众文网1.请问谁有关于统计的论文,具体要求是使用多元统计分析方法分析数
1. 因子分析模型 因子分析法是从研究变量内部相关的依赖关系出发，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。
它的基本思想是将观测变量进行分类，将相关性较高，即联系比较紧密的分在同一类中，而不同类变量之间的相关性则较低，那么每一类变量实际上就代表了一个基本结构，即公共因子。对于所研究的问题就是试图用最少个数的不可测的所谓公共因子的线性函数与特殊因子之和来描述原来观测的每一分量。
因子分析的基本思想： 把每个研究变量分解为几个影响因素变量，将每个原始变量分解成两部分因素，一部分是由所有变量共同具有的少数几个公共因子组成的，另一部分是每个变量独自具有的因素，即特殊因子因子分析模型描述如下： （1）X = (x1,x2，…，xp)￠是可观测随机向量，均值向量E(X)=0，协方差阵Cov(X)=∑，且协方差阵∑与相关矩阵R相等（只要将变量标准化即可实现）。 （2）F = (F1,F2，…，Fm)￠ （m分析模型，由于该模型是针对变量进行的，各因子又是正交的，所以也称为R型正交因子模型。
其矩阵形式为： x =AF + e . 其中： x=,A=,F=,e= 这里， （1）m ￡ p; (2)Cov(F,e)=0，即F和e是不相关的； （3）D(F) = Im ，即F1,F2，…，Fm不相关且方差均为1; D(e)=，即e1,e2，…，ep不相关，且方差不同。 我们把F称为X的公共因子或潜因子，矩阵A称为因子载荷矩阵，e 称为X的特殊因子。
A = (aij),aij为因子载荷。数学上可以证明，因子载荷aij就是第i变量与第j因子的相关系数，反映了第i变量在第j因子上的重要性。
2. 模型的统计意义 模型中F1,F2，…，Fm叫做主因子或公共因子，它们是在各个原观测变量的表达式中都共同出现的因子，是相互独立的不可观测的理论变量。公共因子的含义，必须结合具体问题的实际意义而定。
e1,e2，…，ep叫做特殊因子，是向量x的分量xi(i=1,2，…，p)所特有的因子，各特殊因子之间以及特殊因子与所有公共因子之间都是相互独立的。模型中载荷矩阵A中的元素（aij）是为因子载荷。
因子载荷aij是xi与Fj的协方差，也是xi与Fj的相关系数，它表示xi依赖Fj的程度。可将aij看作第i个变量在第j公共因子上的权，aij的绝对值越大（|aij|￡1），表明xi与Fj的相依程度越大，或称公共因子Fj对于xi的载荷量越大。
为了得到因子分析结果的经济解释，因子载荷矩阵A中有两个统计量十分重要，即变量共同度和公共因子的方差贡献。 因子载荷矩阵A中第i行元素之平方和记为hi2，称为变量xi的共同度。
它是全部公共因子对xi的方差所做出的贡献，反映了全部公共因子对变量xi的影响。hi2大表明x的第i个分量xi对于F的每一分量F1,F2，…，Fm的共同依赖程度大。
将因子载荷矩阵A的第j列（ j =1,2，…，m）的各元素的平方和记为gj2，称为公共因子Fj对x的方差贡献。gj2就表示第j个公共因子Fj对于x的每一分量xi(i= 1,2，…，p)所提供方差的总和，它是衡量公共因子相对重要性的指标。
gj2越大，表明公共因子Fj对x的贡献越大，或者说对x的影响和作用就越大。如果将因子载荷矩阵A的所有gj2 ( j =1,2，…，m)都计算出来，使其按照大小排序，就可以依此提炼出最有影响力的公共因子。
3. 因子旋转 建立因子分析模型的目的不仅是找出主因子，更重要的是知道每个主因子的意义，以便对实际问题进行分析。如果求出主因子解后，各个主因子的典型代表变量不很突出，还需要进行因子旋转，通过适当的旋转得到比较满意的主因子。
旋转的方法有很多，正交旋转（orthogonal rotation）和斜交旋转（oblique rotation）是因子旋转的两类方法。最常用的方法是最大方差正交旋转法（Varimax）。
进行因子旋转，就是要使因子载荷矩阵中因子载荷的平方值向0和1两个方向分化，使大的载荷更大，小的载荷更小。因子旋转过程中，如果因子对应轴相互正交，则称为正交旋转；如果因子对应轴相互间不是正交的，则称为斜交旋转。
常用的斜交旋转方法有Promax法等。 4.因子得分 因子分析模型建立后，还有一个重要的作用是应用因子分析模型去评价每个样品在整个模型中的地位，即进行综合评价。
例如地区经济发展的因子分析模型建立后，我们希望知道每个地区经济发展的情况，把区域经济划分归类，哪些地区发展较快，哪些中等发达，哪些较慢等。这时需要将公共因子用变量的线性组合来表示，也即由地区经济的各项指标值来估计它的因子得分。
