1文献综述
目前我国从发展绩效的角度对文化产业的研究较少。侯艳红采用数据包络法（DEA）和经济增加值（EVA）的评价指标从中微观的角度对2006年天津文化产业投入的运行绩效进行了综合评价。郭国锋、郑召峰模拟了2008年中部六省的文化产业的发展绩效投入产出路径以及研究各个省存在差异的原因。但是这两者的研究只是从横截面数据进行的绩效研究，并没有对文化产业发展绩效的时间变化进行探讨。李炜应用因子分析法和数据包络法对我国各省2007～2009年的文化产业的发展水平和绩效水平从横向和纵向的角度进行对比分析。杨智勇根据我国1996～2009年的文化产业的数据，构建相关指标体系，定量地分析各地区的文化产业的发展绩效，并构建模型检验了文化产业的经济效应。柳青采集西部文化产业2003～2011年的数据评价发展绩效，同时构建Tobit模型实证性地说明了投融资环境对西部文化产业的作用。总之，我国学者对文化产业绩效的研究大多从区域的角度进行定性和定量分析，但涉及西北部地区的文化产业的发展绩效的文献不多。本文试图从定量的角度对甘肃省的文化产业的发展绩效进行评价，了解甘肃省文化产业的发展现状，并提出相关对策。
2甘肃文化产业指标体系的建立
本文通过收集2012年全国31个省的'文化产业的数据，重点从文化产业的投入要素和效益产出两个方面，对甘肃省文化产业的实力进行全面的评析。考虑到数据的统一口径，选取的数据均来自国家统计局
3甘肃文化产业绩效分析
本文采用因子分析法，通过SPSS软件对2012年31个省的文化产业的投入和产出的数据进行建模处理，并对31个省的投入和产出水平进行综合分析和评价，得到甘肃省文化产业的绩效发展水平。结果得到：KMO值为0.717和0.737，Bartlett的值为0.000，投入指标和产出指标的前两个因子的累计方差贡献率分别达到75.239%和76.286%。这表明变量之间存在相关关系，可以做因子分析，且指标的因子可以代表原始数据的绝大部分信息。同时投入指标的旋转成分矩阵提取的第一个因子F1在X9、X2、X6、X1、X7、X36个指标上有较大的载荷，这些二级指标表示了文化产业基础因子的投入程度，可称为基本投入因子；第二个因子F2在X4、X2、X53个指标上有较大的载荷，这些因素能够提高消费者对文化产业的满足率，加强文化产业的发展潜能，可称为公共投入因子。产出指标的旋转成分矩阵提取的第一个因子F3在Y1、Y2、Y6、Y54个因子上有较大的载荷量，表示了文化产业资源投入的产出效果，可称为效益产出因子；第二个因子F4在Y4、Y3、Y73个指标上有较大的载荷，表示城市居民对文化消费的渴望，可称为公共产出因子。全国31个省的文化产业的发展水平存在着显著差距。东部地区如广东、浙江、江苏等地方的文化产业发展最快，其次是中部地区，而甘肃省所在的大西北地区整体的文化产业的投入和产出水平都比较滞后。从文化产业的投入水平的综合评价的得分来看，甘肃省的文化产业投入综合评价在全国排25名。其中基本投入和公共投入的排名分别为30和12。
由此可见，甘肃省的优势是博物馆、艺术表演团体等，为文化产业的持续发展提供了资源的基础，但文化产业的从业人数、国家级文化产业示范基地数量、图书馆的规模有限，且政府和社会对文化产业投资度较低，未产生一定的产业规模。另外，甘肃省的人均可支配收入较低，制约了文化产业的发展。从文化产业的产出水平的综合评价的得分来看，甘肃省的文化产业的产出综合评价排在全国的第26位。其中效益产出和公共产出的排名分别为28和18。从中可看出甘肃省的国际外汇收入、接待国际游客和报纸图书业的综合竞争能力不强，严重影响着文化产业的发展。而广播电视业和期刊业发展较快，对居民的文化需求起到了一定的刺激作用。从综合竞争力来看，甘肃省的文化产业的发展绩效在全国排29位，其发展的整体竞争力较弱，与前3名的广东、北京、上海差距悬，而其在西北地区，仅略优于宁夏回族自治区，周边地区如陕西、新疆的文化产业比甘肃更具竞争实力。综上所述，甘肃省的文化产业的投入和产出水平均位于全国的末端，整体综合竞争力水平也较低。
4结语
