,城镇居民人均收入,农村居民人均收入,工业总产值,能源消费总量之间有没有函数关系Р处理方法:因子分析,回归分析Р因子分析实验步骤: Р①在菜单栏中依次选择分析—降维—因子分析,依次选择变量国内生产总值,全体居民消费水平,财政支出,居民消费价格指数,商品零售价格指数,城镇居民人均收入,农村居民人均收入,工业总产值,能源消费总量进入变量列表中; Р②单击描述按钮,选择原始分析结果复选框和KMO与Bartlett球形度检验复选框,单击继续保存设置返回; Р③单击提取按钮,选中碎石图复选框,单击继续保存设置返回; Р④单击旋转按钮,选择最大方差法复选框,其余都为默认选项, Р⑤单击得分按钮,选择保存为变量和显示因子得分系数复选框,单击继续保存设置返回,单击确定。Р结果输出:Р由表7得,其中KMO值越接近1越适合做因子分析,从该表可以得到KMO值为0.59,比较接近1,表示比较适合做因子分子;Sig值为0.000小于显著水平0.05, 因此拒绝原假设表示变量之间存在相关关系,适合做因子分析。Р由表8可知,经济指标的变量共同度分析,该表左侧表示每个变量可以被所有因素能解释的方差,右侧表示变量的共同度。从该表可以看出因子分析的变量共同度都非常高,都达到了0.9以上。表明变量中的大部分信息均能够被因子所提前,说明因子分析的结果是有效的。Р表9 经济指标的因子贡献率。该表中左侧部分为初始特征值,中间为提前主因子结果,右侧为旋转后的主因子结果。“合计”指因子的特征值,“方差的%”表示该因子的特征值占总特征值的百分比。可以看到只有前两个因子的特征值大于1,并且前两个因子的特征值之和占总特征值的99.182%,因此提取前两个因子作为主因子足以描述经济的发展水平。Р图2给出了特征值的碎石图,具有较强解释能力的因子在图中表现为较大的斜率,从该图可以看出前两个因子都处于非常陡峭的斜率上,从第三个开始变平
全文预览
