中国西部10省(市)区旅游资源综合实力评价

本文选取具有代表性的15个与旅游业相关的具体评价指标作为我国西部10省(市)区的旅游资源综合实力评价的原始指标,运用因子多变量统计分析法对15个指标数据进行因子分析处理,采取主成分分析法提取公因子,并采取正交旋转,得出规模、客源、交通、经济4个公因子作为评价我国西部10个省(市)区的旅游资源综合实力的综合变量。     

主成分与因子分析中指标同趋势化方法探讨

样本主成分和样本因子分析法已成为一种最主要的综合评价方法之一,指标变量的同趋势化是运用该方法的重要步骤。文章总结了主成分与因子分析中指标同趋势化的具体方法,论述了这些方法对综合评价的影响,并指出了这些方法的适用条件。     

主成分分析法在综合评价经济效益中的误用

主成分分析方法是一种多元统计分析方法,它可以简化数据结构,综合数据信息,因而得到广泛的应用。但主成分分析法应用的必要前提是各变量之间不能相互独立,如果原变量之间相互独立,主成分就是原变量本身,应用这种分析方法就没有意义。     

主成分分析综合评价应该注意的问题

将主成分分析用于多指标的综合评价较普遍,但因缺乏应用条件的考虑而导致评价结果不具合理性甚至错误,故应深入研究其应用条件.本文应用因子分析法因子载荷阵的简单结构、加权算术平均数的合理性,得出主成分分析综合评价的应用条件是:指标是正向、标准化的,主成分载荷阵达到更好的简单结构,主成分正向,主成分与变量显著相关;并结合2010年广东省各市对外贸易国际竞争力的评价实例提出了一些建议.     

用因子分析法评价我国交通运输业发展总体状况

交通运输业对国民经济的发展有着重要推动作用。研究交通运输业的发展状况,用因子分析法分析其发展变化的原因,具有重要意义。一、因子分析的基本思想 因子分析(Factor Analysis)是主成分分析的推广,它是从研究相关矩阵内部的依赖关系出发,把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法。     

2008年中国31个省(市)环境质量的测度与评价

环境质量的评价涉及的范围不同、评价的角度和评价的目的不同,从而应采用不同的评价方法。因子分析法是通过研究多个指标相关矩阵的内部依赖关系,找出控制所有变量的少数公因子,将每个指标变量表示成公因子的线性组合,以体现原始变量与因子之间     

运用因子载荷阵分组变量的新主成分法及其应用

文章提出了R型-因子分析法有得分函数与命名不一致且不符合实际、正交因子间完全线性无关、综合得分函数难分重要因子的变量、片面以信息量衡量各因子相对重要性等缺陷,提出运用因子载荷阵分组变量的新主成分法,并以我国区域产业素质水平为例,得到综合变量命名清晰,得分函数意义清晰并与命名一致,得分值更具实际意义,变量系数可检验指标体系和考察各变量相对重要性,此法可找重要综合因素,从中发现和解决问题等结论。     

基于主成分分析的汽车特征价格模型初探

特征价格模型建立过程中，特征变量的选取是一个重要问题。实证研究中，为消除特征变量问的多重共线性，研究者通常采用逐步回归分析法来筛选变量，这样进入模型的特征变量往往比较少。因此。本文将主成分分析法引入于特征价格模型。利用我国汽车数据，建立了基于汽车特征因素主成分分析的特征价格模型，不仅解决了汽车特征变量间存在的多重共线性问题，而且有效改善了用逐步回归分析法筛选变量选取较少变量的情形。     

主成分旋转法的综合指标公式解与案例解析

文章针对主成分旋转法综合指标解表示中存在的遗留问题,建立了数学模型,用柯西-许瓦茨(Cauchy-Schwarz)不等式,给出、证明了综合指标的公式解,明确了该综合指标解决问题的程度;按综合指标对全部变量具有较高的相关性和代表性为目的进行方法选取,用主成分分析和改进的、具有最大化条件的因子分析模型L更好地解答了主成分分析应用中的一些常见问题;通过案例解析,说明了因子分析模型L解决问题具有一般性、误差最小,能判断综合指标的正逆性,给出的结论更具有相对合理性。     

基于多元统计和改进BP网络的公路客运量预测

本文在利用主成分分析方法筛选出影响公路客运量的2个主导因子的基础上,分别采用回归分析法和改进神经网络方法对公路客运量进行了预测,预测结果表明两种预测方法都具有较高的精度,而引进了动量法和学习速率自适应调整策略的神经网络,其预测精度更高,但回归分析法能更好地揭示各因子对公路客运量的相对贡献率。     

Q型系统聚类分析中的统计检验问题

Q型系统聚类分析已经越来越成为人们广泛应用的多元统计分析方法。然而在应用中盲目套用系统聚类分析方法的情况很多，并对聚类分析方法的适用性、聚类过程的合理性、聚类结果的有效性等问题分析重视不够，更谈不上对聚类分析进行统计检验。因此，为了更好地应用Q型系统聚类分析，就应对Q型系统聚类分析结果进行统计检验并建立统计检验体系。Q型系统聚类分析统计检验体系主要包括：Q型系统聚类分析结果的有效性检验；聚类分析类（组）数选择合理性检验；聚类变量的显著性检验。     

