2022年不同身份乘客对京津城际高铁评价研究―基于主成分分析和因子分析.docx
《2022年不同身份乘客对京津城际高铁评价研究―基于主成分分析和因子分析.docx》由会员分享,可在线阅读,更多相关《2022年不同身份乘客对京津城际高铁评价研究―基于主成分分析和因子分析.docx(13页珍藏版)》请在淘文阁 - 分享文档赚钱的网站上搜索。
1、2022年不同身份乘客对京津城际高铁评价研究基于主成分分析和因子分析 论文导读::身份乘客评价综合得分。下文将实行主成分分析和因子分析法。主成分分析和因子分析原理1。 一、基本探讨目的 在调研过程中我们发觉,不同乘客对京津城际高铁有不同的诉求,总体来说有:降低票价、改进购票方式、敏捷班次、改善车上环境、实现转乘、完善周边设施;同时,京津城际铁路还有着自身的优点,如:速度快、班次多、环境舒适。同时,京津城际高速铁路还具有便利短程出行和旅游的特别竞争优势。 如此之多的影响因素综合作用下,乘客原委会做出何种选择?为了进一步探究不同身份的乘客对京津城际铁路的选择倾向,并用完可能简洁的变量推断和说明不同
2、身份乘客的选择,下文将实行主成分分析和因子分析法,利用SPSS16.0软件,对不同身份的乘客的选择进行推断和预料。 二、主成分分析和因子分析原理1 主成分分析的含义: 主成分分析是用原来指标重新组合成一项新的相互无关的综合指标来代替原指标,并依据实际须要从中选取几个较少的综合指标来代替原来指标,以达到简化数据的目的。这些指标可以尽可能多的反应原始数据的信息,这种统计方法就是主成分分析或主重量分析。 、主成分分析的基本思想: 选取对原变量做线性组合后方差较大的几个量交通论文,这些综合指标称为主成分,主成分之间不相关,且方差递减。 、主成分分析的几何意义: p个变量组成p维空间,而n个样品就是p维
3、空间中的n个点,做线性变换,将构成的坐标系旋转产生新的坐标系,新坐标轴使之通过样品的最大方差的方向。此时主成分问题就是找寻p维空间的椭球体的主轴问题。形象的说,以二维主成分为例,由横纵坐标来代表,基于数据的二维正态分布假定,这些样本数据在这个坐标上形成一个椭圆形的点阵。在极端状况下,椭圆的长轴上尽可能多的集中了改变的数据,而短轴方向上数据改变极少。那么主成分就由二维降到一维了。对于多维的状况,变量就形成了一个P维空间的椭球体免费论文下载。那么找到多维椭球体的主轴和相应能最大限度反应信息的最长的几个轴,就达到了主成分分析的目的。 、主成分分析的数学模型: 将原始资料库()做线性组合: 上述线性方
4、程组应满意如下条件: 1)、, 2)、线性无关,即两辆协方差为零,这是为了使得其次个主成分中不再含有第一组成分已经说明白的重复性息。 3)、方差依次递减 假如指标数据的量纲不同,须要先对原始数据进行标准化处理。由于本文的全部样品均为被调查者频数,故不须要进行标准化数据。 、因子分析的基本思想: 因子分析是通过对变量的相关系数矩阵内部结构的探讨,找出能限制全部变量的少数几个变量去描述多个变量之间的相关关系。这少数几个变量就称之为因子。依据相关性的大小把变量分组,使得同组内的变量之间的相关性较高,不同组内的相关性较低。 因子分析分为R型因子分析和Q型因子分析。R型因子分析是对变量进行分析从相关系数
5、矩阵动身,而Q型因子分析从相像系数矩阵动身,对样本进行分析。 、因子分析的数学模型: R型因子分析【2】 简记为: 满意下列条件: 1、 2、,即各因子不相关且同方差 ,即各个特别因子不相关且异方差。 其中F是表示因子列向量,是的共有向量交通论文,成为公公因子。称为因子载荷,是第i个变量在第j个因子上的负荷,他表示在坐标轴上的投影。是不能被公公因子包含的量,成为特别因子。 因子分析的目的就是通过模型以F代替X,由于故达到了简化模型的目的【3】。 二、调研数据收集 依据连续五次的跟踪调研数据,发觉有超过90%的乘客认为京津高铁对旅游的促进作用特别大,因此选取京津城际高铁的短途旅游优势为变量之一,
6、并实行科学的方法定量描述这一指标;选取乘客出行乘坐列车最关注的几个问题为其它城际高铁服务质量的评价指标,包括:速度、班次,乘车环境;同时,通过调研收集的数据分析,选取价格、购票方式、班次的敏捷性、敏捷转乘以及周边配套设施等指标,对乘客的看法进行评价。调研数据显示,乘客的身份有:公务员、学生、企业人员、工人、农夫、科研教化人员等。将数据计算、整合,为分析做好打算。 三、进行主成分分析和因子分析,得出结论 定义矩阵:其中代表不同的职业的乘客,代表不同的出行时间。将数据输入SPSS16.0如下: 对城际高铁所体现出来的短期旅游优势的定性数据进行分析,化为可以和其他乘客诉求和高铁自身优点同时进行运算的
7、指标。 通过AnalyzeDataReductionFactor进行主成分分析,得到方差贡献率表。表示各个主成分在方差中所占比例的大小,是主成分贡献大小的标记,也是主成分得以存在的判别基础。 TotalVarianceExplained Component InitialEigenvalues ExtractionSumsofSquaredLoadings Total %ofVariance Cumulative% Total %ofVariance Cumulative% 1 2.794 69.852 69.852 2.794 69.852 69.852 2 1.180 29.509 101
- 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:
- 2022 不同 身份 乘客 城际 评价 研究 基于 成分 分析 因子分析
限制150内