時間：2023-06-25 16:04:21
序論：在您撰寫數據分析方向時，參考他人的優秀作品可以開闊視野，小編為您整理的7篇范文，希望這些建議能夠激發您的創作熱情，引導您走向新的創作高度。
1.流量來源
從圖中數據顯示，該網站主要流量來源于外部鏈接，表明各種推廣營銷手段還是有一定效果的，而直接訪問帶來的流量卻不太理想，說明該其用戶忠誠度較低，需要繼續加強。而搜索引擎流量的話其主要靠內容，而從該站數據看來，其內容還是比較欠缺，需要加強優化。。
2. 網站訪問時段
從上圖觀察發現，我們可以分析出用戶在上午9點-11點，下午14點-17點，這兩個時段較為活躍，那么便可根據此進行推廣，因為訪客越是活躍，進行推廣便更嘔效果。同樣的，在做競價推廣時，也可以此作為參考。
3. 搜索引擎分析
有統計數據可以發現，各個搜索引擎過來的流量有多少，而從該網站數據上看，該網站的主要訪客來源于百度，竟然如此，該站就更加需要加強百度優化，更多的去迎合百度。
4.搜索詞
通過對搜索詞的查看，我們可以查看用戶主要通過哪些詞來到該網站，從而可根據此來對長尾關鍵詞進行挖掘。同時我們可以發現用戶是通過一些我們根本想不到的詞來訪問網站，通過這些詞我也可作為研究用戶搜索習慣的重要參考因素。
5.訪問時長及跳出率
通過對訪客的頁面停留時間長短及跳出率，我們可以分析出用戶的需求點，從而分析出哪些最終頁，哪些是過度頁。如此此我們就可以根據此來對頁面進行優化，以及分析哪些欄目更應放在首頁等。
6.瀏覽器訪問比例
這個數據通常告訴我們應如何去設計網頁，從圖中可以看出瀏覽器中360與ie用戶量比例較大。因此在我們對該網站頁面進行設計或改版時，需要重點滿足IE與360用戶的需求，同時要保證網頁在IE與360下的兼容性。
關鍵詞：大數據 統計專業 核心
中圖分類號：G632 文獻標識碼：A 文章編號：1674-2117（2014）10-0008-02
1 大數據的統計涵義
通常來說，凡是數據量超過一定大小，導致常規軟件無法在一個可接受的時間范圍內完成對其進行抓取、管理和處理工作的數據即可稱為大數據。業界通常用4個V（即Volume、Variety、Value、Velocity）來概括大數據的特征：數據體量巨大、數據類型繁多、價值密度低、處理速度快。
大數據潮流讓我們獲得了海量的數據，數據已經成為相關行業創造價值的重要資源。因此，許多IT企業和互聯網企業都已將業務范圍延伸至大數據產業，探索大數據驅動的業務模式。2012年，美國政府投資2億美元啟動的“大數據研究和發展計劃”，更是將大數據的研究上升到國家戰略層面。然而，大數據的真正意義不在于數據量的巨大，而在于對數據信息進行專業化的處理，核心是對數據進行分析。面對大數據，越來越多的領域都開始運用數學特別是統計學的工具，挖掘大數據中真正蘊藏的價值。正如西內啟在《看穿一切數字的統計學》書中所指出的，“從數據中得出有意義的結果，關鍵在于控制和減少誤差，得出因果關系，單純收集數據并加以全部量化分析在很多情況下會得出謬誤結果，”而科學的統計學方法是得出因果關系的最佳方法。
從統計學角度看，一方面，大數據具有類型繁多、結構復雜、體量巨大等特點，海量數據以分布式方式進行存儲，特別是圖片、音頻、視頻等非結構化數據的廣泛存在，傳統的統計方法和統計分析工具已無法滿足大數據分析的需要，亟需統計方法的革新。另一方面，數據分析結果需要用生動、直觀、容易被接受的方式展示給讀者，可視化分析能夠直觀地呈現大數據的特點，闡釋數據與數據之間的聯系。因此，統計學要挺立大數據潮頭，創新統計分析工具、可視化分析方法，以大數據的挖掘和應用為核心，將傳統文本、圖像的統計、分析向數據分析轉變，以適應大數據時代的發展及其對統計學帶來的挑戰。
2 大數據時代統計學教育面臨的挑戰與應對
據互聯網數據中心（Internet Data Center）預測，中國大數據技術與服務市場將會從2011年的7760萬美元快速增長到2016年的6.16億美元，而據業界專家估算，中國大數據市場的人才需求量至少為100萬人，其中統計人才、技術更是捉襟見肘。傳統數據收集和分析技術的知識結構已不能滿足大數據時代對“數據科學家”的要求，多家企業在面對大數據發展時遭遇人才瓶頸。大數據相關人才供給不足將會成為影響大數據市場發展的一個重要因素。
當前，全世界范圍內已有數百個高校開設了大數據分析專業。卡內基梅隆大學和新澤西州立大學在培養目標和課程設置上項目設置偏重于計算機方向。課程設置偏重統計學與運籌學（包括決策科學）的典型學校有田納西大學和約克大學。2013年，北京航空航天大學與慧科教育合作開辦了國內首個“大數據技術與應用”軟件工程碩士項目研究生班，這是目前國內唯一一個培養大數據行業專業型人才的項目，但其培養目標、知識體系是面向計算機領域，而立足統計學基礎的大數據分析人才培養項目，在國內可謂是鳳毛麟角。