设公共因子F由变量x表示的线性组合为： Fj = uj1 xj1+ uj2 xj2+…+ujpxjp j=1,2，…，m 该式称为因子得分函数，由它来计算每个样品的公共因子得分。若取m=2，则将每个样品的p个变量代入上式即可算出每个样品的因子得分F1和F2，并将其在平面上做因子得分散点图，进而对样品进行分类或对原始数据进行更深入的研究。
但因子得分函数中方程的个数m小于。
2.急求有关数据挖掘方面的毕业论文题目
寿险行业数据挖掘应用分析
寿险是保险行业的一个重要分支，具有巨大的市场发展空间，因此，随着寿险市场的开放、外资公司的介入，竞争逐步升级，群雄逐鹿已成定局。如何保持自身的核心竞争力，使自己始终立于不败之地，是每个企业必须面对的问题。信息技术的应用无疑是提高企业竞争力的有效手段之一。寿险信息系统经过了多年的发展，已逐步成熟完善，并积累了相当数量的数据资源，为数据挖掘提供了坚实的基础，而通过数据挖掘发现知识，并用于科学决策越来越普遍受到寿险公司的重视。
数据挖掘
数据挖掘（Data Mining,DM）是指从大量不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、有用的信息和知识的过程。其表现形式为概念（Concepts）、规则（Rules）、模式（Patterns）等形式。
目前业内已有很多成熟的数据挖掘方法论，为实际应用提供了理想的指导模型。CRISP-DM(Cross-Industry Standard Process for Data Mining)就是公认的、较有影响的方法论之一。CRISP-DM强调，DM不单是数据的组织或者呈现，也不仅是数据分析和统计建模，而是一个从理解业务需求、寻求解决方案到接受实践检验的完整过程。CRISP-DM将整个挖掘过程分为以下六个阶段：商业理解（Business Understanding），数据理解（Data Understanding），数据准备（Data Preparation），建模（Modeling），评估（Evaluation）和发布（Deployment）。
商业理解就是对企业运作、业务流程和行业背景的了解；数据理解是对现有企业应用系统的了解；数据准备就是从企业大量数据中取出一个与要探索问题相关的样板数据子集。建模是根据对业务问题的理解，在数据准备的基础上，选择一种更为实用的挖掘模型，形成挖掘的结论。评估就是在实际中检验挖掘的结论，如果达到了预期的效果，就可将结论发布。在实际项目中，CRISP-DM模型中的数据理解、数据准备、建模、评估并不是单向运作的，而是一个多次反复、多次调整、不断修订完善的过程。
行业数据挖掘
经过多年的系统运营，寿险公司已积累了相当可观的保单信息、客户信息、交易信息、财务信息等，也出现了超大规模的数据库系统。同时，数据集中为原有业务水平的提升以及新业务的拓展提供了条件，也为数据挖掘提供了丰厚的土壤。
根据CRISP-DM模型，数据挖掘首先应该做的是对业务的理解、寻找数据挖掘的目标和问题。这些问题包括：代理人的甄选、欺诈识别以及市场细分等，其中市场细分对企业制定经营战略具有极高的指导意义，它是关系到企业能否生存与发展、企业市场营销战略制定与实现的首要问题。
针对寿险经营的特点，我们可以从不同的角度对客户群体进行分类归纳，从而形成各种客户分布统计，作为管理人员决策的依据。从寿险产品入手，分析客户对不同险种的偏好程度，指导代理人进行重点推广，是比较容易实现的挖掘思路。由于国内经济发展状况不同，各省差异较大，因此必须限定在一个经济水平相当的区域进行分析数据的采样。同时，市场波动也是必须要考虑的问题，一个模型从建立到废弃有一个生命周期，周期根据模型的适应性和命中率确定，因此模型需要不断修订。
挖掘系统架构
挖掘系统包括规则生成子系统和应用评估子系统两个部分。
规则生成子系统主要完成根据数据仓库提供的保单历史数据，统计并产生相关规律，并输出相关结果。具体包括数据抽取转换、挖掘数据库建立、建模（其中包括了参数设置）、模型评估、结果发布。发布的对象是高层决策者，同时将模型提交给应用评估子系统.根据效果每月动态生成新的模型。
应用评估子系统可以理解为生产系统中的挖掘代理程序，根据生成子系统产生的规则按照一定的策略对保单数据进行非类预测。通过系统的任务计划对生产数据产生评估指标。具体包括核心业务系统数据自动转入数据平台、规则实时评估、评估结果动态显示、实际效果评估。规则评估子系统根据规则进行检测。经过一段时间的检测，可利用规则生成子系统重新学习，获得新的规则，不断地更新规则库，直到规则库稳定。
