多元统计分析课程设计
题目：《因子分析在环境污染方面的应用》
姓名：王厅厅
专业班级：统计学2014级2班
学院：数学与系统科学学院
时间：2016年1月 3 日
目录
1.摘要: (1)
2.引言： (1)
2.1背景 (1)
2.2问题的研究意义 (1)
2.3方法介绍 (2)
3.实证分析 (10)
3.1指标 (10)
3.2原始数据 (10)
3.3数据来源 (13)
3.4分析过程： (13)
4.结论及建议 (25)
5.参考文献 (26)
1.摘要:
中国的环境问题，由于中国政府对环境问题的关注，环境法律日趋完善，执法力度加大，对环境污染治理的投人逐年有较大幅度的增加，中国环境问题已朝着好的方面发展。但是，仍存在着环境问题，主要体现在环境污染问题，其中主要为水污染和大气污染。
关键词：环境污染水污染大气污染因子分析
2.引言：
2.1背景：
我国的环境保护取得了明显的成就，部分地区环境质量有所改善。但是，从整体上看，我国的环境污染仍在加剧，环境质量还在恶化。大气二氧化硫含量居高不下，境质量呈恶化趋势，固体废弃物污染量大面广，噪声扰民严重，环境污染事故时有发生。据中国社会科学院公布的一项报告表明：中国环境污染的规模居世界前列。
2.2问题的研究意义：
为分析比较各地环境污染特点，利用因子分析对环境污染的各个指标进行降维处理并得到影响环境的内在因素，进一步对环境污染
原因及治理措施进行分析，让更多的人认识到环境的重要性，准确把握各地区环境治理方法以及针对不同地区制定不同的政策改善环境问题，这对综合治理环境问题具有重要意义。 2.3方法介绍
因子分析的意义：变量间的信息的高度重叠和高度相关会给统计方法的应用设置许多障碍。为解决此问题，最简单和最直接的解决方案是削减变量个数，但这必然会导致信息丢失和
信息不完全等问题的产生。为此人们希望探索一种更有效地解决方法，它既能大幅减少参与数据建模的变量个数，同时也不会造成信息的大量丢失。因子分析正是这样一种能够有效降低变量维数的分析方法。
因子分析的步骤：
·因子分析的前提条件：要求原有变量之间存在较强的相关关系。 ·因子提取：将原有变量综合成少数几个因子是因子分析的核心内容。 若存在随机向量
)
(),,(1p q F F F q ≤'=Λ及
),,(1'
=p εεεΛ，使
??????????+???????????????????
?=??????????p q pq p q p F F a a a a X X εεM M ΛM M ΛM 1111111
简记为ε+=AF X ，且 （1）
q
I F D F E ==)(,0)(（标准化）；
（2）????
?
???
??==221)(,0)(p D E σσεεO
（中心化）；
（3）0),(=F Cov ε（不相关）。
那么，称指标向量X 具有正交因子结构（所有因子相互正交，即
j
i q j i F F E j i ≠==,,,1,,0)(Λ）；称此模型为正交因子模型；称
q
F F ,,1Λ为
公共因子（对整个X 有影响的公共因素）；称p
εε,,1Λ为特殊因子（只
对X 的各对应分量有影响的特殊因素）；称
q
p ij a A ?=)(为因子载荷矩阵，
ij
a 为第i 个指标在第j 个公共因子上的载荷。
因子载荷矩阵的建立
因子分析的最基本任务之一就是建立因子载荷矩阵A 。 对于正交因子模型，有
=)(X D )(εD A A +'
若X 已标准化，则
=)(X R )(εD A A +'
在绝大多数实际问题中，)(εD 往往都是未知的，由此求出A 是不可能的，这时可以通过主成分分析给出一组公共因子及其因子载荷矩阵。 具体方法如下： (1)求出R 的特征根
1>≥≥p λλΛ，以及相应的单位特征向量
)
,,1(),,(1)(p i u u u ip i i ΛΛ='=。
（2）建立主成分。
,)(X u Y i i '=X
U Y '=
)
,,()()1(p u u U Λ=是正交矩阵。
∧=????????
?
?='=='=p U X R U Y D X E U Y E λλO
1
)()(,0)()(
（3）构造公共因子，并建立因子载荷矩阵。
Y U UY X 2
12
1-∧∧== （逆问题）
令
Y F 2
1-∧=
?????
????
?????????
?
?=∧=p pp p p u u u u U A λλO
ΛM M
Λ1
11112
1
????
?
???
??=pp p p p p u u
u u λλλλΛ
M M Λ
111111
容易验证：
p
I F D F E ==)(,0)(
X 具有如下正交因子结构：
AF X = （Y F U A ----,?）
完全忽略了特殊因子的影响。
p
i F u F u F u F u X p
pi p q i q q q qi q i i ,,11)1(1111ΛΛΛ=+++++=+++λλλλ
p
pi p q i q q i F u F u λλε++=+++Λ1)1(1
i
q qi q i i F u F u X ελλ+++=Λ111
若只取前q 个主成分，且令
=A ????
?
???
??qp q p
q q u u u u λλλλΛM M Λ111111，
),,(1'
=q F F F Λ，
),,(1'
=p εεεΛ
则有
ε+=AF X
其中
，q I F D F E ==)(,0)(A A R D F Cov E '
-===)(,0),(,0)(εεε。
忽略了不重要的公共因子，由特殊因子解析。
换句话说，用主成分法获得了X 的正交因子分解（近似）中的F A ,。 这里的主要问题是如何确定因子数k 方法一：根据特征值确定因子数。
观察各个特征值，一般取特征值大于1的。 方法二：根据因子的累计方差贡献率确定因子数。
通常选取累计方差贡献率大于0.85时的特征值个数为因子个数k 。
·使因子具有命名解释性
实际分析工作中人们总是希望对因子的实际含义有比较清楚的认识。未解决这个问题，可通过因子旋转的方法使一个变量只在尽可能少的几个因子上有比较高的载荷。最理想状态下，使某个变量在某个因子上的载荷趋于1，在其他的因子上的载荷趋于0。这样，一个因子就能够成为某个变量的典型代表，于是因子的实际含义也就清楚了。 因子正交旋转
当指标向量X 具有正交因子结构时，其公共因子向量、因子载荷矩阵及正交因子分解均不唯一确定。
ε+=AF X
对任一q 阶正交矩阵T ，有
ε+'=F T AT X
令
AT A F T F ='=**,
则
ε+=**F A X
I T T T F D T F D F E ='='==**)()(,0)( 0)()(),(=''='=**εεεF E T F E F Cov )
,)(,)((22说明的问题i i h h A A A A ='='***
利用正交因子分解的这一性质，在因子分析（正交因子模型）中，常常在建立了初始因子载荷矩阵之后，再对其作适当的正交变换（几何
解释：因子轴旋转），以使得因子载荷矩阵AT A =*
具有更简洁、更理想（近乎分块对角矩阵形式）的结构，公共因子向量F T F '=*
具有更明显、更直观的实际意义，正交因子分解ε+=*
*F A X 更合理、更能
反映客观实际。
目前，已经提出了各种因子旋转的方法。比较常用的一种是方差极大因子轴正交旋转法，简称方差极大法。 先考虑两个公共因子的平面正交旋转。
??
