于房地产业。净资产收益率、总资产报酬率和资产负债率等财务指标没有显著差别。 5.

多变量检验结果 值 F 假设 df 误差 df Sig. Pillai 的跟踪 .481 2.373 8.000 60.000 .027 Wilks 的 lambda .563 2.411a 8.000 58.000 .025 Hotelling 的跟踪 .698 2.443 8.000 56.000 .024 Roy 的最大根 .559 4.193b 4.000 30.000 .008 a. 精确统计量 b. 该统计量是 F 的上限，它产生了一个关于显著性级别的下限。 此表是上面多重比较可信性的度量，由Sig.值可以看到，比较检验是可信的。 6. 单变量检验结果 页眉内容 页脚内容8 源 因变量 平方和 df 均方 F Sig.

对比 净资产收益率 306.300 2 153.150 4.000 .028 总资产报酬率 69.464 2 34.732 3.320 .049 资产负债率 302.366 2 151.183 .680 .514 销售增长率 2904.588 2 1452.294 2.154 .133

误差 净资产收益率 1225.054 32 38.283 总资产报酬率 334.753 32 10.461 资产负债率 7112.406 32 222.263 销售增长率 21579.511 32 674.360 此表是对每一个指标在三个行业比较的结果。 7. 协方差矩阵等同性的 Box 检验a Box 的 M 29.207 F 1.172 df1 20 df2 2585.573 Sig. .269 检验零假设，即观测到的因变量的协方差矩阵在所有组中均相等。 a. 设计 : 截距 + 行业

误差方差等同性的 Levene 检验a F df1 df2 Sig. 净资产收益率 .500 2 32 .611 总资产报酬率 1.759 2 32 .188 资产负债率 4.537 2 32 .018 销售增长率 1.739 2 32 .192 检验零假设，即在所有组中因变量的误差方差均相等。 a. 设计 : 截距 + 行业 上面第一张表是协方差阵相等的检验，检验统计量是Box’s M，由Sig.值可以认为三个行业（总体）的协方差阵是相等的。第二张表给出了各行业误差平方相等的检验，在0.05的显著性水平下，净资产收益率、总资产报酬率以及销售增长率的误差平方在三个行业间没有显著差别。这似乎说明，除了行业因素，对资产负债率有显著影响的还有其他因素。这与此处均值比较没有太大的关系。 8. 估计 因变量 行业 均值 标准 误差 95% 置信区间

合集下载

多元统计数据分析报告(3篇)

多元统计数据分析报告(3篇)

第1篇一、引言随着大数据时代的到来，数据量急剧增加，传统的统计分析方法已无法满足复杂数据关系的挖掘需求。

多元统计分析作为一种处理多个变量之间关系的方法，在社会科学、自然科学、工程技术等领域得到了广泛应用。

本报告旨在通过对某研究项目的多元统计分析，揭示变量之间的关系，为决策提供科学依据。

二、研究背景与目的本研究以某企业员工绩效评估数据为研究对象，旨在通过多元统计分析方法，探究员工绩效与个人特质、工作环境等因素之间的关系，为企业人力资源管理部门提供决策支持。

三、数据与方法1. 数据来源本研究数据来源于某企业员工绩效评估系统，包括员工的基本信息、个人特质、工作环境、绩效评分等。

2. 研究方法本研究采用以下多元统计分析方法：（1）描述性统计分析：对员工绩效、个人特质、工作环境等变量进行描述性统计分析，了解数据的分布情况。

（2）相关分析：分析变量之间的线性关系，找出相关系数较大的变量对。

（3）因子分析：将多个变量归纳为少数几个因子，揭示变量之间的内在关系。

（4）聚类分析：将员工根据绩效、个人特质、工作环境等因素进行分类，分析不同类别员工的特点。

（5）回归分析：建立员工绩效与个人特质、工作环境等因素之间的回归模型，分析各因素对绩效的影响程度。

四、数据分析结果1. 描述性统计分析通过对员工绩效、个人特质、工作环境等变量的描述性统计分析，得出以下结论：（1）员工绩效评分呈正态分布，平均绩效评分为75分。

（2）个人特质得分集中在中等水平，其中创新能力得分最高，稳定性得分最低。

（3）工作环境得分普遍较高，其中工作压力得分最低。

2. 相关分析通过对员工绩效、个人特质、工作环境等变量进行相关分析，得出以下结论：（1）绩效与创新能力、稳定性、工作环境等因素呈正相关。

（2）创新能力与稳定性呈负相关。

3. 因子分析通过对员工绩效、个人特质、工作环境等变量进行因子分析，得出以下结论：（1）提取了3个因子，分别对应创新能力、稳定性、工作环境。

多元统计分析实验2

多元统计分析实验2

Dendrogram using Average Linkage (Between Groups)
Rescaled Distance Cluster Combine
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
908
郑州
16674
14023
10709
7847
66
373
12.7
13538
1048
武汉
21278
17083
11882
16610
80
623
17.4
13730
1286
长沙
15446
8873
10609
10631
60
434
10.0
16987
705
广州
48220
55404
29751
28859
275
1089
25.1
0
20
17
26
29
85140723.490
0
0
21
18
11
12
102010991.105
0
5
27
19
3
5
104201363.845
12
14
21
20
4
6
104836373.605
0
16
24
21
3
26
149260032.574
19
17
22
22
多元统计实验报告

