专业主干课程设置评价模型的研究

1、专业主干课程设置评价模型的研究摘要本文在主干课程分析时，选取某专业主干课程的学生成绩数据作为基本原始数据。建立可行的课程设置的评价分析模型。通过对所选取数据作为实例，进行经典统计理论中的因子分析；因子分析证明了培养目标的专业主干课程与教学期望基本一致，典型相关分析得到量化衡量因子，并由此通过课程之间的量化相关分析得到主干课程之间相互之间的联系程度大小，同时证实在基础课、专业基础课和专业课程构建的课程体系中课程之间存在密不可分的联系。这种量化的分析方法为专业课程设置提供了很好的决策方法支持。在模型结论评价中，建议有关教学管理机构根据课程间相关性来合理设置和调整主干课程的比重和排课情况。关键词：主

2、干课程 因子分析 典型相关分析 量化衡量一、 引言1二、问题的分析 2三、模型的建立 33.1因子分析模型理论 3何为因子分析数学模型 3因子载荷矩阵的求解 4因子旋转 63.2典型相关分析模型理论7模型提出背景7典型相关系数与典型相关变量求解8 量化衡量因子 10四、模型在主干课程开设中的运用114.1数据说明 114.2 关于数据的标准化164.3 因子分析过程17关于因子分析条件的检验 17 累计信息贡献率与载荷阵17公共因子个数选取19因子分析小结204.4量化的相关程度分析模型运用过程21相关数据说明21计算22显著性检验23量化衡量的分析23五、结论24六、模型的不足与改进25七、

3、参考文献25一、引言课程设置是根据教育目标、教学目的和培养模式等，按照学科专业对学习者所应具有的知识结构和能力结构的要求，遵循教与学的规律和实际把教学内容分解为课程，并对这些课程进行安排使之成为一个课程体系的过程。从课程设置与人的关系看,课程的设置由人来完成,课程的设置是为了人的发展,设置的课程是通过人的学习来完成。课程的设置必须以人作为最基本的出发点。心理学家布鲁纳的结构课程论提出了人的知识结构论和学习迁移原理。知识之间都是有联系的,知识之间的联系就组成了知识的结构。学习者学到的知识基础性越强,迁移性越大。学习的主要方式就是“原理”、“态度”的迁移。因此其理论认为：课程设置必须有一个基本结构

4、,突出基本原理、基本概念以及它们之间的联系。我国高等学校的课程从纵向结构看基本上是按知识逻辑组织的,大体上分为三个层次或三种类型:基础课、专业基础课和专业课。基础课一般是指学生达到专业培养目标要求所必需的基础知识和基本技能课程。专业基础课是一个专业的学生所必须修习的基础课程。专业基础课是某一专业体现该专业特点并根据该专业特殊需求而设计。笔者认为主干课程的主体就是专业基础课和专业课。高等本科教育的性质与功能都是有专业主干课程具体体现的，主干课程的修读在调整人才的发展形成方面起着十分重要的基础性作用。专业主干课程又是教育进行与开展的核心，是直接衡量本科专业化教育质量高低基本性指标。随着社会的进步和

5、科技的发展,各国高教界也一直在对课程进行改革。国际总趋势是扩大基础知识、拓宽专业口径、实行文理渗透、强调人文教育、增加选修课数量、加强应用课程、注重能力培养和个性发展。但是，在课程设置的实践上，当前高校各专业的课程设置基本上是由学校教务部门指导院系进行，院系再把这份工作交由教研室具体安排，编写者完成后经讨论定稿再经学校审批即可执行。整个过程既缺乏理论指导，又无相应的监控与评价，课程设置的合理与否完全取决于编写者个人的水平，课程设置处于一种随意状态，造成了课程设置与培养目标不符、因人设课等诸多问题。那么如何检验课程设置与培养目标是否相符？如果课程设置必须有个基本结构，想要达到扩大基础知识，增加选

6、修课的数量，那么应该如何对主干课程进行设置，不使课程比例结构失调，又能够实现“知识间的关联性”，顺利完成教学目标？能不能建立一个模型去指导高等学校的课程设置？居于这些思考，我们用某高校一专业所开设课程的考试分数的相关系数阵来度量所涉及课程之间的相关，看现在某专业的主干课程设置是否与教育期望一致，并进一步做典型分析，得出这些代表课程之间所表现的相关程度，从而帮我们科学地进行课程设置评价，合理设置课程，从而顺利地达到预定的教育教学目标。二、问题的分析教育是一种复杂的社会活动过程，对有关教育现象的研究往往需要对研究对象测量它的许多指标（变量）。由于我们需要测定的评价指标有很多，而且这些指标可能是相关