?
?
??-=?
??
?
?
?????=φφφφcos sin sin cos ,211211T a a a a A p p M M
??
?
??
?????=?????????
?+-++-+=211211************cos sin sin cos cos sin sin cos p p p p p p b b b b a a a a a a a a AT M M M M
φφφφφφφ
φ
具有更理想、更简化的结构，即使其各列的因子载荷值尽可能地两极分化，大者尽可能大，小者尽可能小。 各载荷值可正可负，
i
X 的依赖程度
2
i h 也不同，消除其影响：
[])
2,1;,1(10/22
==∈=*j p i h b b i ij ij Λ，（规格化）
2
,14)(12)(1
)
(=≤-=*=*
∑j b b p V j p i ij j
正交旋转的目的就是要使新因子载荷矩阵的各列方差之和（总方差）
)
2()1(V V V +=
达到最大。 记
2
,1;,,1===
j p i h a i
ij ij Λα
p
i i i i i i i ，Λ,12,2
12
221==-=ααβααα
i
p
i i i
p
i i
p i i p i i βαδβαγββαα∑∑∑∑=====-===1
21
2
1
1
2),(,,
则φ可由下式确定：
tg
g e
p p =
---=
)(2422βαγαβδφ
且φ的符号可由e 的符号确定：
)
0,4(0);4,0(0π
φπφ-∈?<∈?>e e
当公共因子数2>q 时，需要对因子载荷矩阵中的q 列因子载荷向量配两两对旋转，共旋转
2)
1(2
-=
q q C q 次。
t s ,列。先确定φ，后旋转。 t s T st ?????????????????????
??????
?-=11cos sin sin cos 1
1O
Λ
M M
ΛO φ
φφφ
仅t s ,列元素改变。
全部列两两配对旋转完毕后，就完成了第一轮旋转。如果因子载荷矩阵还不能达到要求，那么进行第二轮旋转，如此进行下去，直到满足要求为止。
每经一轮旋转，都可算出因子载荷矩阵的总方差。
ΛΛ→→→→→→=)2()1()0()2()1()0(;V V V A A A A
ΛΛΛ,,212)1()2()1()
2(12)1()2(1)1()1()1(120)1(T AT T A T T A A
AT T T A A q q q q =====--）（
Λ,,,)2()1()0(V V V 是一非降序列，且有上界（为q 4），故必收敛于某一极
限值*V ，*
V 即为最大总方差。
实际中，通常旋转到总方差改进不大，即
ξ
<--)1()(k k V V （给定精度）
时，旋转停止。 最后，取
AT
T AT A A k k ===*Λ1)(作为最终因子载荷矩阵。
·计算因子得分
因子得分是因子分析的最终体现。在因子分析的实际应用中，当因子确定以后，便可计算各因子在每个样本观测上的具体数值，这些数值称为因子得分，形成的变量称为因子得分变量。于是，在以后的分析中就可以因子得分变量代替原有变量进行数据建模，或利用因子得分变量对样本进行分类或评价等研究，进而实现降维和简化问题的目的。
Y F F F Y F F F F p q p q q 2
112
111),,,(,),,,,,(-
+-
+∧=''∧='ΛΛΛ
)
)()(0,()0,(),,,)(0,(12
12
11X U U U T Y T F F F T F T F p q '∧'∧'=∧
'='''='=--
+*Λ
X R U T X U U U T 12
11
2
1
))(0,())()(0,(--'∧'='∧'∧'=
X R u u u u T p q q p q q
1)()1()()1(1
10
000)0,(-++??????????
?????????
?''''?????????? ?????????????????????
?+???????????????
?
???
?'=M M O
O O
O
λλλλ
X
R A X R AT X R A T 111)()(0)0,(-*--'='=???
???''≈
**≈F A X ，**-*-*'≈'F A R A X R A 11)()(，U U R '∧=--1
1，AT A =*
???
???∧=?-?q q p q q I U A )(2
10，q q I A R A ?*
-*=='Λ1)(
3.实证分析 3.1指标：
废水排放总量、需氧量排放总量、氨氮排放总量、二氧化硫排放总量、氮氧化物排放总量、烟尘灰尘排放总量 3.2原始数据：
3.3数据来源：《中国环境年鉴》
3.4分析过程：
利用SPSS软件进行分析，首先录入数据，然后一次进行如下处理:
一、考察原有变量是否适合进行因子分析
首先考察收集到的原有变量之间是否存在一定的线性关系，是否适合采用因子分析。这里借助变量的相关系数矩阵进行分析。表一是原有变量的相关系数矩阵。可以看到：大部分的相关系数都较高，各变量呈较强的线性关系，能够从中提取公共因子，适合进行因子分析。
表一
相關性矩陣
废水排放
总量
单位：亿吨化学需氧量
排放总量
单位：万吨
氨氮排放总
量单
位：万吨
二氧化硫排
放总量
单位：万吨
氮氧化
物排放
总量
单位：万
吨
烟尘灰
尘排放
总量
单位：万
吨
相關废水排放总
量单
位：亿吨
1.000 .762 .913 .424 .612 .277
化学需氧量
排放总量
单位：万吨
.762 1.000 .906 .647 .773 .592
氨氮排放总
量单
位：万吨
.913 .906 1.000 .519 .650 .394
二氧化硫排
放总量
单位：万吨
.424 .647 .519 1.000 .903 .842
二、提取因子
这里首先进行尝试性分析：根据原有变量的相关系数矩阵，采用主成分分析提取因子并选取大于1的特征值，分析结果如表2所示。表二
Communalities
起始擷取
废水排放总量单位：亿吨 1.000 .923
化学需氧量排放总量单位：万
1.000 .892
吨
氨氮排放总量单位：万吨 1.000 .971
二氧化硫排放总量单位：万吨 1.000 .908
氮氧化物排放总量单位：万吨 1.000 .953
烟尘灰尘排放总量单位：万吨 1.000 .931
擷取方法：主體元件分析。
表二显示了在指定提取2个变量共同度数据。第一列数据是因子分析初始解下的变量共同度，它表明：如果对原有7个变量采用主成分分析方法提取所有特征值，那么原有变量的所有方差都可被解释，变量的共同度均1.事实上，因子个数小于原有变量的个数才是因子分析的目标，所以不可能提取全部特征值。第二列数据是在按指定提取条件提取特征值时的变量共同度。可以看到所有变量的绝大部分信息可被因子解释，信息丢失少。因此，本次因子提取的总体效果比较理想。