知者隨事而制。高等院校統計學專業要通過有效利用和整合人才培養資源，承擔大學人才培養的責任，駕馭大數據的浪潮，占領大數據發展人才培養的制高點，體現高等院校向社會、企業提供智力支撐，輸送企業亟需的復合型、實用性大數據分析人才的載體作用，確保產業科學、持續、高速的發展。一是教育資源的整合，走在前列的首都經濟貿易大學、北京大學、中國人民大學、中國科學院大學、中央財經大學五所應用統計專業碩士培養單位在北京成立了“中國大數據教育協同創新體”，在高校之間實現學科融合、優勢互補、強強聯合，通過共享優質資源平臺、共同建立課程體系、共同建設案例資源庫、聯合搭建實踐實訓平臺等多種形式，創新人才培養體制機制。二是高等院校教育資源與業界資源的整合，通過與國有超大型企業、互聯網翹楚的協同培養，立足應用統計專業碩士教育，建立人才培養基地，進行協同創新，探索構建應用統計（大數據分析）專業碩士人才協同培養模式。以緩解當前大數據人才供需矛盾為目的，建立“校校協同、校企協同、院系協同”的大數據分析方向人才協同培養模式，最終實現協同培養“數據科學家”的目標。[5]
3 面向大數據分析方向的應用統計專業碩士培養模式的構建
本研究認為，可以將大數據分析及相關的案例教學模式融入應用統計專業碩士學位研究生的培養過程，進而打破統計學傳統的以闡述統計理論、公式推導、數學計算為主的教學模式。以情境浸潤為基礎，為學生呈現統計學在大數據領域應用為核心的教學模式，可以培養學生對大數據的挖掘、整合、分析價值的能力，以期更好、更快地適應企業對數據分析師、數據科學家的需求。
3.1 科學構建課程體系，突出大數據分析特點
大數據具有強烈的行業特點，在充分借鑒國外大學成功經驗的基礎上，大數據分析專業碩士的課程設置，強化數據分析能力和數據挖掘能力，注重上述技術在金融等領域的應用。必修課在講授統計基礎理論（描述、多元、時序、空間、可視化等）課程的基礎上，為增強學生的大規模分布式計算技能，引入主流的大數據計算平臺，如Hadoop分布式平臺、MapReduce并行編程算法。與此同時，為提高學生動手能力，構建數據模型思維，開設《大數據分析案例》等多門課程。選修課方面，考慮到學生二次開發的需要，設置大數據開發基礎課程，如C++、Java等。為突出應用統計專業碩士側重應用的特點，開設面向數據的編程語言，如R、SAS、Python等課程。這些課程模塊的設置并非體現某一學科知識的縱深發展，而是將相關學科的知識融合，有利于突出大數據分析的特點。
3.2 創新教學培養模式，注重培用結合
以“編組”方式開展教學活動。授課教師和學生均采用團隊編組模式，多名教師協同工作，共同完成一門課程的授課任務。打破原有學科思維、教材的束縛。采用導師指導與集體培養相結合的方式。教師不可照搬舊有的教學大綱、課程內容，要學習和熟悉大數據相關知識體系與技術新進展，充分結合大數據分析需求和實際案例，使課程內容緊貼實際需求，注重培養學生對模型的理解，對數據的想象力，真正實現學以致用、培用結合。
采取“訂制化”培養模式，突出培養與應用相結合的特點，力爭做到人、崗的高度匹配。“訂制化”培養模式打破了目前應用統計專業碩士統一培養、與市場需求脫節的模式壁壘，教學實踐以市場需求為導向，依照企業的崗位標準、用人要求，強調以崗位需求制定培養方案，更好地滿足用人單位對大數據分析人才的需求。
3.3 開展校企協同培養，構建問題導向、項目牽引的實踐教學模式
根據國務院學位委員會的規定，應用統計學專業碩士學位研究生教育的目的是培養具有良好的統計學背景，系統掌握數據采集、處理、分析和開發的知識與技能，具備熟練應用計算機處理和分析數據的能力，能夠并適應行業或職業實際工作需要的應用型高層次人才。因此，要摒棄普遍存在的重理論輕實踐、重知識輕技能的教學方式。
協同創新培養在實踐教學中建立了以問題為導向，以項目為牽引的運作機制，強調實踐教學內容的呈現方式要面向企業需求，讓學生參與到企業的項目運行過程中，引導學生建立業務建模能力，培養學生的數據資源整合能力，激發學生參與項目的積極性和自覺性。學生不拘泥于學校的實驗實訓基地和各類實驗室，在第二學年中安排一定時間走出校門，進入到企業的實際環境中，參與企業的項目組織、實施過程，在實踐過程中提升自我認知能力，在實踐過程應用知識和理論研究實際問題的能力，培養和鍛煉數據資源整合能力、溝通協調能力、IT支撐能力、業務建模能力，真正實現面向能力培養的目的。指導教師方面，在案例教學和實習階段引進業務素質高、項目經驗豐富、對大數據發展有敏銳洞察力的企業高級數據分析人員，指導學生在實習實踐中提出問題、建立模型、解決問題的能力。
4 結語
應用統計（大數據分析）專業碩士人才協同培養模式，是一項可持續發展的應用統計專業碩士人才培養的新模式，是專業碩士教學實踐的創新舉措，也是在全國率先建立起來的立足統計學，在大數據分析人才層面建立的校校協同、校企系統辦學體。體現了面向能力培養、面向社會需求培養、面向人才價值培養的“三個面向”的培養目標，著重培養學生分析數據、處理數據、展示數據的能力，對于培養“高層次、實用性、復合型、國際化”大數據分析人才意義重大，同時也是順應大數據技術革命的浪潮，必將對大數據等新興技術產業的發展注入活力。
（首都經濟貿易大學，北京 100070）
參考文獻：
[1]劉軍.Hodoop大數據處理[M].人民郵電出版社，2013.
