多元统计分析实验报告
多元统计分析实验报告
第二部分：实验过程记录（可加页） （包括实验原始数据记录，实验现象记录，实验过程发现的问题
等） 操作步骤： 1、 执行“分析”—“比较均值”—“单因素方差分析” ； 2、 在弹出的单因素方差分析对话框中，将时期选为因子，将 X1、X2、X3、X4 选为因变量； 3、 单击“对比” ，选择“多项式” ，在后面的下拉菜单中选择“线性” ，然后继续； 4、 单击“两两比较” ，选择“LSD”和“S-N-K” ，显著性水平默认为 0.05，然后继续； 5、 单击“选项” ，选择“方差同质性检验”和“均值图” ，然后继续，点击“确定”后即可输出结果。
12
题目：研究者提出，随着时间的推移头骨尺寸会发生变化，这是外来移民与原住民人口民族融合的证据。表 6.13 是古埃及三个时期的男性头骨的四个观测值得观测数据，这是个观测变量是： X1=头骨最大的最大宽度 X2=头骨高度 X3=头骨底穴至齿槽的长度 X4=头骨鼻梁高度 对古埃及头骨数据构造单因子 MANOVA 表， a=0.05.并构造 95%联合置信区间来判断在三个时期中哪个分 令 量的均值发生了改变。同常的 MANOVA 假设对这些数据是不是合理的？请解释。 部分数据如下：
实验课程名称：多元统计分析-均值向量检验
实验项目名称 实 验 者 同 组 者
均值向量检验习题 均值向量检验习题 6.24
专业班级
实验成绩 实验成绩 组 别 年 月 日
实验日期
一部分：实验预习报告（包括实验目的、意义，实验基本原理与方法，主要仪器设备及耗材，实验
方案与技术路线等） 实验目的：深入了解方差分析及方差分析的概念，掌握方差分析的基本原理；掌握方差分析的过程；增强实 践能力，能够动手用统计软件解决实际问题，熟练掌握方差分析的基本操作。 实验原理：多个正态总体均值向量检验（多元方差分析） 设 有 k 个 p 元 正 态 总 体 N p ( µ1 , Σ), L , N p ( µ k , Σ) ， 从 每 个 总 体 抽 取 独 立 样 品 个 数 分 别 为
多元统计数据分析报告(3篇)
第1篇一、引言随着大数据时代的到来，数据量急剧增加，传统的统计分析方法已无法满足复杂数据关系的挖掘需求。
多元统计分析作为一种处理多个变量之间关系的方法，在社会科学、自然科学、工程技术等领域得到了广泛应用。
本报告旨在通过对某研究项目的多元统计分析，揭示变量之间的关系，为决策提供科学依据。
二、研究背景与目的本研究以某企业员工绩效评估数据为研究对象，旨在通过多元统计分析方法，探究员工绩效与个人特质、工作环境等因素之间的关系，为企业人力资源管理部门提供决策支持。
三、数据与方法1. 数据来源本研究数据来源于某企业员工绩效评估系统，包括员工的基本信息、个人特质、工作环境、绩效评分等。
2. 研究方法本研究采用以下多元统计分析方法：（1）描述性统计分析：对员工绩效、个人特质、工作环境等变量进行描述性统计分析，了解数据的分布情况。
（2）相关分析：分析变量之间的线性关系，找出相关系数较大的变量对。
（3）因子分析：将多个变量归纳为少数几个因子，揭示变量之间的内在关系。
（4）聚类分析：将员工根据绩效、个人特质、工作环境等因素进行分类，分析不同类别员工的特点。
（5）回归分析：建立员工绩效与个人特质、工作环境等因素之间的回归模型，分析各因素对绩效的影响程度。
四、数据分析结果1. 描述性统计分析通过对员工绩效、个人特质、工作环境等变量的描述性统计分析，得出以下结论：（1）员工绩效评分呈正态分布，平均绩效评分为75分。
（2）个人特质得分集中在中等水平，其中创新能力得分最高，稳定性得分最低。
（3）工作环境得分普遍较高，其中工作压力得分最低。
2. 相关分析通过对员工绩效、个人特质、工作环境等变量进行相关分析，得出以下结论：（1）绩效与创新能力、稳定性、工作环境等因素呈正相关。
（2）创新能力与稳定性呈负相关。
3. 因子分析通过对员工绩效、个人特质、工作环境等变量进行因子分析，得出以下结论：（1）提取了3个因子，分别对应创新能力、稳定性、工作环境。
多元统计分析 实验报告
多元统计分析实验报告1. 引言多元统计分析是一种用于研究多个变量之间关系的统计方法。
在实验中，我们使用了多元统计分析方法来探索一组数据中的变量之间的关系。
本报告将介绍我们的实验设计、数据收集和分析方法以及结果和讨论。
2. 实验设计为了进行多元统计分析，我们设计了一个实验，收集了一组相关变量的数据。
我们选择了X、Y和Z这三个变量作为我们的研究对象。
为了获得准确的结果，我们采用了以下实验设计：1.确定研究目的：我们的目标是探索X、Y和Z之间的关系，并确定它们之间是否存在任何相关性。
2.数据收集：我们通过调查问卷的方式收集了一组数据。
我们请参与者回答与X、Y和Z相关的问题，以获得关于这些变量的定量数据。
3.数据整理：在收集完数据后，我们将数据进行整理，将其转化为适合多元统计分析的格式。
我们使用Excel等工具进行数据整理和清洗。
4.数据验证：为了确保数据的准确性，我们对数据进行验证。
我们检查数据的有效性，比较数据之间的一致性，并排除任何异常值。
3. 数据分析在数据收集和整理完毕后，我们使用了一些常见的多元统计分析方法来分析我们的数据。
以下是我们使用的方法和步骤：1.描述统计分析：我们首先对数据进行了描述性统计分析。
我们计算了X、Y和Z的均值、标准差、最大值和最小值等。
这些统计量帮助我们了解数据的基本特征。
2.相关性分析：接下来，我们进行了相关性分析，以确定X、Y和Z之间是否存在相关关系。
我们计算了变量之间的相关系数，并绘制了相关系数矩阵。
这帮助我们确定变量之间的线性关系。
3.回归分析：为了更进一步地研究X、Y和Z之间的关系，我们进行了回归分析。
我们建立了一个多元回归模型，通过回归方程来预测因变量。
同时，我们还计算了回归系数和R方值，以评估模型的拟合度和预测能力。
4. 结果和讨论根据我们的实验设计和数据分析，我们得出了以下结果和讨论：1.描述统计分析结果显示，X的平均值为x，标准差为s；Y的平均值为y，标准差为s；Z的平均值为z，标准差为s。
多元统计实验报告
多元统计实验报告一、实验目的多元统计分析是统计学的一个重要分支，它能够处理多个变量之间的复杂关系。
本次实验的主要目的是通过实际操作和数据分析，深入理解多元统计分析的基本原理和方法，并掌握其在实际问题中的应用。
二、实验数据本次实验使用了一组来自某市场调研公司的数据集，包含了消费者的年龄、性别、收入、消费习惯等多个变量，共计_____个样本。
三、实验方法1、主成分分析（PCA）主成分分析是一种降维方法，它通过将多个相关变量转换为一组较少的不相关变量（即主成分），来简化数据结构并提取主要信息。
2、因子分析因子分析用于发现潜在的公共因子，这些因子能够解释多个观测变量之间的相关性。