7、不可比的，如果以这些指标为基础，对研究问题进行综合评价将会是相当困难的。因此我们希望能从这些众多指标中概括出能够反映原来各个指标的特征或性质的若干综合指标，使得复杂的分析问题变得简单化。因子分析就是将描述事物性质或特征的一组较多变量用几个综合变量因子的线性组合来代替的多元统计分析方法。其中，典型相关分析是研究两组变量间相关关系的一种多元统计分析方法。它能够揭示两组变量之间的内在联系，真正反映两组变量间的线性相关情况。因此，我们用因子分析来研究主干课程的设置，看其课程间有没有内在的联系，并利用典型相关分析构建量化衡量模型进一步探讨如何根据课程间的程度，对课程的安排先后和作用进行初步指导。另外，随

8、着计算机的发展和统计分析软件的开发和利用，因子分析方法已经逐步为广大科研工作者所使用、因子分析和典型相关分析在教育和教学有关领域也得到了广泛的应用。在众多统计分析软件中，SAS软件因其强大的功能和较高的分析精度，而受到青睐。在本文的模型研究中，我们可以借助SAS软件的因子分析和典型相关分析的实践理论对研究主题的问题进行逐步分析求解。三、模型的建立3.1因子分析模型理论因子分析方法主要是由心理学家发展起来的。英国心理学家斯皮尔曼(Cha rIes Spearman)将这种统计方法用于解决智力结构问题。他提出了如下见解：心理测量中的各测验变量之间的相关，是由于各测验变量存在一个共同的一般因素(即公

9、共因子)造成的，而各测验变量之间之所以是不完全相关，则是由于完成各项测验还需要分别具备特殊因素(即随即误差项)的能力。这就是斯皮尔曼的“二因子论"。这一理论为因子分析奠定了基础。因子分析的基本思想就是通过变量的相关系数矩阵内部结构的研究，找出能控制所有变量的少数几个随机变量去描述多个变量之间的相关关系因子负荷矩阵，因子分析所获得的有关事物的全部信息就蕴藏在这一矩阵中。然后，从因子负荷矩阵元素体现的结构特点出发，取得对因子的解释。可见，因子分析的目的就是找出变量之间的内在本质联系，用反映这一本质联系的少数几个基本因子(即公共因子)来描述较多变量需要说明的原因或特性。例如，卡特尔(Cat

10、tle)和霍恩(Hom)应用因子分析方法把智力的全部因素归结为流畅性智力和结晶性智力两个公共因子。再比如，对广东省1983年高等学校文、理科招生考试成绩进行的因子分析表明：文科六门学科考试测查的主要是记忆能力和词语能力，理科七门学科考试测查的主要是数理能力和词语能力。何为因子分析数学模型因子分析的目的是用有限多个不可观察的潜在变量来解释原变量之间的相关性或协方差关系。在此我们把不可观察的潜在变量称为公共因子（common factor）。在研究样品时，每个样品需要检测很多指标，假设测得个指标，但是这个指标可能受到个共同因素的影响，再加上其他对这些指标有影响的因素。写成数学的形式就是： (3.1

11、.1)利用矩阵记号有 (3.1.2)其中，各个指标变量都受到的影响，因此称为公共因子，称为因子载荷矩阵，是单变量所特有的因子，称为特殊因子（unique factor）。设，分别是均值为0，方差为1的随机变量，即；特殊因子，分别是均值为0，方差为，的随机变量，即；各特殊因子之间及特殊因子与公共因子之间都是相互独立的，即及。是第个变量在第个公共因子上的负荷，从投影的角度看，就是在坐标轴上的投影。主成份分析的目标是降维，而因子分析的目标是找出公共因素及特有的因素，即公共因子与特殊因子。在主成份分析中，残差通常是彼此相关的。在公因子分析中，特殊因子起到残差的作用，但被定义为彼此不相关且和公因子也不相

