SPSS在金融市场中的应用课件

《SPSS在金融市场中的应用课件》由会员分享，可在线阅读，更多相关《SPSS在金融市场中的应用课件（51页珍藏版）》请在装配图网上搜索。

1、第第17章章 SPSS在金融市场中的应用在金融市场中的应用17.1 实实例提出：美国国金融危机下全球股市的波动动影响响 由于金融市场的传染效应，美国次贷危机已不仅仅影响到本国的股票市场，同时也影响了全球其他国家和地区的股票市场，例如，英国、日本和新加坡市场等。 下图表示了美国、英国、德国、日本、中国香港和新加坡等全球主要股票市场从2007年1月至2008年10月的股票价格日收盘指数。具体数据见17-1.sav所示。不同国家股票指数走势图 三个问题请你利用这些数据，分析以下问题： 请建立美国股指波动的数学模型； 请分析美国股指波动对其他国家地区的股票市场造成的影响程度； 请分析不同国家地区股指波

2、动的差异性。17.2 实实例的SPSS软软件操作详详解问题问题一操作详详解 问题一要建立美国道琼斯指数的波动模型，由于该指数主要随着时间的变动而变动，于是可以考虑建立该指数和时间之间的回归模型。首先从图形特点看，美股指数在研究日期内呈现明显的下降趋势，这反映了金融危机对其造成的显著影响。但是，指数的下跌并不是线性关系，而是表现为显著的非线性特征，于是可以考虑采用非线性回归模型进行数据的拟合分析。具体操作步骤 Step01：打开数据文件 打开数据文件17-1.sav。单击数据浏览窗口的【Variable View(变量视图)】按钮，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。 Step

3、02：设置因变量和自变量 选择菜单栏中的【Analyze(分析)】【Regression(回归)】【Curve Estimation(曲线估计)】命令，弹出【Curve Estimation(曲线估计)】对话框。在候选变量列表框中选择“美国道琼斯指数”变量设定为因变量，将其添加至【Dependent(s)(因变量)】列表框中。同时点选【Time(时间)】按钮，表示设置自变量为时间变量。Step03：选择曲线拟合模型类型 从原始图像看到美股指数呈显著的非线性下跌趋势，于是在【Model(模型)】复选框中除了保留系统默认的【Linear(线性)】选项外，同时勾选【Exponential(指数分布)

4、】和【Quadratic(二次项)】模型。这表示要对这三种模型进行曲线拟合，同时比较其拟合效果。 单击【OK】按钮，完成本部分操作。问题二操作详解问题二操作详解 具体操作步骤如下：Step01：打开相关分析对话框 打开数据文件17-1.sav，选择菜单栏中的【Analyze(分析)】【Correlate(相关)】【Bivariate(双变量)】命令，弹出【Bivariate Correlations(双变量相关)】对话框。 Step02：选择相关分析变量 在候选变量列表框中选择美国、日本、德国等五个国家股指变量，将其添加至【Variables(变量)】列表框中。这表示要分析两两国家之家股指的相

5、关关系。相关分析窗口Step03：选择相关系数类型 在【Correlation Coefficients(相关系数)】选项组中勾选【Pearson(皮尔森)】、【Kendall(肯德尔)】和【Spearman】三种相关系数类型，表示结果窗口输出这三种类型的相关系数。 单击【OK】按钮，完成本部分操作。问题三操作详解问题三操作详解 具体操作步骤如下： Step01：打开数据文件及对话框 打开数据文件17-1.sav，选择菜单栏中的【Analyze(分析)】【Classify(分类)】【Hierarchical Cluster(系统聚类)】命令，弹出【Hierarchical Cluster An

