完整城镇居民消费结构分析文档格式.docx
- 文档编号:21003858
- 上传时间:2023-01-26
- 格式:DOCX
- 页数:20
- 大小:119.58KB
完整城镇居民消费结构分析文档格式.docx
《完整城镇居民消费结构分析文档格式.docx》由会员分享,可在线阅读,更多相关《完整城镇居民消费结构分析文档格式.docx(20页珍藏版)》请在冰豆网上搜索。
在《我国城镇居民消费结构特点及问题》一文中,李勇认为几年来我国食品、衣着消费支出比重平稳下降。
随着收入的增加,人们在衣着方面的支出逐渐增加,但衣着消费所占比重有着较快的下降趋势,表明了我国城镇居民以满足吃、穿为主的消费阶段已经结束。
本文将在借鉴前人的研究结果的基础上,运用所学知识对中国城镇居民的消费结构进行分析得出结论,并给出相应的建议。
三.数据采集及研究的思路与方法
影响中国城镇居民消费类型的因素诸多,吃、穿、住、行是满足人们生存的基本消费,在满足了基本生存后人们就会追求更高层次的精神消费,如文教娱乐等。
不同的省份影响其消费结构的因素不同,本文将消费结构相似的地区按聚类分析的方法归为一类,避免单纯的按地理位置划分的不合理性,使地区分类具有代表性;
再对各种类型的消费做主成分分析,了解消费中主要的支出项,并结合实际分析论证;
通过主成分分析的累计贡献率,做变量的相关分析并拟合回归方程;
最终结合描述统计的方法,综合论证中国城镇居民消费结构的分析。
基于此,给出了我国2012年城镇居民消费的数据表:
表一:
中国2012年年城镇居民消费的数据表(单位:
元)
地区
现金消费支出
食品
衣着
居住
家庭设备及用品
交通
通信
文教
娱乐
医疗
保健
其他
全国
北京
天津
河北
山西
内蒙古
辽宁
吉林
黑龙江
上海
江苏
浙江
安徽
福建
江西
山东
河南
湖北
湖南
广东
广西
海南
重庆
四川
贵州
云南
西藏
陕西
甘肃
青海
宁夏
新疆
资料来源:
《中国统计年鉴2013》
四.实证分析
(一)描述分析(Descriptionanalysis)
描述分析:
在数据分析的时候,一般首先要对数据进行描述性统计分析以发现其内在的规律,再选择进一步分析的方法。
描述性统计分析要对调查总体所有变量的有关数据做统计性描述,一般包括均值、中位数、众数、方差、四分位表、峰度、偏度、频数等等,一般什么数据都可以作描述性分析,没有数据类型限制的。
首先,根据原始数据我们可以得到,中国居民消费支出中的各项支出与地区间的折线分布图如下图所示:
图一:
折线图
分析:
根据该图,我们可以看出8个数据的分布趋势大致是相同的,在上海、浙江、广东等经济发达地区呈现较高值,且食品支出的数值远远大于其他各类支出,其余7个数据的的数据分布是相似的,因而其数据呈现出焦灼之势。
然后,根据原始数据表,我们可以得到8类支出所占现金总支出的数据表为:
表二:
8类支出占总支出的百分比表
支出
地区
交通通信
文教娱乐
医疗保健
北京
天津
河北
山西
内蒙古
辽宁
吉林
黑龙江
上海
江苏
浙江
安徽
福建
江西
山东
河南
湖北
湖南
广东
广西
海南
重庆
四川
贵州
云南
西藏
陕西
甘肃
青海
宁夏
新疆
平均
根据上面所示的百分比表我们可以看到:
以全国31个地区的每项支出占其总支出的比例,经计算8个支出的31个省份的平均值,可得食品支出所占比例颇重,平均占%,衣着、居住、交通通信、文教娱乐所比重差不多,均在10%左右,而家庭设备及用品、医疗保健和其他所占比重相交其余几项较少,特别是其他项,仅占%。
其次,我们可以根据原始数据表得到全国31个地区的8项消费支出间的合计、均值、方差、均方差,具体结果见下表:
表三:
全国31个地区的8项消费支出间的合计、均值、方差、均方差表:
合计
均值
方差
均方差
4284325
4275918
1315046
1062189
2156390
2541987
1513447
1688257
8043934
3678130
5064134
2751592
4583093
2130029
2042116
1536632
2848165
2394448
6057931
2561656
3920832
4005666
3067443
2134259
