有关数据统计的论文范文

从统计学的发展趋势谈统计教育的改革 摘要：要培养出新型的21世纪的人才，统计教育必须高瞻远瞩。本文从统计学的发展趋势谈了统计教育急需改革的几个方面。 关键词: 统计学； 发展趋势； 统计教育改革 随着国家创新体系的建立，统计创新工程已经提上议事日程，统计创新包括两个方面，一是统计实践的创新；二是统计教育的创新。创新的基础在于教育，没有统计教育的创新，就谈不上统计实践的创新。准确把握统计学的发展方向与发展形势，培养适应新世纪社会经济发展需要的人才，是统计教育工作者必须面对的问题，本文从统计学的基本发展趋势谈一谈统计教育急需改革的几个方面。 一、统计学的基本发展趋势 纵观统计学的发展状况，与整个科学的发展趋势相似，统计学也在走与其他科学结合交融的发展道路。归纳起来，有两个基本结合趋势。 （一）统计学与实质性学科结合的趋势 统计学是一门通用方法论的科学，是一种定量认识问题的工具。但作为一种工具，它必须有其用武之地。否则，统计方法就成为无源之水，无用之器。统计方法只有与具体的实质性学科相结合，才能够发挥出其强大的数量分析功效。并且，从统计方法的形成历史看，现代统计方法基本上来自于一些实质性学科的研究活动，例如，最小平方法与正态分布理论源于天文观察误差分析，相关与回归源于生物学研究，主成分分析与因子分析源于教育学与心理学的研究。抽样调查方法源于政府统计调查资料的搜集。历史上一些著名的统计学家同时也是生物学家或经济学家等。同时，有不少生物学家、天文学家、经济学家、社会学家、人口学家、教育学家等都在从事统计理论与方法的研究。他们在应用过程中对统计方法进行创新与改进。另外，从学科体系看，统计学与实质性学科之间的关系绝对不是并列的，而是相交的，如果将实质性学科看作是纵向的学科，那么统计学就是一门横向的学科，统计方法与相应的实质性学科相结合，才产生了相应的统计学分支，如统计学与经济学相结合产生了经济统计，与教育学相结合产生了教育统计，与生物学相结合产生了生物统计等，而这些分支学科都具有"双重"属性：一方面是统计学的分支，另一方面也是相应实质性学科的分支，所以经济统计学、经济计量学不仅属于统计学，同时属于经济学，生物统计学不仅是统计学的分支，也是生物学的分支等。这些分支学科的存在主要不是为了发展统计方法，而是为了解决实质性学科研究中的有关定量分析问题，统计方法是在这一应用过程中得以完善与发展的。因此，统计学与各门实质性学科的紧密结合，不仅是历史的传统更是统计学发展的必然模式。实质性学科为统计学的应用提供了基地，为统计学的发展提供了契机。21世纪的统计学依然会采取这种发展模式，且更加注重应用研究。 这个趋势说明：统计方法的学习必须与具体的实质性学科知识学习相结合。必须以实质性学科为依据，因此，财经类统计专业的学生必须学好有关经济类与管理类的课程，只有这样，所学的统计方法才有用武之地。统计的工具属性才能够得以充分体现。 （二）统计学与计算机科学结合的趋势 纵观统计数据处理手段发展历史，经历了手工、机械、机电、电子等数个阶段，数据处理手段的每一次飞跃，都给统计实践带来革命性的发展。上个世纪40年代第一台电子计算机的诞生，给统计学方法的广泛应用创造了条件。20年代发展起来的多元统计方法虽然对于处理多变量的种类数据问题具有很大的优越性，但由于计算工作量大，使得这些有效的统计分析方法一开始并没有能够在实践中很好推广开来。而电子计算机技术的诞生与发展，使得复杂的数据处理工作变得非常容易，那些计算繁杂的统计方法的推广与应用，由于相应统计软件的开发与商品化而变得更加方便与迅速，非统计专业的理论工作者可以直接凭借商品化统计分析软件来处理各类现实问题的多变量数据分析，而无需对有关统计方法的复杂理论背景进行研究。计算机运行能力的提高，使得大规模统计调查数据的处理更加准确、充分与快捷。目前企业经营管理中建立的决策支持系统（DSS）更加离不开统计模型。