【图文】SPSS&AOMS经典例题分析_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
评价文档：
SPSS&AOMS经典例题分析
上传于||暂无简介
大小：723.50KB
登录百度文库，专享文档复制特权，财富值每天免费拿！
你可能喜欢Theil系数和主成分聚类分析在区域经济差 距评估中的应用－ 厦门大学学术典藏库－ Xiamen University Institutional Repository
JavaScript is disabled for your browser. Some features of this site may not work without it.
dc.contributor.advisor谭忠
dc.contributor.author张志标
dc.date.accessionedT03:25:24Z
dc.date.availableT03:25:24Z
dc.date.issued 09:30:17.0
dc.identifier.urihttp://dspace./handle/
dc.description.abstract由于中国三十几年的改革开放，总的来说，中国的经济实力和人民的生活 水平有了很大的提高。当然，与发达国家相比还是有很大的差距的，我们还有 很长的路要走。但是人们慢慢地发现在区域间的经济发展极不均衡，使得人们 的收入水平有很大的差距，高低不一。然而，在1990年之后，学者们才真正对 这种问题进行了分析。近十年来，这个问题普遍受到各阶层的关注。 大多数学者们进行经济差距探讨主要是通过不同地区的划分，像省为单 元、三个地带等。研究的方法也不同，有的人选择多个指标形成指标体系对区 域经济进行综合评价，有的人使用国际上惯用的指标，比如Theil指数、Gini 指数。然而，迄今为止，人们尚未...
dc.description.abstractGenerally speaking, China&s economic strength and people&s living standards have been greatly improved since the implementation of reform and opening up more than 30 years ago. However, compared with developed countries, we still have a long way to go. As China&s economy continues to develop, people gradually find that the rich become richer, and the poor become poorer. In other words, the pro...
dc.language.isozh_CN
dc.relation.urihttp://210.34.4.28/opac/openlink.php?strText=43135&doctype=ALL&strSearchType=callno
dc.source.urihttp://210.34.4.13:8080/lunwen/detail.asp?serial=45625
dc.subjectTheil系数
dc.subject主成分聚类
dc.subject区域收入差距
dc.subjectTheil coefficient
dc.subjectPrincipal component cluster analysis
dc.subjectRegional income
dc.titleTheil系数和主成分聚类分析在区域经济差 距评估中的应用
dc.title.alternativeApplication of Theil Coefficient and Principal Component Cluster Analysis in Assessment of Regional Inequality
dc.typethesis
dc.date.replied
dc.description.note学位：理学硕士
dc.description.note院系专业：数学科学学院_应用数学
dc.description.note学号：43
条目中的文件
Theil系数和主成分聚类分析在区域经济差 距评估中的应用.pdf
[815]SMS－ETD
copyright&&&& &&Theme by&&&&&
自日起总访问量：
搜索本专题
copyright&&&& &&Theme by&&&&&
自日起总访问量：回归结果的一般理解
一、参数解释：
1、回归系数（coefficient）
注意回归系数的正负要符合理论和实际。
截距项的回归系数无论是否通过T检验都没有实际的经济意义。
2、回归系数的标准误差（Std.Error）
标准误差越大，回归系数的估计值越不可靠，这可以通过T值的计算公式可知
3、T检验值（t-Statistic）
T值检验回归系数是否等于某一特定值，在回归方程中这一特定值为0，因此T值=回归系数/回归系数的标准误差，因此T值的正负应该与回归系数的正负一致，回归系数的标准误差越大，T值越小，回归系数的估计值越不可靠，越接近于0。另外，回归系数的绝对值越大，T值的绝对值越大。
4、P值（Prob）
P值为理论T值超越样本T值的概率，应该联系显著性水平α相比，α表示原假设成立的前提下，理论T值超过样本T值的概率，当P值&α值，说明这种结果实际出现的概率的概率比在原假设成立的前提下这种结果出现的可能性还小但它偏偏出现了，因此拒绝接受原假设。
5、可决系数（R-squared）
都知道可决系数表示解释变量对被解释变量的解释贡献，其实质就是看（y尖-y均）与（y=y均）的一致程度。y尖为y的估计值，y均为y的总体均值。
6、调整后的可决系数（Adjusted R-squared)
即经自由度修正后的可决系数，从计算公式可知调整后的可决系数小于可决系数，并且可决系数可能为负，此时说明模型极不可靠。
7、回归残差的标准误差（S.E.of regression）
残差的经自由度修正后的标准差，OLS的实质其实就是使得均方差最小化，而均方差与此的区别就是没有经过自由度修正。
8、残差平方和（Sum Squared Resid）
9、对数似然估计函数值（Log likelihood）