12、关。而且每个公因子假定至少对两个变量有贡献，否则它将是一个特殊因子。在开始提取公因子时，为了简便还假定公因子彼此不相关且具有单位方差。在这种情况下，向量的协方差矩阵可以表为 (3.1.3)这里D=diag()，diag表示对角矩阵。如果假定已将标准化，也就是说的每一个分量的均值都为0，方差都是1，即，那么 (3.1.4)记，则有 (3.1.5)由于反映了公共因子对的影响，称为公共因子对的“贡献”。 实际反映了变量对公共因子的依赖程度。另一方面，还可以考虑指定的一个公共因子对各个变量的影响。实际上，对各个变量的影响可由中第列的元素来描述，那么有 (3.1.6)称为公共因子对的“贡献”。显然越大，

13、对的影响就越大，成为衡量因子重要性的一个尺度。实际上 (3.1.7)那么矩阵的统计意义就非常清楚：是和的相关系数；是对公共因子的依赖程度；是公共因子对的各个分量总的影响。因子载荷矩阵的求解如果已知协方差矩阵和，可以很容易地求出。根据(3.1.3)有 (3.2.1)记，则是非负定矩阵。若记矩阵的p个特征值 > = = = 0，且m个非零特征值所对应的特征向量分别为，则的谱分解式为 (3.2.2)只要令 (3.2.3)就可以求出因子载荷矩阵。但在实际问题中，我们并不知道、，即不知道，已知的只是个样品，每个样品测得个指标，共有个数据。为了建立公因子模型，首先要估计因子载荷和特殊因子方差。常用的

14、参数估计方法有以下三种：主成份法、主因子解法和极大似然法。本文采用主成分法。主成分法求解过程如下：主成份法求因子载荷矩阵的具体求法如下：首先从资料矩阵出发求出样品的协方差矩阵，记之为，其特征值为，相应单位正交特征向量为，当最后个特征值较小时，则对进行谱分解可以近似为 (3.2.4)其中 > 0是协方差矩阵相应的前个较大特征值。先取，然后看是否接近对角阵。如果接近对角阵，说明公共因子只要取一个就行了，所有指标主要受到这一个公共因子的影响；如果不是近似对角阵，就取，然后看是否接近对角阵，如果接近对角阵，就取两个公共因子；否则再取，直到满足“要求”为止。这里的“要求”要视具体情况而定，一般而言

15、，就象主成分分析一样，直接取前个特征值和特征向量，使得它们的特征值之和占全部特征值之和的85以上即可。此时，特殊因子方差。因子旋转因子模型被估计后，还必须对得到的公因子进行解释。进行解释通常意味着对每个公共因子给出一种意义明确的名称，它用来反映在预测每个可观察变量中这个公因子的重要性，这个公因子的重要程度就是在因子模型矩阵中相应于这个因子的系数，显然这个因子的系数绝对值越大越重要，而接近0则表示对可观察变量没有什么影响。因子解释是一种主观的方法，通过旋转公因子可以减少这种主观性，也就是要使用非奇异的线性变换。设维可观察变量满足因子模型。设是任一正交阵，则因子模型可改写为 (3.3.1)其中，。

16、根据我们前面假定：每个公因子的均值为0，即，每个公因子的方差为1，即，各特殊因子之间及特殊因子与公共因子之间都是相互独立的，即及。可以证明下列等式成立： (3.3.2) (3.3.3) (3.3.4) (3.3.5)因此，。这说明，若和是一个因子解，任给正交阵和也是因子解。由于正交阵是任给的，所以因子解不是唯一的。在实际工作中，为了使载荷矩阵有更好的实际意义，在求出因子载荷矩阵后，再右乘一个正交阵，这样就变换了因子载荷矩阵，这种方法称为因子轴的正交旋转。我们知道，一个所有系数接近0或±1的旋转模型矩阵比系数多数为0与±1之间的模型容易解释。因此，大多数旋转方法都是试图最优化

17、模型矩阵的函数。在多数应用中，我们选择最容易解释的旋转模型。3.2典型相关分析模型理论 模型提出背景假设两组变量间和存在相关关系。和可能是完全不同的，但是它们的线性函数可能存在密切的关系，这种密切的关系能反映和之间的相关关系。因此就要找出的一个线性组合及的一个线性组合，希望找到的和之间有最大可能的相关系数，以充分反映两组变量间的关系。这样就把研究两组随机变量间相关关系的问题转化为研究两个随机变量间的相关关系。如果一对变量（，）还不能完全刻划两组变量间的相关关系时，可以继续找第二对变量，希望这对变量在与第一对变量（，）不相关的情况下也具有尽可能大的相关系数。直到进行到找不到相关变量对时为止。典型