6、alysis(系统聚类分析)】对话框。Step02：选择聚类分析变量 在候选变量列表框中选择美国、德国和日本等五个国家股指变量设定为聚类分析变量，将其添加至【Variables(变量)】列表框中。同时点选【Variable(变量)】单选钮。Step03：输出聚类图 在主对话框中单击【Plots(绘制)】按钮，弹出【Plots(绘制)】对话框。勾选【Dendrogram(冰柱)】复选框，表示输出样品的聚类树形图。其他选项保持系统默认，单击【Continue】按钮返回主对话框。Step04：聚类方法选择 在主对话框中单击【Method(方法)】按钮，弹出【Method(方法)】对话框。选择【Tra

7、nsform Values(转换值)】【Standardize(标准化)】下拉菜单的【Z scores(Z得分)】标准化方法。其他选项保持系统默认，单击【Continue】按钮返回主对话框。Step05：单击【OK】按钮，完成操作。聚类分析17.3 实实例的SPSS输输出结结果详详解问题一输出结果（1）模型汇总及参数估计 下表给出了样本数据分别进行三种曲线方程拟合的检验统计量和相应方程中的参数估计值。 从拟合优度值R Square看到，二次曲线的拟合效果相对较好，达到了76.3%，而线性模型和指数函数的拟合优度连50%都没有达到。 虽然上述三个模型都有显著的统计学意义，但从拟合优度值的大小可以

8、看到二次曲线方程较其他两种曲线方程拟合效果更好，因此选择它来描述美股下跌的趋势。EquationLinearQuadraticExponentialModel SummaryR Square.330.763.340F215.314702.740225.819df1121df2438437438Sig.000.000.000Parameter EstimatesConstant13495.48512292.73813524.252b1-3.66812.659.000b2-.037 模型汇总及参数估计 （2）拟合曲线图 最后给出的是实际数据的散点图和三种估计曲线方程的预测图，这也进一步说明二次函数

9、曲线方程的拟合效果最好。 需要注意的是，虽然选择的二次函数曲线拟合效果最好，但是它的拟合优度值也只有76.3%，其值也偏低。这说明股市的波动情况复杂，在较长时间范围内，很难用单一的非线性函数加以刻画；相反的，在短期内，由于股市波动变动不大，用曲线拟合的方法能得到较好的结果。拟合曲线图问题二输出结果问题二输出结果 （1）Pearson(皮尔森)相关系数表 首先SPSS列出了道琼斯工业指数和德国DAX指数、伦敦金融时报指数等其他五类指数的Pearson(皮尔森)相关系数表。从Pearson(皮尔森)相关系数大小看到，受美国股市影响强弱大小的其他国家股市分别为：新加坡、德国、英国和日本。可若从系数值

10、看到，其他国家股市受美国股市影响都很大，说明它们的协同运动特征很显著。（2）非参数相关系数表非参数相关系数表列出了这些股票指数的Kendall(肯德尔)和Spearman相关系数，它们系数值概率P值也远小于显著性水平。问题三输出结果问题三输出结果 StageCluster CombinedCoefficientsStage Cluster First AppearsNext StageCluster 1Cluster 2Cluster 1Cluster 211564.98000221285.258103313107.802204414213.213300聚类过程表树形图第第18章章 SPSS在

11、心理学中的应用在心理学中的应用18.1 实实例提出：大学学生心理问题研问题研究 大学生良好心理素质的培养与心理健康教育不仅关系到社会主义高等教育能否培养出身心健康、人格健全、全面发展、适应社会主义市场经济要求、能适应新世纪挑战的新型人才，而且关系到全民族素质的提高。 某大学对该校学生的心理健康状况进行了问卷调查分析。 请利用这些资料和数据18-1.sav分析以下问题： 问题一：请你对调查问卷进行信度分析。 问题二：请综合评价大学生的心理健康状况。 问题三：请分析独生子女、系别对大学生的心理健康是否有显著影响。18.2 实实例的SPSS软软件操作详详解1 问题一操作详解 问题一要求你对调查问卷进