3、聚类分析聚类分析将数据对象分组，使得同一组内的对象具有较高的相似性，而不同组之间的对象具有较大的差异性。
四、实验过程1、数据预处理首先，对原始数据进行了清洗和预处理，包括处理缺失值、异常值和数据标准化等操作，以确保数据的质量和可用性。
2、主成分分析使用统计软件进行主成分分析，计算出特征值、贡献率和累计贡献率。
根据特征值大于 1 的原则，确定了保留的主成分个数。
通过主成分载荷矩阵，解释了主成分的实际意义。
3、因子分析运用因子分析方法，提取公共因子，并通过旋转因子载荷矩阵，使得因子的解释更加清晰和具有实际意义。
计算因子得分，用于进一步的分析和应用。
4、聚类分析采用 KMeans 聚类算法，根据选定的变量对样本进行聚类。
通过不断调整聚类中心和重新分配样本，最终得到了较为合理的聚类结果。
五、实验结果与分析1、主成分分析结果提取了_____个主成分，它们累计解释了_____%的方差。
第一个主成分主要反映了_____，第二个主成分主要与_____相关，以此类推。
这为我们理解数据的主要结构提供了重要的线索。
2、因子分析结果成功提取了_____个公共因子，它们能够较好地解释原始变量之间的相关性。
每个因子所代表的潜在因素也得到了清晰的解释，有助于深入了解消费者的行为特征和市场结构。
多元统计实验报告
多元统计实验报告多元统计实验报告导言在现代科学研究中，多元统计方法被广泛应用于数据分析和模式识别等领域。
本次实验旨在通过多元统计方法探索变量之间的关系，并研究其对研究对象的影响。
实验设计我们选择了一个实验样本，包括100名大学生。
我们收集了他们的性别、年龄、身高、体重、学业成绩和运动习惯等多个变量。
通过对这些变量进行统计分析，我们希望能够了解它们之间的关系，并且进一步推断这些变量对大学生的影响。
数据预处理在进行多元统计分析之前，我们首先需要对数据进行预处理。
我们对缺失值进行了处理，使用均值填充了缺失的数据。
然后，我们进行了数据标准化，以消除不同变量之间的量纲差异。
主成分分析我们首先进行了主成分分析（PCA），以降低数据维度并寻找主要的变量。
通过PCA，我们得到了三个主成分，它们分别解释了总方差的70%、20%和10%。
这表明我们可以用这三个主成分来代表原始数据的大部分信息。
聚类分析接下来，我们进行了聚类分析，以研究样本之间的相似性和差异性。
我们使用了K-means算法，并将样本分为三个簇。
通过观察每个簇的特征，我们发现第一个簇主要包括男性、年龄较大、身高较高、体重较重、学业成绩较好和较少运动的大学生；第二个簇主要包括女性、年龄较小、身高较矮、体重较轻、学业成绩一般和较多运动的大学生；第三个簇则包括了男女性别各半、年龄、身高、体重、学业成绩和运动习惯都相对均衡的大学生。
相关分析为了研究变量之间的相关性，我们进行了相关分析。
我们发现学业成绩与年龄和身高之间存在较强的正相关关系，而与体重和运动习惯之间存在较弱的负相关关系。
这表明学业成绩可能受到年龄和身高的正向影响，而受到体重和运动习惯的负向影响。
回归分析最后，我们进行了回归分析，以探究变量对学业成绩的影响。
我们选择了年龄、身高、体重和运动习惯作为自变量，学业成绩作为因变量。
通过回归分析，我们得到了一个显著的回归模型，解释了学业成绩的40%的方差。
其中，年龄和身高对学业成绩有正向影响，而体重和运动习惯对学业成绩有负向影响。
多元统计课程实验报告
一、实验背景随着社会经济的发展和科学技术的进步，数据量日益庞大，如何从大量数据中提取有价值的信息，成为统计学研究的热点问题。
多元统计分析作为统计学的一个重要分支，通过对多个变量之间的关系进行分析，为决策者提供有力的数据支持。
本实验旨在通过实际操作，让学生熟练掌握多元统计分析方法，提高数据分析能力。
二、实验目的1. 掌握多元统计分析的基本概念和方法；2. 学会运用多元统计分析方法解决实际问题；3. 提高数据分析能力，为后续课程打下坚实基础。
三、实验内容本次实验以某城市居民消费数据为例，运用多元统计分析方法对其进行分析。
四、实验步骤1. 数据导入首先，将实验数据导入统计软件（如SPSS、R等）。
本实验采用SPSS软件，数据集包含以下变量：（1）收入（y）：居民年收入；（2）教育程度（x1）：居民最高学历；（3）年龄（x2）：居民年龄；（4）家庭人口（x3）：家庭人口数量；（5）住房面积（x4）：家庭住房面积。
2. 描述性统计分析对数据集进行描述性统计分析，包括各变量的均值、标准差、最大值、最小值等。
3. 相关性分析运用皮尔逊相关系数、斯皮尔曼等级相关系数等方法，分析变量之间的相关关系。
4. 主成分分析运用主成分分析方法，提取主要成分，降低数据维度。
5. 聚类分析运用K-means聚类分析方法，将居民划分为不同的消费群体。
6. 随机森林回归分析运用随机森林回归分析方法，预测居民收入。
五、实验结果与分析1. 描述性统计分析根据描述性统计分析结果，可知居民年收入、教育程度、年龄、家庭人口、住房面积的平均值、标准差、最大值、最小值等。
2. 相关性分析通过相关性分析，发现收入与教育程度、年龄、家庭人口、住房面积之间存在显著的正相关关系。
3. 主成分分析根据主成分分析结果，提取出两个主成分，累计方差贡献率为84.95%，可以解释大部分的变量信息。
4. 聚类分析通过K-means聚类分析，将居民划分为3个消费群体。
多元统计分析——典型相关分析实验报告
多元统计分析实验报告课程名称多元统计分析实验成绩实验内容典型相关分析指导老师姓名专业班级一、实验目的典型相关分析（Canonical correlation）又称规则相关分析，用以分析两组变量间关系的一种方法；两个变量组均包含多个变量，所以简单相关和多元回归的解惑都是规则相关的特例。
典型相关将各组变量作为整体对待，描述的是两个变量组之间整体的相关，而不是两个变量组个别变量之间的相关。
本文旨在通过分析农业基础用品投入量与农产品产量数据，利用典型相关分析分析两者的关系，同时达到熟练使用SPSS软件进行典型相关分析操作的目的。
二、实验数据本文使用2002-2011年全国农产品产量与农业基础用品投入量数据，如表2-1所示。
第一组数据为农产品产量（由左到右依次为，粮食产量X1、油料产量X2、糖料产量X3、蔬菜产量X4），第二组数据为农业基础用品投入量（由左到右依次为，农用塑料薄膜使用量Y1、农用柴油使用量Y2、农药使用量Y3）。
表2-1 2011-2011年全国农产品产量与农业基础用品投入量数据由于cancorr不能读取中文名称，所以变量名均需为英文名。
将表2-1数据转换为能够进行典型相关分析形式的数据，如表2-2所示。
表2-2 典型相关分析数据（农产品产量与农业基础用品投入量数据）三、实验过程SPSS 16.0并未提供典型相关分析的交互窗口，只能直接在syntax editor 窗口呼叫SPSS的CANCORR程序来执行分析。
选择【File】—【New】—【Syntax】，弹出Syntax对话框，在对话框中写入调用Cancorr程序，如图3-1所示。
