1、1 / 182013 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 http:/ / 18（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3 / 18（4）：点击“确
2、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 6.2lgn2、确定组距组距=（最大值-最小值）/组数=（28155.00-12231.90）/6=2653.
3、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.4 / 18（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
4、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 32NMissing 0Mean 3.135 / 18Median 3.00Std. Deviation 1.314Minimum 1Maximum 725 2.0050 3.00Percentiles75 3.75人均消费(已离散化)Frequency Percent Valid Percent Cumulative Percent0.05，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
5、2013 年人均消费11 / 18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）：RanksMe
6、an 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 StatisticsaN 32Chi-Square 198.604df 7Asymp. Sig. .00012 / 18Test StatisticsaN 32Chi-Square 198.604df 7Asymp. Sig. .000a. 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
7、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）
8、、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 Matrix13 / 18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
9、.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 .831Correlation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 Bart
10、letts TestKaiser-Meyer-Olkin Measure of Sampling Adequacy. .833Approx. Chi-Square 233.009df 28Bartletts Test of SphericitySig. .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Commu
11、nalitiesInitial 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 .872Extraction Method: Principal Component Analysis.14 / 18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 ExplainedInitial
12、 EigenvaluesExtraction Sums of Squared LoadingsRotation Sums of Squared LoadingsComponent Total% of VarianceCumulative % Total% of VarianceCumulative % Total% of VarianceCumulative %1 5.504 68.794 68.794 5.504 68.794 68.794 4.524 56.545 56.5452 1.192 14.898 83.692 1.192 14.898 83.692 2.172 27.147 83
13、.6923 .473 5.910 89.6024 .258 3.222 92.8245 .237 2.961 95.7856 .178 2.227 98.0127 .091 1.136 99.1478 .068 .853 100.000Extraction 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
14、.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：15 / 18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
15、阵：Component MatrixaComponent1 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 .646a. 2 components extracted.16 / 18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
16、.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 MatrixaComponent1 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 .871a. Rotation conv
17、erged 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 MatrixComponent 1 21 .879 .4772 -.477 .879图（9）因子协方差矩阵：Component Score Covariance MatrixComponent 1 21 1.000 .0002 .000 1.00017 / 18从上表可以看出，
18、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 MatrixComponent1 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
19、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-0.099 文教娱乐+0.152 其它可见计算两个因子得分变量的变量值时，食物消费和衣物消费的权重较高，但方向恰好相反，这与因子的实际含义是相吻合的.7、实验心得18 / 18本科的时候有概率统计和数理分析的基础，但是从来没有接触过应用统计分析的东西，SPSS 也只是听说
20、过，从来没有学过.一直以为这一块儿会比较难，这学期最初学的时候，因为没有认真看教材，课下也没有认真搜集相关资料，所以学起来有些吃力，总感觉听起来一头雾水.老师说最后的考核是通过提交学习报告，然后我从图书馆里借了些教材查了些资料，发现很多问题都弄清楚了.结合软件和书上的例子，实战一下，发现 SPSS 的功能相当强大.这门课要学习完了，整个学习的过程是充满曲折和挑战的，我见证了自己从一无所知到困惑迷茫再到略懂再到会用的过程.甚至学完之后有些问题还没有彻底搞清楚，自己接下来还会不断的探索的.SPSS 是个很神奇的工具，结合 AMOS 和 EXCEL 更是如虎添翼，相信学习了 SPSS 在以后的论文和数据分析中很有用.这门课给我的感觉是看起来很难，但是实际学起来就好很多，因为当我结合具体实例和软件的时候，很多抽象的问题就豁然开朗了.但是想给老师一个建议，这门课需要很强的统计和概率论的基础，要不然就会很难听懂或者听得半懂.然后这门课的很多方法的相关资料都是用在医疗卫生、自然科学领域的，在管理中的应用的资料不怎么多.老师希望我们上课的时候结合在管理中的应用来学习，但是资料有限，希望老师在这个方面多给学生一些引导.