12、行信度分析，即对问卷的稳定性和可靠性进行有效分析。它反映了测量工具所得到的结果的一致性或稳定性，是被测特征真实程度的指标。因此可以利用SPSS中的信度分析功能来实现。问题一的具体操作步骤 Step01：打开数据文件 打开数据文件18-1.sav。单击工具栏中的【Variable View(变量视图)】按钮，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：信度分析 选择菜单栏中的【Analyze(分析)】【Scale(度量)】【Reliability Analysis(可靠性分析)】命令，弹出【Reliability Analysis(可靠性分析)】对话框。在左边的列表框中选

13、择“躯体化”、“强迫”等九项因子作为分析对象，将其添加至右侧的【Items(项目)】列表框中。 单击【Statistics】按钮, 弹出【Reliability Analysis:Statistics(可靠性分析：统计量)】对话框，并在【Descriptives for(描述性)】选项组中选择【Item(项)】选项，在【Inter-item(项之间)】选项组中选择【Correlations(相关性)】选项，再单击【Continue】按钮，返回主对话框。 最后单击【OK】按钮，完成本部分操作。问题一的具体操作步骤问题问题二操作详详解 Step01：打开数据文件 打开数据文件18-1.sav，选择

14、菜单栏中的【Analyze(分析)】【Data Reduction(降维)】【Factor(因子分析)】命令，弹出【Factor Analysis(因子分析)】对话框。Step02：选择因子分析变量 在候选变量列表框中选择躯体化、强迫症状、人际关系敏感等九项因子设定为因子分析变量，将其添加至【Variables(变量)】列表框中，如图18-2所示。Step03：选择因子旋转方法 在【Factor Analysis(因子分析)】对话框中，单击【Rotation】按钮，勾选【Varimax(旋转)】复选框，其他选项保持系统默认，单击【Continue】按钮返回主对话框。问题二操作详解问题二操作详解

15、Step04：选择因子得分 在【Factor Analysis(因子分析)】对话框中，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；同时勾选【Display factor score coefficient matrix(显示因子得分系数矩阵)】复选框，表示输出因子得分系数矩阵。其他选项保持系统默认，单击【Continue】按钮返回主对话框。Step05：其他选项选择 在【Factor Analysis(因子分析)】对话框中，单击【Options】按钮，勾选【Coefficient Display Forma

16、t(系数显示格式)】选项组中的【Sorted by size(按大小排序)】复选框，表示将载荷系数按其大小排列构成矩阵。其他选项保持系统默认，单击【Continue】按钮返回主对话框。Step06：单击【OK】按钮，完成操作。问题二操作详解问题二操作详解问题问题三操作详详解 Step01：对独生子女变量的影响性进行两独立样本t检验 选择菜单栏中的【Analyze(分析)】 【Compare Means(比较均值)】【Independent-Sample T Test(单样本T检验)】命令，在弹出的对话框的候选变量列表框中选择检验变量“总分”，将其添加至【Test Variable(s)(检验变

17、量)】列表框中。选择分组变量“独生子女”，将其添加至【Grouping Variable(s)(组变量)】文本框中。 接着，单击【Define Groups】按钮，弹出【Define Group(定义组)】对话框。点选【Use specified values(用特殊值)】单选钮，在【Group1(组1)】文本框中输入0，在【Group2(组2)】文本框中输入1。输入完成后，单击【Continue】按钮返回主对话框。 最后，单击【OK】按钮，完成操作。问题三操作详解问题三操作详解Step02：对系别变量的影响性进行方差分析检验 选择菜单栏中的【Analyze(分析)】 【Compare Mea

18、ns(比较均值)】【One-Way ANOVA(单因素ANOVA)】命令，弹出【One-Way ANOVA(单因素ANOVA)】对话框。 在候选变量列表框中选择“总分”变量作为因变量，将其添加至【Dependent List(因变量列表)】列表框中。在候选变量列表框中选择“系别”变量作为水平值，将其添加至【Factor(因子分析)】列表框中。 最后，单击【OK】按钮，完成操作。问题三操作详解问题三操作详解18.3 实实例的SPSS输输出结结果详详解问题一输出结果详解问题一输出结果详解 （1）评估因子的基本描述性统计量 下表所示是信度分析的评估因子的基本描述统计量。表中给出了所有因子的均值、标准