样品与变量双重信息图的优点——以产品顾客偏好对应分析为例

目前使用较多的由法国统计学家J.P.Bcoze州提出的对应分析法，存在意义不明确、方向不清晰的缺陷。在对国内较少使用的双重信息图进行整理的基础上，给出了双重信息图的一个分类标准、调整乘子、实证步骤，该方法的优点是：对应分析意义明确、方向清晰，尤其适合样品点和变量点较多的对应分析。将此方法应用于国际轿车市场趋向和新产品开发趋向的研究实例中，结论具有确定性和决策相关性。     

列联资料的有向相关聚类分析

将相关分析和有向聚类分析结合,提出有向相关聚类方法。先依据相关性进行变量合并,再进行有向聚类,分析结果更合理,聚类过程更简单。将该方法用于大学生健康成长影响因素的调查数据,得出更合理的结果。     

判别分析统计检验体系的探讨

判别分析已越来越受到人们的重视并取得了重要的应用成果，但应用中存在着简单套用的情况，对判别分析的适用性、判别效果的显著性、判别变量的判别能力以及判别函数的判别能力的检验等问题重视不够。为了更好地应用判别分析，就应对判别分析进行统计检验并建立统计检验体系，统计检验体系应包括：判别分析适用性检验，判别效果显著性检验，判别变量的判别能力检验和判别函数的判别能力检验。     

因子分析统计检验体系的探讨

为了更好地应用因子分析,论文提出建立因子分析统计检验体系,包括因子分析适用性的统计检验以及提取公共因子数目多少的检验,并对如何进行上述检验进行探讨,论文最后还提出了应用因子分析时应注意的其他问题.     

The independent factor analysis approach to latent variable modelling

Independent factor analysis (IFA) has recently been proposed in the signal processing literature as a way to model a set of observed variables through linear combinations of latent independent variables and a noise term. A peculiarity of the method is that it defines a probability density function for the latent variables by mixtures of Gaussians. The aim of this paper is to cast the method into a more rigorous statistical framework and to propose some developments. In the first part, we present the IFA model in its population version, address identifiability issues and draw some parallels between the IFA model and the ordinary factor analysis (FA) one. Then we show that the IFA model may be reinterpreted as an independent component analysis-based rotation of an ordinary FA solution. We also give evidence that the IFA model represents a special case of mixture of factor analysers. In the second part, we address inferential issues, also deriving the standard errors for the model parameter estimates and providing model selection criteria. Finally, we present some empirical results on real data sets.     

The evaluation of socio-economic development of development agency regions in Turkey using classical and robust principal component analyses

In this study, classical and robust principal component analyses are used to evaluate socioeconomic development of regions of development agencies that give service on the purpose of decreasing development difference among regions in Turkey. Due to the high differences between development levels of regions outlier problem occurs, hence robust statistical methods are used. Also, classical and robust statistical methods are used to investigate if there are any outliers in data set. In classic principal component analyse, the number of observations must be larger than the number of variables. Otherwise determinant of covariance matrix is zero. In Robust method for Principal Component Analysis (ROBPCA), a robust approach to principal component analyse in high-dimensional data, even if the number of variables is larger than the number of observations, principal components are obtained. In this paper, firstly 26 development agencies are evaluated with 19 variables by using principal component analysis based on classical and robust scatter matrices and then these 26 development agencies are evaluated with 46 variables by using the ROBPCA method.     

对应分析统计检验体系探讨

对应分析因其结果的易读性，近些年得到了越来越广泛的应用。为了更好地应用对应分析，提出建立对应分析统计检验体系，包括对应分析适用性的统计检验以及对应分析效果的检验，同时还提出应用对应分析时应注意的其它问题。     

A proposal for handling ordinal categorical variables in co-inertia analysis

This paper is about the problem of the treatment of ordinal qualitative variables in co-inertia analysis. In the literature, there are different proposals based on the application of known statistical techniques to quantify ordinal variables. Here we propose to use a new procedure for the coding considering the empirical distributions of the variables involved in the analysis. We present an application to a real dataset, comparing the results obtained with the different kinds of quantification.     

Regression analysis and ratio analysis for domains: A randomization-theory approach

In most surveys, inference for domains poses a difficult problem because of data shortage. This paper presents a probability sampling theory approach to some common types of statistical analysis for domains of a surveyed population. Simple and multiple regression analysis, and analysis of ratios are considered. Two new methods are constructed and explored which can improve substantially over the common method based on sample-weighted sums of squares and products. These new methods use auxiliary variables whose importance depends on the extent to which they succeed in explaining certain patterns in the regression residuals. The theoretical conclusions are supported by empirical results from Monte Carlo experiments.