首先，理解极大似然估计法。极大似然估计法虽然没有OLS运用广泛，但它是一个具有更强理论性质的点估计方法。极大似然估计的出发点是已知被观测现象的分布，但不知道其参数。极大似然法用得到观测值（样本）最高概率（离散分布以概率聚集函数表示，连续分布以概率密度函数表示。因为要使得样本中所有样本点都出现，假定抽样是随机的则各个样本点的是独立同分布的，所以最后总的概率表现为概率聚集函数或者概率密度函数的连乘形式，称之为似然函数。要取最大概率，即将似然函数对未知参数求导令导数等于0即可获得极大似然函数。一般为简化函数的处理过程都会对似然函数进行对数化处理，这样最后得到的极大似然函数就称之为对数极大似然函数）的那些参数的值来估计该分布的参数，从而提供一种用于估计刻画一个分布的一组参数的方法。
其次，理解对数似然估计函数值。对数似然估计函数值一般取负值，实际值（不是绝对值）越大越好。第一，基本推理。对于似然函数，如果是离散分布，最后得到的数值直接就是概率，取值区间为0-1，对数化之后的值就是负数了；如果是连续变量，因为概率密度函数的取值区间并不局限于0-1，所以最后得到的似然函数值不是概率而只是概率密度函数值，这样对数化之后的正负就不确定了。第二，Eviews的计算公式解释。公式值的大小关键取之于残差平方和（以及样本容量），只有当残差平方和与样本容量的比之很小时，括号内的值才可能为负，从而公式值为正，这时说明参数拟合效度很高；反之公式值为负，但其绝对值越小表示残差平方和越小，因而参数拟合效度越高。
10、DW检验值
DW统计量用于检验序列的自相关，公式就是测度残差序列与残差的滞后一期序列之间的差异大小，经过推导可以得出DW值与两者相关系数的等式关系，因而很容易判断。DW值的取值区间为0-4，当DW值很小时（大致&1）表明序列可能存在正自相关；当DW值很大时（大致&3）表明序列可能存在负自相关；当DW值在2附近时（大致在1.5到2.5之间）表明序列无自相关；其余的取值区间表明无法确定序列是否存在自相关。当然，DW具体的临界值还需要根据样本容量和解释变量的个数通过查表来确定。
DW值并不是一个很适用的检验手段，因为它存在苛刻的假设条件：解释变量为非随机的；随机扰动项为一阶自回归形式；解释变量不能包含滞后的被解释变量；必须有截距项；数据无缺失值。当然，可以通过DW-h检验来检验包含滞后被解释变量作为解释变量的序列是否存在自相关。h统计量与滞后被解释变量的回归系数的方差呈正相关关系，可以消除其影响。
11、被解释变量的样本均值（Mean Dependent Var）
12、被解释变量的样本标准误差（S.D.Dependent Var）
上面两个望文即可生义。
13、赤池信息准则（AIC）
AIC和SC在时间序列分析过程中的滞后阶数确定过程中非常重要，一般是越小越好。
一般理解：根据AIC的计算公式（-2*L/N+2*k/N，L为对数似然估计函数值，k为滞后阶数，N为样本容量）可知：当滞后阶数小时，2*k/N小，但因为模型的模拟效果会比较差所以L（负值）会比较小，加上负号之后则变得较大，因此最后的AIC有可能较大；当滞后阶数大时，模型的模拟效果会比较好所以L（负值）会比较大，加上负号之后则变得较小，但是2*k/N过大（损失自由度的代价），因此最后的AIC也有可能较大。综上，AIC较小意味着滞后阶数较为合适。
14、施瓦茨信息准则（SC）
与AIC没有任何本质区别，只是加入样本容量的对数值以修正损失自由度的代价。
15、F统计量（F-statistic）
F统计量考量的是所有解释变量整体的显著性，所以F检验通过并不代表每个解释变量的t值都通过检验。当然，对于一元线性回归，T检验与F检验是等价的。
16、prob（F-statistic）
F统计量的P值，一切的P值都是同样的实质意义。
二、软件引用说明
Eviews可以用@函数引用回归方程的相关统计量。例如就是引用回归方程equl1的对数似然函数值。
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。您所在位置： &
&nbsp&&nbsp&nbsp&&nbsp
第十讲聚类课程.ppt115页
本文档一共被下载：
次 ,您可全文免费在线阅读后下载本文档。
文档加载中...广告还剩秒
需要金币：350 &&
你可能关注的文档：
··········
··········
Data Mining: Concepts and Techniques 第十讲 聚类分析 聚类分析 什么是聚类分析? 聚类分析中的数据类型 主要聚类方法的分类 划分方法 层次方法 基于密度的方法 基于网格的方法（自学） 基于模型的方法（自学） 高维数据聚类 （自学） 基于约束的聚类 （自学） 离群点分析（自学） 小结 什么是聚类分析? 簇 cluster : 数据对象的集合 同一簇中对象相似 不同簇中对象相异 聚类 clustering :将物理或抽象对象的集合分成相似的对象类的过程 聚类分析 在数据中按照数据的特征找出相似处，将相似的数据对象分组到一个聚类 无指导学习 Unsupervised learning :没有预定义的类 典型应用 作为一个独立的工具，用于观察数据的分布 作为其他算法的预处理步骤 聚类：多学科、广泛的应用 模式识别 Pattern Recognition
空间数据分析 Spatial Data Analysis
在GIS中，通过聚类特征空间，创建主题地图 检测空间聚类或其他空间挖掘任务 图象处理 经济科学 特别是市场研究
WWW 文档分类 聚类Weblog 数据，发现类似的存取模式组 Examples of Clustering Applications 市场:帮助市场分析员发现顾客的不同类别，并使用这些知识开发目标市场程序。 国土利用:帮助识别地球观测数据库中国土利用相似的区域。 保险: 赔付较高保险金额的保险持有者 城市计划:根据房子的类型、价值和地理位置对城市中房屋的分组识别 Quality: What Is Good Clustering? 好的聚类方法：高内聚、低耦合 聚类结果的质量依赖于方法和实现中使用的相似度度量。 聚类方法的质量还可以由它所发现一些或全部隐藏模式的能力所衡量 Measure the Quality of Clustering 相异度/相似度矩阵:相似度表现为距离函数，矩阵 d i, j
对于不同的数据类型，距离函数 distance functions 的定义可能有很大的差别： 区
正在加载中，请稍后...}