19、差以及参与分析的个案书。可以看到，“躯体化”、“抑郁”因子的平均评价得分最高，“人际敏感”和“精神病性”因子的平均得分最低。问题问题一输输出结结果详详解 MeanStd. DeviationN躯体化43.8236.924305强迫38.6111.906305人际敏感35.0213.689305抑郁42.8924.028305焦虑36.3415.782305敌意37.6512.731305恐怖36.0915.868305偏执39.6812.000305精神病性35.8915.407305问题问题一输输出结结果详详解 （2）评估因子的相关系数矩阵 表18-3所示是评估因子的相关系数矩阵。可以看到，

20、除了躯体化和抑郁两个因子外，SCL-90其余各个因子的相关都在0.6以上，表明SCL-90在本研究中一定程度上具有较好的内容效度和结构效度。问题问题一输输出结结果详详解 躯体化强迫人际敏感抑郁焦虑敌意恐怖偏执精神病性躯体化1.0000.2220.1730.1490.1930.2280.1910.1650.163强迫0.2221.0000.7950.2080.7650.7110.6870.7810.726人际敏感0.1730.7951.0000.1960.8280.7690.7730.7900.806抑郁0.1490.2080.1961.0000.2420.2310.1960.1930.244焦

21、虑0.1930.7650.8280.2421.0000.7750.8310.8120.804敌意0.2280.7110.7690.2310.7751.0000.7180.7700.768恐怖0.1910.6870.773360.1960.8310.7181.0000.7630.780偏执0.1650.781.7900.1930.8120.7700.7631.0000.750精神病性0.1630.7260.8060.2440.8040.7680.7800.7501.000问题问题一输输出结结果详详解 （3）信度分析的克朗巴哈系数 克朗巴哈（Cronbach）系数度量信度分析的一种重要方法。本实例

22、中的系数值根据表18-4给出。表中不仅给出了克朗巴哈系数，还给出了评价因子的标准化系数。由于信度系数等于0.820，因此总体上该调查评估表的编制的内在信度是比较理想的。Cronbachs AlphaCronbachs Alpha Based on Standardized ItemsN of Items0.8200.9119问题问题二输输出结结果详详解 （1）因子分析共同度 下表是因子分析的共同度，显示了所有变量的共同度数据。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70%以上的信息可被因子解释，这些变量信息丢失较少。问题二输出结果详解问题二输出结果详解Initial

23、Extraction躯体化1.0000.617强迫1.0000.756人际敏感1.0000.845抑郁1.0000.532焦虑1.0000.860敌意1.0000.771恐怖1.0000.783偏执1.0000.817精神病性1.0000.806问题二输出结果详解问题二输出结果详解（2）因子分析的总方差解释 接着下表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。根据特征值准则（取特征值大于等于1的主成分作为初始因子），应该选取两个因子。它们累积时解释了数据中总方差的75.5%。结果表明，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%。问题二输出结果详

24、解问题二输出结果详解ComponentInitial EigenvaluesExtraction Sums of Squared LoadingsTotal% of VarianceCumulative %Total% of VarianceCumulative %15.75763.97163.9715.75763.97163.97121.03011.44675.4161.03011.44675.4163.8559.50184.9184.3383.75388.6715.2823.13991.8106.2432.70294.5127.1801.99996.5118.1671.85498.3659

