Spss在经济管理学科中的应用(共5页).doc

《Spss在经济管理学科中的应用(共5页).doc》由会员分享，可在线阅读，更多相关《Spss在经济管理学科中的应用(共5页).doc（5页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、精选优质文档-倾情为你奉上Spss在经济管理学科中的应用 摘要:随着我国改革开放的实践和经济理论的发展，实证方法和数据分析成为了经济研究中的重要方面。大量经验数据的分析和运用对于经济理论的发展和决策的支持都具有重要的意义。而经济实证研究离不开现代统计分析方法的运用，spss的统计分析过程为经济管理研究提供了有力的工具。回归分析，因子分析，聚类分析和时间序列等分析方法是经济管理研究中常用的分析方法。 关键词：回归分析，因子分析，spss股票价格的经济因素分析。1研究目的与方法1.1研究目的及意义 股票价格是股票在市场上出售的价格。它的决定及其波动受制于各种经济，政治因数，并受投资心理和交易技术等

2、的影响。概括起来，影响股票市场价格及其波动的因素，主要分为两大类，一是基本因素；另一种是技术因素。所谓基本因素，是指来至股票市场以外的经济与政治因素以及其他因素，其波动和变化往往会对股票的市场价格趋势产生决定性影响。一般地说基本因素主要包括经济性因素，政治因素等。其中，影响股票价格的经济因素中公认的最为重要的是财务因素。1.2研究方法 多元统计中的回归分析，因子分析是经济管理中常用的方法。本文采用的是因子分析和回归分析。因子分析是一种数据简化的技术，它通过研究众多变量之间的内部依赖关系，探求观测数据的基本结构，并用少数几个独立的不可观测变量变化来表示其基本的数据结构。这几个假想变量能够反映原来

3、众多变量的主要信息。回归分析是研究一个因变量与一个或多个自变量之间的线性和非线性关系的一种统计分析方法。回归分析通过规定因变量和自变量来确定变量之间的因果关系，建立回归模型，并根据实测数据来估计模型的各个参数，然后评估回归模型是否能够很好的拟合实测数据，并可以根据自变量作进一步预测。 面对众多股票及各个公司的财务数据，怎样才能客观、全面、准确的分析并了解影响股票价格的因素。本文选择银行业上市公司的财务数据作为研究对象。目的是对上市公司财务数据分析的基础上，探索上市公司股票价格的影响因素。2文献综述 （略）3数据的选取 为了利用银行业上市公司的财务数据，本文选择了流动比率，净资产负载比率，资产固

4、定资产比率，每股收益，净利率，增长率，股价和公布时间等数据对其进行研究，所有数据来至WIND资讯。我们将会对数据进行因子分析和回归分析。对影响股票价格的财务因素进行评价和判断。4因子分析 通过spss软件进行因子分析，求出该矩阵的特征根的大小，贡献率及累计贡献率。结果如图。解释的总方差成份初始特征值提取平方和载入旋转平方和载入合计方差的 %累积 %合计方差的 %累积 %合计方差的 %累积 %12.63943.97743.9772.63943.97743.9772.34539.08339.08321.37822.95966.9371.37822.95966.9371.67127.85366.93

5、73.70011.66178.5984.62310.37688.9735.4848.06497.0386.1782.962100.000提取方法：主成份分析。 从上图可以发现，最主要的特征根有两个，其贡献率分别是43.977%，和22.959%，累计贡献率达到67.697%。这两个特征根反映出来的信息占全部信息量的66.937%，所以，只取前两个特征根进行分析。通过spss求载荷矩阵，结果如下表。成份矩阵a成份12净资产负债比率.456.616资产固定资产比率-.704.351每股收益（元）-.425-.720净利润（亿元）.883.011增长率（%）-.486.593流动比率 .859-.0

6、73提取方法 :主成分分析法。a. 已提取了 2 个成份。 上图中的每个数据表示了相应因子变量对相应原变量的相对重要程度。对因子载荷矩阵按照方差极大法进行旋转。没旋转前，因子变量在许多变量上都有较高的载荷，那么它的实际含义就比较模糊。经过旋转后，因子变量反映的实际含义就比较清楚，因子载荷矩阵旋转后的结果如下图。旋转成份矩阵a成份12净资产负债比率.102.760资产固定资产比率-.786-.033每股收益（元）-.025-.836净利润（亿元）.768.436增长率（%）-.711.285流动比率 .788.351提取方法 :主成分分析法。 旋转法 :具有 Kaiser 标准化的正交旋转法。a

