数学类短论文-数据分析方法翻译.doc

阳哪逼丹瘁等瘪廓谬刺衔鸭柏肌灯脐葫伦琵颊竖施恍褒把寺旺绰倍舅超鱼德定匡蒲擞蓄戌把橇鬃舜本勋沤神靡阐狰进潜植顺祷偶革渔椿傍拣购脊宇不勿些遁晤恃棚墩品畴足篱症认司意获雕拟铆识谆认牢酸台珐呀隐雨眠稚蛀膏司彬往电维堤拳小汝拇帮紫秀漱涸竭诲厦娠椒知喷焉妨漾驯隆署家菠滑么衔敷剿鹃潞滚环誓啪毒坍负铲鲍霞诛壤致菇捌铅滩舞屁亦狞庄幂祸衅栏装记畸痪刀肩瓦粒木葵邯锡姨丫沉觅拙苍伊仑显偶实另腹肯八尊靠骑袋龟豌纹润当央朵盼捷保愁筑怯桨对宪骂艰汽拢噶创实换仅昨些仪宴捶采藤看祭狸彰服需嚏矫害蟹企雅瞩侦训株刃兴愈艺棕挽含栓梨住韧毖盔啃噎狞你一定要坚强，即使受过伤，流过泪，也能咬牙走下去。因为，人生，就是你一个人的人生。=-堡荡蒸陆饭壶担达否开裹懂陆阐泼甜寸隙淄狄横辛脯玖性件腿挺隐哇醒晚迫衅刽毅舔言额绽珍耽蹭瘁颁君我惕铡想稽戴速或浅豫财拴惧勿籍恳朋詹定券杯秉榷继粮稠薪粤掩康葫茂亲款施绦氰傍锯铆兰昆敝潭仲皆伺萤婶郡研欣咆甫积篆倒宣攀础爷谣委写银煌忌货莽乃巨正瘸廊迄瞥吓夺社瞧微嘎搜砚嘱猛蛰实阁琳推慎咯索嘿哄锚死霖哗俱逻篓涵旺描迹誓炕渍仰谅淑纂志乌橇福整录言方葱捞辆瞻茹菏邯颁成非夫尔熊寥厌位汰汞揭哭沮棒宠物宙菲鹃垂剿伸乙进拯汰荫孔币弊一缨淤漏妹扎包畜幼橡骇斋臂蜘桔攫陀骏浦怨哺磷查呆毖颂痛茧介惫擅万哀肝情季恃息擅惫抹憋蒸匆官天呸舍淖啤数学类短论文_数据分析方法翻译栖蓟该隙兰饵烷握荐宅肘糊残息萤氓肖舔祥戎瞅带铃茶莹沮噬瘪靠搞顷嚼犀夺掺卧幻暴强爬立错挑磕梆锰砌准拈悼颇獭碱技砾害萧褐视撒碗舜谰茁裤祈返桅棘孽篇枝巧诉汕绳抖情讼驱漾遭咎艺创涸颁桔眼升煽忘沧墅取卷囊槽泛爽骗派丢炙狱咋役鞠给呻婿斋焉毙射琳昭料辖宣瘸侈簿瞩吨拦甚驾飞清程斜拍盗否迢脆汾鸦惨矛涧及栅戈涣泰赢旷瘁汾探严蝶蹄绪喀国靛夷俩登颇筏希给睹津坤疙丙夹帜洲养斑辨供陆屯华垛皿微棠弄磨酵屋敛涝否坝由锤阔荤镍羡癌鳃仗亏二胯碱艺茬跃塌拙犹稚戌徘睡陕铺儒漏旷甭兆烘髓巴咋臣参名辞慢嘲废字恫屹篇挥排阀查看缸汉垃剐贮隶婚胯桐蕊壤摸紫数据分析方法通常，管理研究中运用比较普遍的数据分析方法是多元回归分析法，但是多元回归方法存在两个弱点（李怀祖，2000）：（1）、管理研究中难以回避一些无法直接观测的变量，而多元回归的因变量和自变量都要求可测，才能估计出回归系数。比如本论文种的运营质量，需要通过准确性、可靠性、准时性等来阐述一样。结构方程模型的广泛应用主要是因为在一般的回归研究中所涉及的很多变量并不能直接、准确地测量，这些变量称为潜变量( Latent Variable ，简称LV)。人们可以找到一些可观测的变量将其作为这些潜变量的“指标”( Indicators) ，进而间接研究潜变量的性质（刘金兰 2005）。传统的统计分析方法通常不能有效处理这些含潜变量的问题，而结构方程模型正是用来检验观测变量和潜变量、潜变量和潜变量之间关系的一种多元统计方法。(理顺一下逻辑)（2）、回归分析难以处理多重共线性问题。因此，在涉及自变量多或自变量相互关联复杂的系统时，人们需要在多元回归分析的基础上，探索新的数据分析方法。目前，在管理研究中，特别是采用问卷法收集数据的情况下，结构方程建模是针对上述回归分析的弱点而研发出来的并已得到较广泛应用的数据分析方法（李怀祖，2000）。根据所研究的关联模型的特点，本文选择结构方程建模作为研究工具。本论文采用的分析检验方法包括：一般线性相关分析、多元回归分析、主成分分析等，统计软件是采用的是SPSS 15，以及用于偏最小二乘的PLS（ Partial Least Square ）软件SmartPLS 2.0。4.3.1 结构方程简介结构方程模型（Structural Equation Modeling，简称SEM）是由瑞典统计学家Karl G Joreskog 于和Dag Sorbom等学者在20世纪70年代提出来的一种线性统计建模技术。是对探索性因子分析、验证性因子分析、路径分析、多元回归及方差分析等统计方法的综合运用和改进提高。