SPSS在旅游业中的应用.ppt

第15章 SPSS在旅游业中的应用 15.1 实例提出：国内旅游收入影响因素 考虑到国内旅游收入主要影响因素有收入水平、休假政策、交通状况等方面的影响。表15-1是依据文献资料，选取反映上述方面的统计指标，包括国内旅游收入、国内生产总值、旅游人均花费、城市居民旅游花费、农村居民旅游花费、公路线路里程、铁路线路里程。特别的为了分析1999年休假制度改革对旅游收入的影响，增加了虚拟变量“制度”来分析它对于旅游收入的影响。 15.2 实例的SPSS软件操作详解 本实例要分析国内旅游收入（Y）的影响因素，因此可以建立旅游收入与GDP、旅游人均花费、公路里程数等变量之间的回归模型。通过回归系数的大小来探讨这些因素对旅游收入的影响大小。但是根据相关性分析结果表15-2看到，自变量之间存在着高度的线性相关性。因此本实例直接利用回归分析模型来分析影响因素可能出现多重共线性的现象，造成部分回归系数不显著，因此首要需要考虑的是如何处理变量之间的多重共线性问题。 因子分析方法是指用较少个数的公共因子的线性函数与特定因子之和来表达原解释变量的分量，以达到降低维数并能合理地解释原解释变量。本实例中，利用因子分析法中的主成分分析法消除经济因素变量的多重共线性问题，使得经济因素的解释变量在降低维度的同时消除多重共线性。通过分析因子和“制度”虚拟变量对国内旅游收入的影响来探讨旅游收入的影响因素。 具体操作步骤如下： Step01：打开数据文件 打开或建立数据文件15-1.sav。同时单击数据浏览窗口的【Variable View（变量视图）】选项，检查各个变量的数据结构定义是否合理，是否需要修改调整。 Step02：因子分析 在候选变量列表框中选择X1、X2、…X6变量设定为因子分析变量，将其添加至【Variables（变量）】列表框中。 单击【Descriptives】按钮，勾选【KMO and Bartlett’s test of sphericity（KMO和Bartlett的球形检验）】复选框，表示进行因子分析适用性的巴特利特球度检验，其他选项保持系统默认，单击【Continue】按钮返回。 在主话框中，单击【Score按】钮，勾选【Save as variables（保存为变量）】复选框，表示采用回归法计算因子得分并保持在原文件中。其他选项保持系统默认，单击【Continue】按钮返回主对话框。 单击【OK】按钮，完成本步操作。 Step03：回归分析 在第二步因子分析中得到了所有旅游收入影响因素综合得分Z，这些因子得分充分反映了这些指标在不同年份的综合发展值。于是可以考虑利用它和制度虚拟变量来对国内旅游收入进行回归分析。具体模型如下： 其中，y表示国内旅游收入，z表示综合旅游影响值，x7表示虚拟变量。 选择菜单栏中的【Analyze（分析）】→【Regression（回归）】→【Linear（线性）】命令，弹出【Linear Regression（线性回归）】对话框，在左侧的候选变量列表框中选择“y”变量设定为因变量，将其添加至【Dependent（因变量）】列表框中。在左侧的候选变量列表框中选择“z”和“x7”变量设定为自变量，将其添加至【Independent(s)（自变量）】列表框中。最后，单击【OK（确定）】按钮，操作完成。 12.3 实例的SPSS输出结果详解 （1）巴特利特球度检验和KMO检验 首先表15-3显示了对数据进行因子分析适用性检验的结果。巴特利特球度检验统计量的观测值等于119.915,。如果显著性水平等于0.05，由于概率P值小于显著性水平，应拒绝原假设，认为相关系数矩阵与单位阵有显著差异。同时，KMO值为0.763，根据Kaiser给出的KMO度量标准可知原有变量适合进行因子分析。 （2）因子分析共同度 表15-6是因子分析的共同度，显示了所有变量的共同度数据。如果对原有六个变量如果采用主成分分析法提取所有七个特征根，那么原有变量的所有方差都可被解释，变量的共同度均为1。接着，第二列列出了按指定提取条件提取特征根时的共同度。可以看到，所有变量的绝大部分信息可被因子解释，这些变量信息丢失较少。 （3）因子分析的总方差解释 接着Spss软件计算得到相关系数矩阵的特征值、方差贡献率及累计方差贡献率结果如表15-7所示。结果表明，由于数据的相关性较强，选择第一个因子为主因子即可，因为它解释了原有六个变量总方差的84.449%。 （5）因子载荷矩阵 表15-8显示了因子载荷矩阵。通过载荷系数大小可 以看到不同公共因子所反映的主要指标的区别。从结果看，第一因子在所有变量的载荷系数都较大，基本都