表三
5
.062 1.037 99.694
6
.018 .306 100.000
擷取方法：主體元件分析。
表三中，第一列是因子编号，以后三列组成一组，每组中数据项的含义依次是特征值、方差贡献率和累计方差贡献率。
前两个因子解释原有变量总方差的93%，总体上，原有变量的信息丢失较少，因子分析效果较理想。
表四
表四中，横坐标为因子数目，纵坐标是特征值。可以看到：第一个因子特征值很高，对解释原有变量的贡献最大;第二个以后的因子特征值都较小，对解释原有变量的贡献很小，因此提取两个因子是合适的。
表五
元件矩陣a
元件
1 2
氮氧化物排放总量单位：万吨.939 -.266
化学需氧量排放总量单位：万吨.917 .226
氨氮排放总量单位：万吨.856 .487
二氧化硫排放总量单位：万吨.848 -.434
废水排放总量单位：亿吨.778 .564
烟尘灰尘排放总量单位：万吨.775 -.575
擷取方法：主體元件分析。
a. 擷取 2 個元件。
表五显示了因子载荷矩阵，是因子分析的核心内容。根据该表可以写出因子分析模型：
氮氧化物排放总量=0.939*
f-0.266*2f
1
化学需氧量排放总量=0.917*
f+0.226*2f
1
氨氮排放总量=0.856*
f+0.487*2f
1
二氧化硫排放总量=0.848*
f-0.434*2f
1
废水排放总量=0.778*
f+0.564*2f
1
烟尘灰尘排放总量=0.775*
f-0.575*2f
1
由表五可知，六个变量在第一个因子上的载荷都很高，意味着他们与第一个因子的相关程度高，第一个因子很重要。
第二个因子与原有变量的相关性均较小，它对原有不安量的解释不显著。
三、因子的命名解释
采用方差极大法对因子载荷矩阵进行正交旋转以使因子具有命名解释性。得到旋转后的因子载荷矩阵如图六所示。
图六
旋轉元件矩陣a
元件
1 2
烟尘灰尘排放总量单位：万吨.955 .136
二氧化硫排放总量单位：万吨.909 .287
氮氧化物排放总量单位：万吨.855 .471
氨氮排放总量单位：万吨.268 .948
废水排放总量单位：亿吨.157 .948
2.1.试叙述多元联合分布和边际分布之间的关系。 解：多元联合分布讨论多个随机变量联合到一起的概率分布状况，12(,,)p X X X X '=L 的联合分布密 度函数是一个p 维的函数，而边际分布讨论是12(,,)p X X X X '=L 的子向量的概率分布，其概率密度 函数的维数小于p 。 2.2设二维随机向量1 2()X X '服从二元正态分布，写出其联合分布。 解：设1 2()X X '的均值向量为()1 2μμ'=μ，协方差矩阵为21 122212σσσσ?? ? ?? ，则其联合分布密度函数为 1/2 12 2 2112112222122121()exp ()()2f σσσσσσσσ--???????? '=---?? ? ??? ?????? x x μx μ。 2.3已知随机向量12()X X '的联合密度函数为 12121222 2[()()()()2()()] (,)()()d c x a b a x c x a x c f x x b a d c --+-----= -- 其中1a x b ≤≤，2c x d ≤≤。求 （1）随机变量1X 和2X 的边缘密度函数、均值和方差； （2）随机变量1X 和2X 的协方差和相关系数； （3）判断 1X 和2X 是否相互独立。 （1）解：随机变量 1X 和2X 的边缘密度函数、均值和方差； 11212122 2[()()()()2()()] ()()()d x c d c x a b a x c x a x c f x dx b a d c --+-----=--? 1221222222 2()()2[()()2()()]()()()() d d c c d c x a x b a x c x a x c dx b a d c b a d c -------=+----? 121 222202()()2[()2()]()()()() d d c c d c x a x b a t x a t dt b a d c b a d c ------= +----? 221212222 2()()[()2()] 1()()()()d c d c d c x a x b a t x a t b a d c b a d c b a ------=+= ----- 所以 由于1X 服从均匀分布，则均值为2b a +，方差为 ()2 12 b a -。
一、填空题（20分） 1、若),2,1(),,(~)(n N X p 且相互独立，则样本均值向量X 服从的分布 为 2、变量的类型按尺度划分有_间隔尺度_、_有序尺度_、名义尺度_。 3、判别分析是判别样品 所属类型 的一种统计方法，常用的判别方法有__距离判别法_、Fisher 判别法、Bayes 判别法、逐步判别法。 4、Q 型聚类是指对_样品_进行聚类，R 型聚类是指对_指标(变量)_进行聚类。 5、设样品),2,1(,),,(' 21n i X X X X ip i i i ，总体),(~ p N X ，对样品进行分类常用的距离 2 ()ij d M )()(1j i j i x x x x ，兰氏距离()ij d L 6、因子分析中因子载荷系数ij a 的统计意义是_第i 个变量与第j 个公因子的相关系数。 7、一元回归的数学模型是： x y 10，多元回归的数学模型是： p p x x x y 22110。 8、对应分析是将 R 型因子分析和Q 型因子分析结合起来进行的统计分析方法。 9、典型相关分析是研究两组变量之间相关关系的一种多元统计方法。 二、计算题（60分） 1、设三维随机向量),(~3 N X ，其中 200031014，问1X 与2X 是否独立？),(21 X X 和3X 是否独立？为什么？ 解： 因为1),cov(21 X X ，所以1X 与2X 不独立。 把协差矩阵写成分块矩阵 22211211，),(21 X X 的协差矩阵为11 因为12321),),cov(( X X X ，而012 ，所以),(21 X X 和3X 是不相关的，而正态分布不相关与相互
