毕业设计（论文）广义线性回归在研究学生成绩相关性的应用

引言回归分析是一种应用极为广泛的数量分析方法，它用于分析事物之间的统计关系，侧重考察变量之间的数量变化规律，并通过回归方程的形式描述和反映这种关系，帮助人们准确的把握变量受其他一个或多个变量影响的程度，进而为事物的控制和预测提供科学依据。作为标准的统计分析工具，多元线性回归分析在诸多行业和领域的数据分析应用中发挥着极为重要的作用。利用多元回归方法分析变量之间的关系或进行预测时的一个根本要求是：被解释变量应是连续数值型变量。然而，实际应用中这种要求未必都能得到较好的满足。例如，在对小轿车消费群体特点的分析和预测中，可以根据历史数据，建立关于小轿车的多元回归模型。可能将诸如职业，年收入，年龄等因素纳入模型，并希望通过模型预测具有某特定特征的客户是否会购置小轿车。这个多元回归模型的被解释变量设为是否购置(l表示购置，0表示不购置)，是个纯粹的二值型品质变量，显然不满足变量为数值型数据的要求。在数据分析中，尤其在社会科学、医学的研究中，像这样的情况是很普遍的。当出现这种情况的时候，建立的一般多元回归模型就会出现以下问题：残差不再服从零均值的正态分布；被解释变量的取值区间受限制等。基于这种情况，提出了广义线性模型。形式上，广义线性模型是常见的正态线性模型的直接推广。它可适用于连续数据和离散数据，特别是后者，如属性数据，计数数据。这在实际中，尤其是生物、医学、经济和社会数据的统计分析上，具有重要的意义。广义线性模型要求响应变量通过线性形式依赖于自变量，这一特点保持了线性自变量的思想，而且广义线性模型允许许多用于线性模型的方法能用于更一般的实际问题。广义线性模型的响应变量Y都属于指数分布族，而指数分布族不仅包含了许多常见的重要分布，如正态分布，二项分布，Poisson分布等，而且它有良好的分析性质，在数据处理上有很多方便。总之，广义线性模型为今后回归模型提供了一个重要的统一的研究方法。广义线性模型的个别特例起源很早。Fisher在1919年曾用过它。最重要的Logistic[21]模型，在20世纪四五十年代曾由Berkson，DykePatterson等人使用过。1972年Nelder和Weddethum在一篇论文中引进广义线性模型一词，提供了一个新的估计理论和计算框架，对传统线性回归模型作了进一步推广，建立了统一理论和计算框架，对回归模型在统计学中的应用产生了重要影响。这种新的统计模称作广义线性模型(generalizedlinearmodels，简称GLM)。近年来，广义线性模在理论上和应用上得到了快速的开展，在模型的拓展、参数估计方法以及模型的验和诊断等方面不断趋于成熟。张尧庭[11](1995)在与传统线性模型比照的根底上，对广义线性模型本质特征进行了描述。陈希孺[17,19]院士于2002—2004年在?数理统计与管理?杂志上，分十次讲解对多元广义线性模型进行了系统的介绍。另外，我国学者在广义线性模型参数估计的相合性、收敛速度、模型的诊断等方面得到了不少优秀成果。用于GLM的计算软件也相继问世，目前，除了由NAG(NumericalAlgorithmsGroup)研发的专用程序GLIM(GeneralizedLinearInteraetiveModeling)外，SAS和SPASS[2,3]统计软件中的Genmod模块也被广泛使用，在统计软件R和X-plore中，也有相应的计算模块。得益于应用软件的推广，广义线性模型在医学、农业、交通运输、产品试验以及经济、金融等方面得到了广泛的应用。近年来，广义线性混合模型、半参数广义线性模型[22]、广义非线性模型等扩展模型在理论研究和实际应用上得到了快速的开展。广义线性模型理论的建立，极大地推动了以统计方法为基石的精算学的开展。传统的线性回归模型，都是建立在对称分布的根底上，以常值方差为假设。但在精算实践中，所采集的数据往往显示出非常值方差的趋势；用于描述索赔额等变量分布通常具有厚重的右尾；反响变量不再局限于对解释变量的线性依赖。在许多情况下，传统线性回归模型不适宜作为精算统计模型。广义线性模型的出现，为精算学的开展提供了有力的工具。广义线性模型在精算中的应用起始于上世纪八十年代，九十年代经历了快速的开展，并被广泛地应用于精算学的各个领域，如生命表的修匀、损失分布、信度理论、风险分类、准备金和费率的估计等方面。大学学习不同于高中或者初中，以往的教学方式长期有老师的监督和教导，而大学学习更注重培养学生的自主学习的能力，而在这种缺乏约束的学习气氛下，学生的学习成绩可能会出现不同程度的畸形。大学生步入大学之后，由于学习目标不明确而导致学习动力缺乏，放松要求，出现了考试不及格、降级、退学等学籍异动情况，对学校和个人都造成了损失。那么出现这种事故有无规律?有无征兆?本文仅从学生各门课程考试成绩的变化角度对该问题进行分析与研究，以安徽工程大学统计学专业07级81个学生前三学年的学习成绩为样本通过广义线性回归分析来研究学生学年间成绩的相关性。在这三学年中，有些学生出现了退学降级等学籍异动，对他们的相应数据做了如下处理：对于退学学生后期成绩不存在的用“0〞补；对于降级学生后期成绩用下一学年甚至以后几学年的相应学习成绩补缺。出于公正的角度，均用他们的第一次考试成绩为观察值进行数据处理和分析。绪论1.1广义线性回归根本思想先看下面几个例子。例1抛物线的拟合某零件上有一条曲线，可以近似看作是一条抛物线，为了在数控机床上加工这一零件，在曲线上测得个点的坐标，，要求从这个点的坐标出发，求出曲线的函数表达式。显然，这是一个回归分析问题，由于曲线可以近似看作是一条抛物线，因此，回归方程〔即曲线的函数表达式〕是一个二次多项式，像这种回归方程是一个多项式的回归，称为多项式回归〔PolynomialRegression〕。虽然多项式回归方程不是线性的，但可以通过变量代换，化成线性形式。令，原来的回归方程化成了以下形式：，这是一个线性回归方程，可以用前面介绍过的线性回归的方法求出它的解。具体作回归时，所需要的观测数据，用，的数值代入，求得的线性回归方程中常系数的估计，也就是原来的二次多项式回归方程中常系数的估计。例2科布-道格拉斯(Cobb-Douglas)生产函数在经济学中，有一个著名的科布-道格拉斯生产函数，这个函数指出，生产产出与劳动投入、资本投入之间，近似有以下关系：，其中，都是常系数。现测得一组劳动投入、资本投入和生产产出的数据，要求从这批数据出发，估计常系数的值。这是一个回归分析问题，回归方程为，显然，它不是线性回归方程，但是，如果我们对方程两边同时取对数，得到，〔原来有，误差项为，取对数后有，也有一个误差项，我们把这个误差项记为。〕再令，它就化成了一个线性回归方程。用线性回归的方法可以求出它的解。具体作回归时，所需要的观测数据，，用，，的数值代入，计算得到的线性回归方程中常系数的估计，就是原来回归方程中的估计，原来回归方程中的估计，可以通过求得。例3施肥效果分析对2种作物——土豆、生菜，分别施以3种不同数量的肥料——氮、磷、钾，得到一批产量的数据，求施肥量与产量之间的关系。设分别是氮、磷、钾肥的施肥量，是产量。与之间，可能有各种各样的关系，但这种关系显然不会是线性的。比方说，可以考虑以下关系：，这是一个的2次多项式。令，，，，，，，，，它就化成了一个线性回归方程，可以用线性回归的方法求出它的解。例4混合异辛烯催化反响在混合异辛烯催化反响中，反响速度与氢的分压，异辛烯的分压，异辛烷的分压之间，近似有以下关系：，其中，是常系数。现对作观测，得到观测值，，要求常系数的估计值。