研究结果表明，甘肃省的文化产业处在成长发展初期，文化产业的发展基础薄弱、集群综合竞争力不强，落后于中东部地区；文化资源整合和挖掘不足，文化企业散而小，无法形成产业集群，发挥集聚效应；甘肃省的人均收入较低，文化消费需求不足；人才任用机制滞后。从以上结论中，对于提高甘肃省文化产业绩效水平可以提出以下五条建议：
因子分析法是指从研究指标相关矩阵内部的依赖关系出发，把一些信息重叠、具有错综复杂关系的变量归结为少数几个不相关的综合因子的一种多元统计分析方法。
是一种旨在寻找隐藏在多变量数据中、无法直接观察到却影响或支配可测变量的潜在因子、并估计潜在因子对可测变量的影响程度以及潜在因子之间的相关性的一种多元统计分析方法
基本思想
根据相关性大小把变量分组，使得同组内的变量之间相关性较高，但不同组的变量不相关或相关性较低，每组变量代表一个基本结构一即公共因子。
为什么做因子分析
举例说明：在实际门店问题中，往往我们会选择潜力最大的门店作为领航店，以此为样板，实现业绩和利润的突破及未来新店的标杆。选择领航店过程中我们要注重很多因素，比如：
↘所在小区的房价
↘总面积
↘户主年龄分布
↘小区户数
↘门店面积
↘2公里范围内竞争门店数量等
收集到所有的这些数据虽然能够全面、精准的确定领航店的入选标准，但实际建模时这些变量未必能够发挥出预期的作用。主要体现两方面：计算量的问题；变量间的相关性问题。
这时，最简单直接的方案就是削减变量个数，确定主要变量，因子分析以最少的信息丢失为前提，将众多的原有变量综合成少数的综合指标。
因子分析特点
因子个数远小于变量个数；
能够反应原变量的绝大数信息；
因子之间的线性关系不显著；
因子具有命名解释性
因子分析步骤
1.原有变量是否能够进行因子分析；
2.提取因子；
3.因子的命名解释；
4.计算因子得分；五、综合评价
因子与主成分分析的区别
相同：都能够起到处理多个原始变量内在结构关系的作用
不同：主成分分析重在综合原始变适的信息.而因子分析重在解释原始变量间的关系，是比主成分分析更深入的一种多元统计方法
因子分析可以看做是优化后的主成分分析，两种方法有很多共通的地方，但应用方面各有侧重。
因子分析应用场景
因子分析方法主要用于三种场景，分别是：
l 信息浓缩 ：将多个分析项浓缩成几个关键概括性指标。比如将多个问卷题浓缩成几个指标。如果偏重信息浓缩且关注指标与分析项对应关系，使用因子分析更为适合。
l 权重计算 ：利用方差解释率值计算各概括性指标的权重。在信息浓缩的基础上，可进一步计算每个主成分/因子的权重，构建指标权重体系。
l 综合竞争力 ：利用成分得分和方差解释率这两项指标，计算得到综合得分，用于综合竞争力对比（综合得分值越高意味着竞争力越强）。此类应用常见于经济、管理类研究，比如上市公司的竞争实力对比。
因子分析案例
现在有 12 个地区的 5 个经济指标调查数据（总人口、学校校龄、总雇员、专业服务、中等房价），为对这 12 个地区进行综合评价，请确定出这 12 个地区的综合评价指标。（ 综合竞争力应用场景 ）
同一指标在不同地区是不同的，用单一某一个指标难以对12个地区进行准确的评价，单一指标只能反映地区的某一方面。所以，有必要确定综合评价指标，便于对比。因子分析方法就可以应用在这个案例中。
5 个指标即为我们分析的对象，我们希望从这5个可观测指标中寻找出潜在的因素，用这些具有综合信息的因素对各地区进行评价。
下图spss因子分析的操作界面主要包括5方面的选项，变量区只能选择数值型变量，分类型变量不能进入该模型。
spss软件为了消除不同变量间量纲和数量级对结果的影响，在该过程中默认自动进行标准化处理，因此不需要对这些变量提前进行标准化处理。
描述统计选项卡
希望看到各变量的描述统计信息，要对比因子提取前后的方差变化，选定“单变量描述性”和“原始分析结果”；
现在是基于相关矩阵提取因子，所以，选定相关矩阵的“系数和显著性水平“，
另外，比较重要的还有 KMO 和球形检验，通过KMO值，我们可以初步判断该数据集是否适合采用因子分析方法，kmo结果有时并不会出现，这主要与变量个数和样本量大小有关。
抽取选项卡:在该选项卡中设置如何提取因子
提取因子的方法有很多，最常用的就是主成分法。
因为参与分析的变量测度单位不同，所以选择“相关矩阵”，如果参与分析的变量测度单位相同，则考虑选用协方差矩阵。