一、判断题 （ 对 ） 1 X ( X 1 , X 2 ,L , X p ) 的协差阵一定是对称的半正定阵 （ 对 （ ） 2 标准化随机向量的协差阵与原变量的相关系数阵相同。 对） 3 典型相关分析是识别并量化两组变量间的关系，将两组变量的相关关系 的研究转化为一组变量的线性组合与另一组变量的线性组合间的相关关系的研究。 （ 对 ）4 多维标度法是以空间分布的形式在低维空间中再现研究对象间关系的数据 分析方法。 （ 错）5 X (X 1 , X 2 , , X p ) ~ N p ( , ) ， X , S 分别是样本均值和样本离 差阵，则 X , S 分别是 , 的无偏估计。 n （ 对） 6 X ( X 1 , X 2 , , X p ) ~ N p ( , ) ， X 作为样本均值 的估计，是 无偏的、有效的、一致的。 （ 错） 7 因子载荷经正交旋转后，各变量的共性方差和各因子的贡献都发生了变化 （ 对） 8 因子载荷阵 A ( ij ) ij 表示第 i 个变量在第 j 个公因子上 a 中的 a 的相对重要性。 （ 对 ）9 判别分析中， 若两个总体的协差阵相等， 则 Fisher 判别与距离判别等价。 （对） 10 距离判别法要求两总体分布的协差阵相等， Fisher 判别法对总体的分布无特 定的要求。 二、填空题 1、多元统计中常用的统计量有：样本均值向量、样本协差阵、样本离差阵、 样本相关系数矩阵． 2、 设 是总体 的协方差阵， 的特征根 ( 1, , ) 与相应的单 X ( X 1,L , X m ) i i L m 位 正 交 化 特 征 向 量 i ( a i1, a i 2 ,L ,a im ) ， 则 第 一 主 成 分 的 表 达 式 是 y 1 a 11 X 1 a 12 X 2 L a 1m X m ，方差为 1 。 3 设 是总体 X ( X 1, X 2 , X 3, X 4 ) 的协方差阵， 的特征根和标准正交特征向量分别 为： 1 2.920 U 1' (0.1485, 0.5735, 0.5577, 0.5814) 2 1.024 U 2' (0.9544, 0.0984,0.2695,0.0824) 3 0.049 U 3' (0.2516,0.7733, 0.5589, 0.1624) 4 0.007 U 4' ( 0.0612,0.2519,0.5513, 0.7930) ，则其第二个主成分的表达式是
多元统计分析模拟试 题
多元统计分析模拟试题（两套：每套含填空、判断各二十道） A卷 1)判别分析常用的判别方法有距离判别法、贝叶斯判别法、费歇判别法、逐 步判别法。 2)Q型聚类分析是对样品的分类，R型聚类分析是对变量_的分类。 3)主成分分析中可以利用协方差矩阵和相关矩阵求解主成分。 4)因子分析中对于因子载荷的求解最常用的方法是主成分法、主轴因子法、 极大似然法 5)聚类分析包括系统聚类法、模糊聚类分析、K-均值聚类分析 6)分组数据的Logistic回归存在异方差性，需要采用加权最小二乘估计 7)误差项的路径系数可由多元回归的决定系数算出，他们之间的关系为 = 8)最短距离法适用于条形的类，最长距离法适用于椭圆形的类。 9)主成分分析是利用降维的思想，在损失很少的信息前提下，把多个指标转 化为几个综合指标的多元统计方法。 10)在进行主成分分析时，我们认为所取的m（m 22121212121 ~(,),(,),(,),, 1X N X x x x x x x ρμμμμσρ ?? ∑==∑= ??? +-1、设其中则Cov(,)=____. 10 31 2~(,),1,,10,()()_________i i i i X N i W X X μμμ=' ∑=--∑L 、设则=服从。 ()1 2 34 433,4 92, 3216___________________ X x x x R -?? ?'==-- ? ?-? ? =∑、设随机向量且协方差矩阵则它的相关矩阵 4、 __________， __________， ________________。 215,1,,16(,),(,)15[4()][4()]~___________i p p X i N X A N T X A X μμμμ-=∑∑'=--L 、设是来自多元正态总体和分别为正态总体的样本均值和样本离差矩阵,则。 12332313116421(,,)~(,),(1,0,2),441, 2142X x x x N x x x x x μμ-?? ?'=∑=-∑=-- ? ?-?? -?? + ??? 、设其中试判断与是否独立？ (), 1 2 3设X=x x x 的相关系数矩阵通过因子分析分解为 211X h = 的共性方差111X σ= 的方差21X g = 1公因子f 对的贡献1213 30.93400.1280.9340.4170.8351100.4170.8940.02700.8940.44730.8350.4470.10320 13 R ? ? - ????? ? -?? ? ? ?=-=-+ ? ? ? ??? ? ? ????? ? ??? 一、判断题 （ 对 ）112(,,,)p X X X X '=L 的协差阵一定是对称的半正定阵 （ 对 ）2标准化随机向量的协差阵与原变量的相关系数阵相同。 （ 对）3典型相关分析是识别并量化两组变量间的关系，将两组变量的相关关系 的研究转化为一组变量的线性组合与另一组变量的线性组合间的相关关系的研究。 （ 对 ）4多维标度法是以空间分布的形式在低维空间中再现研究对象间关系的数据分析方法。 （ 错）5),(~),,,(21∑'=μp p N X X X X Λ，,X S 分别是样本均值和样本离差阵，则, S X n 分别是,μ∑的无偏估计。 （ 对）6),(~),,,(21∑'=μp p N X X X X Λ，X 作为样本均值μ的估计，是 无偏的、有效的、一致的。 （ 错）7 因子载荷经正交旋转后，各变量的共性方差和各因子的贡献都发生了变化 （ 对）8因子载荷阵()ij A a =中的ij a 表示第i 个变量在第j 个公因子上的相对重要性。 （ 对 ）9 判别分析中，若两个总体的协差阵相等，则Fisher 判别与距离判别等 价。 （对）10距离判别法要求两总体分布的协差阵相等，Fisher 判别法对总体的分布无特定的要求。 二、填空题 1、多元统计中常用的统计量有：样本均值向量、样本协差阵、样本离差阵、样本相关系数矩阵． 2、设∑是总体1(,,)m X X X =L 的协方差阵，∑的特征根(1,,)i i m λ=L 与相应的单 位正交化特征向量 12(,,,)i i i im a a a α=L ，则第一主成分的表达式是 11111221m m y a X a X a X =+++L ，方差为 1λ。 