信用卡数据分析

信用卡数据分析

摘要：随着社会发展，信用卡在生活起着越来越重要的作用。它能缓解资金压力、信用额度可以累加、消费可享有免息期、积分累加、可以换礼物、国际通用、在国外可以使用、很多商户为信用卡持卡人提供打折、方便有透支信用额度可以缓解燃眉之急；但它也有很多缺点，多数信用卡没有密码，一旦丢失麻烦多、使用信用卡会增加消费、总感觉花的不是自己的钱，会造成消费欠理性的现象、用信用卡取现金手续费和利息很昂贵、其实好坏是相对的，解决了你眼前的问题就是它的好处，但是随之而来的后续问题，也许会令你很烦恼。如，一到最后还款日，你就会为卡数愁了，从而变成卡奴。个人觉得，一定要有稳定工作和固定收入才适合办理信用卡。

关键词：列联表spss软件聚类分析 Eviews软件回归分析

一、问题重述

要求：.

2.根据分析结果建立合理的模型描述这三者间的关系.

3.根据预测结果提出合理化建议.

二、问题分析

对于收入、个体数量及是否持信用卡三者之间之间的无规律性，我们根据现在的社会情况，可以把持有信用卡的人员认为中等收入者，高收入者比较多一点。我们先对数据进行列联表分析，分析出数据的情况，在对数据进行聚类分析，对

数据进行聚类分析，按照现在的社会情况以及数据的情况对数据进行分析。数据的聚类分析以后，我们可以对数据的分类进行回归模型的建立。

三、模型假设

对于所给的数据不具有可变性，并且数据表中的收入收入是固定的。

四、符号说明

SR：收入

GTSL：个体数量

XYK：信用卡

五、模型的建立

5.1列联表检验

将数据导入spss软件中，进行数据的列联表关系分析。

图表1个体数量*信用卡交叉图

图表2卡方检验表

图表3方向性测度

图表4对称性测度

从个体数量*信用卡交叉图可以看出，数据分布比较分散需要进行聚类分析。然后画它的数据条形图。

图表5数据分布条形图

对数据的条形图，我们更能很好的看出，数据分布比较分散需要进行聚类分析。

5.2数据聚类分析

图表6聚类数据组数据应用信息表

从数据的聚类来看，数据都有31组，并且31组均为有用数据，均进行了数据

的聚类分析和分组。

图表7聚类数据分布表

从聚类数据分布表中，我们可以看到数据的分类标准。

图表8聚类数据分布图

从上面的聚类数据分布表中，我们可以把31组数据进行聚类分组，分组结果为3组，其中，21组、22组、23组、24组、25组、26组、27组、28组、29组数据分为第一组。另外，1—20组可以分为一组。剩下的30组、31组分为一组。分完组后我们可以进行分组数据的回归模型的建立。

5.3分组数据回归模型的建立

5.3.1

图表9分组一整合数据

分完组的数据，我们先需要进行相关系数的检验，观察分组数据的相关性大

小。

GTSL SR XYK

GTSL 1.000000 -0.587078 0.904620

SR -0.587078 1.000000 -0.504356

XYK 0.904620 -0.504356 1.000000

图表 10分组一数据相关系数

从数据的相关性可以看出，分组后数据的相关性比较好，可以建立回归模型。

Dependent Variable: GTSL Method: Least Squares Date: 08/23/13 Time: 16:37 Sample: 1 9

Included observations: 9

Variable Coefficient Std. Error t-Statistic Prob. SR 0.015150 0.005586 2.712185 0.0301 XYK

0.965546

0.162957 5.925170

0.0006

R-squared 0.789826 Mean dependent var 2.666667 Adjusted R-squared 0.759802 S.D. dependent var 2.121320 S.E. of regression 1.039660 Akaike info criterion 3.108795 Sum squared resid 7.566250 Schwarz criterion 3.152622 Log likelihood -11.98958 Hannan-Quinn criter. 3.014215 Durbin-Watson stat

2.420614

图表 11数据回归结果

从系数表中可以得到GTLS （个体数量）对2个自变量的线性回归方程为：

XYK SR GTLS *965546.0*01515.0+=

从上表可以看出，从上回归结果可以看出，拟合优度很高，整体效果的F 检验通过。789826.0R 2=、759802.0R 2=可决系数比较高，说明模型对样本的拟合很好。

5.3.2

图表 12分组二整合数据

分完组的数据，我们先需要进行相关系数的检验，观察分组数据的相关性大小。

GTSL SR XYK

GTSL 1.000000 -0.126960 0.551364 SR -0.126960 1.000000 -0.041153 XYK

0.551364

-0.041153

1.000000

图表 13分组二数据相关系数

从数据的相关性可以看出，分组后数据的相关性比较好，可以建立回归模型。

Dependent Variable: GTSL Method: Least Squares Date: 08/23/13 Time: 16:42 Sample: 1 20

Included observations: 20

Variable Coefficient Std. Error t-Statistic Prob. SR 0.053376 0.019053 2.801484 0.0118 XYK

2.593166

0.870561 2.978729

0.0080

R-squared 0.245719 Mean dependent var 3.450000 Adjusted R-squared 0.203815 S.D. dependent var 2.981963 S.E. of regression 2.660783 Akaike info criterion 4.889757 Sum squared resid 127.4358 Schwarz criterion 4.989331 Log likelihood -46.89757 Hannan-Quinn criter. 4.909195 Durbin-Watson stat

1.888526

图表 14数据回归结果

从系数表中可以得到GTLS （个体数量）对2个自变量的线性回归方程为： XYK SR GTLS *593166.2*053376.0+=

从上表可以看出，从上回归结果可以看出，拟合优度很高，整体效果的F 检验通过。245719.0R 2=、203815.0R 2=可决系数还算可以，说明模型对样本的拟合只算通过。 5.3.3