[2]大數據的四個典型特征[N].中國電子報、電子信息產業網，2012（12）.
[3]CCF大數據專家委員會.2014年大數據發展趨勢預測[J].中國計算機學會通訊，2014（1）：32-36.
［關鍵詞］新媒體營銷;企業轉型升級;市場營銷模式
1引言
新媒體營銷是隨著互聯網技術不斷發展而衍生的重要產物，它是以移動平臺為載體，以信息技術為橋梁而實現的企業網絡市場競爭的過程。這種模式的出現意味著企業與現代科學技術的接軌，是企業智能化數據化發展的鮮明體現。企業在新媒體平臺和技術的指導下，能夠依靠各類先進技術，轉變自身的發展方式。其中最為突出的應用便在于企業對數據分析的引進。
2分析數據，確立市場受眾群體
企業要想在眾多新媒體平臺營銷中脫穎而出，就必須掌握符合自身市場定位的消費群體，要讓自身生產的產品能夠有廣泛的接受度，要取得屬于自身獨有的市場信任感和公信力。這也就意味著企業要主動出擊，積極地吸引消費者群體的關注和重視。如果一個企業發展自身新媒體營銷的方法，僅僅是通過水軍或者是買來的粉絲，或者是通過轉發抽獎等，那么這個企業只會在短時間內取得一定的爆發式關注，無法取得長遠的市場利益，也沒有辦法真正的給消費者留下深刻的印象，自然也不能根據消費者的喜好和興趣制訂出針對性的市場營銷方案。這就需要企業通過數據分析的方法來明確自身的受眾群體。［1］首先，企業要用數據分析的方法，對自身已有的市場發展基礎進行系統的分析和總結，整理出自身的市場定位和發展特點，包括品牌形象、競爭優勢、產品性質等。在此基礎上，大致地規劃消費者的群體范圍，制訂相應的宣傳方案和宣傳規劃，同時也要注意把握時間的限制，要盡可能地尋求時間和效益之間的平衡。在這一過程中，企業要按照消費者的點擊喜好和頻率，來制定有針對性的宣傳模式，這樣可以更為有效地吸引消費者的關注。其次，企業要重視用戶之間的傳播和轉發，企業要在吸引一批粉絲的基礎上適當地進行轉發和抽獎活動，擴大自身的市場影響力。最后，企業也要在這一過程中精確自身的市場定位，要動態地觀察宣傳的成果和績效，要尋找大眾的認同感。這便要求企業要借助數據分析和檢索的平臺，搜索與自身宣傳相關的信息確立關鍵詞和重點語句，并分析大眾對于自身的評價和看法，更好地改進營銷中存在的缺陷和不足。同時要在此基礎上，讓自身的宣傳內容更加量化和準確，更好地提升在用戶之間的口碑。
3分析數據，確立市場營銷載體
根據上文所述，企業在新媒體營銷中所進行的宣傳是離不開固定的平臺和載體的，移動平臺是企業信息和展現自身形象的基礎與保障。因此，企業要十分重視自身新媒體營銷工具的選擇，要運用數據分析的方法精準地統籌和管理市場營銷的信息，推動網絡營銷能夠適應自身發展的特點和規律。同時，數據分析方法還可以把企業自身經營的特點與不同的新媒體平臺進行融合，對比其結合后的實際效益和成果，同時也可以與事先的市場規劃設計相比較，在此基礎上選擇最為合適的企業新媒體營銷載體。［2］之所以運用數據分析的方法來選擇企業新媒體營銷載體，是因為現階段網絡企業的發展形式多種多樣，不同的企業也有自身不同的市場定位和產品特點，彼此之間相互獨立，但是也緊密聯系。這也就意味著，各類企業在共同運用新媒體網絡平臺這一方法進行市場營銷的同時，也要根據自身的發展特點來選擇適合自己的宣傳載體和工具，只有這樣才可以促進宣傳內容的有效傳播。當下企業利用新媒體進行宣傳的主要形式包括紀錄片、文字和圖像等，也可以是多種表現形式的結合。盡管在宣傳方式上具有多樣性，但是否能真正的起到吸引用戶的作用還需要依靠用戶的主觀能動性。這就要求企業在選擇好自身營銷載體的基礎上，利用后臺運行接收數據信息的方法，分析用戶點擊頻率最多的板塊和內容，總結出現階段自身市場發展應當跟隨的主流趨勢，以及分析當下營銷平臺運行的成果。例如當下的微博小程序，就是企業依靠文字推送或者視頻的方式，與用戶建立線上的交流和溝通，在此基礎上根據用戶的點擊頻率來制訂出更有針對性的市場營銷方案。
4分析數據，確立信息展示模式
現階段，有許多企業建立了自身運營的自媒體平臺，有相當一部分是需要用戶下載相應的軟件，并注冊賬號才可以獲得相關的信息。用戶在注冊之后，便可以通過在移動端登錄的方法來完成后續操作。［3］但也正是因為這種登錄方法的存在，用戶會獲得比其他平臺更多的市場信息。這就在一定程度上激發了用戶的厭煩心理，有相當一部分用戶會由于時間的限制，直接略過企業所的信息。同時，也有一部分企業將自身的信息運用網頁鏈接或者是二維碼的方式展現出來，用戶必須要在登錄網站的基礎上再一次點開網頁鏈接，這就會讓用戶覺得瀏覽信息是一件非常煩瑣的事情。因此，企業要重視自身信息展現形式的轉變，企業要盡可能地選擇簡潔明了的形式突出自身信息的重點，要讓用戶可以看到自身營銷的優勢和特點。企業可以用數據分析的方法，統計出用戶容易接受的信息展現形式，并按照類別進行劃分。當下，用戶容易接納的是企業圖文并茂的信息展現形式，可以是圖片和文字鏈接的結合，也可以是視頻和文字鏈接的結合，或者是將鏈接安置在圖片上。企業就可以根據用戶的喜好，將自身內容展現的形式進行改革和優化，例如企業可以將市場經營的方向和產品的性能，利用形象化的圖片展示出來。讓用戶可以一眼就看到自身的品牌特色，提高自身的吸引力。在這一過程中企業要意識到信息真實準確表達的重要性，企業可以在原有的基礎上進行適當地渲染和潤色，但是不能虛假信息，不能夸大其詞，不能讓用戶接受錯誤且夸張的市場營銷數據。
5分析數據，確定市場發展價值
企業運用數據分析的重點不僅是要打造更為針對性的市場營銷方案，更是要在數據信息的分析過程中審視自身的市場經營價值，分析自身的發展建設前景，評估現階段自身方案的質量和效益，并以此來為未來的長遠發展打下堅定的基礎。因此企業要用數據分析的方法，對自身新媒體運營平臺進行階段性和周期性的監督，分析現階段自身在市場競爭中的地位。［4］監督的內容主要包括平臺粉絲的瀏覽量和點擊率、粉絲的轉發量、粉絲總量的增減、除粉絲之外的市場其他用戶點擊率，以及現階段市場營銷的經濟利潤和收益等。這樣就可以在很大程度上幫助企業確定自身營銷平臺選擇的正確性，分析自身市場發展定位的準確性。