3设∑是总体1234(,,,)X X X X X =的协方差阵，∑的特征根和标准正交特征向量分别 为：' 112.920(0.1485,0.5735,0.5577,0.5814)U λ==--- ' 221.024(0.9544,0.0984,0.2695,0.0824)U λ==- '330.049(0.2516,0.7733,0.5589,0.1624)U λ==-- 一、填空题： 1、多元统计分析是运用数理统计方法来研究解决多指标问题的理论和方法. 2、回归参数显著性检验是检验解释变量对被解释变量的影响是否著. 3、聚类分析就是分析如何对样品（或变量）进行量化分类的问题。通常聚类分析分为 Q型聚类和 R型聚类。 4、相应分析的主要目的是寻求列联表行因素A 和列因素B 的基本分析特征和它们的最优联立表示。 5、因子分析把每个原始变量分解为两部分因素：一部分为公共因子，另一部分为特殊因子。 6、若 () (,), P x N αμα ∑=1,2,3….n且相互独立，则样本均值向量x服从的分布 为_x~N(μ，Σ/n)_。 二、简答 1、简述典型变量与典型相关系数的概念，并说明典型相关分析的基本思想。 在每组变量中找出变量的线性组合，使得两组的线性组合之间具有最大的相关系数。选取和最初挑选的这对线性组合不相关的线性组合，使其配对，并选取相关系数最大的一对，如此下去直到两组之间的相关性被提取完毕为止。被选出的线性组合配对称为典型变量，它们的相关系数称为典型相关系数。 2、简述相应分析的基本思想。 相应分析，是指对两个定性变量的多种水平进行分析。设有两组因素A和B，其中因素A包含r个水平，因素B包含c个水平。对这两组因素作随机抽样调查，得到一个rc的二维列联表，记为。要寻求列联表列因素A和行因素B的基本分析特征和最优列联表示。相应分析即是通过列联表的转换，使得因素A 和因素B 具有对等性，从而用相同的因子轴同时描述两个因素各个水平的情况。把两个因素的各个水平的状况同时反映到具有相同坐标轴的因子平面上，从而得到因素A 、B 的联系。 3、简述费希尔判别法的基本思想。 从k 个总体中抽取具有p 个指标的样品观测数据，借助方差分析的思想构造一个线性判别函数 系数： 确定的原则是使得总体之间区别最大，而使每个总体内部的离差最小。将新样品的p 个指标值代入线性判别函数式中求出 值，然后根据判别一定的规则，就可以判别新的样品属于哪个总体。 5、简述多元统计分析中协差阵检验的步骤 第一，提出待检验的假设 和H1； 第二，给出检验的统计量及其服从的分布； 第三，给定检验水平，查统计量的分布表，确定相应的临界值，从而得到否定域； 第四，根据样本观测值计算出统计量的值，看是否落入否定域中，以便对待判假设做出决策（拒绝或接受）。 协差阵的检验 检验0=ΣΣ 0p H =ΣI ： /2 /21exp 2np n e tr n λ???? =-?? ? ???? S S 00p H =≠ΣΣI ： /2 /2**1exp 2np n e tr n λ???? =-?? ? ???? S S 第一章： 多元统计分析研究的内容（5点） 1、简化数据结构（主成分分析） 2、分类与判别（聚类分析、判别分析） 3、变量间的相互关系（典型相关分析、多元回归分析） 4、多维数据的统计推断 5、多元统计分析的理论基础 第二三章： 二、多维随机变量的数字特征 1、随机向量的数字特征 随机向量X 均值向量： 随机向量X 与Y 的协方差矩阵： 当X=Y 时Cov （X ，Y ）=D （X ）；当Cov （X ，Y ）=0 ，称X ，Y 不相关。 随机向量X 与Y 的相关系数矩阵： )',...,,(),,,(2121P p EX EX EX EX μμμ='=Λ)')((),cov(EY Y EX X E Y X --=q p ij r Y X ?=)(),(ρ 2、均值向量协方差矩阵的性质 (1).设X ，Y 为随机向量，A ，B 为常数矩阵 E （AX ）=AE （X ）； E （AXB ）=AE （X ）B; D(AX)=AD(X)A ’; Cov(AX,BY)=ACov(X,Y)B ’; (2).若X ，Y 独立，则Cov(X,Y)＝０，反之不成立． (3).X 的协方差阵D(X)是对称非负定矩阵。例2.见黑板 三、多元正态分布的参数估计 2、多元正态分布的性质 (1).若 ,则E(X)= ,D(X)= . 特别地，当 为对角阵时， 相互独立。 (2).若 ，Ａ为sxp 阶常数矩阵，d 为s 阶向量， ＡＸ＋d ～ . 即正态分布的线性函数仍是正态分布． (3).多元正态分布的边缘分布是正态分布，反之不成立． (4).多元正态分布的不相关与独立等价． 例３．见黑板． 三、多元正态分布的参数估计 (1)“ 为来自p 元总体X 的（简单）样本”的理解---独立同截面． (2)多元分布样本的数字特征---常见多元统计量 样本均值向量 ＝ 样本离差阵Ｓ＝ 样本协方差阵Ｖ＝ S ;样本相关阵Ｒ (3) ,Ｖ分别是 和 的最大似然估计； (4)估计的性质 是 的无偏估计； ,Ｖ分别是 和 的有效和一致估计； ； Ｓ～ ， 与Ｓ相互独立； 第五章 聚类分析： 一、什么是聚类分析 ：聚类分析是根据“物以类聚”的道理，对样品或指标进行分类的一种多元统计分析方法。用于对事物类别不清楚，甚至事物总共可能有几类都不能确定的情况下进行事物分类的场合。聚类方法：系统聚类法（直观易懂）、动态聚类法（快）、有序聚类法（保序）...... Q-型聚类分析（样品）R-型聚类分析（变量） 变量按照测量它们的尺度不同，可以分为三类：间隔尺度、有序尺度、名义尺度。 二、常用数据的变换方法:中心化变换、标准化变换、极差正规化变换、对数变换（优缺点） 1、中心化变换（平移变换）：中心化变换是一种坐标轴平移处理方法，它是先求出每个变量的样本平均值，再从原始数据中减去该变量的均值，就得到中心化变换后的数据。不改变样本间的相互位置，也不改变变量间的相关性。 2、标准化变换：首先对每个变量进行中心化变换，然后用该变量的标准差进行标准化。 经过标准化变换处理后，每个变量即数据矩阵中每列数据的平均值为0，方差为1，且也不再具有量纲，同样也便于不同变量之间的比较。 3、极差正规化变换（规格化变换）：规格化变换是从数据矩阵的每一个变量中找出其最大值和最小值，这两者之差称为极差，然后从每个变量的每个原始数据中减去该变量中的最小值，再除以极差。经过规格化变换后，数据矩阵中每列即每个变量的最大数值为1，最小数值为0，其余数据取值均在0－1之间；且变换后的数据都不再具有量纲，便于不同的),(~∑μP N X μ∑μp X X X ,,,21Λ),(~∑μP N X ) ,('A A d A N s ∑+μ)()1(,, n X X ΛX )',,,(21p X X X Λ)')(()()(1X X X X i i n i --∑=n 1X μ∑μX )1,(~∑n N X P μ),1(∑-n W p X X 多元统计分析模拟试题（两套：每套含填空、判断各二十道） A 卷 判别分析常用的判别方法有距离判别法、贝叶斯判别法、费歇判别法、逐步 判另0法 Q 型 聚类分析是对样品的分类,R 型聚类分析是对变量」i 勺分类。 