【《应用多元统计分析学习报告》3300字】

应用多元统计分析学习报告在现如今高科技信息时代，各行各业都面临着大量数据处理分析工作，为此对于研究多变量间相互关系及其内在规律的学科—多元统计分析，其需求在各行各业都很重要。本文通过对这段时间对应用多元统计分析的学习做一个总结。从学习中，我学会了用多元统计进行分析数据，比如人口分，我从学到的集中分析法简单阐述一下一、主成分分析主成分分析是由卡尔。皮尔森在1901年提出的，源于对非随机变量的讨论，而到了1933年，Hotelling将其推广开来，随机变量也利用这种方法进行统计，主成分分析的基本思路由此确立。总得来说，主成分分析即是利用几个较少且不相关的新变量替换原始变量，而新变量也是由原始的多个变量进行的现行组合，在这个过程中要求原始变量的离散信息损失在替换中要达到最小，即被替换后的变量要能够将原始变量的离散信息进行充分得反映。主成分分析在使用中被用以实现降维的目的，正交变化是实现这一转变的数学方法，能够将原有的相关变量转变为不想关的全新的变量。被替换后的不想关的变量就是得到的主成分。在主成分分析中，两个主成分之间是相互独立的关系。在进行主成分分析的过程中，前提是知晓数据的总体协方差阵，如果实际操作中条件达不到理想状态，则可以利用协方差阵的估计值代替，主成分分析还要注意消除量纲所产生的影响，一旦数据产生了较大的数量级差距，要对已有数据进行标准化处理。在进行主成分分析的过程中，可以利用碎石图进行初步阐释分析，平行分析也可以帮助判断整体数据需要提取的因子数量。利用主成分分析能够将我国人口发展过程中的各项标准进行分类，并能够按照人均消费额、人均受教育程度等数据对我国各省市的人口数据信息进行主成分分析，进行分类，分出不同的阶梯，对于我国从整体上把握各省市的人口发展状况提供借鉴，同时能够为经济和社会的发展提供更加科学的依据。二、因子分析因子分析的概念源于卡尔。皮尔森和查尔斯。斯皮尔曼等人的研究，他们针对智力的测试方法和定义提出了这种分析方法，但是因为这种方法对数据的数量要求非常高，需要大量的数据，直到20世纪的后期才由后来的学者不断进行丰富和完善，而形成了因子分析的完善的思想并得到了广泛的运用，现在的心理学、社会学以及教育学、经济学领域都在广泛地利用因子分析进行科学研究。因子分析的研究思路是将研究变量进行分解，将其变成少数几个影响因素作为变量。原始的变量每个都将被分解成两部分，一部分为每个变量单独具有的特征因素，被称为特殊因子，另一部分则是所有变量都共同具备的公共因子。经过多年的发展，因子分析的方法已经较为成熟。因子分析和主成分分析具有某种程度的相似性，可以认为其是主成分分析的深入。而因子分析也可以用来作为降维处理的方法，可以研究多个样本之间的多重属性变量是否在内部存在依存关系，作为一种探索性的手段看数据内部是否存在隐藏关系。总而言之，因子分析可以将原始变量转化为公共因子和特殊因子两部分。在因子分析中通常采用反映像相关矩阵（Anti-imagecorrelationmatrix）检验、Bartlett球形检验以及KMO（Kaiser-Meyer-Olkin）检验等，后两种较为常见。利用因子分析进行降维处理也必然会引起离散信息的损失，在进行分析时要尽可能保留绝大部分的离散信息。同时，在因子载荷矩阵进行旋转以后，会产生分类，需要对这些分类进行命名，因子命名要尽量涵盖分类中的原始信息，同时要注重对于因子载荷的分析，在表面原因的背后要探索深层的影响因素是什么，才能更好地达到研究的目的。三、聚类分析聚类分析也是多元统计分析中常用的手段之一，聚类分析指的是对数据样本进行分类，可以应用于大量样本的分析，并要求按照数据的特性进行合理的推测分类。这种方法起源于分类学，最初用于物种的识别、物种名称的鉴定、物种的演化进程等，由于社会的发展导致样本不断增多，按照经验进行分类无法保证科学性，数学方法即被引入分类学，并且逐步发展为聚类分析方法并从数值学中剥离开来，形成了独立的分析方法。在聚类分析中，数据通常被要求是未知的，再将数据分类到不同类别的过程，同类样本的相似性要达到要求，不同类样本的差异性也要非常明显。