《潘晓龙毕业论》ppt课件

《《潘晓龙毕业论》ppt课件》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、内蒙古农业大学论文答辩论文题目：中国城镇居民消费区域差异的因素分析指导老师：吴国荣姓名：潘晓龙学号：091414494班级：09统计（1）班摘要最近几年，中国城镇居民的消费水平和消费结构发生了很大的变化，具体表现为：城镇居民的消费水平有了较大幅度的提高；食品消费仍占有很大比重，但恩格尔系数下降；发展性和享受性消费比重提高；服务性消费的需求不断上升；城镇居民家庭的教育投入增长迅速，文化消费增长却依然缓慢，比重过小等等。物价的疯涨更是充斥着每一位中国老百姓的心。由于我国幅员辽阔，各省、市、自治区之间的

2、资源禀赋和经济发展水平不同，城镇居民消费水平与结构地区差异较为明显。为了更好地分析各地区农村居民人均纯收入及其影响因素的不同，本文采用，利用因子分析和聚类分析对全国31个省、市、自治区进行分类，进一步分析我国城镇居民的消费结构差异及其原因。因此，该研究对于把握城镇居民的消费结构的发展方向，进一步对于于我国政府的宏观调控，具有重要的现实意义。目录1引言2分析因子3聚类分析处理4研究结果及解释5结论与讨论6建议7致谢1引言1.1研究的背景及意义消费作为经济活动中的一环，是实现经济健康平稳发展的关键，而

3、消费结构作为消费的具体内容，它的合理与否，又是消费的关键问题。因而，正确把握城镇居民消费结构的现状及地域间差异具有重要的现实意义。20世纪90年代以来，中国城镇居民的消费水平和消费结构发生了很大的变化，具体表现为：城镇居民的消费水平有了较大幅度的提高；食品消费仍占有很大比重，但恩格尔系数下降；发展性和享受性消费比重提高；服务性消费的需求不断上升；城镇居民家庭的教育投入增长迅速，文化消费增长却依然缓慢，比重过小等等。刚刚走过的2012年，物价的疯涨更是充斥着每一位中国老百姓的心，通胀预期影响着人们的

4、消费方式和投资观念。那么，在这一年，我国各大中城市的消费结构如何？地域间差异又如何得以体现？本文利用2012年我国31个省直辖市城镇居民消费品支出统计数据，在这个大背景下进行城镇居民消费结构分析，利用因子分析及聚类分析方法，将全国各省市进行分类，针对各类地区居民消费结构及差异进行研究，以期发现特点和规律。以往学术界也有对我国城镇居民的消费结构进行分析，如陈彦玲《我国城镇居民消费结构区域差异分析》、刘思嘉《我国城镇居民消费结构的聚类分析及政策建议》、孔蓓蓓《我国城镇居民消费结构比较研究》等，但以往的

5、研究没有这个特殊的大背景，或没有对地区间进行差异研究。因而，本研究在理论以及实践上均有着重要的意义。1.2本文的研究方法本文根据2012年全国各省城镇居民消费结构数据，分析城镇居民消费结构的地域影响因素，运用多元统计分析中的因子分析提取变量中的主要因素，再对因子得分进行聚类分析，将我国各省市城镇进行分类，并比较各类的差异。本文运用SPSS软件来做因子分析和聚类分析。1.3数据来源本文引用中国统计数据库中的《2012年中国31个省直辖市城镇居民消费品支出统计》的八项数据为例进行分析（见附表），包括：

6、食品、衣着、家庭设备用品及服务、医疗保健、交通通讯、文教娱乐及服务、居住、杂项商品及服务。在此，以各地区城镇居民家庭平均每人全年消费性支出的各构成部分作为指标变量，分别记为X1、X2、X3、X4、X5、X6、X7、X8，采用SPSS13.0forwindows综合运用因子分析和聚类分析等多元统计方法对数据进行分析。2因子分析2.1因子分析的基本原理因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子，以较少的几个因子反

7、映原资料的大部分信息。因子分析方法由研究原始变量的相关矩阵内部的依赖关系出发，把多个具有错综复杂关系的原始变量归结为少数几个综合因子的一种多元统计方法。因子分析的基本思想是根据相关性大小把原始变量分组，使同组内的变量之间的相关性较高，不同组的变量间的相关性则较低。对于所研究的某一具体问题，原始变量可以分解成少数几个公共因子的线性函数和与公共因子无关的特殊因子之和的形式。2.2因子分析KMO检验表1是KMO检验及巴特莱特球形检验结果。在因子分析中我选择KMOandBartlett‘stestofsp

8、hericity检验统计量，得到如下结果：表1结果用来判断数据是否能够用来做因子分析，我们知道，因子分析中，变量应该有较高的相关度，降维的效果才好，因此表格的第一行为检验变量间偏相关程度的KMO统计量，其值至少要在0.6以上数据才适合做因子分析，如果小于0.6，说明变量间相关性不强，因子分析效果不会太好，应该重新选择变量。下面的三行是球形检验的结果，球形检验的原假设是变量是不相关的，显然只有拒绝原假设的情况下数据才适合做因子分析。本例中KMO值为0.880，球形检验显著，两个条件都