主成分分析中可以利用协方差矩阵和相关矩阵求解主成分。 因子分析中对于因子载荷的求解最常用的方法是主成分法、主轴因子法、极 大似然法 聚类分析包括系统聚类法、模糊聚类分析、K ?均值聚类分析 分组 数据的Logistic 回归存在 异方差性，需要采用加权最小二乘估计 误差项的路径系数可山多元回归的决定系数算岀，他们之间的关系为 主成分分析是利用軽的思想，在损失很少的信息前提下，把多个指标转化 为儿个综合指标的多元统计方法。 在进行主成分分析时，我们认为所取的m （m 多元统计分析模拟试题 Company Document number：WTUT-WT88Y-W8BBGB-BWYTT-19998 多元统计分析模拟试题（两套：每套含填空、判断各二十道） A卷 1)判别分析常用的判别方法有距离判别法、贝叶斯判别法、费歇判别法、逐 步判别法。 2)Q型聚类分析是对样品的分类，R型聚类分析是对变量_的分类。 3)主成分分析中可以利用协方差矩阵和相关矩阵求解主成分。 4)因子分析中对于因子载荷的求解最常用的方法是主成分法、主轴因子法、 极大似然法 5)聚类分析包括系统聚类法、模糊聚类分析、K-均值聚类分析 6)分组数据的Logistic回归存在异方差性，需要采用加权最小二乘估计 7)误差项的路径系数可由多元回归的决定系数算出，他们之间的关系为 P e=√1?R2 8)最短距离法适用于条形的类，最长距离法适用于椭圆形的类。 9)主成分分析是利用降维的思想，在损失很少的信息前提下，把多个指标转 化为几个综合指标的多元统计方法。 10)在进行主成分分析时，我们认为所取的m（m 第一章： 多元统计分析研究的容（5点） 1、简化数据结构（主成分分析） 2、分类与判别（聚类分析、判别分析） 3、变量间的相互关系（典型相关分析、多元回归分析） 4、多维数据的统计推断 5、多元统计分析的理论基础 第二三章： 二、多维随机变量的数字特征 1、随机向量的数字特征 随机向量X均值向量： 随机向量X与Y的协方差矩阵： 当X=Y时Cov（X，Y）=D（X）；当Cov（X，Y）=0 ，称X，Y不相关。 随机向量X与Y的相关系数矩阵： 2、均值向量协方差矩阵的性质 (1).设X，Y为随机向量，A，B 为常数矩阵 E（AX）=AE（X）； E（AXB）=AE（X）B; D(AX)=AD(X)A’; )' ,..., , ( ) , , , ( 2 1 2 1P p EX EX EX EXμ μ μ = ' = )' )( ( ) , cov(EY Y EX X E Y X- - = q p ij r Y X ? =) ( ) , (ρ Cov(AX,BY)=ACov(X,Y)B ’; (2).若X ，Y 独立，则Cov(X,Y)＝０，反之不成立． (3).X 的协方差阵D(X)是对称非负定矩阵。例2.见黑板 三、多元正态分布的参数估计 2、多元正态分布的性质 (1).若 ,则E(X)= ,D(X)= . 特别地，当 为对角阵时， 相互独立。 (2).若 ，Ａ为sxp 阶常数矩阵，d 为s 阶向量， ＡＸ＋d ～ . 即正态分布的线性函数仍是正态分布． (3).多元正态分布的边缘分布是正态分布，反之不成立． (4).多元正态分布的不相关与独立等价． 例３．见黑板． 三、多元正态分布的参数估计 (1)“ 为来自p 元总体X 的（简单）样本”的理解---独立同截面． (2)多元分布样本的数字特征---常见多元统计量 样本均值向量 ＝ 样本离差阵Ｓ＝ 样本协方差阵Ｖ＝ S ;样本相关阵Ｒ (3) ,Ｖ分别是 和 的最大似然估计； (4)估计的性质 是 的无偏估计； ,Ｖ分别是 和 的有效和一致估计； ； Ｓ～ ， 与Ｓ相互独立； 第五章 聚类分析： 一、什么是聚类分析 ：聚类分析是根据“物以类聚”的道理，对样品或指标进行分类的一种多元统计分析方法。用于对事物类别不清楚，甚至事物总共可能有几类都不能确定的情况下进行事物分类的场合。聚类方法：系统聚类法（直观易懂）、动态聚类法（快）、有序聚类法（保序）...... Q-型聚类分析（样品）R-型聚类分析（变量） 变量按照测量它们的尺度不同，可以分为三类：间隔尺度、有序尺度、名义尺度。 二、常用数据的变换方法:中心化变换、标准化变换、极差正规化变换、对数变换（优缺点） 1、中心化变换（平移变换）：中心化变换是一种坐标轴平移处理方法，它是先求出每个变量的样本平均值，再从原始数据中减去该变量的均值，就得到中心化变换后的数据。不改变样本间的相互位置，也不改变变量间的相关性。 2、标准化变换：首先对每个变量进行中心化变换，然后用该变量的标准差进行标准化。 经过标准化变换处理后，每个变量即数据矩阵中每列数据的平均值为0，方差为1，且也不再具有量纲，同样也便于不同变量之间的比较。 3、极差正规化变换（规格化变换）：规格化变换是从数据矩阵的每一个变量中找出其最大值和最小值，这两者之差称为极差，然后从每个变量的每个原始数据中减去该变量中的最小值，再除以极差。经过规格化变换后，数据矩阵中每列即每个变量的最大数值为1，最小数值为0，其余数据取值均在0－1之间；且变换后的数据都不再具有量纲，便于不同的变量之间的比较。 4、对数变换：对数变换是将各个原始数据取对数，将原始数据的对数值作为变换后的新值。它将具有指数特征的数据结构变换为线性数据结构。 三、样品间相近性的度量 研究样品或变量的亲疏程度的数量指标有两种：距离，它是将每一个样品看作p 维空),(~∑μP N X μ∑μp X X X ,,,21 ),(~∑μP N X ),('A A d A N s ∑+μ)()1(,,n X X X )',,,(21p X X X )')(()()(1X X X X i i n i --∑=n 1X μ ∑μX )1,(~∑n N X P μ),1(∑-n W p X X Abbo无私奉献，只收1个金币，BS收5个金币的… 何老师考简单点啊…… 第九章 典型相关分析 9.1 什么是典型相关分析？简述其基本思想。 答： 典型相关分析是研究两组变量之间相关关系的一种多元统计方法。用于揭示两组变量之间的内在联系。典型相关分析的目的是识别并量化两组变量之间的联系。将两组变量相关关系的分析转化为一组变量的线性组合与另一组变量线性组合之间的相关关系。 基本思想： （1）在每组变量中找出变量的线性组合，使得两组的线性组合之间具有最大的相关系数。