2641040
2912152
2385773
1615106
1717873
1723910
2207613
根据上述表格,我们可以得到每一个地区的8项消费支出间的总值,由此可以看出各地区的实际现金消费支出,以此可以来衡量该地区的经济消费情况;
根据均值我们可以得到每一地区的8项消费支出的平均水平,根据方差、协方差可以看出这8种消费支出间的差异程度的大小。
最后,再次依据原始数据表,我们就可以得到8项消费支出间在全国31个地区间的合计、均值、方差、均方差,中位数、最大值、最小值以及其相应的地区,具体结果见下表
表四:
8项消费支出间在全国31个地区间的相关数据表
地区
1689537
最大值地区
浙江
上海
广东
最小值地区
西藏
山西
海南
中位数地区
湖南
湖北
广西
陕西
现金消费
支出
.59
北京
四川
河北
根据上表,我们得出8项支出在31个地区的均值,以此看出全国消费的平均水平。
同时依据方差和均方差我们可以比较8种支出间的差异程度。
根据最大值、最小值、中位数地区,我们可以看到在经济普遍发展较好的地区其消费支出也将远远高于其他地区,但是对于衣着支出这一项而言,内蒙古地区的支出反而大于了其他地区,因而在今后的经济建设中仍应保持其经济又快又好的增加;
但对于最小值地区而言,西藏在8项支出中就占了6项,由此看出它的经济是远远落后于其他地区的,故在今后的经济建设中应投入更多的精力;
对于中位数地区而言,大部分是我国中部地区,它的经济发展一直是稳定的,因而它也能很好代表我国消费支出的中等水平,所以在未来的发展计划中在可以保持现有状态不变的基础上,提高经济生产力,这样也能提高这些地区的经济消费水平,进而提高其经济发展能力。
(二)聚类分析(clusteranalysis)
聚类分析:
又称群分析,是根据“物以类聚”的道理,对样品或指标进行分类的一种多元统计分析方法,它们讨论的对象是大量的样品,要求能合理地按各自的特性来进行合理的分类,没有任何模式可供参考或依循,即是在没有先验知识的情况下进行的。
传统的统计聚类分析方法包括系统聚类法、动态聚类法、有序样品聚类和模糊聚类等。
将8种消费支出进行系统聚类,可以得到下述结果:
表五:
接近度矩阵(ProximityMatrix)
Case
MatrixFileInput
食品
衣着
居住
家庭设备
及用品
其他
.000
交通通信5─┐
医疗保健7─┤
家庭设备4─┤
其他8─┤
居住3─┼───┐
文教娱乐6─┘├───────────────────────────────────────────┐
衣着2─────┘│
食品1─────────────────────────────────────────────────┘
图二:
城镇居民消费指标聚类图
由聚类的结果大致可以看出,居民的现金支出可以分为三类:
食品支出为一类、衣着为一类、另一类为:
交通通信医疗保健家庭设备及用品居住文教娱乐及其他。
从聚类的结果还可以看出,在居民现金支出中,食品支出所占比重较大,其次为衣着,其他部分所占比例较小。
(三)主成分分析(principalcomponentsanalysis,PCA)
主成分分析:
也称主分量分析,旨在利用降维的思想,把多指标转化为少数几个综合指标。
主成分分析是一种简化数据集的技术,它是一个线性变换。
主成分分析经常用减少数据集的维数,同时保持数据集的对方差贡献最大的特征。
这是通过保留低阶主成分,忽略高阶主成分做到的。
利用软件SPSS,我们可以得到下述结果:
表六:
CorrelationMatrix
Correlatio
.227
.612
.748
.859
.787
.213
.797
.305
.508
.385
.470
.646
.568
.708
.742
.736
.584
.676
(接上表)
.802
.857
.367
.830
.890
.362
.849
.488
.824
.443
表七:
Communalities
Initial
Extraction
.874
.790
.679
.831
.911
.889
.837
ExtractionMethod:
PrincipalComponentAnalysis.