目前比较常用的分析指标有： 险种、交费年期、被保人职业、被保人年收入、被保人年龄段、被保人性别、被保人婚姻状况等。
实践中，可结合实际数据状况，对各要素进行适当的取舍，并做不同程度的概括，以形成较为满意的判定树，产生可解释的结论成果。
3.毕业论文数据分析怎么描述
数据分析可以分成两部分，一部分是对分析过程及分析结果的描述，另一部分是结合专业知识对结果进一步分析，为什么会出现这样的结果。
如果完全没有思路推荐使用spssau，里面的结果包括智能文字分析可以提供一些思路。
4.我是本科毕业论文是关于调查分析的,里面的数据,分析我都是自己
数据最好不要自己编。调查分析类的软件（如果你是学营销或管理学的）可以用SPSS。一般人编的数据数据分析结果都能看出端倪来的，老师都不是傻子，到时候一旦被看出来你就会很难过了。
一般情况下，答辩过程中老师不会让你演示数据的分析过程，但一般会问到你你的论文理论基础，数据是如何收集的（即通过哪些途径收集的），你的问卷设计，数据分析结果，得出结论等。
还是哪句话，一般不是长期做学术或很有经验的人，编的数据结果都很明显的能看出端倪的。建议不要数据造假，学术上是最鄙视也不能接受的。这是比你论文框架错了还要严重的错误。
5.毕业设计题目是（选用决策树算法的数据挖掘实例分析与设计）
应用遗传算法和决策树算法在数据挖掘中的比较 贾修一 MG0533024 （南京大学 计算机科学与技术系， 江苏省南京市 210093） A Comparision between the Genetic Algorithms and Decision Tree For Data Mining Abstract: This chapter introduces the application with the genetic algorithms and ID3 for the data mining, choose the better algorithm to classifier the given data sets through.the comparision between the two algorithms. And analyzing the results of the experiment as well as reasons. Key words: genetic algrithms; data ming; decision Tree 摘 要： 对训练数据分别采用遗传算法和决策树算法进行数据挖掘，通过比较两者实验得出的结果，来选择更适合本数据集的算法进行分类，并分析实验结果及原因. 关键词： 遗传算法；数据挖掘；决策树算法 1. 数据的描述 数据属性有139351维，每个属性的取值为0或1，分类标识只有两类：A和I.数据的维数太高，在数据预处理阶段最好做属性的约简，进行降维的处理. （1）数据维数太高，易造成一定的维数灾难，使得分类挖掘时间过长. （2）数据庞大，肯定有些噪音数据. 2.算法的设计 为了提高最后分类的精确度，特设计了两种方法进行比较，从中选出一种精确度高的方法.第一种是根据数据的特点，每个属性只取值0和1，所以进行属性约简的时候采用遗传算法.遗传算法的优点是可以对大规模的数据进行一定的属性约简. 2.1 遗传算法描述： （1） 遗传算法的步骤是编码，选择，交叉，变异.通过模仿自然界中的遗传进化原理，来对数据进行处理.而遗传算法的好坏取决于适应度函数的选择，进化的次数，和交叉变异的合理性和概率性等，所以要想设计一个合适的遗传算法必须经过大量的实验. （2） 就训练数据而言，对每一维属性的取值，在类标识一定的条件下，取1和取0的概率之间有个绝对值差α1，α2，该差越大，说明该属性的重要程度越高.同时还要考虑对同一维属性，不论最终类标识是什么，取值都相同的话，则该属性可以被认为是无效的属性，对最后的分类没有影响，所以适应度函数取对每一维属性的α1，α2的熵，熵越大，则属性的重要程度就越低. （3） 编码阶段，就把每一位属性做为一个长度为139351的染色体的一个基因，1表示选择该属性，0表示不选择该属性.随机初始化8个种群，按照适应度函数的定义，从中选取4个适应度函数最小的染色体做为父代. （4） 将选出的父代进行交叉操作，因为是降维操作，所以交叉就是取两个染色体之间隔位进行AND（与）操作，变异就是按照一定的概率，在139351维上随机的100位进行非操作，即：0变为1,1变为0.依次又产生4个后代，结合原来的4个父代组成新的8个初始种群.进化50次. 