2013年我国城镇居民人均消费的spss统计分析

2013 年我国城镇居民人均消费的 SPSS 统计分析 1、搜集到的 2013 年我国 31 个城市城镇居民人均消费水平的数据 数据来源：国家统计局 /workspace/index?m=hgnd 2、对数据的基本分析 在数据文件建立好后，通常还需要对待分析的数据进行必要的预加工处理，这 是数据分析过程中不可缺少的一个关键环节。 （1）、对数据按人均消费（expend）进行降序排列 操作步骤：（1）：选择“数据”“排序个案”菜单项 （2）：将“人均消费（expend）”选入“排序依据”列表框，选中 “降序” （3）：点击“确认”按钮，生成如下降序排列的数据集 由数据的降序排列可以看出，全国只有上海、北京、广东等九个城市的城镇人 均消费在全国城镇人均消费水平以上。 （2）、作出人均收入和人均消费的直方图 操作步骤：（1）：选择“图形”，打开“图表构建程序”菜单项 （2）：从“库”中选择“直方图”将其拉入“图表预览使用数据实 例” （3）：将变量“地区”设置为 x 轴，将“人均收入”和“人均消费” 设置为 y 轴 （4）：点击“确认”按钮，即生成如下直方图 通过一个复合条形图，可以很明确的发现我国城镇居民生活水平存在很大的地 区差异，地区发展很不平衡，从图中的生活消费支出和人均收入来看，北京， 上海，浙江这些省市城镇居民消费水平最高，人均收入也是最高的，各省市的 城镇居民消费水平差异较大，大多数省份城镇居民人均消费集中在 15000 元左 右。 （3）、对数据按照人均消费作出直方图，以统计我国农村人均消费的水平 1、首先对数据分组，分组数目的确定。 按照 Sturges 提出的经验公式来确定组数 K,K=1+ ，计算得组数为 6.2lgn 2、确定组距组距=（最大值-最小值）/组数=（28155.00-12231.90） /6=2653.85，可近似取值为 3000.00 元。 操作步骤：（1）：选择“转换”“可视离散化”菜单项，将“人均消费”选 入“要离散的变量”列表框中，单击“继续”按钮进入主对话框。 （2）：单击“生成分割点”按钮，设定分割点数量为 6，宽度为 3000.00，可见系统会自动会填充第一个分割点的位置为 12231.90，单击“应 用”返回到主对话框。 （3）：此时可以看到下部数值标签网格里的“值”列已被自动填充， 单击“生成标签”按钮，是标签列也得到自动填充。 （4）：将离散的变量名设定为 expendNew。 （5）：单击“确定”按钮。 3、频数分析 操作步骤：（1）：选择“分析”“描述统计”“频率”，打开频率对话框。 （2）：选定“expendNew”，点击“图表”，选择“条形图”点击 继续。 （3）：点击“确认”，生成如下三张表。 Statistics 人均消费(已离散化) Valid 32N Missing 0 Mean 3.13 Median 3.00 Std. Deviation 1.314 Minimum 1 Maximum 7 25 2.00 50 3.00 Percentiles 75 3.75 人均消费(已离散化) Frequency Percent Valid Percent Cumulative Percent 0.05，所以不能拒绝原假设， 可以认为人均消费水平在 18000 元。同时，可知全国城镇居民 2013 年人均消费 在 95的置信水平下的置信区间为：（15809.7242,18623.4821）。 5、非参数检验多配比样本分参数检验 数据中我国城镇家庭居民人均消费包括食品、衣着、居住、家庭设备、交通及 通讯、文教娱乐、医疗保健、和其他 8 个指标，为了比较清楚的了解这 8 项指 标对我国城镇居民人均消费总体的影响，以及其大概的消费动向，可以利用多 配比样本的非参数检验 Friedman 检验对各个指标进行检验。 （1）：操作步骤： （1）选择“分析”“非参数检验”“旧对话框”“k 个相关样本”菜单 项，打开如下对话框： （2）：单击 “确定”按钮，得到如下两张表格： 表（1）： Ranks Mean Rank 食物消费 8.00 衣物消费 5.09 居住消费 4.50 家居设备 2.66 交通通讯 6.38 医疗保健 2.34 文教娱乐 5.88 其它 1.16 表（2）： Test Statisticsa N 32 Chi-Square 198.604 df 7 Asymp. Sig. .000 a. Friedman Test （2）、结果分析 检验结果中的 p 值小于给定水平 0.05，故拒绝原假设，认为八个指标对我国城 镇居民人均消费的影响是有显著差异的。