经常用到碎石图对于判断因子的个数很有帮助，一般都会选择该项。关于特征值，一般spss默认只提取特征值大于1的因子。收敛次数比较重要，可以从首次结果反馈的信息进行调整。
因子旋转选项卡
因子分析要求对因子给予命名和解释，是否对因子旋转取决于因子的解释。
旋转就是坐标变换，使得因子系数向1 和 0 靠近，对公因子的命名和解释更加容易。旋转方法一般采用”最大方差法“即可，输出旋转后的因子矩阵和载荷图，对于结果的解释非常有帮助。
如果不经旋转因子已经很好解释，那么没有必要旋转，否则，应该旋转。
保存因子得分
要计算因子得分就要先写出因子的表达式。因子是不能直接观察到的，是潜在的。但是可以通过可观测到的变量获得。
因子分析模型是原始变量为因子的线性组合，现在我们可以根据回归的方法将模型倒过来，用原始变量也就是参与分析的变量来表示因子。从而得到因子得分。因子得分作为变量保存，对于以后深入分析很有用处。
结果解读：验证数据是否适合做因子分析
参考kmo结果，一般认为大于0.5，即可接受。同时还可以参考相关系数，一般认为分析变量的相关系数多数大于 0.3，则适合做因子分析；
KMO=0.575 检验来看，不是特别适合因子分析，基本可以通过。
结果解读：因子方差表
提取因子后因子方差的值均很高，表明提取的因子能很好的描述这 5 个指标。
方差分解表表明，默认提取的前两个因子能够解释 5 个指标的 93.4%。碎石图表明，从第三个因子开始，特征值差异很小。综上，提取前两个因子。
结果解读：因子矩阵
旋转因子矩阵可以看出，经旋转后，因子便于命名和解释。
因子 1主要解释的是中等房价、专业服务项目、中等校平均校龄，可以命名为社会福利因子；
因子 2 主要解释的是其余两个指标，总人口和总雇员。可以命名为人口因子。
因子分析要求最后得到的因子之间相互独立，没有相关性，而因子转换矩阵显示，两个因子相关性较低。可见，对因子进行旋转是完全有必要的。
结果解读：因子系数
因子得分就是根据这个系数和标准化后的分析变量得到的。在数据视图中可以看到因子得分变量。
结论
经过因子分析实现了目的，找到了两个综合评价指标，人口因子和福利因子。
从原来的 5 个指标挖掘出 2 个潜在的综合因子。可以对12 个地区给出客观评价。
可以根据因子1或因子2得分，对这12个地区进行从大到小排序，得分高者被认为在这个维度上有较好表现。
kmo，方差贡献率，因子载荷，这三个
将分析题项拖入选框中，点击进行“开始因子分析”（用户可主动设置因子个数）。因子分析（探索性因子分析）用于探索分析项应该分成几个因子，比如20个量表题项应该分成几个方面较为合适。因子分析通常有三个步骤：第一步是判断是否适合进行因子分析；第二步是因子与题项对应关系判断；第三步是因子命名。因子分析应用举例：1、案例当前有一份数据，共有12个量表题，希望将此12个量表题使用因子分析浓缩成几个维度，用于探索企业员工满意度的维度情况。研究人员在研究前预期分析项可分为4个维度（也可不事先假定），当然有可能个别项与因子对应关系并不合适，因此有可能对其进行删除处理。2、操作步骤将分析题项拖入选框中，点击进行“开始因子分析”（用户可主动设置因子个数）得到的分析结果如下：第一步：首先判断是否适合进行因子分析KMO和Bartlett检验结果SPSSAU对结果进行智能分析第二步：判断提取的因子个数第三步：是因子与题项对应关系判断因子与题项对应关系判断：假设预期为4个因子(变量)，分析题项为12个；因子与题项交叉共得到48个数字，此数字称作”因子载荷系数”(因子载荷系数值表示分析项与因子之间的相关程度)；针对每个因子(变量)，对应12个”因子载荷系数”，针对每个分析项，则有4个”因子载荷系数值”(比如0.765,-0.066,0.093,0.075)，选出3个数字绝对值大于0.4的那个值(0.765),如果其对应因子1,则说明此题项应该划分在因子1下面。第四步：对因子进行命名本次研究员工满意量表共提取出4个因子，此4个因子对应的题项分别为4个、3个和2个，对4个因子分别进行命名，分别为福利待遇因子、管理及制度因子、员工自主性因子和工作性质因子。
浣熊在水溪中洗它们的肉食。正无神地凝视记忆的某个角落而使那思想麻木 哦，窃贼的大门世界没有篱笆和栅栏 历经的却是这个的的悲欢苦中哈哈