然后利用贝叶斯方法进行分类.得到的是一个弱的学习器h，然后利用AdaBoost方法进行强化学习分类器. 2.2 AdaBoost算法描述： （1） 给定训练集（x1,y1）,(x2,y2)，…，（xm,ym）m个. （2） yi∈{-1,+1}，实例xi∈X的正确标识. （3） for t=1，…，T 2 { 构造{1，…，m}上的分布Dt，找出弱分类器 ht:X->{-1,+1}， 同时在Dt产生很小的错误εt： εt=PrDt[ht(xi)≠yi] } (4)构造 Dt,D1(i)=1/m Dt+1(i)= Dt/Zt*exp（-αt*yi*ht(xi)）//（注：yi和ht(xi)只能取值于{-1,+1}） 其中Zt是归一化因子（使Dt+1为分布） αt=1/2*㏑（（1-εt）/ εt)>0 (5)输出最终分类器：Hfinal(x)=sign（∑αt*ht(x)）. 第二种方法就是直接使用决策树方法（ID3算法）进行分类.求出每一维属性的的信息增益，建立一棵决策树，利用决策树来进行分类. 2.3 决策树算法（ID3） (1)创建节点N; (2)if samples都在同一个类C then { 返回N作为叶结点，以类C标识； } （3）if attribut_list为空 then { 返回N作为叶结点，标记为samples中最普通的类； } （4） 选择attribute_list中具有最高信息增益的属性test_attribute；标记节点N为test_attribute; (5) for each test_attribute中的已知值a 由节点N长出一个条件为test_attribute=a的分枝； （6） 设s是samples中test_attribute=a的样本的集合； （7） if s为空 then 加上一个树叶，标记weisamples中最普通的类； else 加上一个由ID3(s,attribute_list-test_attribute)返回的节点； 3. 实验分析 就第一种方法：通过实验，在进化次数上选取50次，使得维数约简到1500维左右时得到的分类效果最好，但由于种群是随机产生的，所以在未进行boosting强化时正确率在60~85%之间，不是很稳定，但是符合弱分类器的要求，即只要正确率超过50%就行，在进行boosting后，正确率能超过80%，但可能是数据进行约简的不好或进行迭代的次数选取不太合适，正确率却没有ID3的高.就本数据集而言，由于最终标识只有2个，所以比较适合使用遗传算法和Adaboost进行训练.正确率不高主要问题应该在： （1）遗传算法的适应度函数没有选好，不同的编码方式对应不同的适应度函数取法，就本例而言，二进制编码方式应该是可以的，就是在对适应度函数取的时候没有一个合适的数据表示，只好利用了熵的概念，但在实际意义上感觉效果并不是很好.属性约简后正确率不高，这应该是最主要的原因. （2）交叉变异的方式或许有问题，但是不是主要问题，只要适应度函数选好，也就是选择操作正确。
6.本科论文的数据分析怎么做
研究方法通常可以分为三大类，分别是差异关系，相关关系和其它关系。
如果思路上更偏向于差异关系研究，比如不同收入人群对于网购的态度差异。建议使用较多规范的量表题，因为量表规范性很强且可以使用非常多的研究方法；如果不是使用量表题，那么就可以考虑卡方分析进行研究。如果进行更多丰富的研究方法使用，则对应需要使用多样的问题设计，量表题和非量表题均需要有，并且预期上它们就需要进入差异对比的范畴。
如果思路上更偏向于研究影响关系，比如满意度对于忠诚度的影响，看上去，满意度和忠诚度均可以使用量表题进行表示，那设计成量表题没有问题，因为可以使用线性回归分析进行研究。除此之外，还有一种情况可以考虑，即logistic回归，满意度影响最终是否再次购买，是否再次购买被满意度影响，这类情况是应该使用logistic回归分析。如果是希望两类研究方法均使用，此时满意度对应的问题则需要有量表题，还有比如“是否愿意再次购买”一类的定类数据问题。
如果预期数据需要进行统计上的信度分析，此时请记住一定需要设计成量表题，否则无法进行信度分析。以及如果预期思路上有分类，即比如将样本分成3种人群，此时需要考虑使用更多规范的量表题数据。
总结上看，研究方法的匹配使用，事实上应该是在问卷设计前就进入考虑范畴。问卷研究设计完成后，大部分的问卷研究方法均已经确定，因而需要提前将问卷研究方法纳入考虑中，便于可以进行更丰富的数据分析。相对来看，量表题是可以匹配更多的研究方法，而且也更规范，建议更多的使用量表题较好。
参考资料：/p/5