為了進一步了解館藏圖書的利用情況，現從社科類、自科類及綜合類的角度對2008年—2012年5年數據進行結構劃分，其中社科類包含《中圖法（第四版）》中的A-K類，自科類包含N-X類，綜合類指Z類。綜合類每年的購置量很少，此次在表2中體現，僅供參考，重點將社科與自科類圖書進行分析。從館藏冊數方面，由表2的數據統計得知自科類圖書占據主導地位，分別占到55%，54.5%，56%，54.5%，56.2%，這與圖書館每年制定的自科社科6:4的圖書入藏比例基本相符，也表明了圖書館的館藏結構符合學校以工為主的辦學特色。流通比例是指圖書的借閱量與總的借閱量的比例，可以從很多方面進行劃分，時間段內讀者對各類圖書的整體需求比例，從類別結構劃分流通比例就可以客觀的反映出來。由表2的數據統計得知，2008年—2012年，社科類的流通比例每年都高于自科類，分別占到了56%，58%，60%，57%，66%。
入藏比例與流通比例的分析比對
取自科與社科的入藏比例和流通比例的差值Z，以數值0為分界點，分為正負兩個區間，如果Z值落在同區間內，則表示館藏圖書與讀者需求在整體上保持一致，反之，若Z值落在不同的區間，則表示館藏圖書與讀者需求存在矛盾。計算公式Z=X-YX：入藏比例Y：流通比例如圖1所示，圖書館5年內的Z值均分布于兩個不同的區間，從而說明，入藏的圖書與讀者的需求存在出入，沒有達到一致。那么，為了使圖書更好的被利用，是應該繼續按照圖書館原有的采購比例繼續采購，還是要改變采購方向迎合讀者的需求，就要進一步的了解利用率較高的幾大類圖書。
文獻的利用率衰減對文獻采購的影響
1圖書利用率的分類排名
通過統計，借閱率排名前10位的有文學（I）、哲學（B）、藝術（J）、語言、文字（H）、社科總論（C）、歷史、地理（K）、經濟（F）、工業技術（T）、政治法律（D）、數理科學和化學（O）。以2008年入藏的中文圖書作為統計對象，以2008年—2012年5年作為5個借閱時間段，前10位的借閱率統計結果如表3。表3的統計結果清晰表明，在每年的借閱率排名前10類中，社科類占到了80%，而自科類只占到了20%，社科類中文學（I）的借閱率更是高居榜首，文學類圖書受到讀者的歡迎，在其他各個高校中的借閱率排名亦是居高不下。社科類更是占據了借閱率排行的前6位。自科類排名中T大類遙遙領先，這是由于工業技術本身就涵蓋了TB、TD、TM等眾多類別，受眾面較為廣泛，但與社科類的圖書利用率進行比較，自科類的圖書利用率還是有一定的差距。一個圖書情報機構是為某一個或幾個專業研究、教育培訓服務，還是為一般參考咨詢或娛樂欣賞服務，這是設計藏書結構的基本出發點和目標[2]。西安理工大學屬于理工院校，以工為主亦應該在圖書館館藏結構中得以體現。
2文獻利用率的衰減分析
文獻可看作是一種信息，信息有其時效性，文獻的價值也會隨著時間的流逝而逐漸降低（特種文獻除外）[3]，圖書的利用率也符合這種規律逐年衰減。這一點可從表3的各類圖書的年利用率中清晰看到。文學（I）從91.19%降至47.70%，其它各類圖書都有不同程度的降低。如果用U來表示圖書利用率的衰減程度，那么U就應該等于同樣的入藏圖書大類在不同時間段內的借閱率之差。U的值越大，說明該類圖書利用率的衰減程度大，利用價值損耗大，反之，說明該類圖書的利用價值時間長，采購圖書時應加以考慮。2008年入藏的圖書，在2008年的借閱率與2012年的借閱率之差結果如圖2所示。其中U值較小的為T類與O類，I類排在第4位。自科類的圖書利用率雖然較低，但是，隨著時間的推移，自科類的圖書利用率衰減值小，所以利用價值可持續的周期比較長，可供讀者的參考價值也較高。社科類的圖書借閱率較高，但是時效性低，而且衰減值高，圖2中顯示，J類，H類，C類，F類的借閱率之差相當，而且數值較高，I類圖書借閱率最高，但是屬于非專業圖書，應控制采購比例。2008年入藏的圖書，5年之后，2012年的利用率排名前3位的分別為文學（I）47.70%、哲學（B）47.62%、工業技術（T）40.90%。T與O大類的借閱率排名分別從第8位與第10位上升為第3位與第6位。這說明自科類的圖書保值期比社科類圖書時間長，例如2008年購置的自科類《電子線路CADProtel99SE》一書，在2008年流通量為6次，2012年仍然流通量4次，而社科類《經濟學的分析方法》一書，2008年的流通量為11次，在2012年就只流通了1次。
關鍵詞: 數據挖掘；數據倉庫；相關分析
中圖分類號:TP 311.3 文獻標志碼:A 文章編號:1672-8513(2011)03-0182-03
The Application of Correlation Analysis Algorithms in the Data Invites Chien
ZHANG Hanyun,DUAN Peng
(School of Mathematics and Computer Science,Yunnan University of Nationalities,Kunming 650031,China)
Abstract: The data warehouse was constructed by using the mass data of computer science majors’ scores generated during the past three years in thirteen classes of four grades, we analyze the corresponding degree of different courses in the database using corresponding analyzing techniques, and condense the attributes in database according to corresponding factors, An example is given to illustrate the application of the proposed method. The analysis introduced in the paper has provided a scientific basis for improving the teaching quality .Then it is prepare for the Association rules mined of different courses.