25、.1471.635100.000问题二输出结果详解问题二输出结果详解（3）旋转前因子载荷矩阵 下表显示了旋转前因子载荷矩阵。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。通过载荷系数大小可以分析不同公共因子所反映的主要指标的区别。从结果看，大部分因子解释性较好，但是仍有少部分指标解释能力较差，例如躯体化因子，因此需要进行因子旋转。问题二输出结果详解问题二输出结果详解Component12焦虑0.926-0.055人际敏感0.914-0.101偏执0.898-0.105精神病性0.896-0.063恐怖0.881-0.075敌意0.878-0.003强迫0.869-0.028躯体化

26、0.2600.741抑郁0.2920.668问题二输出结果详解问题二输出结果详解（4）旋转后的因子载荷矩阵 下表显示了实施因子旋转后的载荷矩阵。在进行因子旋转时采用的是正交旋转中的方差最大法，这便于对因子进行解释。可以看到，第一主因子除了在“躯体化”和“抑郁”等两个因子上载荷系数较小外，其他因子的载荷都较大，因此可以将它命名为态度公因子。相反的，第二主因子在“躯体化”和“抑郁”载荷上系数较大，可以将它命名为躯体化和抑郁因子。此时，各个因子的含义更加突出。根据因子得分的大小顺序为焦虑人际敏感偏执精神病性恐怖敌意强迫躯体化抑郁。问题二输出结果详解问题二输出结果详解Component12焦虑0.91

27、50.151人际敏感0.9140.102偏执0.8990.096精神病性0.8880.136恐怖0.8760.121敌意0.8570.190强迫0.8540.164躯体化0.0900.780抑郁0.1380.716问题二输出结果详解问题二输出结果详解（5）因子得分系数 下表列出了经VARIMAX旋转后的因子值系数的回归估计值。因子值系数乘以对应变量的标准化值就是因子值。Component12躯体化-0.1150.712强迫0.1530.007人际敏感0.177-0.061抑郁-0.0930.644焦虑0.169-0.016敌意0.1490.030恐怖0.165-0.038偏执0.175-0.0

28、65精神病性0.165-0.026问题问题三输输出结结果详详解 （1）基本统计信息汇总表 被调查者中独生子女和非独生子女人数分别为139和154。他们心理健康状况总分的均值分别为12.531和15.511，标准差等于1.063和1.250。虽然他们的数值有一定差异，但还需要进行统计检验分析这种差异的统计学意义。独生子女NMeanStd. DeviationStd. Error Mean总分否13958.2812.5311.063是15458.2315.5111.250问题三输出结果详解问题三输出结果详解（2）两总体均值的检验 在首先进行的方差相等假设检验中，F统计量等于0.295，对应的概率P

29、值为0.588，大于显著性水平0.05，因此认为两组数据的方差是相等的。于是接着观察“Equal variance assumed”列所对应的t检验结果。由于t统计量对应的双尾概率P值为0.978，大于显著性水平0.05，因此认为两总体的均值不存在着显著差异。即大学生是否是独生子女对心理健康没有显著性影响。问题三输出结果详解问题三输出结果详解总分Equal variances assumedEqual variances not assumedLevenes Test for Equality of VariancesF0.295Sig.0.588t-test for Equality of

30、Meanst0.0280.029df291287.563Sig. (2-tailed)0.9780.977Mean Difference0.0470.047Std. Error Difference1.6581.64195% Confidence Interval of the DifferenceLower-3.217-3.182Upper3.3113.276问题三输出结果详解问题三输出结果详解（3）方差分析表 下表显示了方差分析表结果表。可以看到，心理健康得分总的离差平方总和为58987.532；不同系别的组间离差为1291.059；组内离差为57696.472；方差分析对应的F统计量的观测值为1.645，对应的概率P值为0.163。这里显著性水平为0.05，由于P值大于显著性水平0.05，所以接受零假设，认为不同系别的大学生心理健康没有显著性差异。问题三输出结果详解问题三输出结果详解Sum of SquaresdfMean SquareFSig.Between Groups1291.0594322.7651.6450.163Within Groups57696.472294196.247Total58987.532298