最近国外兴起的数据挖掘（Datamining,又译"数据掏金"）技术更是计算机专家与统计学家共同关注的领域。随着计算机应用的越来越广泛，每年都要积累大量的数据，大量信息在给人们带来方便的同时也带来了一系列问题：信息过量，难以消化；信息真假，难以辨识；信息安全，难以保证；信息形式不一致，难以统一处理；于是人们开始提出一个新的口号"要学会抛弃信息"。人们考虑"如何才能不被信息淹没，而是从中及时发现有用的知识，提高信息利用率？"面对这一挑战，数据挖掘和知识发现（DMKD）技术应运而生，并显示出强大的生命力。数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘是一门交叉学科，它把人们对数据的应用从低层的简单查询，提升到从数据中挖掘知识，提供决策支持。在这种需求牵引下，汇聚了不同领域的研究者，尤其是数据库技术、人工智能技术、统计、可视化技术、并行计算等方面的学者和工程技术人员，投身到数据挖掘这一新兴的研究领域，形成新的技术热点。虽然统计学家与计算机专家关心Datamining的视角不完全相同，但可以说，Datamining与DSS一样，使得统计方法与计算机技术的结合达到了一个更高的层次。 因此，统计学越来越离不开计算机技术，而计算机技术应用的深入，也同样离不开统计方法的发展与完善。这个趋势说明：充分利用现代计算技术，通过计算机软件将统计方法中复杂难懂的计算过程屏障起来，让用户直接看到统计输出结果与有关解释，从而使统计方法的普及变得非常容易。所以，对于财经类统计专业的学生来说，一方面要学好统计方法，但另一方面更加要学会利用商品化统计软件包解决实践中的统计数量分析问题，学好计算机信息系统开发的基本思想与基本程序设计，能够将具体单位的统计模型通过编程来实现，以建立起统计决策支持系统。 所以统计与实质性学科相结合，与计算机、与信息相结合，这是发展的趋势。了解这一点，再来看我们目前教育中的问题就更加明显了，所以一些课程要改革，教学方式也要改革。以下谈一谈统计教育需要改革的几个方面。采纳哦

可以的，自己调查的数据资料可以作为毕业论文的依据！毕业论文里的数据，最好在论文中注明来源，做好注释，例如【数据来源：中国统计年鉴2011】等。如果论文顺利通过了答辩，评委们都没异议，学校是不会去核实数据的真实性的。比如说金融专业的毕业论文，宏观数据的话，建议去看统计年鉴，包括中国统计年鉴，金融业统计年鉴和保险业统计年鉴。有些数据另外会在保监会，央行公布。具于未来的发展趋势，建议去看专门的行业报告（也有相关行业数据）和论文。根据我搜集的一些网站来看，建议看看这个，要做毕业论文以及毕业设计的，推荐一个网站：中国毕业论文网，里面的毕业设计什么的全是优秀的，因为精挑细选的，网上很少有，都是相当不错的毕业论文和毕业设计，对毕业论文的写作有很大的参考价值，希望对你有所帮助。别的相关范文很多的，推荐一些比较好的范文写作网站，希望对你有帮助，这些精选的范文网站，里面有大量的范文，也有各种文章写作方法，注意事项，应该有适合你的，自己动手找一下，可不要照搬啊，参考一下，用自己的语言写出来那才是自己的。如果你不是校园网的话，请在下面的网站找：毕业论文网。求采纳

摘要：本文用模特卡罗模拟方法研究了样本容量在54以下的DW统计量的分布特征，并给出小样本DW检验临界值表。同时用DW检验提出了一个判别最小二乘估计中是否存在虚假回归的有效方法。