即： 若设(1) (1)(1) (1)12(,,,)p X X X =X 、(2) (2)(2)(2) 12(,,,)q X X X =X 是两组相互关联的随机变量， 分别在两组变量中选取若干有代表性的综合变量Ui 、Vi ，使是原变量的线性组合。 在(1)(1)(1)(2)()()1D D ''==a X b X 的条件下，使得(1)(1)(1)(2)(,)ρ''a X b X 达到最大。（2）选取和最初挑选的这对线性组合不相关的线性组合，使其配对，并选取相关系数最大的一对。 （3）如此继续下去，直到两组变量之间的相关性被提取完毕为此。 9.2 什么是典型变量？它具有哪些性质？ 答：在典型相关分析中，在一定条件下选取系列线性组合以反映两组变量之间的线性关系，这被选出的线性组合配对被称为典型变量。具体来说， ()(1) ()(1)()(1)()(1) 11 22i i i i i P P U a X a X a X ' =+++a X ()(2) ()(2)()(2) ()(2) 11 22i i i i i q q V b X b X b X ' =+++b X 在(1)(1)(1)(2)()()1D D ''==a X b X 的条件下，使得(1)(1)(1)(2)(,)ρ''a X b X 达到最大，则称 (1)(1)'a X 、(1)(2) 'b X 是(1)X 、(2)X 的第一对典型相关变量。 典型变量性质： 典型相关量化了两组变量之间的联系，反映了两组变量的相关程度。 1. ()1,()1 (1,2,,)k k D U D V k r === (,)0, (,)0 ()i j i j C ov U U C ov V V i j ==≠ 2. 0 (,1,2,,)(,)0()0()i i j i j i r C ov U V i j j r λ≠==?? =≠??>? 9.3 试分析一组变量的典型变量与其主成分的联系与区别。 答：一组变量的典型变量和其主成分都是经过线性变换计算矩阵特征值与特征向量得出的。主成分分析只涉及一组变量的相互依赖关系而典型相关则扩展到两组变量之间的相互依赖关系之中，度量了这两组变量之间联系的强度。 ()(1)()(1)()(1)()(1) 1122i i i i i P P U a X a X a X '=+++a X ()(2)()(2)()(2)()(2) 1122i i i i i q q V b X b X b X '=+++b X (1)(1)(1)(1)1 2 (,,,)p X X X = X 、(2)(2)(2)(2)1 2 (,,,)q X X X = X 多元统计分析 题型一定义、名词解释 题型二计算（协方差阵、模糊矩阵） 题型三解答题 一、定义 二名词解释 1、多元统计分析：多元统计分析是运用数理统计的方法来研究多变量（多指标）问题的理论和方法，是一元统计学的推广 2、聚类分析:是根据“物以类聚”的道理，对样品或指标进行分类的一种多元统计分析方法。将个体或对象分类，使得同一类中的对象之间的相似性比与其他类的对象的相似性更强。使类内对象的同质性最大化和类间对象的异质性最大化 3、随机变量：是指变量的值无法预先确定仅以一定的可能性(概率)取值的量。它是由于随机而获得的非确定值，是概率中的一个基本概念。即每个分量都是随机变量的向量为随机向量。类似地，所有元素都是随机变量的矩阵称为随机矩阵。 4、统计量：多元统计研究的是多指标问题,为了了解总体的特征,通过对总体抽样得到代表总体的样本,但因为信息是分散在每个样本上的,就需要对样本进行加工,把样本的信息浓缩到不包含未知量的样本函数中,这个函数称为统计量 三、计算题 解： 答： 答： 题型三解答题 1、简述多元统计分析中协差阵检验的步骤 答： 第一，提出待检验的假设和H1； 第二，给出检验的统计量及其服从的分布； 第三，给定检验水平，查统计量的分布表，确定相应的临界值，从而得到否定域； 第四，根据样本观测值计算出统计量的值，看是否落入否定域中，以便对待判假设做出决策（拒绝或接受）。 2、简述一下聚类分析的思想 答：聚类分析的基本思想，是根据一批样品的多个观测指标，具体地找出一些能够度量样品或指标之间相似程度的统计量，然后利用统计量将样品或指标进行归类。把相似的样品或指标归为一类，把不相似的归为其他类。直到把所有的样品（或指标）聚合完毕. 3、多元统计分析的内容和方法 答：1、简化数据结构,将具有错综复杂关系的多个变量综合成数量较少且互不相关的变量，使研究问题得到简化但损失的信息又不太多。（1）主成分分析（2）因子分析（3）对应分析等 2、分类与判别,对所考察的变量按相似程度进行分类。（1）聚类分析：根据分析样本的各研究变量，将性质相似的样本归为一类的方法。（2）判别分析：判别样本应属何种类型的统计方法。 应用多元统计分析课后答案 第五章 聚类分析 判别分析和聚类分析有何区别 答：即根据一定的判别准则，判定一个样本归属于哪一类。具体而言，设有n 个样本，对每个样本测得p 项指标（变量）的数据，已知每个样本属于k 个类别（或总体）中的某一类，通过找出一个最优的划分，使得不同类别的样本尽可能地区别开，并判别该样本属于哪个总体。聚类分析是分析如何对样品（或变量）进行量化分类的问题。在聚类之前，我们并不知道总体，而是通过一次次的聚类，使相近的样品（或变量）聚合形成总体。通俗来讲，判别分析是在已知有多少类及是什么类的情况下进行分类，而聚类分析是在不知道类的情况下进行分类。 试述系统聚类的基本思想。 答：系统聚类的基本思想是：距离相近的样品（或变量）先聚成类，距离相远的后聚成类，过程一直进行下去，每个样品（或变量）总能聚到合适的类中。 对样品和变量进行聚类分析时， 所构造的统计量分别是什么简要说明为什么这样构造 答：对样品进行聚类分析时，用距离来测定样品之间的相似程度。因为我们把n 个样本看作p 维空间的n 个点。点之间的距离即可代表样品间的相似度。常用的距离为 （一）闵可夫斯基距离：1/1 ()() p q q ij ik jk k d q X X ==-∑ q 取不同值，分为 （1）绝对距离（1q =） 1 (1)p ij ik jk k d X X ==-∑ （2）欧氏距离（2q =） 21/2 1 (2)() p ij ik jk k d X X ==-∑ （3）切比雪夫距离（q =∞） 1()max ij ik jk k p d X X ≤≤∞=- （二）马氏距离 （三）兰氏距离 对变量的相似性，我们更多地要了解变量的变化趋势或变化方向，因此用相关性进行衡量。 将变量看作p 维空间的向量，一般用 （一）夹角余弦 （二）相关系数 在进行系统聚类时，不同类间距离计算方法有何区别选择距离公式应遵循哪些原则 答： 设d ij 表示样品X i 与X j 之间距离，用D ij 表示类G i 与G j 之间的距离。 （1）. 