基于SPSS软件分析美国洛杉矶城市特征

基于SPSS软件分析医院综合评价指标数学与计算科学学院统计学学号：201330091073张雅婧摘要运用SPSS软件分析主要运用因子分析一医院3年中各月的数据，从而建立此医院医疗综合评价指标。关键词SPSS；因子分析；综合评价一、引言医疗质量和效率是医院生存的第一生命，而对医院进行医疗绩效评价，是促进医院发展非常有用的方法。因子分析法是根据原始变量组成的每个主因子的方差贡献率为权重来构造综合评价函数的，具有很强的客观合理性。因此，本研究将利用该方法医院的医疗绩效进行综合评价。主成分分析及因子分析的基本原理2.1主成分分析在各领域的科学研究中，为了全面客观地分析问题，往往要考虑从多方面观察所研究的对象，要收集多个观察指标的数据。如果一个一个地分析这些指标，无疑会造成对研究对象的片面认识，也不容易得到综合的、一致性很好的结论。主成分分析就是考虑各指标间的相互关系，利用降维的思想把多个指标转换成较少的几个互不相关的综合指标，从而使进一步研究变得简单的一种统计方法。2.2因子分析探讨存在相关关系的变量之间，是否存在不能直接观察到但对可观测变量的变化起支配作用的潜在因子的分析方法称为因子分析。因子分析就是寻找潜在的起支配作用的因子模型的方法。医院的各项指标3.1数据下表即为医院3年中各月的数据，包括门诊人次为，出院人数为，病床利用率为，平均住院天数为，治愈好转率为，病死率为，诊断符合率为，抢救成功率为。本研究将利用一下8个指标来探讨综合评价指标。t14.34389.0099.061.2325.4693.153.5697.5161.6623.45271.0088.28.8523.5594.312.4497.9473.3334.38385.00103.971.2126.5492.534.0298.4876.7944.18377.0099.481.1926.8993.862.9299.4163.1654.32378.00102.011.1927.6393.181.9999.7180.0064.13349.0097.551.1027.3490.634.3899.0363.1674.57361.0091.661.1424.8990.602.7399.6973.5384.31209.0062.18.5231.7491.673.6599.4861.11t94.06425.0083.27.9326.5693.813.0999.4870.73104.43458.0092.39.9524.2691.124.2199.7679.07114.13496.0095.431.0328.7593.433.5099.1080.49124.10514.0092.991.0726.3193.244.22100.0078.95134.11490.0080.90.9726.9093.684.9799.7780.53143.53344.0079.66.6831.8794.773.59100.0081.97154.16508.0090.981.0129.4395.752.7798.7262.86164.17545.0092.981.0826.9294.893.1499.4182.35174.16507.0095.101.0125.8294.412.8099.3560.61184.86540.0093.171.0727.5993.472.7799.8070.21195.06552.0084.381.1027.5695.153.1098.6369.23204.03453.0072.69.9026.0391.944.5099.0560.42214.15529.0086.531.0522.4091.523.8498.5868.42223.94515.0091.011.0225.4494.882.5699.3673.91234.12552.0089.141.1025.7092.653.8795.5266.67244.42597.0090.181.1826.9493.033.7699.2873.81253.05437.0078.81.8723.0594.464.0396.2287.10263.94477.0087.34.9526.7891.784.5794.2887.34274.14638.0088.571.2726.5395.161.6794.5091.67283.87583.0089.821.1622.6693.433.5594.4989.07294.08552.0090.191.1022.5390.363.4797.8887.14304.14551.0090.811.0923.0691.652.4797.7287.13314.04574.0081.361.1426.6593.741.6198.2093.02323.93515.0076.871.0223.8893.823.0995.4688.37333.90555.0080.581.1023.0894.382.0696.8291.79343.62554.0087.211.1022.5092.433.2297.1687.77353.75586.0090.311.1223.7392.472.0797.7493.89363.77627.0086.471.2423.2291.173.4098.9889.80四、SPSS操作过程及输出结果和分析主要是运用SPSS软件进行因子分析，由于各变量间存在一定的相关关系，因此有可能用较少的综合指标，分别综合存在于各变量中的各类信息。其主要步骤是：对各医院的原始数据进行标准化，求相关阵及特征根值、方差贡献率、累积方差贡献率；根据各因子的贡献率和载筒系数选取主因子并命名；根据因子得分系数矩阵，得到各因子的得分函数：以各主因子的方差贡献率为权数，得到各医院的综合得分函数。4.1操作SPSS的步骤：（1）读取数据文件。按Analyze→DataReduction→Factor顺序单击菜单项，展开FactorAnalysis对话框。将这8个变量移到Variables框中。在对话框中，单击Descriptives按钮，展开相应的对话框。