图3-1 Syntax窗口调用CONCORR函数四、实验结果表4-1为第一组数据，即农产品产量之间的相关关系表。
从表中可以看出，粮食产量（X1）与蔬菜产量（X4）有较高的相关关系，相关系数高达0.9035；粮食产量（X1）与糖料产量（X3）相关关系也较大，相关系数为0.8081；油料产量（X2）与蔬菜产量（X4）的相关关系较大，为0.7442。
多元统计分析实验4
3.88
实
验
结
果
分
析
Total Variance Explained
Component
Initial Eigenvalues
Extraction Sums of Squared Loadings
Rotation Sums of Squared Loadings
Total
% of Variance
因子4与蔬菜的相关系数较高，因子5与食油的相关系数较高。
所以，主成分分析结果为，我国2003年各地区农村居民家庭平均每人主要食品消费量是由家禽和水产品
粮食，酒，蔬菜，食油组成。
教师评语
成绩
教师签名
-.170
-.015
-.122
.054
蛋类及其制品
-.214
-.056
.399
.041
.212
水产品
.398
-.200
.190
-.163
.255
食糖
.155
.392
-.007
-.023
-.076
酒
.023
-.207
.881
.097
-.184
Undefined error #11401 - Cannot open text file "C:\PROGRA~1\IBM\SPSS\STATIS~1\19\lang\en\spss.err":
(2)第一主成分的表达式为___F1=_0.238x1+0.191x2+0.265x3+0.270x4+0.173x5+0.135X6-0.046x7___，该主成分包含了原始信息的66.219_%，第二主成分的表达式为__F2= -0.087x1+0.096x2-0.126x3-0.159 x4-0.628x5+0.167x6+0.477x7，该主成分的方差贡献率为_18.358%_。
多元统计实验报告
实验一-----------------------MATLAB软件的简单熟悉-------------------------一、实验目的熟悉在MATLAB中数据的录入、保存和调用方法；熟悉matlab中关于矩阵运算和函数运算的各种命令。
二、实验内容1、矩阵和数组的输入>> A=[1 2 3；4 5 6]；>> linspace(0,1,9)；>> c=1:2:7；2 、矩阵的运算>> a=[1 11 3 ;4 12 6 ]>> A+aans =2 13 68 17 12>> B=A-aB =0 -9 00 -7 0>> A=[2 5 -3;3 6 -2;2 4 -3]>> b=[3 1 4]'>> X=A\bX =1-1-23 、矩阵的裁剪与拼接从一个矩阵中取出若干行（列）构成新的矩阵称为裁剪，MATLAB中“：”是非常重要的裁剪工具，如>> A(3,:) （A的第三行）>> A(:,2) （A的第二列）将几个矩阵接在一起，称为拼接，左右拼接行数要相同，上下拼接列数要相同，如>> E=[A,b]E =2 5 -3 33 6 -2 12 4 -3 4>> F=[b;X]4、变量与函数>> x=linspace(0,2*pi,30);>> y=sin(x);>> plot(x,y)向量函数：>> a=[5 2 1 4 3]>> b=min(a),c=sum(a),e=sort(a)矩阵函数：>> w=zeros(2,3)>> u=ones(3)>> v=eye(3,4)>> x=rand(1,3)矩阵计算函数：>> a=[1 11 3 ;4 12 6 ;7 2 9]>> d=det(a),r=rank(a),t=trace(a),e=eig(a)5、命令和环境窗口在线帮助可以用命令help 主题名例如：>> help sum显示在当前工作区中的所有变量名：>> whos 清除当前工作区中的所有变量：>> clear把变量储存在文件中：>> save 文件名调出文件中的变量：>> load 文件名实 验 二------------------------------统计数据的描述性分析------------------------------ 一、实验目的熟悉在matlab 中实现数据的统计描述方法，掌握基本统计命令：样本均值、样本中位数、样本标准差、样本方差、概率密度函数pdf 、概率分布函数df 、随机数生成rnd 。
SPSS多元统计分析实验报告
实 验 课名称：SPSS统计分析
实验项目名称：多元线性回归分析
专 业 名 称：统计学
班 级：
学 号：
学 生 姓 名：
教 师 姓 名：
2014年12月20日
组别同组同学
实验日期2014年12月20日 实验名称多元统计分析
一、实验名称：
多元统计分析
二、实验目的和要求：
通过运用SPSS软件的多元统计分析揭示主管性格与雇员对其整体满意度之间的关系掌握多元统计分析的原理及建模过程。
六、实验结果与分析
通过以上建模和检验过程，最后得到的符合实际且具有统计意义的方程为：Y=0.78X1，即雇员对主管的满意程度只与主管处理雇员的抱怨有关，且成正相关。
七、讨论和回答问题及体会：
1.通过学习，我掌握了多元线性回归的基本原理和步骤，并学会运用SPSS软件进行处理该类问题和比较熟练地分析结果。
设随机变量y与一般变量x1,x2……xk的线性回归模型为：
y=β0+β1*x1+β2*x2+……+βk*xk+ε
其中β0，β1，β2……+βk是k+1个未知参数，β0称为回归常数，β1，β2……+βk称为回归系数，y称为被解释变量；x1,x2……xk称为解释变量。通过最小二乘法估算出各系数，并测定方程的拟合程度、检验回归方程和回归系数的显著性，得到最后的方程。
3运用SPSS软件进行多元分析对模型进行整理，比较调整的R系数、方差分析表、回归分析结果（各系数机器t检验等）、共显性检验等统计方法，得出结果。
四、实验仪器与设备：
SPSS软件、兼容SPSS软件的电脑一台、老师给的数据素材。
五、实验原理：
多元线性回归模型是一元线性回归模型的扩展，其基本原理与一员线性回归模型类似，计算公式如下：
实验报告-因子分析(多元统计)精选全文
精选全文完整版可编辑修改实验报告主成分分析（综合性实验）(Principal component analysis)实验原理：主成分分析利用指标之间的相关性，将多个指标转化为少数几个综合指标，从而达到降维和数据结构简化的目的。
这些综合指标反映了原始指标的绝大部分信息，通常表示为原始指标的某种线性组合，且综合指标间不相关。
利用矩阵代数的知识可求解主成分。