对回归方程两边开3次方，再取倒数，得到，再令，，，，，，，，，原方程就化成了以下形式：，这是一个不带常数项的线性回归方程。对于这种回归方程，可以用求线性回归方程的解法，求得它的最小二乘解。作回归计算时，所需要的观测数据，，，，，用的数值代入，按线性回归方法求得常系数的估计后，从以下各式就可以求出原方程中各系数的估计值：，，，。上面举了几个把非线性回归化为线性回归的例子。一个非线性回归问题，如果能够象上面例子中所介绍的那样，通过适当的变量代换，化为线性回归，那么称这种回归为广义线性回归〔GeneralizedLinearRegression〕。1.2广义线性回归分析在方差分析中分析效应因子A对反响变量Y的影响，即，分析效应因子A的不同水平对反响变量Y的作用差异。方差分析的原理是分解总体变量：回归分析中分析自变量X对因变量Y的依存关系，即，分析自变量X改变一个单位时，因变量Y的改变量大小。回归分析原理是分解总体变异：方差分析和回归分析的相同点方差分析和回归分析的不同点主要在于自变量的类型不同前者是分类型的，后者是连续型的广义线性模型分析是将方差分析和回归分析的根本原理结合起来，用来分析连续型因变量与任意型自变量之间各种关系的一种统计分析方法。其意义是使得方差分析和回归分析的实用性和准确性得到进一步提高。两个典型的广义线性模型分析方法协方差分析是将方差分析原理和线性回归分析原理结合起来的一种方差分析方法。它消除了混杂变量〔协变量〕对因变量的影响，使得方差分析结果更加准确。广义线性回归分析是将线性回归分析原理和方差分析原理相结合起来的一种线性回归分析方法，它和线性回归分析的区别是模型的自变量可以是任意类型的变量。其主要目的是扩大线性回归分析的应用范围，使得它的应用价值得到进一步提高。广义线性回归分析的假设条件：因变量是连续随机变量；自变量相互独立；每一个数值型自变量与因变量呈线性关系；每一个数值型自变量与随机误差相互独立；观察个体的随机误差之间相互独立；随机误差广义线性回归分析和线性回归分析相比，广义线性回归分析的优点有：1，自变量可以是任意类型的变量；2，利用SAS的GLM过程可以分析每一个分类型变量对因变量的影响的显著性。1.3广义线性回归模型广义线性模型是非线性模型的一些特例，它们具有一些共性，是其它非线性模型所不具备的。它与典型线性模型的区别是其随机误差的分布不是正态分布，与非线性模型的最大区那么在于非线性模型没有明确的随机误差分布假定而广义线性模型的随机误差的分布是可以确定的。例如，即是一个广义线性模型。广义线性模型的三项构成要素(1)随机成分：用以明确响应变量的概率分布。随机成分包含自然指数分布族里的某一个分布的假设干独立观察值。自然指数分布族概率分布的每个观察值具有如下的密度函数：。任何一个可以写成这种形式的分布都是自然指数分布族的一员。对于，参数可以是不同的，随自变量的变化而变化。称为该分布的自然参数。例如，二项分布即是(单参数)自然指数分布族的一员。因为它的概率密度函数可作如下变换：，其中，，，。(2)系统成分：用以确定用作预测变量的解释变量的线性函数。广义线性模型的系统成分通过一个线性模型将向量与一组解释变量联系起来，这里是模型矩阵，有时也称作设计矩阵，它包括解释变量的个观测值；是模型的参数向量；被称为线性预测(向)量。(3)连接函数：用以描述系统成分与随即成分的期望值之间的函数关系。设，，与通过来联结，其中是任意单调可导函数。模型通过公式将响应变量观测值的期望值与解释变量连接起来。在上面关于二项分布的例子中，连接函数是Logit，或者更具体一点说是。通常，将与自然参数一致的连接函数称为典型连接函数，当然，也可以采用与自然参数不一致的连接函数。一般说来，对于所有的，其连接函数都是一样的，函数表示一致性连接函数，意指该线性预测(向)量是响应变量期望值的线性模型。由此看出，线性模型只不过是广义线性模型的一个特例，在那里，连接函数是一致性连接函数。综上所述，广义线性模型是转换后的响应量期望值的线性模型，该响应变量具有自然指数族的分布。再如，泊松分布的密度函数，变换为，也具有自然指数分布的形式，其中，，，，，。我国统计学原理教科书上常见的指数曲线回归模型即是这样的广义线性模型。因为其典型连接函数为对数函数，所以也叫做对数线性模型，可用来对定性变量进行回归分析。值得再次强调的是，广义线性模型的响应变量是假定服从某一特定的概率分布的。广义性线模型与连续变量模型的关系广义线性模型不仅包括离散变量，也包括连续变量。正态分布也被包括在一族自然指数分布族里，该自然指数分布族包含描述发散状况的参数，属于双参数指数分布族(双参数是指位置参数和发散参数，前述的单参数指数分布族指仅包含位置参数的指数分布族)，对于固定的方差，其自然参数就是平均数。所以，对于响应变量的平均数的回归模型是一个采用一致性连接函数的广义线性模型。广义线性模型的特(优)点(1)对定性变量进行分析。广义线性模型的其中一些如LOGIT回归和对数线性回归模型在社会统计的各个领域的定性分析中有广泛的用途。其中，LOGIT回归模型可以用连续性的解释变量解释二项分布变量的变化，对数线性模型那么可用来解释多个类别变量之间的关系，即对多相列联表进行分析。在纵向数据分析及生存分析中也有广泛的应用，而生存分析及纵向数据分析在目前的统计方法研究中都是热门课题。(2)使非经性回归线性化。两变量与多变量的非线性模型计算非常复杂，用的也非常少，而广义线性模型——非现性模型的线性化，那么允许模型中有多个解释变量，象线性回归一样，并且，象复回归一样，可以对解释变量进行向前、向后选取分析。(3)广义线性模型的参数估计量具有大样本正态分布，因而具有良好的统计性质。广义线性模型方法的推广和应用对于显示现代统计方法和统计技术的威力，促进全民统计意识的普及及深化有很大的推广作用，也与大统计学科的建设方向相一致。广义线性回归分分析学生成绩2.1广义线回归性模型由于每一学年统计学专业都设置了十几门课程，在这里建立多维回归是很困难的。所以以学生大学二年级和三年级的平均成绩〔表示第年级第个学生的平均成绩，。〕作为因变量，大学一年级开设的各门课程成绩〔为第个学生在一年级所学习第门课程的成绩。〕作为自变量，其它影响因素归到误差中。其中各的课程名称如表2-1。表2-1课程名称思想道德修养与法律根底学大学英语一高等数学一高等代数一计算机文化与根底微观经济学学大学英语二高等数学二高等代数二军事理论建立线性模型如下：，，并设与有如下广义线性模型：，〔〕其中，是待估参数。2.2模型的参数估计在模型〔〕下：记，令，得正规方程组：，的解为，，其中，的参数估计借助残差矩阵，那么常用的估计为：，其中而。2.3回归方程的显著性检验〔或称相关性检验〕在这个问题当中，我们事先并不能判定应变量与自变量之间确有线性关系。再求出回归系数的估计之前，回归模型〔〕这是一种假设，尽管这种假设常常不是没有根据的，但在求出线性方程后，对与之间是否有线性关系还需进行统计检验，已给出肯定或者否认的结论。我们假定，如果Y与之间均无线性相关关系，那么模型〔〕中的系数应均为0。故检验与是否线性相关的问题就等价于检验假设：又，其中。记，那么在下而，而Q与相互独立。在成立时统计量：，于是统计量为：，在成立时，，当原假设不成立时，有增大趋势，故拒绝域为：。2.4回归系数的显著性检验对回归方程进行显著性检验，假设否认，仅表示中分量不全为0，但并不排除有某个为0。假设，说明自变量对变量Y的影响不显著，应从回归模型中删除。因此回归系数是否为0，进行逐个检验是很必要的，即检验以下的假设：，统计量为：，其中为变量的偏回归平方和，为去掉变量的残差平方和。