Key words: data mining;data warehouse; correlation analysis
相關分析法是在分析某個問題或指標時，將與該問題或指標相關的其他問題或指標進行對比，分析其相互關系或相關程度的一種分析方法，用少數幾對綜合變量來反映2組變量間的線性相關性質.目前它已經在眾多領域的相關分析和預測分析中得到廣泛應用.本文主要研究如何利用相關分析技術產生計算機專業課之間的相關系數，發現專業課程之間的相關度，對數據倉庫中的數據進行約簡［1］.
1 相關分析
1.1 相關分析概述［2］
相關分析（Correlation Analysis）是研究隨機變量之間的相關關系的一種統計方法.相關關系是一種非確定性的關系，例如，以X和Y分別記一個人的身高和體重，或分別記每公頃施肥量與每公頃小麥產量，則X與Y顯然有關系，而又沒有確切到可由其中的一個去精確地決定另一個的程度，這就是相關關系.例如，教育投資與教育發展速度的關系、教師教學水平和學生的學習效果之間的關系等［3］.
相關系數值為-1（完全負相關關系）～+1（完全正相關關系）之間，相關系數為0時，表示不存在相關關系.例：
正相關：學生的學習能力與學習成績的關系；
負相關：教師的身體狀況與缺勤率的關系；
零相關：教師的身高與教學能力的關系.
Pearson相關用于雙變量正態分布的資料，其相關系數稱為積矩相關系數（Coefficient of Product-Moment Correlation）.進行相關分析時，我們一般會同時對2變量繪制散點圖，以更直觀地考察2變量之間的相互變化關系［4］.
用Flag Significant Correlations 進行顯著性檢驗，標出有顯著性意義的相關系數，用一個星號“*”標記在α=0.05水平上有顯著性意義的相關系數；用2個星號“**”標記在α=0.01水平上有顯著性意義的相關系數［5］.
1.2 相關分析的表示方法
進行相關分析的主要方法有圖示法和計算法.圖示法是通過繪制相關散點圖來進行相關分析，計算法則是根據不同類型的數據，選擇不同的計算方法求出相關系數來進行相關分析.
1.2.1 圖示法
圖示法的具體做法就是繪制相關散點圖.相關散點圖是觀察2個變量之間關系的一種非常直觀的方法.具體繪制的方法是：以橫軸表示2個變量中的1個變量（作為自變量），以縱軸表示另一個變量（作為因變量）.將2個變量之間相對應的變量值以坐標點的形式逐一標在直角坐標系中，通過點的分布形狀和疏密程度來形象描述2個變量之間的相關關系.
相關散點圖可以通過手工繪制而得到.但如果面對的變量值比較多，手工繪制的過程既費時，又不夠精確.
1.2.2 計算法
相關系數也稱為相關量，是用來描述變量之間變化方向和密切程度的數字特征量，一般用r表示.它的數值范圍在－1到+1之間，它的正負號反映變量之間變化的方向；它的絕對值的大小反映變量之間關系的密切程度.
根據2個變量變化的密切程度，我們把相關關系分為完全相關、高度相關、中度相關、低度相關、零相關［6］.
完全相關：│r│=1的相關；
高度相關或強相關：0.7≤│r│＜1的相關；
中度相關：0.4≤│r│＜0.7的相關；
低度相關或弱相關：│r│＜0.4的相關.
1.3 Pearson相關
Pearson相關也稱積差相關，積差相關也稱積矩相關，是英國統計學家Rearson提出的一種計算直線相關的方法，因而又稱為Rearson相關［6-7］.
積差相關系數是2列成對觀測值中各對觀測值的標準分數乘積之和除以觀測值對數所得之商［8］.
1.3.1 Pearson相關的使用條件
1) 2個變量之間是線性關系，都是連續數據；
2) 2個變量的總體是正態分布，或接近正態的單峰分布；
3) 2個變量的觀測值是成對的，每對觀測值之間相互獨立.
1.3.2 Pearson相關的計算公式
r=∑ZXZYn=∑X－Y－nσXσY.
