1楼：织丰德
用层次分析法，satty的1-9标度法：
ahp(层次分析法)步骤：
先把与决策有关的因素分层，一般是三层：目标，准则，方案。
构造两两比较的判断矩阵，使用1-9标度法
计算权重向量
为了避免a针对某一个标准，计算各备选元素的权重
如何分析解释变量的相对重要性
2楼：
应该使用非标准化系数。
原因：1、标准化回归系数测度的是对被解释变量的重要性，只有标准化了，才能进行重要性对比。故，比较重要性时用标准化系数，做实际的**，应该用非标准化系数。
2、需要注意的是，标准化系数比较的主要性是一种同量纲化后的相对重要性。相对重要性，与某一特定的情况下，自变量间的离散程度有关。
故，标准化回归系数的比较结果只是适用于某一特定环境的，而不是绝对正确的，它可能因时因地而变化。举例来说，从某一次数据中得出，在影响人格形成的因素中，环境因素的beta值比遗传因素的beta值大，这只能说明数据采集当时当地的情况，而不能加以任何不恰当的推论，不能绝对地不加任何限定地说，环境因素的影响就是比遗传因素大。事实上，如果未来环境因素的波动程度变小，很可能遗传因素就显得更为重要。
数据的情况千差万别，变量的相对重要性也可能完全不同但都符合当时的实际情况。
在spss中，如果分析多个因素对某一结果的影响程度应该用什么分析？
3楼：刘斌
分析多个因素对某一结果的影响程度应该用数据分析。主要的方式如下：
分析多个因素对某一结果的影响程度主要分为三步：
第一步是整理数据，首先定义变量，这个是比较重要的一步，但难度不大。
第二步：分析 由于你要分析农民收入和其他因素之间的关系。所以确定农民收入为因变量，而其他为自变量。
通过analyze下面的regression来完成。即把农民收入选进因变量，其他（除年份和总计）作为自变量分析。当然里面还有像statistics等这些功能项，你作为默认就行了。
第三步：解释模型。认定你的模型做的好不好要看检验的结果，这里看r值。如果r接近1，则说明模型和实际拟和的效果比较好。你的模型r值达到了0.9多，说明效果非常不错。
spss中做logistic回归的操作步骤：分析》回归》二元logistic回归，选择因变量和自变量（协变量）
4楼：匿名用户
要具体看数据类型，如果y（因变量）为定类数据，可用logistic回归分析，如果自变量中有定类数据可设置成哑变量，再放入分析。
如果y为定量数据，可用多元回归分析，自变量中的定类数据可设置成哑变量。
可结合spssau的分析方法选择文档，选择适合的分析方法。
5楼：玉麒麟大魔王
在ps，如何分析因素对某一结果影响程度呢？它的内容软件还有分子。
6楼：如叶情感
那就开的依法用的元素是什么东西？在最分析另一方是什么元素才能分析出来？
7楼：匿名用户
在spss中，如果分析多个因素对某一结果的影响程度应该用什么分析，仔细了解，确定分析方法。
8楼：匿名用户
si pc如果分析多个因素对某一结果的影响程度应该是什么分析，我觉得分析有很多，首先你要看他的分析类别。
9楼：匿名用户
spss中，如果分析多个因素，对某一结果的影响程度应该有什么分析？这个分析是非常重要的，如果sps中再分析因素，对某个结果影响程度非常大的情况下，那绝对是分析非常重要的
10楼：sleppa帅草男
第一步是整理数据，首先定义变量，这个不是很难。 第二步：分析 由于你要分析农民收入和其他因素之间的关系。
所以确定农民收入为因变量，而其他为自变量。通过analyze下面的regression来完成。即把农民收入选进因变量，其他（除年份和总计）作为自变量分析。
当然里面还有像statistics等这些功能项，你作为默认就行了。 第三步：解释模型。
认定你的模型做的好不好要看检验的结果，这里看r值。如果r接近1，则说明模型和实际拟和的效果比较好。你的模型r值达到了0.
9多，说明效果非常不错。
11楼：金丝猴
应该用结构分析法，即每一个因素对事物结果的影响度是多少。
12楼：匿名用户
你这题目我咋都看不懂了啊，关键你这个spss是个啥，你最好不要简写啊，你最好去问问你老师或者作业帮吧。
13楼：舞阳人乐园
这种分析方法会非常多的，也可以是因果关系，也可以是假设关系的。
14楼：万家灯火
分析一个东西对另一个东西的影响因素，要从它的逻辑关系去找
15楼：粟新宇
在cs中所分析出来的任何对fps做出的不良好处，他都进行程序编辑并且删除以及阻拦。
16楼：匿名用户
个人感觉的话还是不错的，挺好的，好好。
17楼：ok波妹
在sps中嗯，它的质的因素和他的一些嗯，控制因素对他的影响还是有一些影响的，主要的他的一些影响就是他的啊，行动的一些边框的边框的结构
18楼：匿名用户
兄弟，请问你解决你的问题了吗，可以提供思路给我吗
个因素的相对重要性，怎样在矩阵中赋值以用数值来
19楼：素馨花
如果已知矩阵为变量a，需要赋值矩阵为b，直接用语句 b=a。 matlab是美国mathworks公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括matlab和simulink两大部分。matlab是matrix&...