18、相关系数与典型相关变量求解设有两组随机变量和，假定它们都已经标准化了，即，若记此时它们的协方差矩阵（也是相关系数矩阵）为， 其中实际上，要找使和的相关系数达到最大。由于对任意常数，有 (其中，)，因而不妨假定 (3.2-1) (3.2-2)此时。在与条件下，使达到最大的与分别与和组成的新变量 (3.2-3)称为第一对典型变量，其相关系数称为第一典型相关系数。若用一对变量还不足以完全反映两组变量的相关时，可以定义第二对典型变量，这时除要求， 外，还要求，和，在这些条件下使达到最大。一般地，第对典型变量定义如下： 称为第对典型变量，其系数向量与使达到最大，并且满足如下条件： (3.2-4)，此时称

19、为第对典型相关系数。求法如下：我们采用Lagrage乘子法，从开始逐一求 、。下面仅以 、的求法作一简述，以下假定是正定矩阵。记 (3.2-5)其中、为Lagrage乘子，用、 表示仅仅为了下面计算式的简单而已。将对、分别求偏导，并令其为0，再与约束条件联立，则 、应满足以下方程组： (3.2-6)前二式两边左乘和，并利用式(3.2-6)的后二式有 (3.2-7)由于，故有。再由(3.2-6)及的非奇异性知 (3.2-8)将其代入(3.2-6)，则 (3.2-9)再由的非奇异性知 (3.2-10)记，上式表明 是的特征根，是其对应的特征向量。又由式(3.2-7)知 是与 的相关系数，要求其达到

20、最大， 一定是的最大特征根，是最大特征根对应的特征向量；进而可由(3.2-8)求出。第一典型相关系数是的最大特征根的算术根。l 可证明是的最大特征根对应的特征向量。由于M1与M2有相同的非零特征根，因此此时求出的和直接从(3.2-8)求出的是一致的。l 用同样方法可知是M1的第二大的特征根对应的特征向量，可通过下式求出： (3.2-11)l 可求出M1 的 个非零特征根，M1对应于这些特征根的特征向量分别记为、，进而 (3.2-12)j = 1，2， ，r，以 、为系数可组成第对典型变量，。第对典型变量对应的相关系数是的算术根，这便是第个典型相关系数，j = 1，2， ，r 。 量化衡量因子

21、有上述分析不难看出，相关系数越大说明相应的典型变量之间的关系越紧密，其联系越密切。令量化因子时，则可以通过求解量化因子来达到衡量相应变量之间的互依性大小。在运用中可忽略典型相关系数不显著的那些典型变量，仅按显著的前典型变量以及典型相关系数进行分析即可。四、模型在主干课程开设中的运用4.1数据说明本文采集了广州市某高校金融相关专业65名学生在校修读期间12门课程的的成绩。通过第三节统计模型分析来揭示课程之间的关系。12门成绩的标准化数据如下：续：课程（变量）的符号表示说明如下：符号意义 4.2 关于数据的标准化数据标准化处理目的是为分析带来方便。对原始数据数据进行标准化的处理，即使得第i个变量的

22、均值为0，方差为1。设,令 称为标准化后的数据。实际计算时首先对数据进行标准化处理，这样所得出的协方差阵与相关阵就是相同的。4.3 因子分析过程关于因子分析条件的检验KMO是Kaiser-Meyer-Olkin的取样恰当性指标，当KMO值越大时，表示变量之间的共同因素越多，越适合进行因子分析。根据Kaiser1974年的观点，如果KMO小于0.5，就不适宜进行因子分析；如果KMO的值大于0.7，他认为中等程度地适合进行因子分析；如果如果KMO的值大于0.9，则认为非常适合进行因子分析。经检验本文样本数据的KMO值为0.740，适合进行因子分析。 此外BARTLETT球形检验的卡方统计量为179

