1、【原創(chuàng)】定制代寫 r/python/spss/matlab/WEKA/sas/sql/C+/stata/eviews 數(shù)據(jù)挖掘和統(tǒng)計分析可視化調(diào)研報告等服務(wù)（附代碼數(shù)據(jù)）,咨詢郵箱：3025393450有問題請聯(lián)系官網(wǎng)客服：/teradat 有問題到淘寶找“大數(shù)據(jù)部落”就可以了城鎮(zhèn)居民、農(nóng)村居民現(xiàn)價消費水平 R 軟件建模摘要近年來我國的城鎮(zhèn)居民、農(nóng)村居民想消費水平不斷提升，購買力也不斷增強，國民經(jīng)濟也在不斷增長。而我截取了 2003 年到 2012 年間的消費水平數(shù)據(jù)，來觀察各個數(shù)據(jù)間的關(guān)系與聯(lián)系，是否是正相關(guān)或者負相關(guān)。我通過多個方法去建模，來驗證我自己的結(jié)

2、論與預(yù)測。而我挖掘的數(shù)據(jù)項目分別是居民消費水平，農(nóng)村居民消費水平，城鎮(zhèn)居民消費水平。通過以下數(shù)據(jù)來進行我的建模分析。關(guān)鍵詞：居民消費水平，城鎮(zhèn)居民消費水平，農(nóng)村居民消費水平城鎮(zhèn)居民、農(nóng)村居民現(xiàn)價消費水平統(tǒng)計數(shù)據(jù)年份居民消費水平農(nóng)場居民消費水平城鎮(zhèn)居民水平20032004503223198912200555962657959320066299295010618200773103347121302008843039101365320099283461314904201010522470016546201112272563318750201213946647520864447521308060（1）

3、多元線性回歸方程設(shè)變量 y 與變量 x1,x2,x3,xp 間有線性關(guān)系y=0+1x1+2x2+.+pxp+&,其中,&N（0，2),0,1,.,p 和 2 是未知參數(shù)，p=2,稱上述模型為多元線性回歸模型。多元線性回歸模型與簡單線性回歸模型不同，簡單線性回歸模型中除了一個解釋變量以外，其他影響因素均被歸入為隨機擾動項。多元線性回歸模型把多個解釋變量納入模型，即將原本歸入隨機項的因素納入了模型，這對于經(jīng)濟計量分析是有十分重要的意義。多元線性回歸模型中有對個解釋變量，可以同時估計和檢驗多個因素對被解釋變量的影響，從而避免重要解釋變量被遺漏而導(dǎo)致設(shè)定誤差。blood lm.sol summary(

4、lm.sol)Call:lm(formula = y x1 + x2, data = blood)Residuals:Min1QMedian3QMax-144.626-69.507-0.99638.070268.728Coefficients:Estimate Std. Error t value Pr(|t|)(Intercept) -37.99442131.88814-0.2880.7816x12.250180.0393857.145 1.32e-10 *x2-0.021150.01029-2.0560.0788 .-Signif. codes:0 * 0.001 * 0.01 * 0.0

5、5 . 0.1 1Residual standard error: 136.4 on 7 degrees of freedom Multiple R-squared:0.9986,Adjusted R-squared:0.9982F-statistic:2447 on 2 and 7 DF,p-value: 1.102e-10從回歸結(jié)果看，回歸系數(shù)與回歸方程都是顯著的，因此回歸方程為 y=-37.99+2.25x1- 0.02x2.接下來我做的是多元回歸的預(yù)測區(qū)間。多元線性回歸方程經(jīng)過檢驗是顯著的，且其中每一個系數(shù)均顯著時，可用此方程作為預(yù)測。給定 x=x0=(x01,x02,x03,.,x0