表八:
TotalVarianceExplained
Component
InitialEigenvalues
ExtractionSumsofSquaredLoadings
Total
%ofVariance
Cumulative%
1
2
3
.597
4
.259
5
.177
6
.140
7
.105
8
.055
.693
由输出的结果可以看出,前两个主成分食品和衣着的方差和占全部方差的比例为%,我们就选取y1为第一主成分,y2为第二主成分,且两个主成分的方差和占全部方差的比例为%即基本上保留了原来指标的信息,这样由原来的9个指标转化为了2个新指标,起到了降维的作用。
这时的方差贡献率也达到了我们期待的至少80%的贡献率,是符合我们预期的降维结果。
对上述所得结果进行进一步分析,可得:
表九:
ComponentMatrixa
.832
.583
.670
.008
.905
.923
.939
.577
.710
.925
a.2componentsextracted.
同时,对SPSS的因子分析模板运行结果输出的componentmatrix的第i列的每个元素分别除以第i个特征根的平方根√λ_i,就得到主成分分析的第i个主成分的系数,如下表:
表十:
主成分系数表
主成分1
主成分2
x1
x2
x3
x4
x5
x6
x7
x8
由上表可以得到前两个主成分y1,y2的线性组合为:
Y1=*+*+*+*+*+*+*+*
Y2=*+*+****+**
其中,x1*、x2*、x3*、x4*、x5*、x6*、x7*、x8*表示对原始变量标准化后的变量。
第一主成分的线性组合中除了食品、衣着和居住外,其余变量的系数相当,所以第一主成分可以看成是x4,x5,x6,x7,X8的综合变量,可以解释为第一主成分反映了中国城镇居民消费支出中家庭设备及用品、交通通信、文教娱乐、医疗保健以及其他所产生的效果,第一主成分所占信息总量为%。
第二主成分是把食品、衣着和居住对消费结构的影响进行综合,反映了衣食住的重要性。
抓住了这两个方面,我国城镇居民的消费结构一定会有所优化与提高。
(四)相关分析(correlationanalysis)
相关分析是研究现象之间是否存在某种依存关系(通常是一种非确定性的关系),并对具体有依存关系的现象探讨其相关方向以及相关程度,是研究随机变量之间的相关关系的一种统计方法。
利用SPSS软件对现金消费支出和食品、衣着做相关分析,具体结果见下表:
表十一:
相关系数表(Correlations)
食品
现金消费支出
PearsonCorrelation
.902**
Sig.(2-tailed)
N
32
.512**
.228
.003
.210
**.Correlationissignificantatthelevel(2-tailed).
由Pearson相关系数分别为和,且P值分别为和可知三者是相关的。
再分别作出现金消费支出与食品和衣着的散点图(见下图三):
图三:
散点图
我们发现这些点可以拟合在一条直线上,由此,我们考虑建立一个线性回归模型。
(五)回归分析(regressionanalysis)
回归分析是确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法。
回归分析按照涉及的自变量的多少,可分为一元回归分析和多元回归分析;
按照自变量和因变量之间的关系类型,可分为线性回归分析和非线性回归分析。
回归分析是应用极其广泛的数据分析方法之一。
它基于观测数据建立变量间适当的依赖关系,以分析数据内在规律,并可用于预报、控制等问题。
根据上述相关分析的结果,我们利用Eviews软件做回归,输出结果如下:
图四:
回归结果图
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 完整 城镇居民 消费结构 分析
![提示](https://static.bdocx.com/images/bang_tan.gif)