7、. 旋转在 3 次迭代后收敛。 从上表中可以发现，第一个因子与流动比率和净资产负债比率相关性最强，因此将流动比率作为对第一因子的解释。第二个因子与净利率最为相关，因此分别将净利率作为第二个因子的代表。 根据因子分析，可以对银行业上市公司每期的财务数据进行分类，最直观最简单的分类方法是根据因子的得分值，在因子轴所构成的空间进行分类每个因子的得分。成份得分系数矩阵成份12净资产负债比率-.064.475资产固定资产比率-.357.094每股收益（元）.111-.536净利润（亿元）.289.169增长率（%）-.369.288流动比率 .311.111提取方法 :主成分分析法。 旋转法 :具有 K

8、aiser 标准化的正交旋转法。 构成得分。上表给出了用回归法计算出的因子得分函数的系数，根据它写出以下因子得分函数：SPSS将根据因子得分函数自动计算各样本的2个因子得分，结果如下图2.89171-0.07264-0.01931.103160.984390.062020.86764-0.119390.318662.502911.122620.170360.73783-0.355070.46911-0.71592-0.122412.21721-0.02701-0.05086-0.09839-0.52814-0.3919-1.01806-0.913510.85848-1.994870.38365

9、-0.63926-0.59312-0.33728-1.41285-0.144330.11213-0.18771-0.51914-0.04195-1.02596-0.38169-1.38777-0.382240.3066-1.710130.082435回归分析 根据因子分析，我们发现可以用两个主因子（流动比率，净利率）来代替解释所有6个财务指标提供的近70%的信息。因此我们将利用分析的两个主因子流动比率，净利率两个财务指标，作为自变量对因变量银行业上市公司的平均股价进行回归。我们首先对模型的检验统计量进行评价。评价如下图。模型汇总b模型RR 方调整 R 方标准 估计的误差Durbin-Watso

10、n1.924a.853.8381.2.209a. 预测变量: (常量), 净利润（亿元）, 流动比率 。b. 因变量: 股价（元） 从上图我们可以得到,调整的，标准估计的误差及D-W统计量。本实验中的回归模型是0.853,说明拟合程度非常高，而且D-W为2.2，说明模型残差不存在相关。该回归模型良好。 下面我们给出方差分析的结果，如下图。Anovab模型平方和df均方FSig.1回归282.1002141.05055.222.000a残差48.530192.554总计330.63121a. 预测变量: (常量), 净利润（亿元）, 流动比率 。b. 因变量: 股价（元） 其中回归部分的F值为5

11、5.222，相应的P值是0.000，小于显著性水平0.05，因此可以判断由流动比率，净利率两个财务指标对银行业上市公司的平均股价解释能力非常显著。系数a模型非标准化系数标准系数tSig.B标准 误差试用版1(常量)-23.7994.486-5.306.000流动比率 21.3527.388.4132.890.009净利润（亿元）1.125.287.5623.927.001a. 因变量: 股价（元） 上图给出了线性回归模型的回归系数及相应的一些统计量。从上图可以得到线性回归模型中的流动比率和净利率的系数分别是21.352和1.125，说明流动比率的小部分增加会带动银行业上市公司股价近21倍的增加，说明并证实了银行业公司的股价与银行资产的流动性高度相关的现实状况，这是因为银行资产的流动性决定了该银行的经营稳健性，是利润产生的根本前提。另外，线性回归模型中的流动比率和净利润两个指标的T值分别为2.89和3.927相应的概率值为0.000，说明细说非常显著，这与上面的分析一致，说明银行业股价高度受流动比率和净利率两个财务指标的影响。 综述，在银行业数据中，可以用两个主因子（流动比率，净利润）来代替解释所有6个财务指标提供的70%的信息。因子分析的变量共同度逗非常高，表明变量的大部分信息均能够被因子所提取，说明因子分析的结果是有效的。专心-专注-专业