关键词：模特卡罗模拟，DW分布，非平稳性，协整　　Distribution of Small Sample DW Statistic　　Zhang Xiaotong1 Zhao Chuxiao2　　( Institute of International Economics, Nankai University, Tianjin 300071)　　( Management School, Tianjin University, Tianjin 300072)　　Abstract In this paper we investigated the DW distribution with sample size under 54 by Monte Carlo simulation method and gave a critical table for small sample DW Based on that we proposed a method for recognizing spurious regression in ordinary least squares Keywords: Monte Carlo simulation, DW distribution, nonstationary, cointegration　　1．概述　　八十年代以来，Engle-Granger (1987), Engle-Yoo (1987) 和Sargan-Bhargava (1983)都曾提及用DW统计量检验非平稳变量间的协整性问题。在Sargan-Bhargava (1983)中还专门给出一个DW协整检验用表。但在这些论文中均未对小样本DW统计量的分布特征给与研究。　　本文采用蒙特卡罗模拟方法对小样本DW统计量的分布特征进行了充分、详细的研究。样本容量分别取为10，20，30，40和50。变量的设定分为三种情形：一 所涉及的两个变量都取自I(1)过程；二 所涉及的两个变量中一个取自I(1)过程，一个取自I(0)过程；三 所涉及的两个变量都取自I(0)过程。　　在有些国家以年为单位的时间序列的最大可观测值个数并不是很大，所以对小样本DW统计量分布特征的研究有着非常重要的理论与现实意义。　　本文结构如下。第二节推导两个I(1)变量进行最小二乘回归后，由残差计算的DW统计量的极限分布表达式，第三节介绍蒙特卡罗模拟结果及其分析，第四节给出实例，第五节给出结论。　　2．DW统计量的极限分布　　给定如下随机数据生成系统，　　yt = yt-1 + ut , y1 = 0, （1）　　xt = xt-1 + vt , x1 = 0, （2）　　其中ut, vt ~ I(0), E(ut) = E(vt) = 0; E(ui uj) = 0, i ¹ j," i, j。则yt和xt为相互独立的两个I(1)过程。　　建立如下回归模型：　　yt = b0 + b1xt + wt （3）　　当对上式进行最小二乘估计时，会产生虚假回归问题。用随机误差wt的最小二乘估计值 构造DW统计量，　　（4）　　因为当T ® µ 时， 必然接近于零，上式中分子为Op(1)，而分母T -1sw2也是Op(1)，所以DW统计量是Op(T -1)的。当T ® µ 时，有　　DW Þ 　　即当用两个I(1)变量进行如模型(3)形式的回归时，DW统计量的极限分布为零。　　3．小样本DW分布的蒙特卡罗模拟及其结果分析　　当样本为有限样本，特别是小样本时，DW统计量的分布与其极限分布有着很大不同。由于上述条件下的DW统计量的分布无法用解析的方法求解，本文用蒙特卡罗模拟方法对DW统计量的小样本分布特征进行了研究。　　以模型(3)为基础，除了以yt，xt ~ I(1)为条件对DW分布（记为DW(1,1)）进行模拟外，还分别以yt ~ I(1)，xt ~ I(0) 和yt，xt ~ I(0)为条件进行了模拟（分别记为DW(1,0) 和DW(0,0)）。　　由于DW(0,0)就是通常意义的DW统计量，所以只模拟样本容量T = 10, 40两种情形。对于DW(1,1)和DW(1,0)，分别取T = 10, 20, 30, 40和50进行了模拟。在每个样本容量条件下各模拟1000次。所得结果见表一。　　