对空间数据进行统计分析的意义是什么
20楼：匿名用户
地理信息系统(gis)具有很强的空间信息分析功能，这是区别于计算机地图制图系统的显著特征之一。利用空间信息分析技术，通过对原始数据模型的观察和实验，用户可以获得新的经验和知识，并以此作为空间行为的决策依据。 空间信息分析的内涵极为丰富。
作为gis的核心部分之一，空间信息分析在地理数据的应用中发挥着举足轻重的作用。 叠置分析(overlay analysis) 覆盖叠置分析是将两层或多层地图要素进行叠加产生一个新要素层的操作，其结果将原来要素分割生成新的要素，新要素综合了原来两层或多层要素所具有的属性。也就是说，覆盖叠置分析不仅生成了新的空间关系，还将输入数据层的属性联系起来产生了新的属性关系。
覆盖叠置分析是对新要素的属性按一定的数学模型进行计算分析，进而产生用户需要的结果或回答用户提出的问题。 1)多边形叠置 这个过程是将两层中的多边形要素叠加，产生输出层中的新多边形要素，同时它们的属性也将联系起来，以满足建立分析模型的需要。一般gis软件都提供了三种多边形叠置：
(1)多边形之和(union)：输出保留了两个输入的所有多边形。 (2)多边形之积(intersect)：
输出保留了两个输入的共同覆盖区域。 (3)多边形叠合(identity)：以一个输入的边界为准，而将另一个多边形与之相匹配，输出内容是第一个多边形区域内二个输入层所有多边形。
多边形叠置是个非常有用的分析功能，例如，人口普查区和校区图叠加，结果表示了每一学校及其对应的普查区，由此就可以查到作为校区新属性的重叠普查区的人口数。 2)点与多边形叠加 点与多边形叠加，实质是计算包含关系。叠加的结果是为每点产生一个新的属性。
例如，井位与规划区叠加，可找到包含每个井的区域。 3)线与多边形叠加 将多边形要素层叠加到一个弧段层上，以确定每条弧段(全部或部分)落在哪个多边形内。 网络分析(***work analysis) 对地理网络(如交通网络)、城市基础设施网络(如各种网线、电力线、**线、供排水管线等)进行地理分析和模型化,是地理信息系统中网络分析功能的主要目的。
网络分析是运筹学模型中的一个基本模型，它的根本目的是研究、筹划一项网络工程如何按排，并使其运行效果最好,如一定资源的最佳分配，从一地到另一地的运输费用最低等。其基本思想则在于人类活动总是趋向于按一定目标选择达到最佳效果的空间位置。这类问题在生产、社会、经济活动中不胜枚举，因此研究此类问题具有重大意义。
网络中的基本组成部分和属性如下： (1)链(links),网络中流动的管线，如街道，河流，水管等,其状态属性包括阻力(impedence)和需求(demand)。 (2)障碍(barriers)，禁止网络中链上流动的点。
(3)拐角点(turns)，出现在网络链中所有的分割结点上，状态属性有阻力，如拐弯的时间和限制(如不允许左拐)。 (4)中心(centers)，是接受或分配资源的位置,如水库、商业中心、电站等,其状态属性包括资源容量,如总的资源量；阻力限额，如中心与链之间的最大距离或时间限制。 (5)站点(stops)，在路径选择中资源增减的站点,如库房、汽车站等,其状态属性有要被运输的资源需求，如产品数。
网络中的状态属性有阻力和需求两项，实际的状态属性可通过空间属性和状态属性的转换，根据实际情况赋到网络属性表中。 1)路径分析 (1)静态求最佳路径:由用户确定权值关系后，即给定每条弧段的属性，当需求最佳路径时，读出路径的相关属性，求最佳路径。
(2)动态分段技术:给定一条路径由多段联系组成，要求标注出这条路上的公里点或要求定位某一公路上的某一点，标注出某条路上从某一公里数到另一公里数的路段。 (3)n条最佳路径分析:
确定起点、终点，求代价较小的n
如何进行大数据分析及处理？
21楼：百度文库精选
最低0.27元开通文库会员，查看完整内
原发布者:水桥碧槽
大数据处理数据时**念的三大转变：要全体不要抽样，要效率不要绝对精确，要相关不要因果。具体的大数据处理方法其实有很多，但是根据长时间的实践，天互数据总结了一个基本的大数据处理流程，并且这个流程应该能够对大家理顺大数据的处理有所帮助。
整个处理流程可以概括为四步，分别是采集、导入和预处理、统计和分析，以及挖掘。采集大数据的采集是指利用多个数据库来接收发自客户端的数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库mysql和oracle等来存储每一笔事务数据，除此之外，redis和mongodb这样的nosql数据库也常用于数据的采集。
在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时有可能会有成千上万的用户来进行访问和操作，比如火车票售票**和**，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间进行负载均衡和分片的确是需要深入的思考和设计。统计/分析统计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到emc的greenplum、oracle的exadata，以及基于mysql的列式存储infobright等，而一些批处理，或者基于半结构化数据的需求可以使用hadoop。
统计与分析这部分的主要特点和挑战是分