在不成立时，有增大的趋势，所以拒绝域为。数据分析3.1数据的来源本文数据取自安徽工程大学07级统计学专业的前三学年的学习成绩。在这三年之中，有些学生出现退学降级等学籍异动，对他们统计软件的相应数据做了如下处理：对于退学学生后期成绩不存在的用“0〞补；对于降级学生后期成绩用下一年级甚至以后几学年的相应学习成绩补缺。出于公正的角度，均用他们的第一次考试成绩为客观值进行数据处理和分析。3.2数据处理参数估计我们通过统计软件spass13.0的GLM进行广义线性回归分析实现。的估计为：。显著性检验在spss13.0回归系数显著性检验结果如表3-2。表3-2多元方差分析资料来源因变量第三类平方和自由度均方误差F检验值显著性水平修正模型第二学年平均分4717.068〔b〕6398.02948.6700.000第三学年平均分5965.235〔c〕6456.4735.6170.000截距第二学年平均分0.04710.0470.0010.974第三学年平均分104.4851104.4850.7720.369思想道德修养与法律根底第二学年平均分58.199158.1993.6740.070第三学年平均分86.507186.5071.1040.228大学英语一第二学年平均分139.2641139.2646.5870.013第三学年平均分125.3651125.3651.3520.282高等数学一第二学年平均分69.268169.2680.8940.508第三学年平均分69.578169.5780.7830.588高等代数一第二学年平均分269.2541269.25413.5420.000第三学年平均分256.3511256.3512.2650.125计算机文化与根底第二学年平均分2.36912.3690.2560.952第三学年平均分0.25310.2530.2390.742微观经济学第二学年平均分26.369126.3690.4520.574第三学年平均分17.246117.2460.2510.671大学英语二第二学年平均分58.236158.2360.8740.356第三学年平均分65.269165.2690.9580.541高等数学二第二学年平均分189.3541189.3546.2510.015第三学年平均分258.3641258.3647.2630.001高等代数二第二学年平均分356.5251356.52517.6730.000第三学年平均分426.2561426.25611.4710.000军事理论第二学年平均分0.25810.2580.0440.875第三学年平均分0.12410.1240.0180.987误差第二学年平均分1025.1177432.258第三学年平均分4263.64974112.254模型总体第二学年平均分172534.16781第三学年平均分169325.43881修正模型总体第二学年平均分4935.43780第三学年平均分5635.78180abc在表2中可以看出(学大学英语一)，〔高等代数一〕，〔高等数学二〕，〔高等代数二〕对影响显著;〔高等数学二〕，〔高等代数二〕对影响显著，其他几门课程对、影响不显著。这说明数据存在共线性。在显著水平时，回归方程显著性检验的拒绝域为，经计算，，落在拒绝域内，故拒绝原假设，说明大学一年级的学成绩与二年级显著相关。同理，对进行检验得：统计量检验值，也落在拒绝域内，说明大学一年级的学习成绩与三年级的成绩也显著相关。3.3逐步回归法〔向后法〕向后法是先将全部自变量选入回归模型，然后逐个剔除对残差平方和奉献较小的自变量。具体做法如下：步骤1建立个自变量与因变量的全模型，计算各变量相应的回归系数的检验统计量的值，选其中最小者，记为，即，对给定的显著性水平，记相应的灵界值为，假设，那么从回归方程中剔除；否那么选择变量过程结束。步骤2对剩下的个变量，重复步骤1。依次进行，直到经检验，没有变量可剔除为止。先分析大学一年级对二年级影响显著变量：第一步：，，所以剔除自变量〔军事理论〕。依次做下去：得到一年级的学习对二年级成绩影响显著变量为：。同理，一年级学习对三年级成绩影响显著变量为(高等数学二〕，(高等代数二)。那么向后法选择的最优回归方程为：，，从上面的分析我们可以看出：大学一年级的学习和后期学习有显著相关性。而且相关的显著变量为〔思想道德修养与法律根底〕，(学大学英语一)，〔高等代数一〕，〔高等数学二〕，〔高等代数二〕。在上面的分析中我们可以得到结论：在大学一年级的学习中，影响学生学习的两大类课程一类是：像高等数学二和线性代数这类表达学生学习方法是否得当的逻辑课；另一类主要是根据学生出勤和论文情况评分的思想品德修养这类反响学生学习态度的课程。所以大学生入学之后一方面要迅速适应大学的教学方法和环境，调整学习方法；另一方面是要端正学习态度，切不可松弛懈怠。大学一年级样本的聚类分析和判别分析4.1聚类分析在认识到大学一年级的学习对后期学习有显著影响，我们自然要问：后两年中出现的降级和退学现象是不是在大学一年级的时候就埋下隐患?我们采用马氏距离对所取的样本的一年级成绩进行聚类分析，进一步说明这个问题。样本和的马氏距离定义为：，其中为样本协方差阵的逆矩阵。以BIC准那么为聚类标准。采用TwoStepCluster对数据进行处理得到的结果见表4-1。表3中第1类学生为大学一年级就降级的3名学生，第2类学生为各科学习成绩均值较低的27名学生，第3类学生为各科学习成绩均值较高的51名学生。表4-1各类学生成绩均值课程第一类学生均值第二类学生均值第三类学生均值总均值思想道德修养与法律根底62.666763.021484.695276.6766大学英语一57.333363.584979.241673.2058高等数学一40.333362.754774.259869.1612高等代数一35.000069.259876.453872.5304计算机文化与根底57.333369.339678.541374.6887微观经济学63.500075.684184.254980.3762大学英语二56.000061.207574.398467.2459高等数学二48.500076.830279.075975.3984高等代数二35.000050.369173.486163.0587军事理论65.000080.236581.246680.3072根据聚类分析对学生分类结果的数据和后期两年的实际数据比对，我们发现在后期学习中出现退学和降级等学籍异动的6名学生(实际学籍异动的学生为5名)均在第1、2两类学生中。也就是说这些学生在大学一年级的学习过程中就已经为后面的悲剧埋下了隐患。教师和教学管理人员应高度重视第2类学生，分析成因，有针对性地开展教育教学工作，防止悲剧发生。4.2判别分析在有了上面聚类分析的结果后我们对这批样本做一次回判。在聚类分析中我们可以清楚的看到3个总体均值有显著差异，因此做判别分析是合理的。在回归分析中我们看到有些自变量对因变量的影响显著，有的影响微弱，所以我们采取逐步判别分析方法。逐步判别就是通过逐步筛选变量使得建立的判别函数中仅保存判别能力显著的变量方法。逐步筛选变量的步骤：记合并组内离差阵，总离差阵，其中，，为组数，表示t组第个元素，表示第组元素总数，有。步骤1考察变量对个总体的判别能力。变量的判别能力为，设步骤2检验对k个总体的判别效果是否显著，即检验：其中为总体的均值向量的第个分量。在成立时是由构造统计量，对给定的显著性水平，假设，把变量引入判别式，并对矩阵做消去变换：，依次做下去，把判别能力强的变量引入。