首先见表一的第三部分，先分析DW(0,0) 的分布特征。由于DW(0,0) 就是通常意义的DW统计量，所以模拟结果表明，一 DW(0,0)分布的均值为2，不受样本容量大小的影响；二分布是对称的，相应JB值（表中最后一列）说明小样本DW(0,0)统计量的分布与正态分布相当近似。三 随着样本容量的增大，分布的标准差逐步减小。　　见表一的第一、二部分。小样本DW(1,1)和DW(1,0)统计量有着相似的分布特征。一 分布均为右偏态，分布左侧有端点，端点为零；二 随着样本容量的增大，DW(1,1)和DW(1,0)分布的右偏倚程度越来越大，分布均值逐步相左移动，90、95、99百分位数也逐步向左移动，同时分布的标准差逐步减小，分布的峰值越来越大，DW取值向零集中；三 在样本容量相同的条件下，DW(1,0)分布总是位于DW(1,1)分布的左侧，即DW(1,0)分布的均值、百分位数以及方差都比DW(1,1)分布的相应量小。T = 50模拟1000次的DW(1,1)和DW(1,0)分布的结果分别见图一和图二。　　表一 DW分布的蒙特卡罗模拟结果　　类 型 样本容量 百 分 位 数 均 值 标准差 偏 度 JB统计量　　1 90 95 99　　10 22 18 45 81 28 62 50 74　　DW(1,1) 20 11 28 49 80 75 39 68 61　　30 09 90 04 39 51 29 07 73　　40 06 77 88 16 41 25 06 10　　50 05 59 71 98 33 20 16 31　　10 18 73 02 38 98 53 73 59　　20 09 02 21 59 56 34 22 61　　DW(1,0) 30 06 70 83 18 38 24 27 43　　40 04 54 66 91 30 19 25 68　　50 04 45 54 71 24 15 12 84　　DW(0,0) 10 31 75 97 24 02 57 00 17　　40 72 41 53 70 00 31 03 06　　注： DW(1,1)表示由两个I(1)变量进行回归，计算得到的DW值　　 DW(1,0)表示由一个I(1)变量和一个I(0)变量进行回归，计算得到的DW值。　　 DW(0,0)表示由两个I(0)变量进行回归，计算得到的DW值。　　 在每个样本容量条件下各模拟1000次。　　图一 T = 50模拟1000次的DW(1,1)分布直方图 图二 T = 50模拟1000次的DW(1,0)分布直方图　　在相同样本容量条件下，DW(1,0)分布之所以位于DW(1,1)分布左侧，可作如下解释。随着T ® µ，DW(1,0)和DW(1,1)的分布都趋近于零。由于DW(1,0)来自于一个I(1) 变量和一个I(0)变量之间的回归，所以残差序列wt ~ I(1)。由于DW(1,1)来自于两个I(1)变量之间的回归，一般来说残差序列wt&nb　　1、统计范围　　GDDS将国民经济活动划分为五大经济部门：实际部门、财政部门、金融部门、对外部门和社会人口部门。对每一部门各选定一组能够反映其活动实绩和政策以及可以帮助理解经济发展和结构变化的最为重要的数据类别。系统提出了五大部门综合框架和相关的数据类别以及指标编制和公布的目标，鼓励以适当的、反映成员国需要和能力的频率和及时性来开发和公布指标。选定的数据类别和指标分为规定的和受鼓励的两类。　　规定的数据类别包括：（1）来自综合框架中的核心部分，如实际部门的国民帐户总量、财政部门的中央政府预算总量、金融部门的广义货币和信贷总量、对外部门的国际收支总量；（2）追踪分析统计类目，如实际部门的各种生产指数、财政部门的中央政府财政收支和债务统计、金融部门的中央银行分析帐户、对外部门的国际储备和商品贸易统计；（3）与该部门相关的统计指标，如实际部门的劳动市场和价格指数统计；（4）社会人口数据，包括人口、保健、教育、卫生等方面统计。　　