基于多层线性模型的网上信任影响因素研究

网上信任由于其影响因素的多层性,使用传统的回归分析方法无法进行有效和准确的处理,而采用多层线性模型(HLM)则可弥补这一不足.分析HLM的原理和优点,构建了网上信任多层模型,并运用HLM对收集的数据进行统计分析,结果表明高层因素(团体规范)不仅直接影响网上信任,而且调节低层因素(声誉)对网上信任的作用.     

非线性回归的计算机处理方法

1 线性回归分析的一般形式与求解软件线性回归可用于对客观事物数量依存关系的分析,是一种重要的统计分析方法。它广泛应用于社会经济现象变量之间的影响因素和关联的研究。多元线性回归模型的一般形式为:Y=a b1x1 b2x2 …bkxk     

运用SAS分析我国融资方式选择对GDP增长的影响

SAS系统(Statistics Analysis System)是用于决策支持的大型集成信息系统,它由多个功能模块组合而成,主要承担着数据管理任务,统计分析.本文通过SAS系统中的相关分析、回归分析方法分析我国融资方式的选择对GDP增长的影响,以方便地实现特殊统计分析的要求.     

居民重组因素的logistic回归分析

居民重组是城市系统的复杂问题。首次在长春市居民中进行问卷调查,将877例有效问卷进行了统计分析,针对居民重组的影响因素进行了Logistic回归,结果入选了8项主要因素。     

论统计分析理论指导下会计报表分析方法体系的重新构建

一、统计分析理论与会计报表分析方法 统计学是一门方法论科学，它为不同学科提供了科学严谨的定量分析方法，统计分析理论也为会计报表分析方法的发展提供了广阔的空间。会计报表分析，实际上主要是对会计信息进行的数量分析，或者说是定量分析，而定量分析方法很多，如计划完成程度分析、比较分析、比例分析、结构分析、强度分析、动态分析、相关分析、趋势分析、因素分析、回归分析、抽样推断分析等，这些都是统计学中介绍的很成熟定量分析方法。然而会计报表分析方法并没有从上述定量分析方法中汲取营养，充实会计报表分析方法体系。     

基于人工神经网络的劳动力迁移因素分析

给出一种以神经网络为工具,完全通过实验的方法研究农村剩余劳动力迁移过程中各迁移因素静态弹性的方法。此方法可以通过有限的数据挖掘迁移因素的内部特征,区别于常见的统计分析和回归方法,定量的计算结果弥补了常规方法的不足。     

公司特征与资本结构关系的实证研究

文章通过对中国上市公司资本结构的现状和特点的分析,对在我国沪深两地上市的多家制造业上市公司资本结构影响因素进行定量分析,采取单因素方差检验和多元线性回归模型,得出我国上市公司资本结构中流动负债所占比重过大,公司规模、资产担保价值和特殊性与资本结构显著正相关,盈利能力和偿债能力与资本结构显著负相关的结论。     

统计分析方法教学中的实例教学法探索

统计学是关于数据的搜集、整理、分析与解释的科学。统计基本概念的理解与统计分析方法的掌握是统计学课程教学的主要目的所在。而经济管理中常用的统计分析方法,如:相关与回归分析时间序列分析及统计指数理论等,由于教材中普遍缺乏相应的应用实例,同时又有大量的公式及计算,学     

基于多重多元回归的多目标影响因素效应比较及应用——以企业经营活动分析为例

企业运营管理活动的结果可能表现在多个方面,这些结果的产生会受到若干个因素的影响。影响因素及其组合对企业运营管理结果的作用效果是否存在差异,从计量角度加以测算分析,有助于企业资源的合理配置和利用。运用统计回归分析的基本原理,讨论了多个影响因素及其组合对企业经营多个目标回归效应差异问题,包括:不同组解释变量对同一被解释变量回归效应的比较,同一组解释变量对不同被解释变量回归效应的比较,不同组解释变量对所有被解释变量回归效应的比较,并结合事实数据进行了应用说明。     

浅谈多元统计分析方法

国民经济是一个多质多因素的立体网络体系。要从量上对国民经济的各种结构、比例关系进行深入的研究,必须根据现实统计资料或抽样调查资料,运用数理统计分析方法来估算参数,简化结构,控制和预测经济活动未来的运行规律。多元统计分析是专门处理多因素、多目标最有效的实用统计分析工具。现代计算机技术为我们利用多元统计分析进行经济数据处理提供了极大方便,丰富了定量分析的手段。这对提高统计分析质量,发挥统计在国家宏观决策中的作用有着十分重要的意义。     

聚类分析

聚类分析是数值分类学的一个年青的分枝,是研究如何对样本(或指标)进行分类的统计方法。过去,人们对样本(或指标)进行分类主要靠经验和专业知识来进行,随着生产技术和科学的发展,分类越来越细,只凭经验和专业知识有时不能确切分类。近     

量化分析与模糊量化分析的比较研究

本文对量化分析和模糊量化分析的异国进行比较。限于篇幅,这里仅讨论量化分析和模糊量化分析的第1,2类。     

Influence Analysis in Principal Component Analysis Through Power-Series Expansions

ABSTRACT

In influence analysis several problems arise in the field of Principal Components when applying different sample versions. Among these are the difficulty of determining a certain correspondence between the eigenvalues before and after the deletion of observations, the choice of the sign of the eigenvectors and the computational problem derived from the resolution of a great number of eigenproblems. In this article, such problems are discussed from the joint influence point of view and a solution is proposed by using approximations. Furthermore, the influence on a new parameter of interest is introduced: the proportion of variance explained by a set of principal components.     

Robust Coplot Analysis

CoPlot analysis is one of the multivariate data-visualizing techniques. It consists of two graphs: the first one represents the distribution of p-dimensional observations over two-dimensional space, whereas the second shows the relations of variables with the observations. At CoPlot analysis, multidimensional scaling (MDS) and Pearson’s correlation coefficient (PCC) are used to obtain a map that demonstrates observations and variables simultaneously. However, both MDS and PCC are sensitive to outliers. When multidimensional dataset contains outliers, interpretation of the map, which is obtained from classical CoPlot analysis, may result in wrong conclusions. At this study, a novel approach to classical CoPlot analysis is presented. By using robust MDS and median absolute deviation correlation coefficient (MADCC), robust CoPlot map is improved. Numerical examples are given to illustrate the merits of the proposed approach. Also, obtained results are compared with the classical CoPlot analysis to emphasize the superiority of introduced robust CoPlot approach.     

因子分析模型L及其解是更好的

本文应用因子分析模型L及其解,求出了经典因子分析模型中公因子载荷、公因子、特殊因子的精确解,解决了经典因子分析模型和理论存在的9个问题,进一步,指出了经典因子分析模型及其解根本的局限性问题：公因子解没有排除观测误差的干扰,不能达到降维的目的等。而理论和实证上,因子分析模型L及其解解决了这些问题,即因子分析模型L及其解是更好的,其为因子分析正确模型、理论和方法的使用,为因子分析法的发展建立了精确解的理论基础。同时,本文给出了因子分析法的应用建议,提出了需要进一步研究的一些相关问题。     

Functional Data Analysis

Statistics and Computing -