多元统计实验报告

多元统计实验报告多元统计实验报告导言在现代科学研究中，多元统计方法被广泛应用于数据分析和模式识别等领域。

本次实验旨在通过多元统计方法探索变量之间的关系，并研究其对研究对象的影响。

实验设计我们选择了一个实验样本，包括100名大学生。

我们收集了他们的性别、年龄、身高、体重、学业成绩和运动习惯等多个变量。

通过对这些变量进行统计分析，我们希望能够了解它们之间的关系，并且进一步推断这些变量对大学生的影响。

数据预处理在进行多元统计分析之前，我们首先需要对数据进行预处理。

我们对缺失值进行了处理，使用均值填充了缺失的数据。

然后，我们进行了数据标准化，以消除不同变量之间的量纲差异。

主成分分析我们首先进行了主成分分析（PCA），以降低数据维度并寻找主要的变量。

通过PCA，我们得到了三个主成分，它们分别解释了总方差的70%、20%和10%。

这表明我们可以用这三个主成分来代表原始数据的大部分信息。

聚类分析接下来，我们进行了聚类分析，以研究样本之间的相似性和差异性。

我们使用了K-means算法，并将样本分为三个簇。

通过观察每个簇的特征，我们发现第一个簇主要包括男性、年龄较大、身高较高、体重较重、学业成绩较好和较少运动的大学生；第二个簇主要包括女性、年龄较小、身高较矮、体重较轻、学业成绩一般和较多运动的大学生；第三个簇则包括了男女性别各半、年龄、身高、体重、学业成绩和运动习惯都相对均衡的大学生。

相关分析为了研究变量之间的相关性，我们进行了相关分析。

我们发现学业成绩与年龄和身高之间存在较强的正相关关系，而与体重和运动习惯之间存在较弱的负相关关系。

这表明学业成绩可能受到年龄和身高的正向影响，而受到体重和运动习惯的负向影响。

回归分析最后，我们进行了回归分析，以探究变量对学业成绩的影响。

我们选择了年龄、身高、体重和运动习惯作为自变量，学业成绩作为因变量。

通过回归分析，我们得到了一个显著的回归模型，解释了学业成绩的40%的方差。

其中，年龄和身高对学业成绩有正向影响，而体重和运动习惯对学业成绩有负向影响。

多元统计课程实验报告

多元统计课程实验报告

一、实验背景随着社会经济的发展和科学技术的进步，数据量日益庞大，如何从大量数据中提取有价值的信息，成为统计学研究的热点问题。

多元统计分析作为统计学的一个重要分支，通过对多个变量之间的关系进行分析，为决策者提供有力的数据支持。

本实验旨在通过实际操作，让学生熟练掌握多元统计分析方法，提高数据分析能力。

二、实验目的1. 掌握多元统计分析的基本概念和方法；2. 学会运用多元统计分析方法解决实际问题；3. 提高数据分析能力，为后续课程打下坚实基础。

三、实验内容本次实验以某城市居民消费数据为例，运用多元统计分析方法对其进行分析。

四、实验步骤1. 数据导入首先，将实验数据导入统计软件（如SPSS、R等）。

本实验采用SPSS软件，数据集包含以下变量：（1）收入（y）：居民年收入；（2）教育程度（x1）：居民最高学历；（3）年龄（x2）：居民年龄；（4）家庭人口（x3）：家庭人口数量；（5）住房面积（x4）：家庭住房面积。

2. 描述性统计分析对数据集进行描述性统计分析，包括各变量的均值、标准差、最大值、最小值等。

3. 相关性分析运用皮尔逊相关系数、斯皮尔曼等级相关系数等方法，分析变量之间的相关关系。

4. 主成分分析运用主成分分析方法，提取主要成分，降低数据维度。

5. 聚类分析运用K-means聚类分析方法，将居民划分为不同的消费群体。

6. 随机森林回归分析运用随机森林回归分析方法，预测居民收入。

五、实验结果与分析1. 描述性统计分析根据描述性统计分析结果，可知居民年收入、教育程度、年龄、家庭人口、住房面积的平均值、标准差、最大值、最小值等。

2. 相关性分析通过相关性分析，发现收入与教育程度、年龄、家庭人口、住房面积之间存在显著的正相关关系。

3. 主成分分析根据主成分分析结果，提取出两个主成分，累计方差贡献率为84.95%，可以解释大部分的变量信息。

4. 聚类分析通过K-means聚类分析，将居民划分为3个消费群体。