①在statitics栏中选择要求输出的统计量：选中UnivariateDescriptives,要求显示单变量的描述统计量；选中Initialsolution，要求显示初始因子分析结果。②在CorrelationMatrix栏中选择要求输出的相关矩阵。（4）在主对话框中，单击Extraction按钮，展开Extraction对话框。①在Method因子提取方法参数框，选择Principalcomponents主成分分析选项。②在Analyze栏中选择Correlationmatrix分析相关矩阵项。③在Extract栏中选择Numberoffactors,并在其小矩形框中输入提取因子数4.④在Display栏中选择要求的输出项。⑤在MaximumIterationforConvergence参数框中，选择停止迭代的最大迭代次数。使用默认值25.在主对话框中单击Rotation按钮，展开Rotation对话框。①在Method旋转方法栏中，选择Varimax最大方差旋转。②在Display栏中选择Rotatedsolution和Loadingplot（s）,前者要求显示旋转后的结果，后者要求显示因子载荷图。（6）再主对话框中，单击Scores按钮，展开FactorScores对话框。选中Displayfactorscorecoefficientmatrix,输出因子得分系数矩阵。（7）在主对话框中，单击Options按钮，展开Options对话框；在MissingValue栏中选择ExcludecasesListwise;在CoefficientDisplayFormat栏中选择Sortedbysize.(8)在主对话框中，单击OK按钮执行运算。4.2数据分析图表解释下面将分析运用SPSS软件16.0分析此医院36个月的数据。以下各表即为运用软件所出的结果。表1DescriptiveStatisticsMeanStd.DeviationAnalysisN门诊人次4.0928.3656636出院人数483.138999.9054336病床利用率88.42588.3154136病床周转数1.0483.1520236平均住院天数25.83862.4095036治愈好转率93.12561.4404136病死率3.2664.8389536诊断符合率98.23641.6685636抢救成功率77.418310.7165236表1为单变量描述统计量，自左至右显示了变量标签，各变量的均值，各变量的标准差，参与计算这些统计量的观测量数。但是单独看单变量描述统计量无法得到合适的结论。所以需要进行其他的数据分析。下面将进行因子分析。在因子分析中研究的是包含原始变量绝大部分信息的综合变量，对原始变量不分因变量和自变量。TotalVarianceExplainedComponentInitialEigenvaluesExtractionSumsofSquaredLoadingsRotationSumsofSquaredLoadingsTotal%ofVarianceCumulative%Total%ofVarianceCumulative%Total%ofVarianceCumulative%12.80731.19431.1942.80731.19431.1942.30525.60825.60821.99122.12453.3171.99122.12453.3171.84320.47646.08531.44816.09269.4101.44816.09269.4101.46416.26162.3464.7858.72378.133.7858.72378.1331.42115.78778.1335.6817.56385.6966.5416.01491.7107.4535.03496.7448.1751.93998.6839.1191.317100.000ExtractionMethod:PrincipalComponentAnalysis.表2为各成分的公因子方差表，InitialIgenvalues是相关矩阵的特征值。第一列是因子编号，以后三列组成一组，每组中数据项的含义依次是特征值、方差贡献率和累计方差贡献率。ExtractionSumsofSquaredLoadings为因子提取结果，是未经旋转的因子载荷的平方和。RotationSumsofSquaredLoadings是旋转后的因子载荷的平方和。这些值是用于确定哪些因子应保留，由于前三个因子的特征值都大于1，因子分析的目的是减少成分，由于%ofVariance为各成分所解释的方差占总方差的百分比。前四个因子的特征值之和占总方差的78%，即前四个因子解释原始9个变量的78%的变异。这样既减少了变量的数目，又能够用较少的主成分反映原有变量的绝大部分信息。图1图1表现各成分特征值的碎石图。分析碎石图可以看出因子1，因子2，因子3，因子4之间的特征值之差值比较大。而其他因子之间的特征值差值都比较小，可以初步得到保留4个因子将概括绝大部分信息。明显的拐点为4，考虑到贡献率，因此提取4个因子比较合适。证实了表2的结果。表3ComponentMatrixaComponent1234出院人数.766.128.091.508抢救成功率.737-.366.059.021平均住院天数-.724.125.440.189病床周转数.689.661-.071-.020诊断符合率-.623.402.041-.116病床利用率.244.776-.086-.443门诊人次-.255.770.008.470治愈好转率.039-.071.888-.009病死率-.405-.164-.663.243ExtractionMethod:PrincipalComponentAnalysis.a.4componentsextracted.表3为初始提取的因子载荷矩阵。由于相关系数比较接近，不好命名。表4ComponentTransformationMatrixComponent12341.856.420.138-.2702-.177.755.033.6313-.050-.148.981.1124.484-.482-.130.719ExtractionMethod:PrincipalComponentAnalysis.RotationMethod:VarimaxwithKaiserNormalization.