实验题目一：将彩色胶卷在显影液下处理后在不同情形下曝光，然后通过红、绿、蓝三种滤色片并在高、中、低三种密度下进行测量，每个胶卷有高红、高绿、高蓝、中红、…、低蓝等九个指标（分别记为X1－X9九个变量）。
试验了108个胶卷，由数据已算得如下协差阵：(S2a1)177 179 95 96 53 32 -7 -4 -3419 245 131 181 127 -2 1 4302 60 109 142 4 4 11158 102 42 4 3 2137 96 4 5 6128 2 2 834 31 3339 3948实验要求：（1）试从协差阵出发进行主成分分析；（2）计算方差累积贡献率；（3）作Scree图，并结合（2）的结果确定主成分的个数；（4）试对结果进行解释。
实验题目二：下表中给出了不同国家及地区的男子径赛记录：(t8a6)Country 100m(s) 200m(s)400m(s)800m(min)1500m(min)5000m(min)10,000m(min)Marathon(mins)Argentina 10.39 20.81 46.84 1.81 3.7 14.04 29.36 137.72 Australia 10.31 20.06 44.84 1.74 3.57 13.28 27.66 128.3 Austria 10.44 20.81 46.82 1.79 3.6 13.26 27.72 135.9 Belgium 10.34 20.68 45.04 1.73 3.6 13.22 27.45 129.95 Bermuda 10.28 20.58 45.91 1.8 3.75 14.68 30.55 146.62 Brazil 10.22 20.43 45.21 1.73 3.66 13.62 28.62 133.13 Burma 10.64 21.52 48.3 1.8 3.85 14.45 30.28 139.95 Canada 10.17 20.22 45.68 1.76 3.63 13.55 28.09 130.15 Chile 10.34 20.8 46.2 1.79 3.71 13.61 29.3 134.03 China 10.51 21.04 47.3 1.81 3.73 13.9 29.13 133.53 Columbia 10.43 21.05 46.1 1.82 3.74 13.49 27.88 131.35 Cook Islands 12.18 23.2 52.94 2.02 4.24 16.7 35.38 164.7 Costa Rica 10.94 21.9 48.66 1.87 3.84 14.03 28.81 136.58 Czechoslovakia 10.35 20.65 45.64 1.76 3.58 13.42 28.19 134.32 Denmark 10.56 20.52 45.89 1.78 3.61 13.5 28.11 130.78 Dominican Republic 10.14 20.65 46.8 1.82 3.82 14.91 31.45 154.12 Finland 10.43 20.69 45.49 1.74 3.61 13.27 27.52 130.87 France 10.11 20.38 45.28 1.73 3.57 13.34 27.97 132.3 German (D.R.) 10.12 20.33 44.87 1.73 3.56 13.17 27.42 129.92 German (F.R.) 10.16 20.37 44.5 1.73 3.53 13.21 27.61 132.23 Great Brit.& N. Ireland 10.11 20.21 44.93 1.7 3.51 13.01 27.51 129.13 Greece 10.22 20.71 46.56 1.78 3.64 14.59 28.45 134.6 Guatemala 10.98 21.82 48.4 1.89 3.8 14.16 30.11 139.33 Hungary 10.26 20.62 46.02 1.77 3.62 13.49 28.44 132.58 India 10.6 21.42 45.73 1.76 3.73 13.77 28.81 131.98Indonesia 10.59 21.49 47.8 1.84 3.92 14.73 30.79 148.83 Ireland 10.61 20.96 46.3 1.79 3.56 13.32 27.81 132.35 Israel 10.71 21 47.8 1.77 3.72 13.66 28.93 137.55 Italy 10.01 19.72 45.26 1.73 3.6 13.23 27.52 131.08 Japan 10.34 20.81 45.86 1.79 3.64 13.41 27.72 128.63 Kenya 10.46 20.66 44.92 1.73 3.55 13.1 27.38 129.75 Korea 10.34 20.89 46.9 1.79 3.77 13.96 29.23 136.25 D.P.R Korea 10.91 21.94 47.3 1.85 3.77 14.13 29.67 130.87 Luxembourg 10.35 20.77 47.4 1.82 3.67 13.64 29.08 141.27 Malaysia 10.4 20.92 46.3 1.82 3.8 14.64 31.01 154.1 Mauritius 11.19 22.45 47.7 1.88 3.83 15.06 31.77 152.23 Mexico 10.42 21.3 46.1 1.8 3.65 13.46 27.95 129.2 Netherlands 10.52 20.95 45.1 1.74 3.62 13.36 27.61 129.02 New Zealand 10.51 20.88 46.1 1.74 3.54 13.21 27.7 128.98 Norway 10.55 21.16 46.71 1.76 3.62 13.34 27.69 131.48 Papua New Guinea 10.96 21.78 47.9 1.9 4.01 14.72 31.36 148.22 Philippines 10.78 21.64 46.24 1.81 3.83 14.74 30.64 145.27 Poland 10.16 20.24 45.36 1.76 3.6 13.29 27.89 131.58 Portugal 10.53 21.17 46.7 1.79 3.62 13.13 27.38 128.65 Rumania 10.41 20.98 45.87 1.76 3.64 13.25 27.67 132.5 Singapore 10.38 21.28 47.4 1.88 