除规定的数据类别以外，GDDS鼓励成员国发布更多的统计信息，以增强成员国经济实绩和政策的透明度。如实际部门列出储蓄、国民总收入指标，财政部门列出利息支付和偿债预计数据等。　　GDDS认为，系统所包括的大多数数据类别都是由各国官方机构编制的。将私人部门编制的数据包括进去将更有助于观察经济的全貌，并使各国数据的范围更加一致。但是，将一些由私人机构编制的数据包括在系统内会增加工作的复杂性，比如由官方转发这些数据隐含着对这些数据质量的认可，官方必须对在公众获得、数据完整性和数据质量方面的责任做出调整。　　2、公布频率　　公布频率是指统计数据编制发布的时间间隔。某项统计数据的公布频率需要根据调查、编制的工作难度和使用者的需要来决定。系统鼓励改进数据的公布频率。GDDS对列出的数据类别的公布频率作了统一规定。例如， GDDS要求国民帐户、国际收支平衡表按年公布，广义货币概览按月公布，汇率则每日公布。　　3、公布及时性　　公布及时性是指统计数据公布的速度。统计数据公布的及时性受多种因素制约，如资料整理和计算手续的繁简、数据公布的形式等。GDDS规定了间隔的最长时限，如按季度统计的GDP数据规定在下一季度内发布，按月度统计的生产指数规定在6周至3个月内公布。　　GDDS将选定的数据类别分为规定性和鼓励性两类，目的是给予参加国公布统计数据一定的灵活性。鼓励性一类是要成员国争取发布的，条件不具备的可以暂不发布。有些数据类别下构成要素后面注明“视具体情况”，即成员国认为该项统计不符合本国实际的，可以不编制发布。GDDS规定的发布周期和发布及时性也列出一些灵活处理和变通的办法。　　GDDS有关数据方面的内容及要求如下：　　GDDS的数据规范　　A、综合框架　　核心框架　　范围、分类和分析框架　　受鼓励的扩展　　频率　　及时性　　国民帐户　　编制和公布全套的名义和实际国民帐户总量和平衡项目，得出国内生产总值、国民总收入、可支配总收入、消费、储蓄、资本形成、净贷款、净借款。编制和公布有关的部门帐户以及国家和部门的资产负债表　　年度　　10-14个月　　中央政府操作　　编制和公布交易和债务的综合数据，需强调：1）包括所有的中央政府单位；2）使用适当的分析框架；3）建立一整套详细的分类标准（税收和非税收收入、经常性和资本性支出、国内及国外融资），并适当细分（根据债务持有人、债务工具和币种）。　　广义政府或公共部门操作数据，在那些地方政府或公共企业操作具有重要分析或政策意义的国家尤其鼓励。　　年度　　6-9个月　　广义货币概览　　编制和公布综合的数据，需强调：1）包括所有的存款公司（银行机构）；2）使用适当的分析框架；3）建立对外资产和负债、按部门分类的国内信贷以及货币（流动性）和非货币债务构成的分类标准。　　月度　　2-3个月　　国际收支　　编制和公布综合的国际收支主要总量数据和平衡项目，包括：货物和服务的进口和出口、贸易差额、收入和转移、经常项目差额、储备和其他金融交易、总余额，并适当进行细分。　　国际投资头寸和总体经济外债数据（如果这些数据具有重要的分析和政策意义）　　年度　　6-9个月　　GDDS的数据规范　　B、数据类别和指标　　数据类别　　核心指标　　受鼓励的总量及构成　　频率　　及时性　　实际部门　　国民帐户总量　　国内生产总值（名义和实际）　　国民总收入、资本形成、储蓄　　年度（鼓励季度）　　6-9个月　　生产指数　　制造业或工业　　初级产品、农业或其他指标　　视具体情况　　月度　　视具体情况　　所有指标都为6周-3个月　　价格指数　　消费者价格指数　　生产者价格指数　　月度　　1-2个月　　劳动力市场指标　　就业、失业，工资/收入，视具体情况　　年度　　6-9个月　　财政部门　　核心指标　　受鼓励的指标　　频率　　及时性　　中央政府预算总量　　