式中，[ZK（]n表示數據的對數；σX，σY分別表示X和Y變量的樣本標準差；[JP]，分別表示X和Y變量的樣本平均數.[ZK）]
對于學生成績，其課程總體分布接近正態分布，滿足Pearson相關的使用條件.在統計軟件SPSS中，可以很方便地得出2變量之間的Pearson相關系數.[JP]
2 用相關分析法進行數據約簡
2.1 學生成績數據倉庫的建立
數據選擇上，主要選擇了作者所在學校計算機專業3年來產生的專業基礎課成績，收集并整理了包含高等數學、C語言、數據結構和數據庫系統原理的504條學生成績數據.并將具體的成績數據離散化為4個等級［9］，即：
成績>=80“A”; 70=
2.2 用相關分析法進行數據約簡
對大規模數據庫內容進行復雜的數據分析通常需要耗費大量的時間，這就常常使得這樣分析變得不現實和不可行，尤其是需要交互式數據挖掘時.數據約簡技術正是用于幫助從原有龐大數據集中獲得一個精簡的數據集合，并使這一精簡數據集保持原有數據集的完整性，這樣在精簡數據集上進行數據挖掘，顯然效率更高，并且挖掘出來的結果與使用原有數據集所獲得結果基本相同［10］.
數據約簡并不是一個新的領域，現在已經提出了很多理論和方法，如：層次分析法，主成分分析法，隨機抽樣、免疫算法等.本研究根據實際需要，提出將相關分析方法應用于學生成績的屬性約簡，即方便快捷又不失理論性.
在SPSS軟件中，畫出計算機專業課高等數學成績的直方圖，如圖1.
用同樣的方法，可以畫出其他計算機專業課如C語言、數據結構等的直方圖，可以看出，我們所建立的數據倉庫中，學生計算機專業課程成績基本上符合正態分布，滿足Pearson相關的使用條件.
我們用雙變量相關分析技術來分析相關課程之間的關聯程度，并做出統計學推斷，以最少的數據量反映最大的信息量，進而對數據庫的屬性進行約簡.通過相關分析約簡相關性較弱的屬性，選擇相關性強的屬性而不直接利用數據庫中的所有屬性，從而減少大量冗余屬性，以提高算法的效率.
在SPSS中進行課程間Pearson相關系數分析，得到計算機專業課程相關系數分析表如表1.
1：表中數值為4門課程進行相關分析得到的皮爾遜相關系數(Pearson Correlation)、相伴概率（Sig.(2-tailed)）、樣本個數（N）.“*”標記在α=0.05水平上有顯著性意義的相關系數；用兩個星號“**”標記在α=0.01水平上有顯著性意義的相關系數；
2：相伴概率用來判斷求解線性關系的兩變量之間是否有明顯的線性關系.一般將這個Sig值與0.05相比較，如果它大于0.05，說明平均值在大于5%的幾率上是相等的，而在小于95%的幾率上不相等；如果它小于0.05，說明平均值在小于5%的幾率上是相等的，而在大于95%的幾率上不相等；如C語言與數據結構的Sig是0，此數值說明C語言與數據結構有顯著的線性關系（因為Sig0.05，則說明兩變量之間沒有明顯的線性關系）.
由表1可以看出，同一門課程之間的Pearson相關系數為1，是完全相關關系.高等數學與C語言之間的Pearson相關系數為0.283，C語言與數據結構之間的Pearson相關系數為0.281，數據結構與數據庫系統原理之間的Pearson相關系數為0.565，并且都有“*”標記，由此可以推斷這4組課程之間有顯著性意義的相關性.
3 結語
用相關分析技術對數據庫進行約簡，結果表明：線性代數、計算機導論及Pascal語言等多個因素相關性較弱；而C語言、數據結構、高等數學及數據庫系統原理之間相關性較強，根據數據庫約簡原則，可將線性代數、計算機導論及Pascal語言等多個屬性項從數據庫中刪除，以便提高數據挖掘效率.
參考文獻:
［1］段西凌，甘開鵬.數據挖掘在人口普查信息系統中的應用［J］.云南民族大學學報：自然科學版，2006,15（2）：170-172.
［2］茆詩松．統計手冊［M］．北京：科學出版社，2003.
［3］TANG Zhaohui,MACLENNAN J.數據挖掘原理與應用［M］. 鄺祝芳，焦賢龍，高升，譯.北京：清華大學出版社，2007.
［4］王艷.數據挖掘中關聯規則的探討［J］.成都信息工程學院學報，2004，19（2）：173.
［5］張儒良，王翰虎.論數據挖掘優化教學管理［J］.貴州民族學院學報，2004：133.
［6］趙輝.數據挖掘技術在學生成績中分析中的應用［D］.大連：大連海事大學，2007.
［7］王月敏.基于遺傳算法的智能組卷系統研究［J］.云南民族大學學報：自然科學版，2009，18（2）：173-176.
［8］劉利鋒，吳孟達. 關聯規則的快速提取算法 ［J］.計算機工程.2008，34(5)：63-65.
［9］李萍，段富.數據挖掘中數據約簡的研究與應用［J］.微計算機應用.2009，25（2）：58-60.[ZK)]
［10］[ZK(#]蔡勇，韓永國，劉自偉.數據挖掘技術在生源分析中的應用研究［J］.計算機應用研究.2004，32（6）：48-51.
收稿日期:2010-09-06.