用Spss13.0计算，逐步判别分析得到判别能力强的变量为〔思想道德修养与法律根底〕，(学大学英语一)，〔计算机文化与根底〕，〔高等数学二〕，〔高等代数二〕，〔军事理论〕。其中的计算机文化与根底、高等数学二和高等代数二的学习成绩优劣表达了学生在大学一年级逻辑思维能力的训练和学习方法的转变；大学英语一的成绩主要依据是平时的积累和课堂学习的积极性；而思想道德修养与法律根底和军事理论的成绩主要依据学生的出勤和教学过程中小论文完成情况打分，主要反映了学生的学习态度和遵守纪律情况。通过这6个自变量的判别得到判别分析与聚类分类的一致率为95.5%。结果如表4-2。表4-2分类结果聚类组别预测组学生数总计123计数120032028331302495157.570301.568.570从上述分析中在另一个角度得到结论：大学一年级对后期学习有显著影响，教师和管理人员在一年级教学及管理中应从三个方面着重关注学生的成长和开展。第一方面是：学生学习方法的掌握和逻辑思维的训练；第二方面是：提高学生学习的积极性；第三方面是：端正学习态度，遵守学校纪律，完成学校规定的学习任务。结论与展望本文研究了学生学习成绩的相关性问题。以安徽工程大学统计学专业07级81名学生的成绩为样本建立的广义线性回归模型，应用逐步回归、聚类分析和判别分析方法进行数据分析。利用Spss13.0统计软件，得到如下结论：一方面，大学生学习应从大学一年级抓起，尤其是一年级的第二学期，一年级的学习与后期学习有显著的相关性；在一年级的学习过程中我们更要重点指导学生适应大学的教学方式和环境，促使学生迅速调整学习方法，并端正学习态度。而在统计学专业中学习方法是否适当主要表达在高等数学和高等代数这几门课程的学习，态度的端正与否主要表达在思想道德修养与法律根底这样根据出勤和论文情况评分的课程上。另一方面我们发现在后期学习上出现退学、降级和考试不及格的学生多是在一年级就已经埋有隐患，也就是说在一年级已经形成了学生成绩的两极分化，教育工作者对这阶段学习有问题的学生应给予足够的重视，帮助他们顺利完成学业。本文主要运用的是广义线性模型，广义线性模型是线性模型的推广，它适用于连续数据和离散数据，而且误差结构不再局限于正态分布。广义线性模型相关知识是一个非常庞大的系统，其涵盖面是很广，该模型在生物、医学和经济、社会数据的统计分析中有着重要的实用意义。通过本文的设计和研究对广义线性回归分析有了更深入的了解，在研究本文课题之后了解到大学生学习成绩在大一学年尤为重要，对于每个刚进大学的学生来说更应该抓住学习的时机在大学一年级就打好根基，为以后的学习充实更多的知识，在一些难于掌握的课程应当投入更多的时间去专研。本文相关研究还存在很多缺乏的地方，对广义线性回归模型只是作了局部的理解和运用，相关研究还有待提高和深入研究开展。致谢本文的工作是在我的导师范国良老师悉心指导下完成的。范老师渊博的专业知识，严谨的教学态度，精益求精的工作作风给了我极大的影响。本论文从一开始参考文章的选取，毕业论文题目的选择以及整个过程，都是在导师的指导下完成的，倾注了导师大量的心血。范老师还屡次询问研究进程，并为我指点迷津，帮助我开拓研究思路，精心点拨、热忱鼓励。在此还要感谢安徽工程大学数理学院的各位老师对我的热情帮助，正是由于他们的精心授课和热心辅导，才能使我获得丰富的知识去完成论文，并且帮助我在学习遇到困难时激发起无尽动力去克服困难，完成学业。您们的谆谆教诲使我受益匪浅，并永远鼓励在我前进的征途上。在此一一鞠躬感谢!同时，在四年的学习生活中，我与一起学习和生活的同学们也给了我很多帮助，在一起学习知识的同时也让我度过了一段快乐的时光，衷心感谢他们。另外，我要感谢我的家人，他们给我创造了良好的求学条件，给了我莫大的支持。父母给我的支持和帮助是无法表达和言语的，在此真心的感谢父母对我的关心。最后，感谢周围所有给予我帮助和关心的老师，同学和朋友们。学生签名：周维年月日参考文献[1]何晓群.多元统计分析[M].北京：中国人民大学出版社,2004.[2]张文彤.SPSS统计分析教程高级篇[M].北京：北京希望电子出版社,2002.[3]王力宾.多元统计分析:模型、案例及SPSS应用[M].北京：北京经济科学出版社,2021.[4]刘磊,黄斌.因子分析在教学评估中的应用[J].湖北工业大学学报,2006,21(1):59-61.[5]范金城,梅长林.数据分析[M].北京：科学出版社,2002.[6]何晓群,刘文卿.应用回归分析分析[M].北京：中国人民大学出版社,2007.[7]徐瑾,张伦俊.教学测评数据的聚类分析[[M].北京：中国人民大学出版社,2021.[8]田宏,于晓秋.因子分析与聚类分析在学生成绩综合评价中的应用[J].牡丹江师范学院学报(自然科学版),2021,8(1):34-38.[9]白春玲,樊顺厚,刘军利,范贺方.学生学习成绩相关性的研究[J].天津工大学理学院学报,2021,12(3):6-12.[10]刘建明.大学生学习差异的元统计分析[J].佳木斯教育学院学报,2021,25(1):59-61.[11]张尧庭,方开泰.多元统计分析引论[M].北京：科学出版社,1997.[12]StevenT.Garren,ShyamalD.Peddada.Asymptoticnormalityinmultivariatenonlinearregressionandmultivariategeneralizedlinearregressionmodelsunderrepeatedmeasurementswithmissingdata[J].Statistics&ProbabilityLettersVolume,2000,48(3):293-302.[13]DouglasP.Wiens,XiaojianXu.Robustpredictionandextrapolationdesignsformisspecifiedgeneralizedlinearregressionmodels[J].JournalofStatisticalPlanningandInference,2021,138(1):30-46.[14]AndersonT.WAnintroductiontoMultivariateStatisticalAnalysis[M].NewYork:WordPublishingCo:Wiley,1984.[15]蔡鹏,高启兵.广义线性模型中的变量选择[J].中国科学技术大学学报,2003,36(9):55-58.[16]BettinaGrun,FriedrichLeisch.FittingfinitemixturesofgeneralizedlinearregressionsinR