23、.155,其显著性水平值远小于0.01，因此拒绝零假设相关系数矩阵是一个单位矩阵，说明了总体的相关系数矩阵不大可能是单位矩阵，即原始数据变量之间有共同因素存在，所以适合使用因子分析方法。根据指标数据标准化求得相关系数阵R的特征值、信息累计贡献率、初始因子载荷阵，旋转后因子载荷阵；序号特征值方差贡献率累计方差贡献率（%）13.9077650.32560.325632.5621.4041520.1170.442744.2731.3142670.10950.552255.2241.1399030.0950.647264.7250.8939180.07450.721772.1760.7481810.0

24、6230.78478.470.6276890.05230.836383.6380.605390.05040.886888.6890.4884560.04070.927592.75100.3171050.02640.953995.39110.3125240.0260.979997.99120.2406521100根据方差贡献率得到每一个公共因子的总方差的百分比。由于原始变量已经进行了标准化变换，所以总方差为12。第一因子解析掉的方差占总方差的百分比为。该值反映该因子所代表的能力培养在该专业主干课程设置中的重要程度。表二：旋转后因子载荷阵Factor1-0.059120.361090.582460

25、.747120.843440.783130.253090.025890.732690.386380.32320.45004-0.06979把与进行比较，给出因子载荷绝对值0、1分化频数对比表，用该表进行判断，因为中行元素绝对值足够向0、1两极分化，用旋转后因子进行分析。 表三由碎石图中陡坡与缓坡之间的明显的折点确定出应该提取的因子个数。可看出从第5个因子之后，坡度逐渐平坦，因而考虑5个公共因子较为适宜。因子分析小结采用主成分分析法得出的因子载荷阵。提取的公共因子数为5。变量在所属因子层面的顺序是按照因子载荷量的大小排列的。可以看出，第一因子是以经济学基础和金融概论为代表的专业必修课，是作为金融

26、作业学生必须修读的课程，是其具备今本金融知识能力；第二因子主要是由计量经济学所决定的专业课，它是培养学生对经济信息的数学和软件处理能力；第三因子是以大学英语和公共选修为代表的学校大类平台课程，是培养读取信息、分析解决理论问题的基本能力；第四因子是以高等代数、计算机基础为代表，作为一名合格的金融专业学生应当具备的抽象思维和逻辑推理能力基础；第五因子主要是由政治理论所决定的。4.4量化的相关程度分析模型运用过程相关数据说明使用经典统计学的典型相关分析模型讨论课程之间的互依性。我们分别对基础课X类，包含-计算机基础-高等代数-概率论与数理统计专业基础课Y类，包含:-经济学基础-金融学概论-常微分方程

27、专业课程Z类，包含:-金融工程-计量经济学-会计学分别对基础课X和专业基础课Y两组指标、基础课X和专业课程Z两组指标、专业基础课Y和专业课程Z两组指标做量化相关分析。计算 先构造检验统计量为：其中, 是的特征根，按大小次序排列为，当时，在成立下近似服从分布，这里， 因此在给定检验水平之下，若由样本算出的临界值，则否定，也就是说第一对典型变量，具有相关性，其相关系数为，即至少可以认为第一个典型相关系数为显著的。一般的，检验第个，典型相关系数的显著性时，作统计量：它近似服从个自由度的分布。其中：令显著性水平为0.05，通过计算可得到如下的典型相关系数和系数向量，以及典型相关系数检验。显著性检验根据

28、上述表格的计算结果，对于典型相关系数的检验，采取似然比法，其统计量近似服从F统计分布。第一行检验的第一组相关系数以及比他小的两个相关系数是否为0，第一行F值为3.54，p值等于0.0005，而后一行检验的p值远大于置信水平0.05，故认为只有第一典型相关系数具有统计分析意义。同时根据卡方检验，查卡方表知自由度为9、置信水平为0.05的临界值为16.92，表中卡方值都大于临界值，所以，显然3组的第一个典型相关系数都是高度显著的。对于不显著的典型相关系数和对应的典型变量，我们就不再在下文进行讨论。量化衡量的分析可以看到基础课X和专业基础课Y的第一典型相关系数是0.621,说明基础课的第一典型变量U