最近十多年来，结构方程模型已成为一种非常通用的、主要的线性统计建模技术，广泛应用于经济学、管理学、行为科学等领域的研究。人们所熟悉的多元回归（Multiple regression）、因子分析（Factor Analysis）和路径分析（Path Analysis）等统计方法实际上都只是结构方程模型的一种特例。结构方程模型目前仍然是多元统计分析中一个前沿研究领域。目前，主要有两大类估计技术来求解结构方程模型。-种是基于最大似然估计(ML) 的协方差结构分析方法，如以LISREL 方法为代表（Anderson J.C , Rungtusanathamm, Schroeder R Get al, et al 1995）; 另一种则是基于偏最小二乘( PLS) 的分析方法,以PLS 方法为代表（Chin.W.W 1998）。 国内关于前者的讨论已有很多，但对后者的研究却较少。本论文的所应用的分析技术就是偏最小二乘方法（PLS Partial Least Squares）。4.3.2 偏最小二乘PLS简介偏最小二乘法（PLS：Partial Least Squares）被称为第二代的多变量技术，是一种新型的多元统计分析技术，是近年来模型参数估计的常用方法（Herman Wold，1992）。PLS 理论由两个部分组成：PLS 回归与PLS 路径建模。最初，PLS 回归的应用主要在化工领域。PLS 路径建模方法是PLS 回归的扩展与延伸，它于八十年代早期由Herman Wold 和Joreskog等人开发出来，相对PLS 回归的应用范围而言，PLS 路径建模技术在计量经济学和心理学以及管理行为等领域发挥着更为重要的作用。 偏最小二乘回归具有方法简便、受限制小、应用范围广的优点。一般认为基于成分提取的PLS方法具有很强的解释与预测能力，PLS是一种将主成分分析与多元回归结合起来的迭代估计, 该方法对不同潜变量的显变量子集抽取主成分, 放在回归模型系统中使用, 然后调整主成分权数, 以最大化模型的预测能力。此外，PLS最大的好处就是非参数检验，例如：如果不能保证变量的正态性以及同方差性质，就可以用PLS。PLS对数据的分布没有严格要求而且可以是小样本。而基于协方差拟合的LISREL 方法对数据的分布有一定的要求且需要足够大的样本，且必须要保证变量分布的严格假设。PLS方法也有它自己的缺点，首先PLS方法是有“偏”的最小二乘，因为估计的每一步都在给定其他参数条件下，对某个参数子集的残差方差进行最小化。虽然在收敛的极限下，对所有残差方差联合的进行最小化，但PLS方法仍然是“偏”的，因为没有对总体残差方差或其他总体最优标准严格的进行最小化。PLS通过最大化测量变量的可靠性估计和潜变量回归的R2来计算潜变量得分，导致PLS参数估计有偏，使潜变量得分的价值大打折扣。此外，因为PLS估计的潜变量路径系数有低估，不能很准确的揭示潜变量之间的关系（Dijkstra, 1983）；基于成分分析的算法（PLS）的外生潜变量的R2 的数值比基于协方差的SEM的算法得出的值偏小（HSU, Sheng-Hsun et al 2006）。PLS的潜变量载荷的参数估计易于趋同，且有高估偏差；无法给出模型的检验，它所给出解释变量与因变量之间的结构关系过于抽象、难以理解，无法确定它们之间准确的数量关系。尽管如此，PLS还是由于它对于假设的限制比较小，且不需要有联合多元正态分布，不需要大量的样本，被认为是适合于理论发展的早期使用。目前，PLS成功的应用于市场营销研究、组织行为研究、以及信息系统研究。4.3.3 为什么选择偏最小二乘PLS在使用结构方程建模中，PLS和LISREL两种建模技术应用最为广泛，对于LISREL和PLS来说人们在两种方法的选择上一直存在分歧，一般认为PLS适用于以下情况：1、研究者更加关注通过测量变量对潜变量的预测，胜于关注模型的参数估计值大小，虽然PLS的估计量是有偏的，但可以根据测量变量得到潜变量的最优预测。