[J].ComputationalStatistics&DataAnalysis,2007,51(11):5247-5252.[17]陈希孺.数理统计引论[M].科学出版社,1997.[18]周雁.广义线性模型的诊断与实例分析[J].四川大学学报(自然科学版),2007,44(6):2-6.[19]陈希孺.广义线性模型(一)[J].数理统计与管理,2002,21(5):11-17.[20]刘海生.多元统计分析法在学生成绩综合评价中的应用[J].华北科技学院学报,2002,23(1):77-79.[21]王济,川郭志刚.Logistic回归模型方法与应用[M].北京：高等教育出版社,2001.[22]朱仲义,韦博成.半参数非线性模型的统计诊断与影响分析[J].应用数学学报,2001,24(4):568-570.[23]LindseyJ.K.ApplyingGeneralizedLinearModels[M].Belgium:LUCDiepenbeek,1995.附录附录A一篇引用的外文文献及其译文英文文献中文翻译联合广义线性模型中的变量选择摘要在联合广义线性模型中，散度参数与均值都被赋予了广义线性模型的结构，本文主要考虑在只有分布的一阶矩和一阶矩指定的条件下，联合广义线性模型中均值局部的变量选择问题。本文采用广义拟似然函数，提出了新的模型选择准那么(ERIC)；该准那么是Akaikr信息准那么的推广。论文通过模拟研究验证了该准那么的效果。关键词:Akaike信息准那么；模型选择；广义线性模型；广义拟似然一、引言建模是进行统计分析与推断的第一步。而对于一组数据,往往有好多类模型可供选择；在同一类模型中,还要确定变量个数,这就是所说的模型或变量选择。经典的模型选择主要是线性回归中自变量的选取,例如Akaike信息准那么(AIC)[1]等。广义线性模型是线性模型的推广,它适用于连续数据和离散数据,而且误差结构不再局限于正态分布。该模型在生物、医学和经济、社会数据的统计分析中有着重要的实用意义；Logistic模型便是广义线性模型的一个特例。对广义线性模型的变量选取,Pregibon[2]和Hosmer[3]分别针对Mallow的Cp准那么进行了推广；Efron[4]基于AIC准那么进行了推广,这些文献中没有考虑散度参数。而McCullagh[5]和Nelder建议,除非数据或先验信息显示不存在散度,那么把散度参数考虑进来推断效果会更优。Hurvich[6]和Tsai利用广义拟似然函数(extendedquasi-likelihood[5])对指数族分布的AIC准那么进行了修正；Pan[7]利用广义估计方程(GEE)讨论了广义线性模型中的AIC准那么。然而在这些文献中,散度参数只是被作为常数来处理的。由于异方差数据的大量存在,散度参数被作为变数来处理是有实际意义的。在联合广义线性模型(JointGeneralizedLinearModels,JGLM)中,散度参数与均值都被赋予了广义线性模型的结构,包含了具有异方差正态误差的线性回归模型等。针对JGLM的统计推断,在只有分布的一阶矩和二阶矩指定的条件下,McCullagh和Nelder提出了广义拟似然函数[5,8,9]。本文采用广义拟似然的思想,提出了一个适用于JGLM的变量选择准那么(EAIC)。二、EAIC准那么的推导2.1模型结构假设独立响应变量来自JGLM,该模型由三局部组成:方差模型:；均值局部的广义线性模型:；散度局部的广义线性模型:,其中,称为方差函数,表示在真实模型下的期望值,称为散度参数,代表参数真值向量。和为的光滑函数。广义拟似然函数的对数形式为：，其中,是均值模型的偏差(deviance)成分：。当给定回归模型和时,对数广义拟似然函数可以改写为回归系数的函数：。由于真实的模型未知,我们以一组JGLM作为备选模型,去拟合实际数据：①方差模型：；②均值局部的广义线性模型：；③散度局部的广义线性模型：；其中,表示在备选模型下的期望值,是相应的散度参数,代表未知参数向量。本文只考虑均值局部的模型选择问题,所以此时矩阵。备选模型的对数广义拟似然函数为：,同样,可以写为回归系数的函数：2.2准那么推导通过Kullback-Leibler信息量和广义拟似然函数,我们定义了一个新的比拟模型差异的度量：(1)其中表示关于真实模型所在分布求期望。由于式(1)中的第一项不依赖于备选模型,可以当作常数忽略,那么式(1)可以表示为：(2)给定样本,表示参数的最大广义拟似然估计(MEQL),那么.其在点的Taylor展开式为：(3)式(3)中的第二项至少是渐近成立的,令,那么式(3)变为(4)式(4)中含有样本,因而可看作随机变量,为了消除随机性的影响,可对其求期望：令,那么有(5)对在处进行Taylor展开：由于MEQL估计满足,从而有其中。显然,,,于是,。从而由式(5)可得,(6)选取的渐进无偏估计值可得我们的模型选择准那么：(7)其中,。计算各备选模型的EAIC值,到达最小值者便是最优模型。注意到如果用对数似然函数代替式(2)中的,那么式(7)恰是AIC准那么：,而且右边的第二项化为,是备选模型中自变量的个数。对AIC准那么及其各种推广形式,第二项常被解释为对自变量个数增加的惩罚项,并被推广至的函数形式。因此,笔者也尝试着以函数代替式(7)中的第二项,所得准那么为：。三、模拟研究我们做了一些模拟研究来验证EAIC准那么的效果。3.1两个具有超散布性(Over-dispersion)的分布所考虑的第一个分布是Beta-Binomial分布。设观测值为。在概率服从Beta分布的条件下,响应变量服从Binomial分布：,此时的边际分布已不再是Binomial分布,而是Beta-Binomial分布,其概率分布为：，其中,是Beta函数。那么，其中,,；被视为散度参数。所考虑的第二个分布是Poisson-Gamma分布,它是负二项分布的特例。设响应变量具有均值,那么标准的Poisson分布满足,其方差函数满足。当存在超散布性时,方差函数将不再满足上式,而换为更一般的形式：。3.2对Beta-Binomial分布的模拟对每一组观测值,是的向量,其元素独立同分布于均匀分布服从Beta-Binomial分布,并由logistic模型产生,因此,真实的模型只包含的前三个变量；由分布随机产生。为简单起见,笔者只比拟了5个嵌套备选模型,也就是依次包含的个元素。所采用的散度模型是：,其中,,是的向量,其元素独立同分布于均匀分布。令,样本容量取。对该模型的计算,我们使用了调整广义拟似然函数[5],此时,表达式的第二项被乘了一个因子。限于篇幅,本文仅列出的模拟结果。表1显示了在1000次试验中,各备选模型被选中的次数。我们同时计算了忽略超散布性时的MLE和相应的AIC值,并将其模型选择结果列入表1中以作比拟。笔者还计算了1000次试验中,参数的广义拟似然估计的平均值和估计的均方误差MSE,,其中表示在1000次试验中第次试验的估计值。结果见表5。3.3对Poisson-Gamma分布的模拟对每一组观测值,Xi是5×1的向量,其元素独立同分布于均匀分布；响应变量来自Poisson-Gamma分布：,由Gamma分布随机产生。所采用的散度模型为，其中，，是的向量，其元素独立同分布于均匀分布。样本容量，模拟结果见表2，表6。为了研究EAIC准那么的稳定性，我们调整进行了多种模拟，表3列出了样本容量为50，时100次的模拟结果；表4列出了样本容量为100，时100次的模拟结果。注意，惩罚项和仅差一个常数因子，理论上，常数因子不改变模型阶数的相合性。实际上，笔者也计算了没有常数因子的情形，结果稍微不如上述所给。四、结论和讨论已有大量文献讨论了基于似然方法的变量选择问题，例如AIC准那么。但是，利用非似然方法，例如广义拟似然函数，来进行变量选择问题研究的并不多。本文提出了一个适用于JGLM的新的变量择准那么EAIC，而且，利用广义拟似然的方法，无须出样本的分布，只要知道其分本的前两阶矩即可通过模拟研究，笔者验证了EAIC准那么的有效性稳定性。不过，在AIC或EAIC中，惩罚项的选取不是任意的，它应该是作为渐近偏差修正项出现我们可以进一步用Bootstrap方法来计。此外，EAIC准那么原那么上也适用于度模型中自变量的选择。这一课题的实用价值保了我们进一步研究的意义。