聚类分析是把大量数据进行分类，子类中的数据性质大多相同，这样能够更好地了解数据在整体上的分布，这种方法在图像识别、模式识别等多个量与都有广泛应用，利用聚类分析能够在市场分析中将用户划分为群体特性明显的群体，在信息管理领域能够对web文档进行分类，检索的效率能够得到进一步提升。聚类分析的方法有很多种，系统聚类是目前应用较多的一种聚类分析方法。在人口分析中，可以利用聚类分析将各个地区的人口消费水平、人口教育水平、人口老龄化程度、人口医疗水平等等区分开来，从而将我国的各个地区人口状况进行分类，更好地从整体上显现我国各地区人口的现状，并能够在后续的工作中进行有针对性的解决。四、典型相关分析典型相关分析也是Hotelling最早提出的，并且经过了长期的发展完善，成为了目前较为常用的数据分析方法。事物的发展总是处于不断地变化中，也与其他事物有着千丝万缕的关系，这些联系有些很明显，有些则需要有深厚的专业知识支撑，通过归纳、总结才能发现，这也是大数据分析的效用所在。典型相关分析在大数据分析的进程中有着重要的作用。典型相关分析通常用来分析两组随机变量之间是否具有相关性，相关性程度如何。这种方法能够用线性关系表达两组随机变量之间是否有依赖关系。这种分析方法要求数据的分布满足正太分布，在分析的过程中要对第一典型相关系数、第二典型相关系数进行识别分辨，这能够最大程度解释数据的相关性。同时，在对样本进行典型相关分析时还要分析相关变量的个数，通过典型相关分析可以对人口研究中的很多问题进行分析，例如可以分析人口老龄化与人口教育程度、人口消费水平、医疗保健等多个方面的相关性，以此揭示人口老龄化带来的深度问题，分析这一个问题所带来的蝴蝶效应，并根据事物之间的联系找到更好地解决问题的方式。总结通过学习，老师的讲课，我学会了主成分分析法，又称主分量分析法是指相关的经济变量间通常存在着起主导作用的决定性因素，通过对原始变量的相关矩阵内部结构进行分析，找出几个不相关的综合指标来线性表示原来的变量，主成分之间既互不相关，又尽可能多的包含了原指标集合。因子分析法是指从被评对象的观察变量的相关度出发，利用降维的思想，把繁杂的变量尽可能归纳为几个综合因子进行分析的的一种多变量统计分析方法。其基本思想是：将观察变量按相关度的高低或联系的紧密程度进行分类，类别内部变量相关性高，联系紧密，而类别之间的变量则相关度较低，联系稀疏，每一类变量则代表一个公共因子。信息的大小通常用离差平方和或方差来衡量。主成分分析可设法将原来变量重新组合成一组新的互相无关的几个综合变量，同时根据实际需要从中取出几个较少的综合变量尽可能多地反映原来变量的信息，是数学上处理降维的一种方法。主成分分析是多元统计中的重要内容，是当前许多研究的主题，其原则是将多个相关指标简化为少数不相关指标，它能够在不损失过多遗传信息的基础上进行多性状的方向性选择，同时提高选择效果。近年来，该方法已被广泛应用于牛、羊、猪等家畜性状的选育工作中。因子分析（ｆａｃｔｏｒａｎａｌｙｓｉｓ）是研究从变量群中提取共性因子的统计技术。由于这种研究收到较好的效果，因而引起科学界的注意。数十年来许多统计学家以及其他科学工作者在因子分析的理论、方法和实际应用等方面做大量的工作，使因子分析不断得到充实并成为多元统计学的重要组成部分。与此同时因子分析的应用也逐渐推广到心理学以外的其他学科，如经济学、生物学、植物学、地质学、化学等。主要解决共线性问题，评价问卷的结构效度，寻找变量间潜在的结构，内在结构证实。在以后的学习中我会更加积极学习，降所学知识运用到实践中。参考文献[1]徐再楼.基建项目管理的重点控制探讨[J].工程经济,2015,(08):79-82.[2]陈一昕.刍议小型基建项目实施过程管理[J].科技与企业,2015,(15):80.[3]于宁,胡庆喜.基建项目投资全过程管理研究[J].建筑技术开发,2014,41(12):49-51.[4]吴晓静.基建项目投资管理策略研究[J].经营管理者,2014,(19):298.[5]肖智强.小型基建项目实施过程管