【關鍵詞】大數據時代；運動訓練科學；研究方向
引 言
運動訓練科學的基本理論在1960至1970年基本形成，而研究則在1990年后正式開始。運動訓練科學屬于自然科學尤其是數學、化學、物理學、生物學、生理學等科學的產物。傳統的運動訓練科學遵循的是小數據研究理念與模式，然而，隨著大數據的到來，小數據所展現出來的碎片化、分散化的特點不能完全的反映運動訓練的模式，而大數據的分析存儲、收集、使用數據的能力則在運動訓練科學中逐漸應用。從訓練人員身上的傳感器、可穿戴設備以及場內的攝像頭，再到服務人員手中的互聯網以及終端設備，這其中大量的數據已經被收集起來，進而為以后的訓練服務應用。不論是受傷運動員的訓練還是教練的戰術布置，都已經更加完整已經呈現在我們面前。可見在大數據時代的到來，為運動訓練科學提供了重要的幫助。也為運動訓練科學領域注入了新的生機與活力，推動其在科學化研究和運動訓練現代化研究的發展，解決了在運動訓練中許多遺留下來的問題，并且提供了新的研究方法思路，為運動訓練科學開辟了一條新的研究道路。
一、大數據時代下運動訓練科學的研究現狀
在大數據的背景下，不論是運動員的恢復、預防或傷病，運動競賽的過程，運動的訓練的評價和效果，還是在競賽過程中的戰術分析與安排、運動員的選材、運動訓練的時間等都與大數據有著緊密地聯系。因此，在大數據時代下如何從眾多的數據中尋找在運動訓練中各種數據之間的聯系，發現隱藏在運動之中的秘密，從而準確的為運動員或者在訓練中提供有效的數據，幫助運動員到達合理的身體狀態與競賽成績是對運動訓練科學是極為必要的。如今大的數據的出現幫助在田徑、游泳、籃球、足球、棒球、羽毛球等運動提供了一定的數據支持，為競技賽場增添了一絲色彩，潛移默化的改變著運動訓練科學領域的認知。
高爾夫球運動受到了各國運動員的喜愛，如今運動員也正是依靠數據分析來幫助他們在技術方面、訓練方面更加全面，以此提高他們的訓練成績。例如Track Man技術是幫助運動員測量在每次擊球后的擊球方向、旋轉速度、角度和力度等，然后通過數據軟件等進行分析，幫助運動員了解自己的數據之后，更加針對性的進行訓練。在上個世紀八十年代，美國男子職業籃球聯賽就通過數據來展示運動員在場上的得分、進攻、掩護、擋拆、對抗數據，經過近四十年的數據積累，裁判可以根據比賽回放等來進行更好的判斷，教練也可以利用數據對戰術進行分析安排。截至目前為止，凡是聘請了數據分析師的球隊俱樂部平均勝率都打到六成以上，而其他俱樂部僅有40%的勝率。在某些運動中運動員可以通過佩戴傳感器來檢測運動員的心率、垂直彈跳以及加速度等，從而保障運動員的生命安全，并且制定相應的訓練，提高運動員的運動能力。
在德國，每一個足球場地四周布置傳感器，甚至在每位球員的訓練中也都放置了傳感器來對運動員的運動變化細節進行分析。這些數據會在很短的時間內傳到終端平臺中，有由教練對這些運動員的運動軌跡、攻擊范圍以及運球的速率等相關信息進行戰術分析；在網球的訓練中，也有許多場地安置了傳感器來捕捉網球的發球速率、旋轉、發球角度等來判斷球員的打法、擊球特點。為戰術的安排提供強有力的數據支持。而運動員的發球失誤率以及非受迫性失誤上升時，教練則會判斷球員的體力或者心理狀態不足。除了這兩項運動外，乒乓球、羽毛球、棒球等都通過這種獨特的數據方式來幫助球隊以最小的經濟利益獲取成功，從而提高運動員的比賽成績。
二、大數據背景下運動訓練科學的研究方向
（一）明確運動科學訓練研究對象
在大數據背景下要想確定運動訓練科學的研究方向，首先要明確習研究對象。而我國近代運動訓練科學是一種實體的研究，不依賴于其他事物外部復雜的實體。而在實體的研究中主要利用分解還原的研究方法，在數據的研究模式采用小數據研究。例如，在競技體育中將各項競技因素分開，單獨訓練體力或者技術，并且以彈跳力能力、心率肺活量、肌肉圍度等指標來確定運動員的能力。然而，在運動訓練科學的研究表明，實體是依附于關系的，關系甚至比實體更加重要。例如，核算與蛋白質相互作用產生生命，原子之間相互作用而產生分子。故而，對于訓運動訓練科學來說，關系要比實體更加重要。如果我們能在運動訓練科學中找到這些信息之間的聯系，就能準確的分析在運動訓練中的技巧與對策，從而提高運動員運動訓練的效率。
（二）明確運動訓練研究視角
我國近現代運動科學訓練都是單向度，如研究運動技術或者運動員的生理機能等。我國運動訓練科學的研究方向首先要由單向度多向度發展，促進運動訓練科學的有效進行。
結語
綜上所述，大數據時代的到來為我國運動訓練科學研究領域帶來了新的機遇。我們需要迎接\動訓練科學思維研究的變革，融入大數據的變遷，順應時代的變化，明確運動科學訓練研究的對象以及視角，提高運動員比賽能力和運動技巧，從而幫助運動員在比賽中取得良好的成績。
作者簡介：
白曼利（1981.3-），女，民族：漢族，籍貫：陜西咸陽，學歷：研究生，專業：體育教育，研究方向：運動訓練，職稱：副教授。
楊江林（1982.1-），男，民族：漢族，籍貫：云南麗江，學歷：大學本科，專業：體育教育，研究方向：運動訓練，職稱：副教授。
參考文獻：
[關鍵詞]財政收入；GDP；面板數據
中圖分類號：F01 文獻標識碼：A 文章編號：1006-0278（2013）02-024-01