参考文献[1]HAkaike.Informationtheoryandanextensionofthemaximulikelihoodprinciple[A].PetrovBN,CsakiF,eds.ProceedingsoftSecondInternationalSymposiumonInformationTheory[C].Budapes1973.267—281.[2]DPregibon.DataAnalyticmethodsforGeneralizedLinearModels[D][DissertationfortheDoctoralDegree].Canada:UniversityofToronto1979.[3]DWHosmer,BJovanovic,andSLemeshow.Bestsubsetslogistregression[J].Biometrics,1989(45):1265—1270.[4]BEfron.Howbiasedistheapparenterrorrateofapredictionrul[J].JournalofTheAmericanStatisticalAssociation,1986(81):461470.[5]PMcCullagh,JANelder.GeneralizedLinearModels[M].2ndeLondon:Chapman&Hall,1989.349,360,363.[6]CMHurvichandCLTsai.Modelselectionforextendedquaslikelihoodmodelsinsmallsamples[J].Biometrics,1995,(51):10771084.[7]WPan.Akaike’sinformationcriterioningeneralizedestimatiequations[J].Biometrics,2001(57):120—125.[8]YLee,JANelder.Hierarchicalgeneralizedlinearmodels[J].JStatistSocB,1996(58)vol4:619—678.[9]J.A.Nelder,Y.Lee.Jointmodelingofmeananddispersion[J]Technometrics,1998(40)vol2:168—175.[10]RNishii.Asymptoticpropertiesofcriteriaforselectionofvariablesmultipleregression[J].AnnStatist,1984(12)vol2:758—765.附录B主要参考文献的题录及摘要1.【篇名】：因子分析与聚类分析在学生成绩综合评价中的应用【作者】：田宏，于晓秋【刊名】：牡丹江师范学院学报〔自然学报〕2021年3月【机构】：牡丹江师范学院【摘要】：通过因子分析和聚类分析的方法建立数学模型,对学生成绩进行综合评价，为教学研究和管理提供科学的依据。【关键词】：因子分析；聚类分析；学生成绩；综合评价2.【篇名】：学生成绩相关性研究【作者】：白春玲，樊顺厚，刘军利，范贺方【刊名】：数学的实践与认识2021年7月【机构】：天津工业大学理学院【摘要】：从大学生学习成绩出发，应用广义线性回归模型研究学生学年间成绩的相关性，揭示了大学一年级，尤其是一年级的二学期成绩是影响学生后期学习的关键阶段，进一步应用聚类分析，得到学生成绩在大一年级就已埋下了两极分化的隐患，应用判别分析得出两极分化的关键课程。【关键词】：数理统计；广义线性回归；逐步回归；聚类分析；判别分析3.【篇名】：多元分析法在学成成绩综合评价中的应用【作者】：刘海生【刊名】：华北科技学院报2003年1月【机构】：华北科技学院人文社科系【摘要】：运用多元统计分析中的主成分分析法对学生的考试成绩进行了综合评价,使用统计软件SAS进行了计算和分析,取得了较为满意的结果。【关键词】：主成分分析；第一主成分；成绩4.【篇名】：广义线性模型的诊断与实例分析【作者】：周雁【刊名】：四川大学学报〔自然科学版〕2007年6月【机构】：中国科学技术大学统计与金融系【摘要】：研究了广义线性模型的诊断，将线性回归模型的诊断方法推广运用到广义线性模型，证明了均值漂移模型与数据删除模型的等价性，研究了判断异常点的Score检验统计量。最后通过实例建模，验证了本文给出的诊断方法的有效性。【关键词】：广义线性模型；统计诊断；数据删除；均值漂移；Score检验统计量5.【篇名】：广义线性模型〔一〕【作者】：陈希孺【刊名】：数理统计与管理2002年5月【机构】：中国科学院研究生院【摘要】：本讲座是广义线性模型这个题目的一个比拟系统的介绍。主要分3局部:建模、统计分析与模型选择和诊断。写作时依据的主要参考资料是L.Fahrmeir等人的?MultivariateStatisticalModelingBasedonGeneralizedLinearModels?。【关键词】：广义线性模型；建模；统计分析；模型选择和诊断6.【篇名】：线性、非线性与广义线性回归模型【作者】：朱钰【刊名】：统计与信息论坛1996年3月【机构】：西安统计学院【摘要】：本文研究了线性、非线性与广义线性回归模型之间的关系，澄清了一些重要的统计概念，并对广义线性模型作了简要介绍。广义线性模型是当前统计科学开展的一个方向，统计研究与应用的许多高、新领域都在很大程度上以广义线性模型为其理论根底。将其介绍给我国广阔读者对于促进我国统计事业的开展，建设大统计学科有重要意义。【关键词】：线性〔模型〕；非线性〔模型〕；广义线性回归模型；；参数；近似线性；随机；误差分布假定〔单参数、双参数〕；自然指数分布族；自然参数；连接函数；典型连接函数；一致性连接函数7.【篇名】：广义线性模型中变量选择【作者】：蔡鹏，高启兵【刊名】：中国科学技术大学学报2006年9月【机构】：中国科学技术大学统计与金融系【摘要】：对自然联系函数下广义线性模型的变量选择问题进行了研究。首先，分别按Ward准那么和似然比准那么，给出了两种变量选择的方法；然后，在一定的条件下，证明了上述两种变量选择方法的弱相合性。【关键词】：广义线性模型；Wald检验；似然比检验；变量选择8．【Title】：Asymptoticnormalityinmultivariatenonlinearregressionandmultivariategeneralizedlinearregressionmodelsunderrepeatedmeasurementswithmissingdata【Author】：StevenT.Garren,ShyamalD.Peddada【Press】：Statistics&ProbabilityLettersVolume48,Issue3,1July2000,Pages293-302【Abstract】：Formultivariatenonlinearregressionandmultivariategeneralizedlinearregressionmodels,withrepeatedmeasurementsandpossiblemissingvalues,wederivetheasymptoticnormalityofageneralestimatingequationsestimatoroftheregressionmatrix.Wealsoprovideconsistentestimatorsofthecovariancematrixoftheresponsevectors.Inoursettingboththeresponsevariableandthecovariatesmaybemultivariate.Furthermore,theregressionparametersareallowedtobedependentonafinitenumberoftimeunitsorsomeothercategoricalvariable.Forexample,onemaytestwhetherornottheparametervectorsareequalacrossthedifferenttimeunits.Missingvaluesarepermitted,thoughcertainlyarenotnecessary,inorderfortheasymptotictheorytohold.Herein,anymissingnessisallowedtodependuponthevaluesofthecovariatesbutnotontheresponsevariable.Nodistributionalassumptionsaremadeonthedata.【Keywords】：Asymptotics；Estimatingequations；Generalizedlinearmodels；Missingdata9．【Title】：Robustpredictionandextrapolationdesignsformisspecifiedgeneralizedlinearregressionmodels【Author】：DouglasP.Wiens,XiaojianXu【Press】：JournalofStatisticalPlanningandInference,Volume138,Issue1,1January2021,Pages30-46【Abstract】：Westudyminimaxrobustdesignsforresponsepredictionandextrapolationinbiasedlinearregressionmodels.Weextendpreviousworkofothersbyconsideringanonlinearfittedregressionresponse,bytakingarathergeneralextrapolationspaceand,mostsignificantly,bydroppingallrestrictionsonthestructureoftheregressors.Severalexamplesarediscussed.【Keywords】：Regressiondesign；Nonlinearleastsquares；Generalizedlinearresponse；Heteroscedasticity；Nonsmoothoptimization10.【Title】：FittingfinitemixturesofgeneralizedlinearregressionsinR

【Author】：BettinaGrün,FriedrichLeisch【Press】：ComputationalStatistics&DataAnalysis,Volume51,Issue11,15July2007,Pages5247-5252【Abstract】：RpackageflexmixprovidesflexiblemodelingoffinitemixturesofregressionmodelsusingtheEMalgorithm.Severalnewfeaturesofthesoftwaresuchasfixedandnestedvaryingeffectsformixturesofgeneralizedlinearmodelsandmultinomialregressionforaprioriprobabilitiesgivenconcomitantvariablesareintroduced.Theuseofthesoftwareinadditiontomodelselectionisdemonstratedonalogisticregressionexample.【Keywords】：Concomitantvariable；Finitemixture；Fixedeffect；Generalizedlinearmodel；R原文已完。下文为附加文档，如不需要，下载后可以编辑删除，谢谢！施工组织设计本施工组织设计是本着“一流的质量、一流的工期、科学管理〞来进行编制的。编制时，我公司技术开展部、质检科以及工程部经过精心研究、合理组织、充分利用先进工艺，特制定本施工组织设计。工程概况：西夏建材城生活区27#、30#住宅楼位于银川市新市区，橡胶厂对面。本工程由宁夏燕宝房地产开发开发，银川市规划建筑设计院设计。本工程耐火等级二级，屋面防水等级三级，地震防烈度为8度，设计使用年限50年。本工程建筑面积:27#楼3824.75m2;30#楼3824.75m2。室内地坪±0.00以绝对标高1110.5m为准，总长27#楼47.28m；30#楼47.28m。总宽27#楼14.26m；30#楼14.26m。设计室外地坪至檐口高度18.600m，呈长方形布置，东西向，三个单元。本工程设计屋面为坡屋面防水采用防水涂料。外墙水泥砂浆抹面，外刷浅灰色墙漆。内墙面除卫生间200×300瓷砖，高到顶外，其余均水泥砂桨罩面，刮二遍腻子；楼梯间内墙采用50厚胶粉聚苯颗粒保温。地面除卫生间200×200防滑地砖，楼梯间50厚细石砼1：1水泥砂浆压光外，其余均采用50厚豆石砼毛地面。楼梯间单元门采用楼宇对讲门，卧室门、卫生间门采用木门，进户门采用保温防盗门。本工程窗均采用塑钢单框双玻窗，开启窗均加纱扇。本工程设计为节能型住宅，外墙均贴保温板。本工程设计为砖混结构，共六层。根底采用C30钢筋砼条形根底，上砌MU30毛石根底，砂浆采用M10水泥砂浆。一、二、三、四层墙体采用M10混合砂浆砌筑MU15多孔砖；五层以上采用M7.5混合砂浆砌筑MU15多孔砖。本工程结构中使用主要材料：钢材：=1\*ROMANI级钢，=2\*ROMANII级钢；砼：根底垫层C10，根底底板、地圈梁、根底构造柱均采用C30，其余均C20。本工程设计给水管采用PPR塑料管，热熔连接；排水管采用UPVC硬聚氯乙烯管，粘接；给水管道安装除立管及安装IC卡水表的管段明设计外，其余均暗设。本工程设计采暖为钢制高频焊翅片管散热器。本工程设计照明电源采用BV－2.5铜芯线，插座电源等采用BV－4铜芯线；除客厅为吸顶灯外，其余均采用座灯。施工部署及进度方案1、工期安排本工程合同方案开工日期：2004年8月21日，竣工日期：2005年7月10日，合同工期315天。方案2004年9月15日前完成根底工程，2004年12月30日完成主体结构工程，2005年6月20日完成装修工种，安装工程穿插进行，于2005年7月1日前完成。具体进度方案详见附图－1〔施工进度方案〕。2、施工顺序=1\*GB2⑴根底工程工程定位线〔验线〕→挖坑→钎探〔验坑〕→砂砾垫层的施工→根底砼垫层→刷环保沥青→根底放线〔预检〕→砼条形根底→刷环保沥青→毛石根底的砌筑→构造柱砼→地圈梁→地沟→回填工。=2\*GB2⑵结构工程结构定位放线〔预检〕→构造柱钢筋绑扎、定位〔隐检〕→砖墙砌筑〔＋50cm线找平、预检〕→柱梁、顶板支模〔预检〕→梁板钢筋绑扎〔隐检、开盘申请〕→砼浇筑→下一层结构定位放线→重复上述施工工序直至顶。