3.89 15.11 31.32 157.77 Spain 10.42 20.77 45.98 1.76 3.55 13.31 27.73 131.57 Sweden 10.25 20.61 45.63 1.77 3.61 13.29 27.94 130.63 Switzerland 10.37 20.46 45.78 1.78 3.55 13.22 27.91 131.2 Taipei 10.59 21.29 46.8 1.79 3.77 14.07 30.07 139.27 Thailand 10.39 21.09 47.91 1.83 3.84 15.23 32.56 149.9 Turkey 10.71 21.43 47.6 1.79 3.67 13.56 28.58 131.5 USA 9.93 19.75 43.86 1.73 3.53 13.2 27.43 128.22 USSR 10.07 20 44.6 1.75 3.59 13.2 27.53 130.55Western Samoa 10.82 21.86 49 2.02 4.24 16.28 34.71 161.83 （数据来源：1984年洛杉机奥运会IAAF/AFT径赛与田赛统计手册）实验要求：（1）试求主成分，并对结果进行解释；（2）试用方差累积贡献率和Scree图确定主成分的个数；（3）计算各国第一主成分的得分并排名。
多元统计分析实验报告（精选多篇）
多元统计分析实验报告（精选多篇）第一篇：多元统计分析实验报告多元统计分析得实验报告院系:数学系班级:1３级 B 班姓名:陈翔学号:2013１611233 实验目得:比较三大行业得优劣性实验过程有如下得内容:(１)正态性检验;(2)主体间因子,多变量检验a;(３)主体间效应得检验;(4)对比结果(K 矩阵);(5)多变量检验结果;(６)单变量检验结果;(7)协方差矩阵等同性得Box 检验ａ,误差方差等同性得Ｌevene 检验 a;(8)估计;(9)成对比较,多变量检验;(10)单变量检验。
实验结果:综上所述,我们对三个行业得运营能力进行了具体得比较分析,所得数据表明,从总体来瞧,信息技术业要稍好于电力、煤气及水得生产与供应业以及房地产业。
１。
正态性检验Kｏlmogorｏv－SｍirnovaShapiｒ o—Wilk 统计量 dｆ Sig.统计量ｄｆ Sig、净资产收益率。
１１３ 35、2００＊。
97８ 35。
6７7 总资产报酬率。
121 35、２00＊。
964 3５、298 资产负债率。
08６ 35。
2００*.9６2 35、265 总资产周转率.1８0 3５、006。
864 ３5。
00０流动资产周转率、164 3５、０18.88５35、002 已获利息倍数、２8１35.０00。
55１３5、0０0 销售增长率.1０3 ３５、2０0＊。
９4９ 35、104 资本积累率。
251 35。
０00、655 35。
0０0 *。
这就是真实显著水平得下限。
ａ。
Lillｉeforｓ显著水平修正此表给出了对每一个变量进行正态性检验得结果,因为该例中样本中ｎ＝35<2000,所以此处选用 Shapiro—W ｉｌk 统计量。
由 Sig。
值可以瞧到,总资产周转率、流动资产周转率、已获利息倍数及资本积累率均明显不遵从正态分布,因此,在下面得分析中,我们只对净资产收益率、总资产报酬率、资产负债率及销售增长率这四个指标进行比较,并认为这四个变量组成得向量遵从正态分布(尽管事实上并非如此)。
多元统计分析 实验报告
多元统计分析实验报告多元统计分析实验报告一、引言多元统计分析是一种研究多个变量之间关系的统计方法，可以帮助我们更全面地了解数据集中的信息。
本实验旨在通过多元统计分析方法，探索不同变量之间的关系，并分析其对研究结果的影响。
二、数据收集与处理在本实验中，我们收集了一份关于学生学业成绩的数据集。
数据集包括学生的性别、年龄、家庭背景、学习时间、考试成绩等多个变量。
为了方便分析，我们对数据进行了清洗和预处理，包括删除缺失值、标准化处理等。
三、描述性统计分析在进行多元统计分析之前，我们首先对数据进行了描述性统计分析。
通过计算各变量的均值、标准差、最小值、最大值等统计量，我们对数据的整体情况有了初步的了解。
例如，我们发现男生和女生的平均成绩存在差异，家庭背景与学习时间之间存在一定的相关性等。
四、相关性分析为了探索不同变量之间的关系，我们进行了相关性分析。
通过计算各个变量之间的相关系数，我们可以了解它们之间的线性关系强弱。
通过绘制相关系数矩阵的热力图，我们可以直观地观察到各个变量之间的相关性。
例如，我们发现学习时间与考试成绩之间存在较强的正相关关系，而年龄与考试成绩之间的相关性较弱。
五、主成分分析主成分分析是一种常用的降维方法，可以将多个相关变量转化为少数几个无关的主成分。
在本实验中，我们应用主成分分析方法对数据进行了降维处理。
通过计算各个主成分的解释方差比例，我们可以确定保留的主成分个数。
通过绘制主成分得分图，我们可以观察到不同变量在主成分上的贡献程度。
例如，我们发现第一主成分主要与学习时间和考试成绩相关，而第二主成分主要与家庭背景和性别相关。
六、聚类分析聚类分析是一种将样本按照相似性进行分类的方法，可以帮助我们发现数据集中的潜在模式和群体。
在本实验中，我们应用聚类分析方法对学生进行了分类。
通过选择适当的聚类算法和距离度量，我们可以将学生分为不同的群体。
通过绘制聚类结果的散点图，我们可以观察到不同群体之间的差异。
多元统计分析实验报告)
. . .数学与计算科学学院实验报告实验项目名称相应与典型相关分析所属课程名称多元统计分析实验实验类型验证型实验日期2016年6月13日星期一班级学号姓名成绩因素B 具有对等性。
通过变换。
得c '=ΣZ Z ，r '=ΣZZ 。
（3）对因素B 进行因子分析。
计算出c '=ΣZ Z 的特征向量 及其相应的特征向量计算出因素B 的因子)（4）对因素A 进行因子分析。
计算出r '=ΣZZ 的特征向量 及其相应的特征向量计算出因素A 的因子（5）选取因素B 的第一、第二公因子 选取因素A 的第一、第二公因子将B 因素的c 个水平，，A 因素的r 个水平同时反应到相同坐标轴的因子平面上上（6）根据因素A 和因素B 各个水平在平面图上的分布，描述两因素及各个水平之间的相关关系。
1.3 在进行相应分析时，应注意的问题要注意通过独立性检验判定是否有必要进行相应分析。
因此在进行相应分析前应做独立性检验。
独立性检验中，0H ：因素A 和因素B 是独立的；1H ：因素A 和因素B 不独立 由上面的假设所构造的统计量为2211ˆ[()]ˆ()rcij ij i j ijk E k E k χ==-=∑∑211()r c ij i j k z ===∑∑ 其中....(/)/ij ij i j i j z k k k k k k =-，拒绝区域为221[(1)(1)]r c αχχ->--()(1)()(1)i i P Pa X '++a X ()(2)()(2)i i q qb X '++b X(2))1=X 的条件下，使得()(2)()(2)i i q qb X '+b X(2))1=X 的条件下，使得(1)、(2)X 的第一对典型相关变量。