由表（1）知食物消费对人均消费的影 响最大，其次是交通通讯和衣物消费，而影响最小的是其它。 6、因子分析 在研究我国城镇居民的消费情况时收集了食物、衣物、居住等八个影响居民消 费情况的因素，以期对问题能够有比较全面、完整的把握和认识。由于数据过 多，在实际建模时，这些变量未必能真正发挥预期的作用，会给统计分析带来 许多问题，可以表现在：计算量的问题和变量间的相关性问题。为了解决这些 问题，最简单和最直接的解决方案是削减变量个数，但这又必然会导致信息丢 失和信息不完整等问题的产生。为此，人们希望探索一种更有效的解决方法， 它既能大大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。 因子分析正是解决这种问题的方法。 （1）操作步骤 （1）、选择菜单 “分析” “降维”“因子分析”，出现因子分析对话框； （2）、把参与因子分析的样本选到变量对话框中，如下图： （3）单击“确定”按钮，得到如下 11 张图： 图（1）原有变量的相关系数矩阵： Correlation Matrix 食物消 费 衣物消 费 居住消 费 家居设 备 医疗保 健 交通通 讯 文教娱 乐 其它 食物消 费 1.000 .288 .656 .744 .295 .787 .782 .732 衣物消 费 .288 1.000 .337 .517 .694 .368 .374 .634 居住消 费 .656 .337 1.000 .676 .505 .849 .750 .771 家居设 备 .744 .517 .676 1.000 .441 .830 .853 .767 医疗保 健 .295 .694 .505 .441 1.000 .479 .414 .600 交通通 讯 .787 .368 .849 .830 .479 1.000 .860 .782 文教娱 乐 .782 .374 .750 .853 .414 .860 1.000 .831 Correlatio n 其它 .732 .634 .771 .767 .600 .782 .831 1.000 从上图可以看到，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。 图（2）巴特利特球度检验和 KMO 检验 KMO and Bartletts Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .833 Approx. Chi-Square 233.009 df 28 Bartletts Test of Sphericity Sig. .000 由上图知，巴特利特球度检验统计量的观测值为 233.009，相应的概率 p 为 0. 如果给出的显著性水平为 0.05，由于概率 p 小于显著性水平，应拒绝零假设， 认为相关系数矩阵与单位阵有显著地差异。同时，KMO 值为 0.833，根据 Kaiser 给出了 KMO 度量标准可知原有变量适合进行因子分析。 图（3）因子分析的初始解 Communalities Initial Extraction 食物消费 1.000 .798 衣物消费 1.000 .862 居住消费 1.000 .750 家居设备 1.000 .812 医疗保健 1.000 .821 交通通讯 1.000 .897 文教娱乐 1.000 .885 其它 1.000 .872 Extraction Method: Principal Component Analysis. 由上图第二列可知，所有变量的共同度均较高，各个变量的信息丢失较少。因 此，本次因子提取的总体效果较理想。 图（4）因子解释原有变量总方差的情况： Total Variance Explained Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings Compon ent Total % of Variance Cumulativ e % Total % of Variance Cumulativ e % Total % of Variance Cumulativ e % 1 5.504 68.794 68.794 5.504 68.794 68.794 4.524 56.545 56.545 2 1.192 14.898 83.692 1.192 14.898 83.692 2.172 27.147 83.692 3 .473 5.910 89.602 4 .258 3.222 92.824 5 .237 2.961 95.785 6 .178 2.227 98.012 7 .091 1.136 99.147 8 .068 .853 100.000 Extraction Method: Principal Component Analysis. 