聚类分析算法论文
聚类分析又称群分析，它是研究（样品或指标）分类问题的一种统计分析方法，同时也是数据挖掘的一个重要算法。下面是我分享给大家的聚类分析算法论文，欢迎阅读。
一、引言
聚类分析算法是给定m维空间R中的n个向量，把每个向量归属到k个聚类中的某一个，使得每一个向量与其聚类中心的距离最小。聚类可以理解为：类内的相关性尽量大，类间相关性尽量小。聚类问题作为一种无指导的学习问题，目的在于通过把原来的对象集合分成相似的组或簇，来获得某种内在的数据规律。聚类分析的基本思想是：采用多变量的统计值，定量地确定相互之间的亲疏关系，考虑对象多因素的联系和主导作用，按它们亲疏差异程度，归入不同的分类中一元，使分类更具客观实际并能反映事物的内在必然联系。也就是说，聚类分析是把研究对象视作多维空间中的许多点，并合理地分成若干类，因此它是一种根据变量域之间的相似性而逐步归群成类的方法，它能客观地反映这些变量或区域之间的内在组合关系。盐矿区系统是一个多层次、复杂的大系统,涉及诸多模糊、不确定的因素。平顶山市盐矿区的经济分类是以整个平顶山市的所有盐矿区为研究对象,以各盐矿区为基本单元,以经济为中心,以发展战略和合理布局为目标进行经济类型区划。其基本原则是：平顶山市的盐矿区资源开发、利用的相对一致性；自然、经济、社会条件的一致性；保持一定行政地域单元的相对稳定性。现行的平顶山市盐矿区行政划分不能反映出各个盐矿区的共同点,有必要通过模糊聚类分析将那些经济实际状况相似的铁矿区归类，剖析、发现各况矿区的差异,对症下药，为制定发展对策提供依据。
二、建立指标体系
1、确定分类指标进行经济区划分，应考虑的指标因素是多种多样的。既要以岩盐矿资源储量为主，又要适当考虑岩盐质量和勘察阶段和开发利用状况；既要有直接指标，又要有间接指标；既要考虑矿区发展的现状，又要考虑矿区发展的过程和矿区发展的未来方向。参考有关资料，结合专家意见，我们确定了对平顶山市盐矿区进行经济区划分的指标。如表1所示。表中列举了具体指标及各指标的原始数据（数据来源于河南省2006年矿产资源储量简表）。表1盐矿区经济划分指标体系及指标数据注：表中N表示缺失数据，勘察阶段1、2、3分别表示：初步勘探、详细普查、详细勘探，利用状况1~7分别表示：近期不宜进一步工作、可供进一步工作、近期难以利用、推荐近期利用、计划近期利用、基建矿区、开采矿区。
2、转换指标数据由于不同变量之间存在不同量纲由于不同变量之间存在不同量纲、不同数量级，为使各个变量更具有可比性，有必要对数据进行转换。目前进行数据处理的方法大致有三种，即标准化、极差标准化和正规化。为便于更直观的比较各市之间同一指标的数值大小，我们采用了正规化转换方式。其计算公式为:为了方便叙述，做如下设定：设Xi(i=1，2，3，…，21)为具体指标层中第i个评价指标的值，Pi(i=1，2，3，…，21)为第i个指标正规化后的值，0≤Pi≤1，Xs,i(Xs,i=Xmax-Xmin)，为第i个评价指标的标准值，Xmax为最大值，Xmin为最小值。（1）对于越高越好的`指标①Xi≥Xmax，则Pi=1；②Xi≤Xmin，则Pi=0；③Xmin 三、聚类分析 1、聚类步骤(Stage).从1~3表示聚类的先后顺序。 2、个案合并(ClusterCombined)。表示在某步中合并的个案，如第一步中个案1叶县田庄盐矿段和个案2叶县马庄盐矿段合并，合并以后用第一项的个案号表示生成的新类。 3、相似系数(Coefficients).据聚类分析的基本原理，个案之间亲密程度最高即相似系数最接近于1的，最先合并。因此该列中的系数与第一列的聚类步骤相对应，系数值从小到大排列。 4、新类首次出现的步骤(StageClusterFirstAppears)。对应于各聚类步骤参与合并的两项中，如果有一个是新生成的类(即由两个或两个以上个案合并成的类)，则在对应列中显示出该新类在哪一步第一次生成。如第三步中该栏第一列显示值为1，表示进行合并的两项中第一项是在第一步第一次生成的新类。如果值为O，则表示对应项还是个案(不是新类)。 5、新类下次出现步骤(NextStage)。