6、p)T,將其帶入回歸方程，得到 y0=0+1x01+.+px0p.對于 x=x0，y=y0 的置信度為 1- 的預(yù)測區(qū)間為（y0-l,y0+l),其中 l=t/2(n-p-1) &*(1+x0T*(xTx)(-1)*x0)(-1).多元線性回歸模型用于經(jīng)濟預(yù)測，是指對各個解釋變量給定樣本意外的數(shù)值 xf=（1，x2f,x3f,.xkf)d 條件下，對預(yù)測期被解釋變量 y 的平均值 E(Yf)及個別值 Yf 進行估計，這種預(yù)測也分為點預(yù)測和區(qū)間預(yù)測。new lm.pred lm.predfitlwrupr 1 5270.199 4887.563 5652.836由軟件求得，y0=15270.19

7、9,相應(yīng)的 y 的概率為 0.95 的預(yù)測區(qū)間為4887.563,5652.823.（2）箱線圖能直觀簡潔的展現(xiàn)數(shù)據(jù)分布的特征。在箱線圖中，上（Q3）下（Q1)四分位數(shù)分別確定出中間箱體的頂部和底部。箱體中間的粗線是中位數(shù)（me）所在的位置。由箱體向上下伸出的垂直部分稱為觸須，表示數(shù)據(jù)的分布范圍，最遠的點位 1.5 倍四分位數(shù)間距，超出此范圍的點稱為異常值點，異常值點用“o”號表示。x1 x2 y boxplot(x1,x2,y,notch=T,names=c(x1,x2,y),vcol=c(1,2,3)從圖中我們可以看出三組的均值不等，第二組明顯高于第三，第一組值。（3）t 檢驗多元線性回歸

8、分析的目的，不僅是獲得比較高的擬合優(yōu)度的模型，也不僅是尋求方程整體的顯著性，而是要對各個總體回歸參數(shù)作出有意義的估計。因為方程的整體線性關(guān)系顯著并不一定表示美國解釋變量對被解釋變量的影響都是顯著的。因此，還必須分別對美國解釋變量進行顯著性檢驗。多元回歸分析中對各個回歸系數(shù)的顯著性檢驗，目的在與分別檢驗當其他解釋變量不變時，該回歸系數(shù)對應(yīng)的解釋變量是否對唄解釋變量有顯著影響。一般來說，多元線性回歸模型在經(jīng)過參數(shù)估計和模型檢驗后，應(yīng)對回歸分析結(jié)果做出分析判斷。倘若某些解釋變量對被解釋變量的影響不顯著，則應(yīng)重新建立多元線性回歸方程模型，對于新模型參數(shù)進行估計和假設(shè)檢驗，直到獲得滿意的結(jié)果為止。 co

9、r.test(x1+x2,data=blood)Pearsons product-moment correlation data:x1 and x2t = 2.1242, df = 8, p-value = 0.06639alternative hypothesis: true correlation is not equal to 095 percent confidence interval:-0.046800980.89263760sample estimates: cor0.6005209 cor.test(y+x1,data=blood)Pearsons product-moment

10、 correlation data:y and x1t = 59.024, df = 8, p-value = 7.54e-12alternative hypothesis: true correlation is not equal to 0 95 percent confidence interval:0.9949667 0.9997394sample estimates: cor0.9988538 cor.test(y+x2,data=blood)Pearsons product-moment correlation data:y and x2t = 1.9948, df = 8, p-

11、value = 0.08117alternative hypothesis: true correlation is not equal to 0 95 percent confidence interval:-0.083624090.88486947sample estimates:cor 0.576348從上述計算結(jié)果可以看出，x1,x2,y 兩兩均相關(guān)。我們在圖中可以看出，每個 t 檢驗的 p值都小于 0.1，因此拒絕原假設(shè)，選擇備擇假設(shè)。因此認為兩兩相關(guān)。（4）應(yīng)用多元分析用 princomp()作主成分分析，由前面的分析，選擇相關(guān)矩陣作主成分分析更合理，因此這里選擇的參數(shù)是 cor=

12、TRUE.最后用 summary()列出主成分分析的值，這里選擇loadings=TRUE。 blood blood.pr summary(blood.pr,loadings=TRUE) Importance of components:Comp.1Comp.2 Standard deviation1.4129826 0.058992994Proportion of Variance 0.9982599 0.001740087Cumulative Proportion0.9982599 1.000000000Loadings:Comp.1 Comp.2 x10.707 -0.707x20.70