上图第一组数据项描述了初始因子解的情况。可以看到，第一个因子解的特 征根值为 5.504，解释原有八个变量总方差的 68.794，累计方差贡献率为 68.794。其余数据含义类似。在初始解中由于提取了八个因子，因此原有变 量的总方差均被解释掉。 第二组数据项描述了因子解的情况。可以看到，由于指定提取两个因子，两 个因子共解释了原有变量总方差的 83.692。总体上，原有变量的信息丢失较 少，因子分析效果较理想。 第三组数据项描述了最终因子解的情况。可见，因子旋转后，累计方差比没 有改变，也就是没有影响原有变量的共同度，但却重新分配了各个因子解释原 有变量的方差，改变了各因子的方差贡献，使得因子更容易解释。 图（5）因子的碎石图： 上图横坐标为因子数目，纵坐标为特征根。可以看到，第一个因子的特征根值 很高，对原有变量的贡献最大；第 3 个以后的因子特征根都较小，对解释原有 变量的贡献很小，已经成为可被忽略的“高山脚下的碎石”，因此提取两个因 子是合适的。 图（6）因子载荷矩阵： Component Matrixa Component 1 2 其它 .929 .097 交通通讯 .921 -.222 文教娱乐 .909 -.241 家居设备 .895 -.103 居住消费 .854 -.143 食物消费 .822 -.350 衣物消费 .599 .710 医疗保健 .635 .646 a. 2 components extracted. 上图因子载荷矩阵是因子分析的核心内容。根据该表可以写出本案例的因子分 析模型： 其它=0.929 +0.097 交通通讯=0.921 -0.2221f2f 1f2f 文教娱乐=0.909 -0.241 家居设备=0.895 -0.103 居住消费=0.854 -0.143 食物消费=0.822 -0.3501f2f 1f2f 衣物消费=0.599 +0.710 医疗保健=0.635 +0.646 由上表知，八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 的相关度高，第一个因子很重要。 图（7）旋转后的因子载荷矩阵： Rotated Component Matrixa Component 1 2 交通通讯 .915 .244 文教娱乐 .914 .222 食物消费 .889 .084 家居设备 .836 .336 居住消费 .819 .281 其它 .770 .528 衣物消费 .188 .909 医疗保健 .250 .871 a. Rotation converged in 3 iterations. 由上图知，交通通讯、文教娱乐、食物消费、家居设备、居住消费、其它在第 一个因子上有较高的载荷，第一个因子主要解释了这几个变量；衣物消费、医 疗保健在第二个因子上的载荷较高，第二个因子主要解释了这几个变量。 图（8）因子旋转中的正交矩阵 Component Transformation Matrix Component 1 2 1 .879 .477 2 -.477 .879 图（9）因子协方差矩阵： Component Score Covariance Matrix Component 1 2 1 1.000 .000 2 .000 1.000 从上表可以看出，两因子没有线性相关性，实现了因子分析的设计目标。 图（10）旋转后的因子载荷图： 由上图可以直观的看出，衣物消费和食物消费比较靠近两个因子坐标轴，表明 如果分别用第一个因子刻画食物消费，用第二个因子刻画衣物消费，信息丢失 较少，效果较好。 图（11）因子得分系数矩阵： Component Score Coefficient Matrix Component 1 2 食物消费 .271 -.187 衣物消费 -.188 .576 居住消费 .194 -.032 家居设备 .184 .001 医疗保健 -.157 .532 交通通讯 .236 -.084 文教娱乐 .241 -.099 其它 .110 .152 根据上表可以得到以下因子得分函数： =0.271 食物消费-0.188 衣物消费+0.194 居住消费+0.184 家居设备-0.157 医1F 疗设备+0.236 交通通讯+0.241 文教娱乐+0.110 其它 =-0.187 食物消费+0.576 衣物消费-0.032 居住消费+0.001 家居设备+0.5322 医疗设备-0.084 交通通讯-