表示对应步骤生成的新类将在第几步与其他个案或新类合并。如第一行的值是11，表示第一步聚类生成的新类将在第11步与其他个案或新类合并。 6、解析图DendrogramusingAverageLinkage(BetweenGroups)RescaledDistanceClusterCombine聚类树状图（方法：组间平均连接法）图清晰的显示了聚类的全过程。他将实际距离按比例调整到0~25之间，用逐级连线的方式连接性质相近的个案或新类，直至并未一类。在该图上部的距离标尺上根据需要(粗分或细分)选定一个划分类的距离值，然后垂直标尺划线，该垂线将与水平连线相交，则相交的交点数即为分类的类别数，相交水平连线所对应的个案聚成一类。例如，选标尺值为5，则聚为3类：叶县田庄盐段、叶县马庄盐矿段为一类，叶县娄庄盐矿、叶县五里堡盐矿段为一类，叶县姚寨盐矿为一类。若选标尺值为10，则聚为2类：叶县田庄盐段、叶县马庄盐矿段为一类，叶县娄庄盐矿、叶县五里堡盐矿段、叶县姚寨盐矿为一类。 四、结论 对平顶山市5个盐矿区进行经济区划分，究竟划分为几个区合适，既不是越多越好，也不是越少越好。划分经济区的目的，就是要根据各盐矿经济区资源特点、勘察、开发的不同，分类指导经济活动，使人们的经济活动更加符合当地的实际，使各经济区能充分发挥各自的优势，做到扬长避短，趋利避害，达到投人少、产出多，创造良好的经济效益和社会效益之目的。分区太多，就失去了分区的意义，分区太少，则分类指导很难做到有的放矢。综合以上聚类分析结果，我们可以得出三个方案。其中两个方案比较合适,可供选择。方案一：（当比例尺为5时，分为3类）叶县田庄盐段、叶县马庄盐矿段为一类，叶县娄庄盐矿、叶县五里堡盐矿段为一类，叶县姚寨盐矿为一类。从聚类分析中看出平顶山市盐矿区分类图方案一。方案二：(当比例尺为10时，分为2类）叶县田庄盐段、叶县马庄盐矿段为一类，叶县娄庄盐矿、叶县五里堡盐矿段、叶县姚寨盐矿为一类。从聚类分析中看出平顶山市盐矿区分类图方案二。平顶山市盐矿区分类图方案2聚类分析的原理就是将矿石质量、资源储量、勘查阶段、利用状况相近或相类似的矿区聚合在一起，其分析结果也是直观易见的。在此结合平顶山市实际行政区划以及矿山企业特征我们对铁矿区划分做一个调整使其理论与实际能够结合的更紧密使其更好的指导实践。 1、叶县田庄盐段、叶县马庄盐矿段为一类，这一类属于矿床规模相当，资源储量接近，勘查开发阶段接近，利用程度相当，故，可以分为一类。 2、叶县娄庄盐矿、叶县五里堡盐矿段为一类，这一类属于勘查开发阶段处于同一阶段。 3、叶县姚寨盐矿为一类，这一类属于储量较高，盐矿品位较高，故其勘察开采规划有别于其它两类。总的说来，运用聚类分析是基本成功的，大部分的分类是符合实际的。综合以上论述盐矿区划分如下表所示：当然聚类分析有其优点也有其缺点：(1)优点：聚类分析模型的优点就是直观，结论形式简明。(2)缺点：在样本量较大时，要获得聚类结论有一定困难。由于相似系数是根据被试的反映来建立反映被试问内在联系的指标，而实践中有时尽管从被试反映所得出的数据中发现他们之间有紧密的关系，但事物之间却无任何内在联系，此时，如果根据距离或相似系数得出聚类分析的结果，显然是不适当的，但是，聚类分析模型本身却无法识别这类错误。 题目（黑体不加粗三号居中） 摘要（黑体不加粗四号居中）（摘要正文小4号，写法如下） 首先简要叙述所给问题的意义和要求，并分别分析每个小问题的特点（以下以三个问题为例）。根据这些特点我们对问题1用……的方法解决；对问题2用......的方法解决；对问题3用……的方法解决。对于问题1我们用......数学中的......首先建立了......模型I。在对......模型改进的基础上建立了......。模型II。对模型进行了合理的理论证明和推导，所给出的理论证明结果大约为......。，然后借助于......数学算法和......软件，对附件中所提供的数据进行了筛选，去除异常数据,对残缺数据进行适当补充,并从中随机抽取了3组数据（每组8个采样）对理论结果进行了数据模拟，结果显示，理论结果与数据模拟结果吻合。（方法、软件、结果都必须清晰描述，可以独立成段，不建议使用表格）对于问题2我们用......对于问题3我们用......