在計量經濟學中，我們一般應用的最多的數據分析是截面數據回歸分析和時間序列分析，但截面數據分析和時間序列分析都有著一定的局限性。在實際經濟研究當中，截面數據回歸分析會遺漏掉數據的時間序列特征，例如在分析某年中國各省的GDP增長數據時，單純的截面數據回歸分析無法找出各省GDP隨時間變化的特征，使得分析結果沒有深度。而如果只用時間序列分析，則會遺漏掉不同截面間的聯系與區別，例如在分析中國單個省市的GDP隨時間增長的數據時，無法找出各個省市之間經濟增長的聯系與區別，因而同樣無法滿足我們的需要。而面板數據，是一種既包括了時間序列數據，也包括了相關截面數據的復合數據，是近年來用得較多的一種數據類型。
下面我們將基于2000-2009年中國各省GDP和財政收入的面板數據的實例來詳細闡述面板數據的分析方法。
一、GDP與財政收入關系的經濟學模型
財政收入是保證國家有效運轉的經濟基礎，在一國經濟建設中發揮著重要作用。隨著中國經濟發展速度的日益加快，財政收入不斷擴大，而擴大的財政收入又以政府支出來調節和推動國民經濟發展。正確認識財政收入與經濟增長之間的長期關系，把握財政收入與經濟增長之間的相互影響，發揮財政收入對經濟發展的調節和促進功能，對于完善財稅政策，深化財稅體制改革，實現財政與經濟之間的良性互動，具有重要的現實意義。文章就將從中國各省的面板數據出發研究，中國不同地域間財政收入和GDP之間的關系。
二、實證分析
（一）單位根檢驗
Eviews有兩種單位根檢驗方法，一種在相同根的假設下的檢驗，包括LLC、Breintung、Hadri。另一種則是在不同根下的假設前提下，包括IPS，ADF-Fisher和PP-Fisher5。檢驗結果表明所有檢驗都拒絕原假設，因此序列GDP和CZSR均為一個2階單整序列。
（二）協整檢驗
如果基于單位根檢驗的結果發現變量之間是同階單整的，那么我們可以進行協整檢驗。協整檢驗是考察變量間長期均衡關系的方法。所謂的協整是指若兩個或多個非平穩的變量序列，其某個線性組合后的序列呈平穩性。此時我們稱這些變量序列間有協整關系存在。
在最終的結果中，Pedroni方法中除了rho-Statistic、PP-Statistic項目外都拒絕GDP和CZSR不存在協整關系的原假設，同樣Kao和Johansen檢驗方法也都拒絕原假設，因此，上述檢驗結果表明，我國各省2000-20009年的GDP和財政收入面板數據間存在著協整關系。既然通過了協整檢驗，說明變量之間存在著長期穩定的均衡關系，其方程回歸殘差是平穩的，因此可以在此基礎上直接對進行回歸分析，此時假設方程的回歸結果是較精確的。
三、建立模型
混合模型：如果從時間上看，不同個體之間不存在顯著性差異；從截面上看，不同截面之間也不存在顯著性差異，那么就可以直接把面板數據混合在一起用普通最小二乘法（OLS）估計參數。
我們根據混合模型的回歸結果，得到財政收入和GDP之間的回歸方程為：
CZSR=227.3123+0.103224*GDP
（26.47637）（0.002839）
R2=0.810995 F=1321.587
顯然從模型的回歸結構來看，R2的值達到了0.81，有了比較好的回歸解釋力，同時，GDP的回歸系數為0.103224，表明各省的財政收入平均占到了國民收入的10.3%左右。
變系數模型：顯然，在中國各省之間由于處在不同的地區，因而擁有不同的區位優勢，那么各省的發展水平顯然就不一樣。正是由于這種不同的地方政策、管理水平、文化差異等會導致經濟變量間出現一些關聯性的變化，此時在進行模型回歸的時候，我們就有必要考慮變系數模型。
在回歸結果中，R2的值達到了0.97，比混合模型擁有更好的回歸解釋力，而在變系數模型回歸結果中，GDP的回歸系數大于0.5的只有、青海、寧夏三個省份，也就是說這三個省份的財政收入占到了GDP的50%以上，他們同處于經濟并不是很發達的西部地區，由此可以看出，處在經濟發達地區的財政收入占GDP的比重要低，而不發達地區則要高。
四、結論
通過以上的分析檢驗，我們發現針對于中國財政收入和GDP的面板數據，我們應建立起變系數模型，并通過模型分析，我們可以得出這樣的結論，中國各省間由于存在著地域經濟發展水平不同、管理水平不同以及國家的相關政策等諸多不同，造成了各省之間在財政收入以及國民收入上面存在著一定的差異。而回歸結果也告訴我們，我國西部地區的財政收入占GDP的比例要明顯高于東部地區，地區發展落后地區的財政收入占GDP的比例也要明顯高于東部地區。因此，這為我們改善我國落后地區的經濟發展提供了一定的新思路，就是對一地區的稅收征收可以適當放緩，而將GDP中以前政府占用的部分歸還于民眾和企業，因為，按照發達地區的經驗表明，財政收入所占比重過高，經濟發展的活力或者就不會很高，對于進一步刺激財政收入的增加也沒有任何幫助。因此，我們應該適度降低財政收入占GDP的比重，從而增加經濟活力，使西部地區以及落后地區及早的跟上東部發達地區的發展步伐，從而消除我國經濟發展的地域不平衡。
參考文獻：
[1]謝識予，朱洪鑫.高級計量經濟學[M].復旦大學出版社，2005.
[2]張曉峒.Eviews使用指南（第二版）[M].南開大學出版社，2004.
