多元统计分析方法在宏观经济分析中的运用

2020-01-16 20:57
环渤海经济瞭望 2020年5期
关键词:分析方法聚类矩阵

一、前言

统计方法是一种利用统计随机变量分布来分析变量的特征和变化规律的变量分析方法。在实践中,往往需要同时对几个变量的分布进行统计计算,这就需要引入统计方法,这种方法是对变量进行分割并通过对单个变量的分布进行统计来分析变量的影响。另一种方法是同时分析多个变量,利用互联网技术分析并同时处理多个变量组,根据结果研究这样事件的特征和规律。正是由于多元统计分析方法,最适合于生产决策的确定。根据上述的优势,同时多元统计分析是从已知事件推断未知事件概率的分析方法之一。本文则通过描述统计方法的理论基础和分析逻辑与具体的经济指标,并分析了多元统计分析在宏观经济分析中的应用。

二、多元统计的主要方法分析

随着经济的发展,对统计的需求越来越大,对多元统计的理论研究也越来越深入。多元统计的主要分析方法有成分分析、聚类分析、对应分析、典型相关性分析、判别分析和多元回归分析。这些统计方法可分为两类:传统的单变量分析和现代的多变量分析。在宏观经济分析中最常用的是主成分分析和聚类分析。

(一)主成分分析特点及应用。主成分分析的定义是寻找新的变量,用一种不受新变量干扰的数学方法来替换旧的变量组,并允许进行独立的分布统计。主成分分析的数学表达式为:Cov(F1,F2)=0,其中Fn为新变量,即变量之间不受影响的重复部分。Fn为主成分主要特点是有别于其他的主成分分析的方法,更在于表达具体的数据,而无需预先确定事件的外部环境,从而避免错误定义参数和可能影响最终结果的统计分析。在此方法中尽可能选择多的变量,其精度部分取决于所选变量的基数的大小;在分析过程中选择的变量的数量应尽可能少(这里的变量是指替换一组相关变量的新聚合变量;聚合变量越少,在分析过程中相互作用的变量就越少,分析结果就越接近现实)。主成分分析主要应用于系统变量过多且变量相互影响较大的事件。在统计过程中,通过协方差矩阵的计算确定每个矩阵中最具影响力的分量,并将其定义为新的主要分量以减少分析变量。因此,分阶段计算可以不断简化变量,逐步突出主要矛盾,但由于主成分分析方法避免了变量的重复计数,也考虑了每个变量的影响,在一定程度上消除了主观人为因素对分析结果的影响,使最终结果更加客观。

(二)聚类分析特点及应用。聚类分析被定义为一种统计方法,它所使用一种统计方法是统计变量的分布,目的是通过在分析概括类似性质的变量来减少系统变量。虽然集群分析属于统计分析的范畴,但它受到许多分析领域的影响,如数据提取、机器模型识别和统计。聚类是指在分析过程中具有高度相似性的变量必须聚类在一个集合中,并且集合之间的差异是明显的。聚类分析中,特定变量是指各变量的统计系统中首先被选中,然后和所有变量相关联的因素被选为评价标准然后衡量基准。通过把矩阵分析包括将所有变量聚类到一个相似矩阵中,然后将两组最相似的变量合并从而减少变量。因此,把新矩阵中最相似的两组变量依次合并,使最终矩阵中的变量统一为一个变量。最后,按变量组合顺序排列的聚类图直观地显示了系统中所有变量之间的相似性程度,从而得出更贴近实际生活的结果。

三、多元统计分析方法在宏观经济分析中的运用

在经济不断发展的今天,数据的整理分析过程之中存在着太多的不确定性,所以在这样的一种不可预测的数据变动的情况之下,多元统计分析方法可以利用已知的变量数据来进行排列分析,并得出具体的宏观数据,通过这种数据分析方式更加的具有确定性,也更加地贴近实际生活。但是在多元统计分析的过程之中会根据所要研究的对象的不同,且需要运用不同的分析方式。那么通过聚类分析得出的变量与对应的因素进行矩阵排列形成一个统一变量,在矩阵数据的分析中得出更贴近生活的分析结果。

四、结语

综上所述,通过多元统计分析方法可以看出这两种分析方式,一是聚类分析方式更加的注重变量数据的相互联系,注重经济的整体发展。而主成分分析方式则是更注重把握变量的准确性与直观性,每一种分析方式都有着自身的优势,要根据所分析的对象不同进行不同分析方式的选择,从而得出最为贴近实际生活的数据。

猜你喜欢
分析方法聚类矩阵
基于EMD的MEMS陀螺仪随机漂移分析方法
路堤下CFG桩复合地基稳定分析方法探讨
基于K-means聚类的车-地无线通信场强研究
中国设立PSSA的可行性及其分析方法
基于高斯混合聚类的阵列干涉SAR三维成像
初等行变换与初等列变换并用求逆矩阵
TD-LTE网络覆盖的分析方法研究
基于Spark平台的K-means聚类算法改进及并行化实现
基于加权模糊聚类的不平衡数据分类方法
矩阵