如果题目单问题，则至少要给出2种模型，分别给出模型的名称、思想、软件、结果、亮点详细说明。并且一定要在摘要对两个或两个以上模型进行比较，优势较大的放后面，这两个（模型）一定要有具体结果。如果在……条件下，模型可以进行适当修改，这种条件的改变可能来自你的一种猜想或建议。要注意合理性。此推广模型可以不深入研究，也可以没有具体结果。关键词：本文使用到的模型名称、方法名称、特别是亮点一定要在关键字里出现，5~7个较合适。注：字数700~1000之间；摘要中必须将具体方法、结果写出来；摘要写满几乎一页，不要超过一页。摘要是重中之重，必须严格执行！。页码：1（底居中）一、问题重述（第二页起黑四号）在保持原题主体思想不变下，可以自己组织词句对问题进行描述，主要数据可以直接复制，对所提出的问题部分基本原样复制。篇幅建议不要超过一页。大部分文字提炼自原题。二、问题分析主要是表达对题目的理解，特别是对附件的数据进行必要分析、描述（一般都有数据附件），这是需要提到分析数据的方法、理由。如果有多个小问题，可以对每个小问题进行分别分析。（假设有3个问题） 问题1的分析对问题1研究的意义的分析。问题1属于......数学问题，对于解决此类问题一般数学方法的分析。对附件中所给数据特点的分析。对问题1所要求的结果进行分析。由于以上原因，我们可以将首先建立一个......的数学模型I,然后将建立一个......的模型II,........对结果分别进行预测，并将结果进行比较.问题2的分析对问题2研究的意义的分析。问题2属于......数学问题，对于解决此类问题一般数学方法的分析。对附件中所给数据特点的分析。对问题2所要求的结果进行分析。由于以上原因，我们可以将首先建立一个......的数学模型I,然后将建立一个......的模型II,......。。对结果分别进行预测，并将结果进行比较. ..............................。。三、模型假设（4号黑体）（以下小4号） 假设题目所给的数据真实可靠；2．3．4．5．6．.................................... 注意：假设对整篇文章具有指导性，有时决定问题的难易。一定要注意假设的某种角度上的合理性，不能乱编，完全偏离事实或与题目要求相抵触。注意罗列要工整。四、定义与符号说明（4号黑体）（对文章中所用到的主要数学符号进行解释小4号）............................ 尽可能借鉴参考书上通常采用的符号，不宜自己乱定义符号，对于改进的一些模型，符号可以适当自己修正（下标、上标、参数等可以变，主符号最好与经典模型符号靠近）。对文章自己创新的名词需要特别解释。其他符号要进行说明，注意罗列要工整。如“～第种疗法的第项指标值”等，注意格式统一，不要出现零乱或前后不一致现象，关键是容易看懂。五、模型的建立与求解（4号黑体）第一部分：准备工作（4号宋体）数据的处理 1、......数据全部缺失，不予考虑。 2、对数据测试的特点，如，周期等进行分析。 3、......数据残缺，根据数据挖掘等理论根据......变化趋势进行补充。 4、对数据特点（后面将会用到的特征）进行提取。（二）聚类分析（进行采样） 用......软件聚类分析和各个不同问题的需要，采得。。。组采样，每组5-8个采样值。将采样所对应的特征值进行列表或图示。预测的准备工作根据数据特点，对总体和个体的特点进行比较，以表格或图示方式显示。第二部分：问题1的...模型（4号宋体）模型I(......的模型)该种模型的一般数学表达式，意义，和式中各种参数的意义。注明参考文献。......模型I的建立和求解说明问题1适用用此模型来解决，并将模型进行改进以适应问题1。借助准备工作中的采样，（用拟合等方法）确定出模型中的参数。给出问题1的数学模型I表达式和图形表示式。给出误差分析的理论估计。3.模型I的数值模拟将模型I进行数值计算，并与附件中的真实采样值（进行列表或图示）比较。对误差进行数据分析。模型II(......的模型)该种模型的一般数学表达式，意义，和式中各种参数的意义。注明参考文献。......模型II的建立和求解说明问题1适用此模型来解决，并将模型进行改进以适应问题1。