1,2,,)r()p⎦()p ⎥⎦pU⎥⎥⎦p V⎥⎥⎦*(1)*== A X V Bˆˆr() ++b bz【实验过程】（实验步骤、记录、数据、分析）一．问题1的求解步骤：1. 将数据输入在SPSS后，在窗口中选择数据→加权个案，调出加权个案主界面，并将变量人数移入加权个案中的频率变量框中。
应用多元统计分析实验报告
应用多元统计分析实验报告一、引言多元统计分析是一种通过同时考虑多个自变量对因变量的影响来进行数据分析的方法。
它可以帮助研究人员了解不同自变量之间的关系，并预测因变量的表现。
本实验旨在应用多元统计分析方法，探索自变量对于因变量的影响。
二、实验设计在本次实验中，我们选择了一个具体的研究问题：探究学生的学习成绩在不同自变量下的表现。
我们收集了100名学生的数据，包括他们的性别（自变量1）、年龄（自变量2）、家庭背景（自变量3）以及他们的数学和语文成绩（因变量）。
三、数据收集与处理我们使用问卷调查的方式收集了学生的性别、年龄和家庭背景的数据，并从学校的成绩数据库中获取了他们的数学和语文成绩。
在处理数据之前，我们进行了数据清洗和缺失值处理。
四、数据分析步骤1.描述统计分析：首先，我们对数据进行了描述性统计分析，包括计算平均值、标准差、最小值、最大值等指标，以了解数据的基本情况。
2.相关性分析：接下来，我们进行了相关性分析，探索自变量与因变量之间的关系。
我们使用皮尔逊相关系数来衡量两个变量之间的线性相关性，并进行了显著性检验。
3.多元线性回归分析：为了探究多个自变量对因变量的综合影响，我们进行了多元线性回归分析。
我们选择了逐步回归的方法，逐步将自变量加入模型，并根据显著性检验的结果决定是否保留自变量。
4.方差分析：最后，我们进行了方差分析，检验不同自变量水平下因变量均值之间的差异是否显著。
我们使用了单因素方差分析和多重比较方法。
五、结果与讨论1.描述统计分析结果显示，学生平均年龄为18岁，数学平均成绩为80分，语文平均成绩为85分。
标准差较小，表明数据的波动较小。
2.相关性分析结果显示，学生的性别和家庭背景与他们的数学和语文成绩之间存在显著相关性（p < 0.05）。
而年龄与成绩之间的相关性不显著。
3.多元线性回归分析结果显示，性别和家庭背景对学生的成绩有显著影响（p < 0.05），而年龄的影响不显著。
多元统计分析_判别分析实验报告
多元统计分析_判别分析实验报告一、实验目的本实验旨在通过对一组数据进行判别分析，了解判别分析的基本原理和应用过程，掌握判别分析的实现方法并运用MATLAB软件进行实现。
二、实验原理判别分析是一种分类方法，用于将已知的样本分类到已知类别中。
判别分析的目的是找到一个统计模型，通过对样本进行观测和测量，能够把它们判别为若干类别中的一种。
在判别分析中，样本数据是由多个指标组成，每个指标都是一个随机变量。
在多元统计中，这些指标被称为变量。
判别函数是一个用于将样本分类的函数，它以样本的多个变量作为输入，并输出该样本属于哪一类的分类决策。
判别函数的形式取决于所使用的判别方法。
判别分析中最重要的判别方法是线性判别分析。
线性判别分析是一种找到最佳线性分类器的方法。
在线性判别分析中，样本被认为是由每个变量线性组合而成，各个变量之间存在某种相关性。
判别分析的目标是找到一条分割两个类别的直线，使得该直线上或下的样本属于不同的类别。
这条直线被称为判别函数。
对于一个具有p个指标的样本，判别函数可以通过下式计算得到：$g_j(x)=x^T\hat{a_j}+\hat{a}_{j0}$其中，j表示第j个判别函数，x是一个向量，包含了样本各个指标的取值，$\hat{a_j}$是一个向量，表示样本各个变量在第j个判别函数中的系数，$\hat{a}_{j0}$是一个截距项。
在线性判别分析中，判别函数的系数可以通过最小平方判别函数系数估计公式获得：$\hat{a_j}=(\sum_{i=1}^{n_j}(x_i-\bar{x_j})(x_i-\bar{x_j})^T)^{-1}(\bar{x_1}-\ bar{x_2})$其中，$\bar{x_1}=\frac{1}{n_1}\sum_{i=1}^{n_1}x_i$n1和n2分别是两个类别的样本数。
三、实验步骤1. 导入数据并分别计算两个类别数据的均值和协方差矩阵。
2. 计算最佳线性判别函数，并作图展示判别平面和两个类别的分布情况。
多元统计分析实验报告
附录1：源程序
附录2：实验报告填写说明
1．实验项目名称：要求与实验教学大纲一致。
2．实验目的：目的要明确，要抓住重点，符合实验教学大纲要求。
3．实验原理：简要说明本实验项目所涉及的理论知识。
4．实验环境：实验用的软、硬件环境。
5．实验方案（思路、步骤和方法等）：这是实验报告极其重要的内容。
概括整个实验过程。
对于验证性实验，要写明依据何种原理、操作方法进行实验，要写明需要经过哪几个步骤来实现其操作。
对于设计性和综合性实验，在上述内容基础上还应该画出流程图、设计思路和设计方法，再配以相应的文字说明。
对于创新性实验，还应注明其创新点、特色。
6．实验过程（实验中涉及的记录、数据、分析）：写明具体实验方案的具体实施步骤，包括实验过程中的记录、数据和相应的分析。
7．实验结论（结果）：根据实验过程中得到的结果，做出结论。
8．实验小结：本次实验心得体会、思考和建议。
9．指导教师评语及成绩：指导教师依据学生的实际报告内容，给出本次实验报告的评价。
多元统计分析实验报告
多元统计分析实验报告多元统计分析实验报告引言：多元统计分析是一种研究多个变量之间关系的方法，通过对多个变量进行综合分析，可以揭示出变量之间的相互作用和影响，帮助我们更好地理解数据背后的规律和现象。
本实验旨在通过对一组数据进行多元统计分析，探索变量之间的关系，并对实验结果进行解读。
实验设计：本实验选取了一组包含多个变量的数据集，其中包括性别、年龄、教育程度、收入水平、婚姻状况等变量。
通过对这些变量进行多元统计分析，我们希望了解这些变量之间是否存在相关性，并进一步探究各个变量对于整体数据集的影响。
数据收集与处理：首先，我们收集了一份包含上述变量的样本数据，共计1000个样本。
接下来，我们对数据进行了清洗和处理，包括去除异常值、缺失值的处理等。
经过处理后，我们得到了一份完整的数据集，可以进行后续的多元统计分析。
多元统计分析方法：在本实验中，我们使用了多元统计分析中的主成分分析和聚类分析两种方法。
主成分分析是一种通过将原始变量转化为一组新的综合变量，来降低数据维度并保留尽可能多的信息的方法。
