![[정보통계학] 평균 시간당 임금의 통계적 분석-1](http://images.happyhaksul.com/thumb/495/494332-0001.gif)
![[정보통계학] 평균 시간당 임금의 통계적 분석-2](http://images.happyhaksul.com/thumb/495/494332-0002.gif)
![[정보통계학] 평균 시간당 임금의 통계적 분석-3](http://images.happyhaksul.com/thumb/495/494332-0003.gif)
![[정보통계학] 평균 시간당 임금의 통계적 분석-4](http://images.happyhaksul.com/thumb/495/494332-0004.gif)
![[정보통계학] 평균 시간당 임금의 통계적 분석-5](http://images.happyhaksul.com/thumb/495/494332-0005.gif)
![[정보통계학] 평균 시간당 임금의 통계적 분석-6](http://images.happyhaksul.com/thumb/495/494332-0006.gif)
![[정보통계학] 평균 시간당 임금의 통계적 분석-7](http://images.happyhaksul.com/thumb/495/494332-0007.gif)
![[정보통계학] 평균 시간당 임금의 통계적 분석-8](http://images.happyhaksul.com/thumb/495/494332-0008.gif)
![[정보통계학] 평균 시간당 임금의 통계적 분석-9](http://images.happyhaksul.com/thumb/495/494332-0009.gif)
![[정보통계학] 평균 시간당 임금의 통계적 분석-10](http://images.happyhaksul.com/thumb/495/494332-0010.gif)
![[정보통계학] 평균 시간당 임금의 통계적 분석-11](http://images.happyhaksul.com/thumb/495/494332-0011.gif)
![[정보통계학] 평균 시간당 임금의 통계적 분석-12](http://images.happyhaksul.com/thumb/495/494332-0012.gif)
![[정보통계학] 평균 시간당 임금의 통계적 분석-13](http://images.happyhaksul.com/thumb/495/494332-0013.gif)
![[정보통계학] 평균 시간당 임금의 통계적 분석-14](http://images.happyhaksul.com/thumb/495/494332-0014.gif)
분야
hwp2. 데이터
2.1 데이터의 출처 및 변수설명
2.2 기초 통계량
3.통계분석
3.1 상관분석
3.2 주성분분석
3.3 인자분석
3.4 군집분석
3.5 판별분석
4. 결론
참고문헌
소감
부록
sas 프로그램
3.통계분석
3.1 상관분석
두 변수 간의 상관관계를 알아보기 위해 상관행렬을 구해보았다. 상관도가 1에 가까울수록 두 변수 간의 연관성은 높다고 할 수 있다. 표 의 상관행렬을 살펴보면 RATE(평균 시간당 임금)와 가장 높은 상관관계를 가진 변수는 school(최종학력)이다. 각각의 상관도를 살펴보면 거의 대부분의 상관도가 높게 나타남을 알 수 있다. 이는 rate(평균 시간당 임금) 변수와 각 변수들의 상관행렬을 이용하여 상관도가 높은 변수들만 선택하였기 때문일 것이다.
RATE
ERSP
NEIN
ASSET
DEP
RACE
SCHOOL
RATE
1
0.6295
0.7112
0.7983
-0.5184
-0.6531
0.8402
ERSP
0.6295
1
0.3478
0.3895
-0.8226
-0.2372
0.5925
NEIN
0.7112
0.3478
1
0.9857
-0.4888
-0.6938
0.4599
ASSET
0.7983
0.3895
0.9857
1
-0.4734
-0.7439
0.5665
DEP
-0.5184
-0.8226
-0.4888
-0.4734
1
0.3909
-0.5177
RACE
-0.6531
-0.2372
-0.6938
-0.7439
0.3909
1
-0.7838
SCHOOL
0.8402
0.5925
0.4599
0.5665
-0.5177
-0.7838
1
표 상관행렬
3.2 주성분분석
주성분분석은 여러 개의 반응변수로 얻어진 다변량 데이터에 대해, 분산-공분산 구조를 변수들의 선형 결합식으로 설명하고자 하는 접근방법이다. 첫 번째 주성분은 변동을 최대로 설명해주는 방향으로 변수들의 선형결합식이다. 두 번째 주성분은 첫 번째 주성분 다음으로 변동을 가장 많이 설명해주는 변수들의 선형결합식이며 첫 번째 주성분과는 독립이다. SAS를 이용한 다변량 통계분석, 김재희 지음.
Eigenvalues of the Correlation Matrix
eigenvalue
difference
proportion
Cumulative
1
4.648
3.445
0.6641
0.6641
2
1.204
0.517
0.172
0.8361
3
0.687
0.322
0.0981
0.9342
4
0.365
0.288
0.0521
0.9863
5
0.077
0.059
0.0109
0.9972
6
0.017
0.015
0.0024
0.9996
7
0.002
0.0004
1
표 고유값
Prin1
Prin2
Prin3
Prin4
Prin5
Prin6
Prin7
RATE
0.4237
0.0078
-0.1697
0.5883
-0.4474
-0.4802
0.1212
ERSP
0.3163
-0.6328
0.0798
0.2024
0.6607
-0.1140
0.0516
NEIN
0.3882
0.3339
0.4857
0.0215
0.0703
0.2984
0.6383
ASSET
0.4109
0.3264
0.3348
0.1340
0.1131
0.1257
-0.7513
DEP
-0.3320
0.5030
-0.2963
0.5308
0.5101
0.01597
0.0829
RACE
-0.3732
-0.3499
0.3453
0.5577
-0.2824
0.4738
-0.0620
SCHOOL
0.3890
-0.0785
-0.6402
0.01376
-0.075
0.6533
-0.006
표 고유벡터