借助准备工作中的采样，通过确定出模型中的参数。给出问题1的数学模型I表达式和图形表示式。给出误差分析的理论估计。3.模型II的数值模拟将模型II进行数值计算，并与附件中的真实采样值（进行列表或图示）比较。对误差进行数据分析 （三）模型III(......的模型) ........................（四）问题1的三种数学模型的比较。对三种模型的优点和缺点结合原始数据和模拟预测数据进行比较。给出各自得优点和缺点。第三部分：问题2的...个模型（4号宋体）........................。第四部分：问题3的...个模型（4号宋体）........................。六、模型评价与推广对本文中的模型给出比较客观的评价，必须实事求是，有根据，以便评卷人参考。推广和优化，需要挖空心思，想出合理的、甚至可以合理改变题目给出的条件的、不一定可行但是具有一定想象空间的准理想的方法、模型。（大胆、合理、心细。反复推敲，这段500字半页左右的文字，可能决定生死存亡。）七、参考文献（4号黑体）(书写格式如下) [1] 作者名1,作者名2.文章名字.杂志名字，年，卷（期）：起始页码-结束页码[2] 作者名1,作者名2.书名.出版地：出版社，年，起始页码-结束页码[3] 作者名1,作者名2.文章名字. 年，卷（期）：起始页码-结束页码，网页地址。[4] 李传鹏，什么是中国标准书号，，2006-9-18。[5] 徐玖平、胡知能、李军，运筹学（II类），北京：科学出版社，2004。[6] Ishizuka Y, AiyoshiE. Double penalty method for bilevel optimization problems. Annals of Operations Research, 24: 73- 88，1992。注意：5篇以上！八、附件（4号黑体）（正文中不许出现程序，如果要附程序只能以附件形式给出） 数学建模评分参考标准摘要（很重要） 5分数据筛选 35分数学模型 35分数据模拟 15分总体感觉 10分特别注意1.问题的结果要让评卷人好找到；显要位置---独立成段2.摘要中要将方法、结果讲清楚；3.可以有目录也可以不要目录；4.建模的整个过程要清楚，自圆其说，有结果、有创新；5.采样要足够多，每组不少于7个；6.模型要与数据结合，用数据验证过；7.如果数学方法选错，肯定失败；8.规范、整洁；总页数在35~45之间为宜。9.必须有数学模型，同一问题的不同模型要比较；10.数据必须有分析和筛选；11.模型不能太复杂，若用多项式回归分析，次数以3次为好。 用是肯定可以用的，我发表的论文也是用AHP作为模型，因子分析嘛，不是很熟，但是SPASS作为统计分析软件是十分好用的，只要你对它的操作流程熟悉，一般的模型构建都可以用到它。因子分析法和主成分分析法的区别与联系是什么？联系:因子分析法和主成分分析法都是统计分析方法，都要对变量标准化，并找出相关矩阵。区别:在主成分分析中，最终确定的新变量是原始变量的线性组合，因子分析是要利用少数几个公共因子去解释较多个要观测变量中存在的复杂关系。1.因子分析法通过正交变换，将一组可能具有相关性的变量转换为一组线性不相关的变量，称为主成分。它主要用于市场研究领域。在市场研究中，研究人员关注一些研究指标的整合或组合。这些概念通常通过分数来衡量。人口学、数量地理学、分子动力学模拟、数学建模、数学分析等学科。因子分析和主成分分析都是统计分析方法，都需要对变量进行标准化，找出相关矩阵。2.因子分析可以在许多变量中发现隐藏的代表性因素。主成分分析的原理是尝试将原始变量重新组合成一组新的独立综合变量。因子分析在主成分分析的基础上增加了一个旋转函数。这种轮换的目的是更容易地命名和解释因素的含义。如果研究的重点是指标与分析项目之间的对应关系，或者想要对得到的指标进行命名，建议使用因子分析。 将分析题项拖入选框中，点击进行“开始因子分析”（用户可主动设置因子个数）。因子分析（探索性因子分析）用于探索分析项应该分成几个因子，比如20个量表题项应该分成几个方面较为合适。因子分析通常有三个步骤：第一步是判断是否适合进行因子分析；第二步是因子与题项对应关系判断；第三步是因子命名。