聚类分析则是一种通过对样本进行分类，使得同一类别内的样本相似性较高，不同类别之间的差异性较大的方法。
实验结果与分析：经过主成分分析，我们得到了一组主成分，它们分别代表了原始变量的不同方面。
通过对主成分的解释，我们可以发现性别、年龄和教育程度等变量对于整体数据集的解释性较高，而收入水平和婚姻状况等变量的解释性较低。
这说明性别、年龄和教育程度等因素在整体数据中起着较为重要的作用。
接下来，我们进行了聚类分析，将样本分为若干个类别。
通过观察不同类别的样本特征，我们可以发现在同一类别内，样本的性别、年龄和教育程度等变量较为相似，而收入水平和婚姻状况等变量的差异较大。
这说明性别、年龄和教育程度等因素在样本分类中起到了重要的作用，而收入水平和婚姻状况等因素则对样本分类的影响较小。
结论与展望：通过本次实验的多元统计分析，我们可以得出以下结论：性别、年龄和教育程度等因素在整体数据集中起着较为重要的作用，并且对样本分类也具有一定的影响。
多元统计分析实验报告
1.实验目的：（1）掌握均值向量及协方差阵的检验方法。
（2）能够用SPSS软件或R软件实现均值及协方差阵的检验，并正确理解输出结果。
2.实验内容均值向量检验和协方差阵检验3.实验步骤（1）在进行比较分析之前，首先要对数据是否遵从多元正态分布进行检验。
对数据进行以下操作“Analyze-descriptive statistics-explore”。
图一图二单击plots，选择正态分布检验，单击continue，ok 得出结果。
图三（2）多元正态分布有关均值与方差的检验，单击“Analyze-general linear model-multivariate”，得到下图。
图4Options打开，将省份导入display means for中，如图5，continue继续，ok运行。
图54.实验结果（或心得体会）Tests of NormalityKolmogorov-Smirnov a Shapiro-WilkStatistic df Sig. Statistic df Sig.年末总户数（户）.116 94 .003 .942 94 .000 年末总人口（万人）.406 94 .000 .659 94 .000 地方财政一般预算收入（万元）.174 94 .000 .842 94 .000 行政区域土地面积.177 94 .000 .837 94 .000 其中：乡村户数.141 94 .000 .924 94 .000 地方财政一般预算支出.258 94 .000 .777 94 .000 城乡居民储蓄存款余额.230 94 .000 .603 94 .000 规模以上工业企业个数.167 94 .000 .854 94 .000 普通中学在校学生数.336 94 .000 .588 94 .000。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1.正态性检验Kolmogorov-Smirnov a Shapiro-Wilk统计量df Sig. 统计量df Sig.净资产收益率.113 35 .200*.978 35 .677总资产报酬率.121 35 .200*.964 35 .298资产负债率.086 35 .200*.962 35 .265总资产周转率.180 35 .006 .864 35 .000流动资产周转率.164 35 .018 .885 35 .002已获利息倍数.281 35 .000 .551 35 .000销售增长率.103 35 .200*.949 35 .104资本积累率.251 35 .000 .655 35 .000*. 这是真实显著水平的下限。
a. Lilliefors 显著水平修正此表给出了对每一个变量进行正态性检验的结果，因为该例中样本中n=35<2000，所以此处选用Shapiro-Wilk统计量。
由Sig.值可以看到，总资产周转率、流动资产周转率、已获利息倍数及资本积累率均明显不遵从正态分布，因此，在下面的分析中，我们只对净资产收益率、总资产报酬率、资产负债率及销售增长率这四个指标进行比较，并认为这四个变量组成的向量遵从正态分布（尽管事实上并非如此）。
这四个指标涉及公司的获利能力、资本结构及成长能力，我们认为这四个指标可以对公司运营能力做出近似的度量。
2.主体间因子N行业电力、煤气及水的生产和供应业11 房地行业15 信息技术业9多变量检验a效应值 F 假设df 误差df Sig.截距Pillai 的跟踪.967 209.405b 4.000 29.000 .000 Wilks 的Lambda .033 209.405b 4.000 29.000 .000 Hotelling 的跟踪28.883 209.405b 4.000 29.000 .000 Roy 的最大根28.883 209.405b 4.000 29.000 .000行业Pillai 的跟踪.481 2.373 8.000 60.000 .027 Wilks 的Lambda .563 2.411b8.000 58.000 .025 Hotelling 的跟踪.698 2.443 8.000 56.000 .024Roy 的最大根.559 4.193c 4.000 30.000 .008a. 设计: 截距+ 行业b. 精确统计量c. 该统计量是F 的上限，它产生了一个关于显著性级别的下限。
上面第一张表是样本数据分别来自三个行业的个数。
第二张表是多变量检验表，该表给出了几个统计量，由Sig.值可以看到，无论从哪个统计量来看，三个行业的运营能力（从净资产收益率、总资产报酬率、资产负债率及销售增长率这四个指标的整体来看）都是有显著差别的。
3.主体间效应的检验源因变量III 型平方和df 均方 F Sig.校正模型净资产收益率306.300a 2 153.150 4.000 .028 总资产报酬率69.464b 2 34.732 3.320 .049 资产负债率302.366c 2 151.183 .680 .514 销售增长率2904.588d 2 1452.294 2.154 .133截距净资产收益率615.338 1 615.338 16.073 .000 总资产报酬率218.016 1 218.016 20.841 .000 资产负债率105315.459 1 105315.459 473.833 .000 销售增长率 1.497 1 1.497 .002 .963行业净资产收益率306.300 2 153.150 4.000 .028 总资产报酬率69.464 2 34.732 3.320 .049 资产负债率302.366 2 151.183 .680 .514 销售增长率2904.588 2 1452.294 2.154 .133误差净资产收益率1225.054 32 38.283 总资产报酬率334.753 32 10.461 资产负债率7112.406 32 222.263 销售增长率21579.511 32 674.360总计净资产收益率2238.216 35 总资产报酬率641.598 35 资产负债率117585.075 35 销售增长率24585.045 35校正的总计净资产收益率1531.354 34 总资产报酬率404.217 34 资产负债率7414.772 34 销售增长率24484.099 34a. R 方= .200（调整R 方= .150）b. R 方= .172（调整R 方= .120）c. R 方= .041（调整R 方= -.019）d. R 方= .119（调整R 方= .064）此表给出了每个财务指标的分析结果，同时给出了每个财务指标的方差来源，包括校正模型、截距、主效应（行业）、误差及总的方差来源，还给出了自由度、均方、F统计量及Sig.