=3\*GB2⑶内装修工程门窗框安装→室内墙面抹灰→楼地面→门窗安装、油漆→五金安装、内部清理→通水通电、竣工。=4\*GB2⑷外装修工程外装修工程遵循先上后下原那么，屋面工程〔包括烟道、透气孔、压顶、找平层〕结束后，进行大面积装饰，塑钢门窗在装修中逐步插入。施工准备现场道路本工程北靠北京西路，南临规划道路，交通较为方便。场内道路采用级配砂石铺垫，压路机压。机械准备=1\*GB2⑴设2台搅拌机，2台水泵。=2\*GB2⑵现场设钢筋切断机1台，调直机1台，电焊机2台，1台对焊机。=3\*GB2⑶现场设木工锯，木工刨各1台。=4\*GB2⑷回填期间设打夯机2台。=5\*GB2⑸现场设塔吊2台。3、施工用电施工用电已由建设单位引入现场；根据工程特点，设总配电箱1个，塔吊、搅抖站、搅拌机、切断机、调直机、对焊机、木工棚、楼层用电、生活区各配置配电箱1个；电源均采用三相五线制；各分支均采用钢管埋地；各种机械均设置接零、接地保护。具体配电箱位置详见总施工平面图。施工用水施工用水采用深井水自来水，并砌筑一蓄水池进行蓄水。楼层用水采用钢管焊接给水管，每层留一出水口；给水管不置蓄水池内，由潜水泵进行送水。生活用水生活用水采用自来水。劳动力安排=1\*GB2⑴结构期间：瓦工40人；钢筋工15人；木工15人；放线工2人；材料1人；机工4人；电工2人；水暖工2人；架子工8人；电焊工2人；壮工20人。=2\*GB2⑵装修期间抹灰工60人；木工4人；油工8人；电工6人；水暖工10人。四、主要施工方法1、施工测量放线=1\*GB2⑴施工测量根本要求A、西夏建材城生活区17#、30#住宅楼定位依据：西夏建材城生活区工程总体规划图，北京路、规划道路永久性定位B、根据工程特点及＜建筑工程施工测量规程＞DBI01－21－95，4、3、2条，此工程设置精度等级为二级，测角中误差±12，边长相对误差1/15000。C、根据施工组织设计中进度控制测量工作进度，明确对工程效劳，对工程进度负责的工作目的。=2\*GB2⑵工程定位A、根据工程特点，平面布置和定位原那么，设置一横一纵两条主控线即27#楼：〔A〕轴线和〔1〕轴线；30#楼：〔A〕轴线和〔1〕轴线。根据主轴线设置两条次轴线即27#楼：〔H〕轴线和〔27〕轴线；30#楼：〔H〕轴线和〔27〕轴线。B、主、次控轴线定位时均布置引桩，引桩采用木桩，后砌一水泥砂浆砖墩；并将轴线标注在四周永久性建筑物或构造物上，施测完成后报建设单位、监理单位确认后另以妥善保护。C、控轴线沿结构逐层弹在墙上，用以控制楼层定位。D、水准点：建设单位给定准点，建筑物±0.00相当于绝对标高1110.500m。=3\*GB2⑶根底测量A、在开挖前，基坑根据平面布置，轴线控制桩为基准定出基坑长、宽度，作为拉小线的依据；根据结构要求，条基外侧1100mm为砂砾垫层边，考虑放坡，撒上白灰线，进行开挖。B、在垫层上进行根底定位放线前，以建筑物平面控制线为准，校测建筑物轴线控制桩无误后，再用经纬仪以正倒镜挑直法直接投测各轴线。C、标高由水准点引测至坑底。=4\*GB2⑷结构施工测量A、首层放线验收后，主控轴一引至外墙立面上，作为以上务层主轴线竖身高以测的基准。B、施工层放线时，应在结构平面上校投测轴线，闭合后再测设细部尺寸和边线。C、标高竖向传递设置3个标高点，以其平均点引测水平线折平时，尽量将水准仪安置在测点范围内中心位置，进行测设。2、基坑开挖本工种设计地基换工，夯填砂砾垫层1100mm；根据此特点，采用机械大开挖，留200mm厚进行挖工、铲平。开挖时，根据现场实际土质，按标准要求1:0.33放坡，反铲挖掘机挖土。开挖出的土，根据现场实际情况，尽量留足需用的好土，多余土方挖出，防止二次搬运。人工开挖时，由技术员抄平好水平控制小木桩，用方铲铲平。挖掘机挖土应该从上而下施工，禁止采用挖空底脚的操作方法。机械挖土,先发出信号，挖土的时候，挖掘机操作范围内，不许进行其他工作，装土的时候，任何人都不能停留在装土车上。3、砌筑工程=1\*GB2⑴材料砖：MU15多孔砖，毛石根底采用MU30毛石。砂浆：±0.00以下采用M10水泥砂浆，一、二、三、四层采用M10混合砂浆，五层以上采用M7.5混合砂浆。=2\*GB2⑵砌筑要求A、开工前由工长对所管辖班组下发技术交底。B、砌筑前应提前浇水湿润砖块，水率保持在10％－15％。C、砌筑采用满铺满挤“三一砌筑法“，要求灰浆饱满，灰缝8－12mm。D、外墙转角处应同时砌筑，内外墙交接处必须留斜槎，槎子长度不小于墙体高度的2/3，槎子必须平直、通顺。E、隔墙与墙不同时砌筑又不留成斜槎时可于墙中引出阳槎或在墙的灰缝中预埋拉结筋，每道不少于2根。F、接槎时必须将外表清理干净，浇水湿润，填实砂浆，保持灰缝平直。G、砖墙按图纸要求每50mm设置2φ6钢筋与构造柱拉结，具体要求见结构总说明。H、施工时需留置临时洞口，其侧边离交接处的墙面不少于500mm，顶部设边梁。4、钢筋工程=1\*GB2⑴凡进场钢筋须具备材质证明，原材料须取样试验，经复试合格前方可使用。=2\*GB2⑵钢筋绑扎前应仔细对照图纸进行翻样，根据翻样配料，施工前由工长对所管辖班组下发技术交底，准备施工工具，做好施工的准备工作。=3\*GB2⑶板中受力钢筋搭接，=1\*ROMANI级钢30d，=2\*ROMANII级钢40d，搭接位置：上部钢筋在跨中1/3范围内，下部钢筋在支座1/3范围内。=4\*GB2⑷钢筋保护层：根底40mm，柱、梁30mm，板20mm。保护层采用50mm×50mm的水泥砂浆块。板上部钢筋用马凳按梅花状支起。=5\*GB2⑸所有钢筋绑扎，须填写隐检记录，质评资料及目检记录，验收合格前方可进行下道工序。5、砼工程=1\*GB2⑴水泥进场后须做复试，经复试合格后由试验室下达配合比。施工中严格掌握各种材料的用量，并在搅拌机前进行标识，注明每立方米、每盘用量。同时搅拌时，须车车进磅，做好记录。=2\*GB2⑵浇筑前，对模板内杂物及油污、泥土清理干净。=3\*GB2⑶投料顺序：石子→水泥→砂子。=4\*GB2⑷本工程均采用插入式振捣器，一次浇筑厚度不宜超过振捣器作用局部长度的1.25倍，捣实砼的移动间距不宜大于振捣器作用半径的1.5倍。=5\*GB2⑸砼浇筑后1昼夜浇水养护，养护期不少于7d，砼强度未到达1.2MPa之前不得上人作业。6、模板工程=1\*GB2⑴本工程模板采用钢木混合模板。模板支搭的标高、截面尺寸、平整度、垂直度应到达质量验收标准，以满足其钢度，稳定性要求。=2\*GB2⑵模板支撑应牢固可靠，安装进程中须有防倾覆的临时固定措施。=3\*GB2⑶本工程选用851脱模剂，每撤除一次模板经清理后涂刷脱模剂，再重新组装，以保证砼的外观质量。架子工程=1\*GB2⑴本工程采用双排架子防护，外设立杆距墙2m，里皮距墙50cm，立杆间距1.5m，顺水间距1.2m，间距不大于1m。=2\*GB2⑵架子底部夯实，垫木板，绑扫地杆。=3\*GB2⑶为加强架子的稳定性，每七根立杆间设十字盖，斜杆与地面夹角60o。=4\*GB2⑷为防止脚平架外倾，与结构采用钢性拉接，拉接点间距附和“垂四平六“的原那么。=5\*GB2⑸外防护架用闭目式平安网进行封闭，两平网塔接和网下口必须绑孔紧密。=6\*GB2⑹结构架子高出作业层1m，每步架子满铺脚手板，要求严密牢固并严禁探头板。装饰工程装饰工程施工前，要组织质监部门、建设、设计、施工单位四方参加的主体结构工程核验收，对已完全体分部工程进行全面检查、发现问题及时处理，去除隐患，并做好装饰前材料、机