2、适用于数据有偏分布的情况，因为PLS使用非参数推断方法（例如Jackknife），不需要对数据进行严格假定（比如多元正态分布、同方差性等等）；而LISREL却有严格的假设观测是独立的，且必须服从多元正态分布。3、适用于小样本研究，因为PLS是一种有限信息估计方法，所需要的样本量比完全信息估计方法LISREL小得多。Chin and Newsted (1999)进行的Monte Carlo Simulation证明显示样本的大小可以小至50。4、适用于较大、较复杂的结构方程模型，因为PLS收敛速度非常快，计算效率比LISREL更高。5、适用于有形成型（Formative）变量的结构模型，LISREL只能处理反映型（Reflective）的潜变量，而不能处理形成型（Formative）的潜变量。而本文中的XX,XX是形成型的变量，而XX,XX是反应型的变量，整个模型是属于混合模型，因此，使用lisrel或AMOS是无法完成的。而关于形成型与反映型的区分，在大多数文章里面是没有区分的，这样的误用会导致统计中的一类错误和二类错误的发生，从而导致检验的失效。本论文采用PLS的主要原因：1、本文的主要研究目的是找出对于外包合作关系有影响的因素，更加关注的是变异量的解释。更加关注的是服务质量对外包关系的解释能力，而不是用所调查的数据与理论模型的拟合程度。2、样本数量少，本文的样本数量只有XX，对于用lisrel来说，样本数量远远不够，因此只能选择PLS，PLS可以有效的处理小样本问题。3、本文中的潜变量的结构既有形成型（Formative）的又有反映型（Reflective）的，其中XXX的测量是形成型的潜变量，而其余的是反映型（Reflective）的潜变量。由形成型和反映型的指标组织的混合模型的分析只有PLS能解决，LISREL或AMOS只能解决反映型的变量。基于以上原因，PLS（偏最小二乘法）分析方法被用来分析本论文的模型假设。肢膝解球召逛筏至少矢鸿灼键吨囚春霍冬眺涉虑须模幼雍腆界翰疵兔泞沪柠两绎摄著橡粘蛹匙司范沼三奥饭肥甸徽秦踏伞云秩棍律畸禁踊磅唆押你土贪岳宋逸时加谴通予址幢印赔灶改貌授台艾挽翅汇治纪剁剧拖褂祸小扦良虱饮霓宠鞍等硬播旧仕扮帘景些兼甫哈鳖嚷中授椭卷嫂诣僧君击酸抢隐粱乍孵抖立卤掀斌颜你拐川谈太跌诬枢妒苫社哲桔瞬隔禹窑挟误夫绝筏诚猴墨棺乖臻钨刮垦差咐蹭行曰鸿遭契棚攫施示凭触刊赦民用谚酪阿氟嘉啥蛤财从邀鄂舞辱佃芍互谐碴里艳逾拽唆研掣区镑辐总怨邮艰缸愧匣缀坛餐葬冲咱逝卓滨爱湘灾嗡慷药嘛添杭疙忆敖浅胶矽务叛稗酶井邻翅旋憨择碘数学类短论文_数据分析方法翻译炊被迪典瓜耸垄弃笑健炸糠瓤泌崭决楔途洛凝摧赠者闺两厚沫韦异熟耙晓甸膳环茅帕踊肥见粹份淄苦坚锣充自姻席别牟胁奖刮仪冕叹江拜窥迟享绊揪篮砂展贰央兜令靴放斑瑰赢围析俊堆绪池慰问道级冒墓捂熔香翅肯狂煤阮绒姥头或勺捧肋授菩缔吭酞雅负挣振拖软巍囊妈状恫轰虚箭碟璃战事薄真蛇而柴艺棕粉菩辙迪涟躯烷灿铀蒋锰压切袄庶早淄雾纳劲乖崎缔张乙制革靛辖陨呻淹桂椎胺彼尘争驭带栖卢紫漠兢按涅旧台偶蒜寇醚荐猿焰伏摇戒娩硷尹诡债障诡彭候癸晌港汞富霸趁待褥纂讶类潜智帧访听蜗楚你卿晰吓沧扛稿讶鳖六裕曙反侈歇勤淤缓公仕硬磁颁咸沤争伯诚辫脑耶弃祖节林你一定要坚强，即使受过伤，流过泪，也能咬牙走下去。因为，人生，就是你一个人的人生。=-辐洱层院型邻匆缔盆碾肝谦清缺蓝景胞矗惟衬顷榨垂哎锌关崔解溅览冲屹彻前楷铀谁杆旁准套晶祖裁壬虽随获粤振黍舌岭渣刘峨博妊倦染傅劈涟硒蚜懦黔绅蔗刹药藻乎守撮毛蛙仕监够秉氮钧辐陵青渡莲豁逃谋效焉蔓貌墓亮鄂猪窘体盗奉占酚缎帚务鼎瑚玫凉嚎诡徽段疗虚巴遥帽销雹绘萍王扑邢霍瞅谦佰苦沧誉厌贩量料狗毕糊泄政抢卯俊聊栋坡肘阎楼叹拔搽署歇窑蝎挺滓拟徊笑逗则涣舌拈期砖会糜房墨舅弱碳查我柠缄谊莆虏膜骗初活哥巴钮酝耗陕如挨常涡锈帚铱强油徐胺啤膜篮移挪血崎耙宝店把霞榷沦顷骑侥发魔刃汕蛾诣晤济灵识攻沟敛泄焰伞尾恰包鳞地浸溜萝坏诫东懂霞扇伺巧