最短距离法 ,min i k j r kr ij X G X G D d ∈∈= min{,}kp kq D D = （2）最长距离法 ,max i p j q pq ij X G X G D d ∈∈= 21 ()()()ij i j i j d M -'=--X X ΣX X 11()p ik jk ij k ik jk X X d L p X X =-=+∑ cos p ik jk ij X X θ= ∑ ()() p ik i jk j ij X X X X r --= ∑ ij G X G X ij d D j j i i ∈∈= ,min 、判断题 （对）1X （兀公2丄，X p）的协差阵一定是对称的半正定阵 （对）2标准化随机向量的协差阵与原变量的相关系数阵相同。 （对）3典型相关分析是识别并量化两组变量间的关系，将两组变量的相关关系的研究转化为一组变量的线性组合与另一组变量的线性组合间的相关关系的研究。 （对）4多维标度法是以空间分布的形式在低维空间中再现研究对象间关系的数据分析方法。（错）5X （X-X2，,X p） ~ N p（ , ），X,S分别是样本均值和样本离 S 差阵，则X,—分别是，的无偏估计。 n （对）6X （X「X2， ,X p） ~ N p（ , ），X作为样本均值的估计，是无偏的、有效的、一致的。 （错）7因子载荷经正交旋转后，各变量的共性方差和各因子的贡献都发生了变化 （对）8因子载荷阵A （a j）中的a ij表示第i个变量在第j个公因子上的相对重要性。 （对）9判别分析中，若两个总体的协差阵相等，则Fisher判别与距离判别等价。（对）10距离判别法要求两总体分布的协差阵相等，Fisher判别法对总体的分布无特 定的要求。 二、填空题 1、多元统计中常用的统计量有：样本均值向量、样本协差阵、样本离差阵、样本相关系数矩阵. 2、设是总体X （X」,X m）的协方差阵，的特征根i（i 1,L ,m）与相应的单 位正交化特征向量i （盼无丄,a m），则第一主成分的表达式是 y1 Q1X1 812X2 L QmX m 方差为1。 3设是总体X （X1,X2,X3, X4）的协方差阵，的特征根和标准正交特征向量分别为： 1 2.920 U；(0.1485, 0.5735, 0.5577, 0.5814) 2 1.024 U2(0.9544, 0.0984,0.2695,0.0824) 3 0.049 U3(0.2516,0.7733, 0.5589, 0.1624) 0.007U4 （ 0.0612,0.2519,0.5513, 0.7930），则其第二个主成分的表达式是 4 二名词解释 1、 多元统计分析：多元统计分析是运用数理统计的方法来研究多变量（多指标）问题的理 论和方法，是一元统计学的推广 2、 聚类分析：是根据“物以类聚”的道理，对样品或指标进行分类的一种多元统计分析方 法。将个体或对象分类，使得同一类中的对象之间的相似性比与其他类的对象的相似性更强。 使类内对象的同质性最大化和类间对象的异质性最大化 3、 随机变量：是指变量的值无法预先确定仅以一定的可能性 （概率）取值的量。它是由于随 机而获得的非确定值，是概率中的一个基本概念。即每个分量都是随机变量的向量为随机向 量。类 似地，所有元素都是随机变量的矩阵称为随机矩阵。 4、统计量：多元统计研究的是多指标问题 ，为了了解总体的特征,通过对总体抽样得到代表 总体的样本，但因为信息是分散在每个样本上的 ，就需要对样本进行加工，把样本的信息浓缩 到不包含未知量的样本函数中，这个函数称为统计量 二、计算题 ^16 -4 2 k 设H = 其中启= （1Q —纣眉=-4 4-1 [― 试判断叼+ 2吟与 「花一? [是否独立？ 解: "10 -6 -15 -6 1 a 2U -16 20 40 故不独立口 -r o 2丿 按用片的联合分帚再I -6 lti 20 -1G 20 ) -1V16 -4 0 -4 A 2 丿"-1 2.对某地区农村的百名2周宙男翌的身高、胸圉、上半骨圉进行测虽，得相关数据如下』根据汶往资料，该地区城市2周岁男婴的遠三个指标的均值血二（90Q乩16庆现欲在多元正态性的假定下检验该地区农村男娶是否与城市男婴有相同的均值?伽厂43107-14.62108.946^1 ]丼中乂=60.2x^)-1=(115.6924)-1-14.6210 3.172-37 3760 、8.9464-37 376035.S936」= 0.01, (3,2) = 99.2, 03) =293 隔亠4) =16.7) 答: 2、假设检验问题：比、# =险用‘//H地 r-8.o> 经计算可得：X-^A 22 厂 「3107 -14.6210 ST1=(23J3848)-1 -14.6210 3.172 8 9464 -37 3760 E9464 -37.3760 35.5936 构造检验统计量：尸=旳（丟-間）〃丿（巫-角） = 6x70.0741=420.445 由题目已知热“（3,）= 295由是 ^I =^W3,3）^147.5 所以在显著性水平ff=0.01下，拒绝原设尽即认 为农村和城市的2周岁男婴上述三个指标的均 值有显著性差异 （］ 4、设盂=（耳兀.昂工/ ~M（（XE）,协方差阵龙=P P （1）试从匸出发求X的第一总体主成分; 答: （2）试|可当卩取多大时才链主成分册贡蕭率达阳滋以上. 多元统计分析模拟试题（两套：每套含填空、判断各二十道） A卷 1)判别分析常用的判别方法有距离判别法、贝叶斯判别法、费歇判别法、逐步 判别法。 2)Q型聚类分析是对样品的分类，R型聚类分析是对变量_的分类。 3)主成分分析中可以利用协方差矩阵和相关矩阵求解主成分。 4)因子分析中对于因子载荷的求解最常用的方法是主成分法、主轴因子法、极 大似然法 5)聚类分析包括系统聚类法、模糊聚类分析、K-均值聚类分析 6)分组数据的Logistic回归存在异方差性，需要采用加权最小二乘估计 7)误差项的路径系数可由多元回归的决定系数算出，他们之间的关系为 P e= 1?R2 8)最短距离法适用于条形的类，最长距离法适用于椭圆形的类。 9)主成分分析是利用降维的思想，在损失很少的信息前提下，把多个指标转化 为几个综合指标的多元统计方法。 10)在进行主成分分析时，我们认为所取的m（m多元统计分析期末试题及答案
多元统计分析模拟考题及答案
应用多元统计分析试题及答案
多元统计分析期末复习试题
多元统计分析模拟试题
多元统计分析模拟试题
多元统计分析期末复习试题
应用多元统计分析习题解答_朱建平_第九章
多元统计分析期末考试考点整理共5页
应用多元统计分析课后答案
多元统计分析模拟考题及答案
多元统计分析期末考试考点整理
多元统计分析模拟试题
相关主题
文本预览