因子分析应用举例：1、案例当前有一份数据，共有12个量表题，希望将此12个量表题使用因子分析浓缩成几个维度，用于探索企业员工满意度的维度情况。研究人员在研究前预期分析项可分为4个维度（也可不事先假定），当然有可能个别项与因子对应关系并不合适，因此有可能对其进行删除处理。2、操作步骤将分析题项拖入选框中，点击进行“开始因子分析”（用户可主动设置因子个数）得到的分析结果如下：第一步：首先判断是否适合进行因子分析KMO和Bartlett检验结果SPSSAU对结果进行智能分析第二步：判断提取的因子个数第三步：是因子与题项对应关系判断因子与题项对应关系判断：假设预期为4个因子(变量)，分析题项为12个；因子与题项交叉共得到48个数字，此数字称作”因子载荷系数”(因子载荷系数值表示分析项与因子之间的相关程度)；针对每个因子(变量)，对应12个”因子载荷系数”，针对每个分析项，则有4个”因子载荷系数值”(比如0.765,-0.066,0.093,0.075)，选出3个数字绝对值大于0.4的那个值(0.765),如果其对应因子1,则说明此题项应该划分在因子1下面。第四步：对因子进行命名本次研究员工满意量表共提取出4个因子，此4个因子对应的题项分别为4个、3个和2个，对4个因子分别进行命名，分别为福利待遇因子、管理及制度因子、员工自主性因子和工作性质因子。 1. KMO检验KMO（Kaiser-Meyer-Olkin）检验是多元统计的因子分析中用于检验变量是否适合采用因子分析的方法，是度量因子分析效率的基本测度。KMO检验的统计量是变量之间相关系数与其偏相关系数的比值。2. Bartlett检验Bartlett检验（Bartlett Test）又称为Bartlett球形检验（Bartlett Test of Sphericity）。Bartlett检验与KMO检验类似，也是通过检验变量之间的相关性来判断是否适合采用因子分析的一种方法。3. 累积方差贡献率在因子分析中，采用正交旋转方式，依据方差最大化原则，构建了一组新的线性组合来表示原有的变量，并按照特征值大于1的标准来确定主要线性组合的个数，从而以较少的主要线性组合来反映原始变量变异的主要部分，这些特征值大于1的主要的线性组合便是主因子。4. 探索性因子分析探索性因子分析（EFA）是基于因子分析的一种社会调查的因素分析方法。 用是肯定可以用的，我发表的论文也是用AHP作为模型，因子分析嘛，不是很熟，但是SPASS作为统计分析软件是十分好用的，只要你对它的操作流程熟悉，一般的模型构建都可以用到它。因子分析法和主成分分析法的区别与联系是什么？联系:因子分析法和主成分分析法都是统计分析方法，都要对变量标准化，并找出相关矩阵。区别:在主成分分析中，最终确定的新变量是原始变量的线性组合，因子分析是要利用少数几个公共因子去解释较多个要观测变量中存在的复杂关系。1.因子分析法通过正交变换，将一组可能具有相关性的变量转换为一组线性不相关的变量，称为主成分。它主要用于市场研究领域。在市场研究中，研究人员关注一些研究指标的整合或组合。这些概念通常通过分数来衡量。人口学、数量地理学、分子动力学模拟、数学建模、数学分析等学科。因子分析和主成分分析都是统计分析方法，都需要对变量进行标准化，找出相关矩阵。2.因子分析可以在许多变量中发现隐藏的代表性因素。主成分分析的原理是尝试将原始变量重新组合成一组新的独立综合变量。因子分析在主成分分析的基础上增加了一个旋转函数。这种轮换的目的是更容易地命名和解释因素的含义。如果研究的重点是指标与分析项目之间的对应关系，或者想要对得到的指标进行命名，建议使用因子分析。 可以。因子分析是指研究从变量群中提取共性因子的统计技术。最早由英国心理学家C.E.斯皮尔曼提出。他发现学生的各科成绩之间存在着一定的相关性，一科成绩好的学生，往往其他各科成绩也比较好，从而推想是否存在某些潜在的共性因子，或称某些一般智力条件影响着学生的学习成绩。因子分析可在许多变量中找出隐藏的具有代表性的因子。将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的假设。论文研究方法因子分析法
因子分析法做毕业论文