因子分析是一类常用的数值型变量降维并进行维度分析的方法,其经常采用主成分法作为其因子载荷矩阵的估计方法,在特征向量方向上,使用特征值的平方根进行加权,最后通过因子旋转,使得变量的权重在不同因子上更加两极分化。常用最大方差法进行因子旋转,这种方法是一种正交旋转。
若水若谷
2020-05-26
主成分分析是一类常用的针对数值型变量的降维方法,选取能够最大化解释数据变异的成分,将数据从高维降到低维,同时保证各个维度之间正交。 主成分分析适用于具有相关关系的变量,当分析中所选的变量具有不同的量纲,且差别比较大的情况下,应选择相关系数矩阵进行主成分分析。 主成分分析的具体方法是对变量的协方差矩阵或相关系数矩阵求取特征值和特征向量,经证明,对应最大特征值的特征向量,其方向正是协方差矩阵变异最大的
若水若谷
2020-05-26
假设2000年有四个季度某商品其销售量为25、32、37、26。2001年分别为30、38、42、30。则其中心化移动平均值(CMA)=前四zd个季度的平版均值(25+32+37+26)/4加上接下来的四个季度的平均值(32+37+26+30)/4最后再将以上求出的值求平均值即可,其余季度的中心化平均值求法与权之一致。对于求四季度开始的一年的前两个季度是没有CMA的,最后一年的后两个季
若水若谷
2020-05-21
答: 高级筛选4步曲: 1. 设置条件区域和复制区域 2. 选择列表区域:想要筛选的区域 3. 选择条件区域:想要满足的筛选条件 4. 选择复制区域:想要粘贴结果的区域
若水若谷
2020-04-27
树状图将分层数据显示为一组嵌套矩形。 层次结构中的每个级别都由一个有色矩形(分支)表示,其中包含更小的矩形(叶)。 Power BI 根据度量值来确定每个矩形内的空间大小。 矩形按大小从左上方(最大)到右下方(最小)排列。 一般用于有层级关系数据的分析,如比较不同地区下不同城市的员工人数
若水若谷
2020-04-25
置信区间与置信度的关系:当样本量给定时,置信区间的宽度随着置信水平的增大而增大;当置信水平固定时,置信区间的宽度随样本量的增大而减小,也就是说,较大的样本所提供的有关总体的信息要比较小的样本多。 置信度与精度的关系:当样本量给定时,误差范围随着置信度的增大而增大,即精度随置信度的增加而减小;当置信度固定时,误差范围随着样本量的增大而减小。因此,可通过增加样本量来提高精度。
若水若谷
2020-04-23
下面以总体均值的区间估计为例来说明区间估计的基本原理: 首先,由样本均值的抽样分布可知,在重复抽样或无限总体抽样的情况下, ,由此可以求出 落在总体均值 两侧任何一个抽样标准差范围内的概率,而实际估计中,是要估计未知总体均值 ,由于 与 的距离是对称的,因此,当求得某个样本均值 落在 的两个标准差范围内,反过来, 也就被包含在以 为中心左右两
若水若谷
2020-04-23
点估计就是用样本统计量的某个取值直接作为总体参数的估计值。区间估计是在点估计的基础上,给出总体参数估计的一个估计区间,该区间通常由样本统计量加减估计误差组成。 点估计的不足:由于样本是随机的,抽出一个具体的样本得到的估计值可能不同于总体真值,因此还必须给出点估计值的可靠性,而其可靠性是由抽样的标准误差来衡量的,这表明一个具体的点估计值无法给出估计的可靠性度量,也无法说明点估计值与总体参数的接近程度
若水若谷
2020-04-23
瀑布图采用绝对值与相对值结合的方式,适用于表达数个特定数值之间的数量变化关系。 当用户想表达两个数据点之间数量的演变过程时,即可使用瀑布图 如观察不同年份下的实际产量的变化和累积情况
若水若谷
2020-04-23
功能区图:可以使用功能区图表来直观显示数据,并快速发现哪个数据类别具有最高排名(最大值) 如: 比较各入职时间下不同学历的平均年龄,可以快速发现各年份下何种学历的平均年龄最高
若水若谷
2020-04-23