13、70.707 y*1=0.707x*1+0.707x*2, y*2=-0.707x*1+0.7077.在上述程序中，語句 blood.pr-princomp(blood,cor=TRUE)可以改成 blood.pr predict(blood.pr)Comp.1Comp.2 1, -1.790159130.0090049212, -1.56317739 -0.0248839293, -1.258443090.0157013334, -0.944145760.0007490665, -0.50459654 -0.0332029166,0.04527512 -0.0078825307,0.6041

14、38030.1514783808,0.93872247 -0.0942220329,1.82513045 -0.02742542510,2.647255830.010683132 screeplot(blood.pr,type=lines) pre blood$z1-pre,1;blood$z2 lm.sol summary(lm.sol) Call:lm(formula = y z1 + z2, data = blood)Residuals:Min1QMedian3QMax-204.67-92.18-23.09102.50160.91Coefficients:Estimate Std. Er

15、ror t value Pr(|t|)(Intercept) 13403.0044.66 300.123 1.20e-15 *z12906.5731.6191.963 4.74e-12 *z2-2691.79757.01-3.5560.00927 *-Signif. codes:0 * 0.001 * 0.01 * 0.05 . 0.1 1Residual standard error: 141.2 on 7 degrees of freedom Multiple R-squared:0.9992,Adjusted R-squared:0.9989F-statistic:4235 on 2 a

16、nd 7 DF,p-value: 1.618e-11回歸系數(shù)和回歸方程均通過檢驗，而且效果顯著，即得到回歸方程為y=13403+2906.57z*1-2691.79. beta-coef(lm.sol);A x.bar-blood.pr$center;x.sd coef coef beta0 c(beta0,coef)(Intercept)x1x2 1932.12261500.23492112.4570548在程序中，coef 函數(shù)是提取回歸系數(shù)；loadings 是提取主要成分對應(yīng)的特征向量； blood.pr$center 是數(shù)據(jù)的中心，也就是數(shù)據(jù) x 的均值；blood.p$scale

17、是數(shù)據(jù)的標準差，即 s 的開方，優(yōu)化以后的回歸方程為Y=1932.1226150+0.2349211x1+2.4570548x2.此時，x1,x2 對應(yīng)的系數(shù)均為正數(shù)，比原回歸方程更合理?？偨Y(jié)：在畫水箱圖的時候，我忘記了給后面的顏色賦值，把 vcol=c 寫成了 vcol=后面直接加上顏色的代號，而忘記賦值著一個步驟。說實話，畫圖這個部分，我不是掌握的很好，雖然能夠畫出圖，但是需要看書才能去完成，自己的獨立性不高，還有對很多圖的代碼不明白，畫其他的圖容易出現(xiàn)錯誤。再次做的 t 檢驗，也就是檢查各個項數(shù)之間的關(guān)系，但是我開始時對其中的 data 賦值比較模糊，習(xí)慣性的會按照書上的來，也導(dǎo)致后面的程序之間運行不了。沒有看到先前代碼的賦值，會遺忘原先代碼的賦值，到后來，我翻書才把那些錯誤糾正過來。所以我對書的一來性還是很強的，自己獨自完成的量確實很小。嚴重發(fā)現(xiàn)自己的短板與不足，接下來要好好努力去學(xué)習(xí)這門很實用的課程，把以前沒有搞懂的知識點都好好復(fù)習(xí)，鞏固。更加熟悉的運用這個軟件。我在做這篇報告的時候，其實是真的比較擔心的，一直擔心報告的內(nèi)容出錯，有問題， 對各種問題的把握不熟悉，以及對 R 的理解程度不夠。作為一門軟件，R 是一款功能強大的統(tǒng)計軟件包，R 是屬于 GNU 系統(tǒng)的一個自由、免費、源代碼開放的軟件，全世界的 R 愛好者不斷的開發(fā)，使 R 軟件的發(fā)