表4为因子旋转的转换矩阵。表下方是有关因子提取与旋转方法的说明：使用主成分法提取因子，使用Varimax最大方差旋转。表5RotatedComponentMatrixaComponent1234出院人数.874.159.132.250抢救成功率.703.015.145-.408诊断符合率-.662.092-.017.343平均住院天数-.572-.367.311.459病床利用率-.138.915.033.096病床周转数.467.808.050.209治愈好转率-.003-.164.876.038病死率-.166-.312-.744.106门诊人次-.127.246-.064.893ExtractionMethod:PrincipalComponentAnalysis.RotationMethod:VarimaxwithKaiserNormalization.a.Rotationconvergedin7iterations.表5是旋转后因子载荷矩阵。表中给出旋转后的因子与原始变量的相关矩阵，是按系数绝对值由大到小排列。可以看出经过旋转后相关系数已经明显地发生变化了。第一主成分Component1对出院人数,抢救成功率有绝对值较大的相关系数，可以将Component1视为医疗质量因子，第二主成分Component2对病床利用率病床周转数有绝对值较大的相关系数，可以将Component2视为病床利用效率因子，第三主成分Component3对治愈好转率，病死率有绝对值较大的相关系数，可以将Component3视为医疗质控因子，第四主成分Component4对门急诊因子。表6ComponentScoreCoefficientMatrixComponent1234门诊人次.144-.036-.073.699出院人数.532-.159.017.439病床利用率-.265.612.040-.190病床周转数.142.373.000.120平均住院天数-.130-.222.233.317治愈好转率-.018-.106.604.035病死率.064-.204-.512.158诊断符合率-.299.126.023.084抢救成功率.268-.047.067-.163ExtractionMethod:PrincipalComponentAnalysis.RotationMethod:VarimaxwithKaiserNormalization.ComponentScores.表6是因子得分系数矩阵。根据因子得分系数和原始变量的标准化值，可以计算每个观测量的各因子的得分数，并可以据此对观测量进行进一步的分析。令门诊人次为，出院人数为，病床利用率为，平均住院天数为，治愈好转率为，病死率为，诊断符合率为，抢救成功率为.旋转后的因子表达式可以写成：表7ComponentScoreCovarianceMatrixComponent123411.000.000.000.0002.0001.000.000.0003.000.0001.000.0004.000.000.0001.000ExtractionMethod:PrincipalComponentAnalysis.RotationMethod:VarimaxwithKaiserNormalization.ComponentScores.表7是估计回归因子分数的协方差矩阵，即因子的相关矩阵。可以看出旋转后Component1，Component2，Component3，Component4之间是完全不相关的。对医院进行综合评价，这里采用计算因子加权总分的方法，其中权重的确定是关键。这里仅从单纯的数量上考虑，以因子的方差贡献率为权数。于是，计算公式为：可以计算出医院每个月的主成分得分及综合得分。结论通过上述的分析已经得到了因子表达式以及求医院的综合评价的公式，于是可得下表：表8tFAC1FAC2FAC3FAC4综合得分1-.795151.32909-.32718.168770.041954172-1.56646.22243.84166-2.69539-0.6440906483-.786481.48473-.64069.131950.0192521174-1.410021.40487.56736-.073730.0072060145-1.165011.731911.01526-.194230.1907279116-1.40622.90520-1.64449-.08267-0.455212867-.796191.14140-.92685.22034-0.0861175298-1.93494-3.17631-.57413.51555-1.1578838419-.71975-.52450.41198-.05158-0.2328574810-.26843.23017-1.59060.33991-0.22661511911-.37796.15005.32654.384020.04763480412-.18941.18241-.42871.37173-0.02220220713.07848-1.20836-.70297.67561-0.23501844114-1.55080-1.915361.17451-.86640-0.735057451tFAC1FAC2FAC3FAC4综合得分15-.67347-.256101.67038.83702006777.17461.98583.485550.29003919717-.76474.53106.75532.303780.08366670618-.12316.32054.473851.960000.42045506119.51768-.57671.871292.673870.57812445420-.29520-1.56019-1.39514.51736-0.54027959821.29183.14868-1.42041.12732-0.1057039822-.34185.264321.17044-.266370.11487162623