收入、支出、差额和融资，视具体情况进行细分（根据债务持有人、债务工具和币种）　　利息支付　　季度　　1个季度　　中央政府债务　　内债和外债，视具体情况适当细分（按币种、期限、债务持有人和债务工具）　　政府担保债务　　年度（鼓励季度）　　1-2个季度　　金融部门　　核心指标　　受鼓励的指标　　频率　　及时性　　广义货币和信贷总量　　净对外头寸、国内信贷、广义或狭义货币　　月度　　1-3个月　　中央银行总量　　储备货币　　月度　　1-2个月　　利率　　短期和长期政府债券利率，政策可变利率　　货币或银行间市场利率及一套存贷款利率　　月度　　高频率（如月度）　　股票市场　　股票价格指数，视具体情况　　月度　　对外部门　　核心指标　　受鼓励的指标　　频率　　及时性　　国际收支总量　　货物和服务的进口和出口、经常帐户差额、储备、总差额　　总体经济的外债和偿债数据，视具体情况　　年度（十分鼓励季度）　　6个月　　国际储备　　以美元标价的官方储备总额　　与储备有关的负债　　月度　　1-4周　　商品贸易　　总进口和总出口　　较长时间的主要商品的分类　　月度　　8周-3个月　　汇率　　即期汇率　　每日　　高频率（如月度）　　社会-人口数据　　核心指标　　频率　　人口　　人口；人口增长率；城市人口；农业人口；人口性别；人口的年龄构成　　各国公布频率会各不相同；及时性　　保健　　每个医生照顾人口数；预期寿命；婴儿/儿童/产妇死亡率　　也不尽相同　　教育　　成年人文盲率、学生-教师比率、小学/中学入学率　　贫困状况　　获得洁净水的情况、卫生；每个房间居住的人数；收入分配；最低收入标准以下的家庭数　　二、公布数据的质量　　GDDS从两个方面的内容来评估公布的统计数据质量，即：提供统计数据的文字说明和提供统计数据的交叉检验。　　统计数据质量是个难以界定、因而不易评估的概念。为了便于检查，GDDS选定两条规则作为评估统计数据质量的标准。一是参加国提供数据编制方法和数据来源方面的资料。资料可以采取多种形式，包括公布数据时所附的概括性说明、单独出版物和可从编制者得到的有关说明。同时也鼓励成员国准备并公布重要的关于数据质量特征的说明（例如，数据可能存在的误差类型、不同时期数据之所以不可比的原因、数据调查的范围或调查数据的样本误差等）。二是提供统计类目核心指标的细项内容、及与其相关的统计数据的核对方法，以及支持数据交叉复核并保证合理性的统计框架。为了支持和鼓励使用者对数据进行核对和检验，规定在统计框架内公布有关总量数据的分项，公布有关数据的比较和核对。统计框架包括核算等式和统计关系。比较核对主要针对那些跨越不同框架的数据，例如，作为国民帐户一部分的进出口和作为国际收支一部分的进出口的交叉核对。　　与数据质量密不可分的是制定和公布改进数据的计划。所准备和公布的改进计划应包含所有数据不全的部门。统计当局应表明下述立场中的一个：（1）针对已发现不全的改进计划；（2）最近实施的改进措施；或（3）国家认定不　　四、公众获取　　GDDS规定要提前公布数据发布日期，并向各方同时发送。　　官方统计数据的公布是统计数据作为一项公共产品的基本特征之一，及时和机会均等地获得统计数据是公众的基本要求。GDDS对此制定了两项规划：一是参加国要预先公布各项统计的发布日历表。预先公布统计发布日程表既可方便使用者安排利用数据，又可显示统计工作管理完善和表明数据编制的透明度。GDDS规定对于以年度为频率公布的综合框架和指标，时间表表明不迟于某个既定时间；对于公布频率更高的数据，则可确定一个日期范围，如3-5天。鼓励成员国向公众公布发布最新信息的机构或个人的名称或地址。二是统计发布必须同时发送所有有关各方。由于数据是有价值的商品，因此GDDS规定应向所有有关方同时发布统计数据，以体现公平的原则。发布时可先提供概括性数据，然后再提供详细的数据，当局应至少提供一个公众知道并可以进入的地方，数据一经发布，公众就可以公平地获得。