值4.此表表示，在0.05的显著水平下，第一行业（电力、煤气及水的生产和供应业）与第三行业（信息技术业）的总资产报酬率指标存在显著差别，净资产收益率、资产负债率和销售增长率等财务指标无明显差别，但由第一栏可以看到，电力、煤气及水的生产和供应业的净资产收益率、总资产报酬率和销售增长率均低于信息技术业，资产负债率高于信息技术业，似乎说明信息技术业作为新兴行业，其成长能力要更高一些。
第二行业（房地产业）与第三行业的销售增长率指标有明显的差别，第三行业大于第二行业，说明信息技术业的获利能力高于房地产业。
净资产收益率、总资产报酬率和资产负债率等财务指标没有显著差别。
5.多变量检验结果值 F 假设df 误差df Sig.Pillai 的跟踪.481 2.373 8.000 60.000 .027Wilks 的lambda .563 2.411a8.000 58.000 .025Hotelling 的跟踪.698 2.443 8.000 56.000 .024Roy 的最大根.559 4.193b 4.000 30.000 .008a. 精确统计量b. 该统计量是F 的上限，它产生了一个关于显著性级别的下限。
此表是上面多重比较可信性的度量，由Sig.值可以看到，比较检验是可信的。
6.单变量检验结果源因变量平方和df 均方 F Sig.对比净资产收益率306.300 2 153.150 4.000 .028 总资产报酬率69.464 2 34.732 3.320 .049 资产负债率302.366 2 151.183 .680 .514 销售增长率2904.588 2 1452.294 2.154 .133误差净资产收益率1225.054 32 38.283 总资产报酬率334.753 32 10.461 资产负债率7112.406 32 222.263 销售增长率21579.511 32 674.360此表是对每一个指标在三个行业比较的结果。
7.误差方差等同性的Levene 检验aF df1 df2 Sig.净资产收益率.500 2 32 .611总资产报酬率 1.759 2 32 .188资产负债率 4.537 2 32 .018销售增长率 1.739 2 32 .192检验零假设，即在所有组中因变量的误差方差均相等。
a. 设计: 截距+ 行业上面第一张表是协方差阵相等的检验，检验统计量是Box’s M，由Sig.值可以认为三个行业（总体）的协方差阵是相等的。
第二张表给出了各行业误差平方相等的检验，在0.05的显著性水平下，净资产收益率、总资产报酬率以及销售增长率的误差平方在三个行业间没有显著差别。
这似乎说明，除了行业因素，对资产负债率有显著影响的还有其他因素。
这与此处均值比较没有太大的关系。
8.总资产报酬率电力、煤气及水的生产和供应业.524 .975 -1.463 2.510 房地行业 3.537 .835 1.836 5.238 信息技术业 3.593 1.078 1.397 5.789资产负债率电力、煤气及水的生产和供应业60.315 4.495 51.158 69.471 房地行业54.847 3.849 47.006 62.688 信息技术业53.056 4.969 42.933 63.178销售增长率电力、煤气及水的生产和供应业-1.038 7.830 -16.987 14.911 房地行业-10.512 6.705 -24.170 3.146 信息技术业12.184 8.656 -5.448 29.816此表给出了每一行业各财务指标描述统计量的估计。
9.成对比较因变量(I) 行业(J) 行业均值差值(I-J) 标准误差Sig.b差分的95% 置信区间b下限上限净资产收益率电力、煤气及水的生产和供应业房地行业-6.702* 2.456 .010 -11.705 -1.699信息技术业-5.649 2.781 .051 -11.313 .016 房地行业电力、煤气及水的生产和供应业6.702* 2.456 .010 1.699 11.705信息技术业 1.054 2.609 .689 -4.260 6.368 信息技术业电力、煤气及水的生产和供应业5.649 2.781 .051 -.016 11.313房地行业-1.054 2.609 .689 -6.368 4.260总资产报酬率电力、煤气及水的生产和供应业房地行业-3.013* 1.284 .025 -5.628 -.398信息技术业-3.070* 1.454 .043 -6.031 -.109 房地行业电力、煤气及水的生产和供应业3.013* 1.284 .025 .398 5.628信息技术业-.057 1.364 .967 -2.834 2.721 信息技术业电力、煤气及水的生产和供应业3.070* 1.454 .043 .109 6.031房地行业.057 1.364 .967 -2.721 2.834资产负债率电力、煤气及水的生产和供应业房地行业 5.468 5.918 .362 -6.587 17.523信息技术业7.259 6.701 .287 -6.390 20.908 房地行业电力、煤气及水的生产和供应业-5.468 5.918 .362 -17.523 6.587 信息技术业 1.791 6.286 .778 -11.013 14.595 信息技术业电力、煤气及水的生产和供应业-7.259 6.701 .287 -20.908 6.390 房地行业-1.791 6.286 .778 -14.595 11.013多变量检验值 F 假设df 误差df Sig.Pillai 的跟踪.481 2.373 8.000 60.000 .027Wilks 的lambda .563 2.411a8.000 58.000 .025Hotelling 的跟踪.698 2.443 8.000 56.000 .024Roy 的最大根.559 4.193b 4.000 30.000 .008每个F 检验行业的多变量效应。