29、1对专业基础课的第一典型变量V1的影响较大，在U1中的主要影响课程是X3概率论与数理统计，对应量化因子等于0.789；有较大影响作用还有X2高等代数，对应量化因子等于0.435。在V1中其主要作用的是Y3常微分方程，对应量化因子等于0.663。X1计算机基础的量化因子很小，等于0.186。于是，我们得到第一个结论是：高等代数和概率论与数理统计的学习情况对常微分得学习有很大的影响，计算机基础对专业基础课几乎没有什么影响基础课X和专业课程Z的第一典型相关系数是0.418,说明基础课的第一典型变量U1对专业课程的第一典型变量V1的比较小，在U1中的主要影响课程是X3概率论与数理统计，对应量化因子等于

30、0.945。在V1中其主要作用的是Z2计量经济学，对应量化因子等于0.943。于是，我们得到第二个结论是：概率论与数理统计的学习情况对计量经济学得学习有这非常重要的影响。专业基础课Y和专业课程Z的第一典型相关系数中，U1的Y3常微分方程对应的量化因子较大，其值为0.666，但是在V1中Z1金融工程和Z2计量经济学所对应的量化因子分别为0.231、0.002，数值足够小。于是我们可以得到第三个结论：常微分方程的学习因素对专业课程金融工程和计量经济学没有影响五、结论通过前面的因子分析研究，可以建立专业主干课程的宏观架构：第一课程群: 专业基础理论课程群。重在培养以经济学基础和金融概论为代表的第一公

31、共因子，即作为一名金融类相关课程的高校本科学生所应具备的基本专业性分析能力。专业基础课主要是以共同的、基本的教育性经验使学生掌握基本的知识，形成基本的能力、精神品质及学科潜能。其专业基础课程通常包括经济学基础、金融学概论以及数理统计等。在上述因子分析结果中，以经济学基础和金融概论为代表的第一因子，说明了这两门专业基础必修课程对相关的各科专业课程的教学质量会产生重大的影响。学生掌握了专业的基本的学习和研究方法，具备在专业总层面上的自我获取知识和探索相关问题的能力，从一定程度上来讲，它将比掌握具体某一方面的专业知识更为重要。专业基础课学习应该在第一学年就开始进行，只有这样才能为以后学习针对性较强的

32、专业课程做好理论准备。第二课程群：专业课程群。是以计量经济学为代表的第二公共因子。此类课程具有较强的学科专业性，要求必须具备一定的专业基础理论水平。起开始合适时期显然在基础理论课程之后。金融类相关专业的专业课程包括计量经济学、金融工程、期权期货及会计学等，具有不同的行业对应性。学生可以根据就业方向的喜好程度来选择不同的课程。在开设此类课程群时，对学生进行适当的分流，使学生根据就业方向的不同选择不同类型的选修课来学习。通过这样的课程设计，增加学生职业目标的弹性。第三课程群：大类课程群。是以高等代数、概率论和数理统计为数学分析基础和大学英语、政治理论等为人文分析基础的综合基础类课程。数学基础能使学

33、生具备抽象思维和逻辑推理能力，而人文类的分析着力于培养学生高品位的健康精神家园。通过典型相关分析，得到量化数据解决问题。在日常教学中，人们总会存在这样的困惑：作为理科类专业，在金融类课程中应该怎样衡量基础课和专业基础课、专业课程的关系，以及专业基础课和专业课程之间的联系呢？由往届教学情况和教师的教学分析，我们知道专业基础课和专业课程成绩较好者中有着不少也是大类课程较好的，三者成绩之间有着连贯性。但是，这其中到底有着什么样的一个联系情况、多大的连贯性？我们常常停留在感性的基础上，并没有得到很好的量化证实和可量化分析检验。由典型相关模型分析，我们就可以在很好的程度上解决这个感性困惑。6、 模型的不

34、足与改进 本文所用到的典型相关分析，对学生成绩进行标准化处理，它能很好分析主干课程之间的相关关系。我们不能完全肯定学生的课程成绩是否能反映学科能力要求，不能排除教学和考试过程中的不确定因素。样本数据中可能存在异常值。文中所提到的这种经典的统计分析方法典型相关分析，对样本数据的要求过于严格，抗干扰性能差，它对异常数据的处理分析能力可能未能达到理想水平。我们可以根据经典典型相关分析的思想，并结合模糊数学的统计理论相关知识，可对上述模型进行改进建立模糊典型相关分析模型，达到更好处理异常数据的目的。从样本中提取更加具有价值的信息，为课程设置评价提供更加值得信赖的决策支持。7、 参考文献1 王正胜，复合

35、、融合与整合:国内高校课程设置研究.中国成人教育J,2009,62 谢沛铭, 用学习心理学原理指导高校的课程设置J. 交通高教研究.2003.63 于秀林、任雪松，多元统计分析M.北京：中国统计出版社，2010 常浩、SAS软件与统计应用教程M， 机械工业出版社,2009：224-230.5李柏年，模糊数学及其运用M.合肥：合肥工业大学出版社，2007.6于长福、奚道同、郭强，应用型本科院校金融专业课程体系改革的研究与实践J.商业经济，2010（4）：46-49.7林海明、谢智聪，初始因子分析在安徽省经济发展评价中的运用J.统计教育，2007（5）：52-54 8周军，运用主成分分析和典型相关

36、分析来分析教学J.人类工效学，2002，8（4）.9 逯纪美，多元统计分析在大学生综合素质评价中的应用J.数理统计与管理，2010，29（4）10 李响，模糊典型相关方法在课程设置评价中的应用研究D.东北师范大学，2007.8、 附录程序：SAS软件典型相关分析：data fit1; input x1-x3 y1-y3; cards;-0.217681.366361.06756-0.15957-0.056611.45409-1.32742-0.217831.188030.728491.350311.2016-0.633830.970310.585670.817291.350311.62242-

37、0.911271.168340.46520.90611.133861.53826-0.911271.6634-0.137150.728490.917410.949110.475910.574271.067561.083710.592740.359961.308220.772291.549440.284461.458531.36993-0.217680.673281.188031.261320.917410.696621.308221.762411.30850.90611.242090.61245-0.772550.376240.103791.172511.242090.949111.30822

38、0.87130.344731.172510.484511.03327-1.604861.16834-0.859981.705351.133861.36993-2.02101-0.613870.826621.350131.458531.03327-0.633830.673280.224260.373261.458530.02331-0.07896-0.514860.224261.261320.809190.023310.059760.376240.344731.438930.809190.94911-0.77255-0.613870.344730.284460.484510.444131.308

39、220.772290.344730.99490.051610.444131.30822-0.415851.549441.350130.91741-0.48168-0.633830.574270.94709-0.78121-0.164830.612451.308220.772290.224260.106840.268060.191631.308221.267350.344730.462070.376290.528290.33719-0.51486-0.257620.550870.700961.117440.198470.772290.4652-0.425990.376290.2758-0.772

40、551.06933-0.378090.018040.592741.538261.308220.970311.06756-0.692410.159840.696621.30822-1.207940.947090.55087-0.922411.033270.05976-0.316840.224260.817290.917410.612450.47591-0.712880.103790.550870.592740.612451.030781.465370.58567-0.159570.809191.285760.753351.16834-0.498561.083710.159840.107471.3

41、0822-0.01980.58567-0.425990.80919-0.31335-0.078961.06933-0.25762-0.5148-0.38128-1.07082-1.466140.277230.344730.46207-0.16483-1.659971.308220.079211.067560.37326-0.16483-0.90250.614630.277230.585670.639680.48451-0.22918-1.60486-0.31684-0.25762-0.070770.15984-0.060860.05976-0.514860.58567-0.78121-1.46

42、3530.69662-2.437170.67328-0.01668-0.159570.268060.107470.059760.17822-0.61904-0.42599-0.27306-0.313351.30822-0.514860.46520.195650.376290.02331-0.63383-1.7030.344730.284460.59274-0.9025-1.04999-1.108930.10379-0.15957-1.247080.78078-0.07896-0.21783-1.82375-0.60360.15984-0.14502-0.078960.277231.3085-0

43、.07077-0.92241-0.81833-0.078960.57427-0.61904-0.5148-0.48951-0.565841.30822-1.00992-0.73951-1.491660.15984-1.323310.75335-2.198060.58567-1.04763-0.597730.528291.44694-2.19806-1.22139-0.69241-0.27306-0.14502-0.07896-0.118810.10379-0.78121-0.92241-0.90250.05976-0.41585-0.73951-1.49166-2.004650.359960.19847-0.51486-0.98045-0.781210.59274-0.397510.05976-1.90103-0.137151.172510.15984-0.65-0.07896-0.51486-1.5828-0.42599-1.355