SPSS课程设计报告福布斯富豪榜个人净资产影响因素分析.docx

SPSS课程设计报告福布斯富豪榜个人净资产影响因素分析.docx

《SPSS课程设计报告福布斯富豪榜个人净资产影响因素分析.docx》由会员分享，可在线阅读，更多相关《SPSS课程设计报告福布斯富豪榜个人净资产影响因素分析.docx（15页珍藏版）》请在冰豆网上搜索。

SPSS课程设计报告福布斯富豪榜个人净资产影响因素分析

SPSS课程设计报告

课程设计题目：

2012年福布斯富豪榜个人净资产影响因素分析

学生姓名：

XXXXXXXXX

专业：

XXXX

班级：

XXXXXX

指导教师：

XXX

201X年X月X日

2012年福布斯富豪榜个人净资产影响因素分析

摘要

福布斯富豪榜每年都引起很多人关注，按照排行榜制作者的说法，《福布斯》排行榜不仅是个人财富的简单罗列，同时也是全球经济及其变化的曲折反映。

本文提取了2012年全球亿万富豪榜财富排名前1000名的数据，通过SPSS对这些富豪的净资产分析，考虑其年龄、所在行业、所在地区等与净资产数量的关系，了解不同行业不同地区的发展情况，并且“窃取”一点致富的秘密。

本文首先对净资产、年龄、不同地区的富豪的资产做了基本的描述性分析，然后利用相关性检验以及回归分析研究了富豪的年龄和净资产的关系，通过单因素方差分析考虑了是否白手起家对净资产数量的影响，还用交叉表分析了不同地区的行业特征以及不同地区不同行业与净资产的关系。

通过这些分析我们对全球不同地区不同行业的经济有了大致的了解，也对就业和个人财富积累有了一定的认识。

关键词SPSS相关性检验回归分析方差分析交叉表分析

一、基本描述分析

1、净资产特征分析

（单位：

亿美元）

统计量

净资产（亿美元）

N

有效

1000

缺失

0

均值

43.37

中值

25.00

众数

15

标准差

54.932

方差

3017.491

偏度

5.032

偏度的标准误

.077

峰度

38.882

峰度的标准误

.155

全距

677

极小值

13

极大值

690

百分位数

25

18.00

50

25.00

75

43.00

由左边的表可以发现：

记录中资产的最低值为13，最高值为690，极大值与极小值之间的全距是677，平均值是43.37，标准差是54.932，样本方差是3017.491，偏度是5.032，表明资产高于平均值比低于平均值的人数高出许多，峰度是38.882，表明数据的分布极为陡峭。

初步看来，全球的贫富差距较大。

净资产（亿美元）Stem-and-LeafPlot

FrequencyStem&Leaf

87.001.33333333333334444444444444444

230.001.55555555555555555555666666666666666667777777777777888888888888888999999999999

162.002.11111222222223333333333344444444

120.002.5555555555666666666777777788888888999999

71.003.2223333344444

42.003.55555666777889

46.004.3344

26.004.555677899

27.005.000011234

20.005.5577889&

16.006.02234

15.006.55678&

14.007.00123&

6.007.58&

2.008.0

116.00Extremes（>=81）

Stemwidth:

10

Eachleaf:

3case（s）

&denotesfractionalleaves.

而由以上两幅图表可以看出，2012年财富榜上富豪们的资产的差距相当大，所有人资产的均值为43.37，大部分人的资产集中在35以下，排名第25%的人（即四分之三分位数）资产为43，中位数为25，而排名第一的卡洛斯·斯利姆资产达690，第二位的比尔·盖茨为610，但是排名后几位的人资产仅为13，可见，资产的大部分在极少数富豪的手中。

这一点也可以从下面的茎叶图中清楚地表现出来。

资产在30以下的人有599人，资产在80以上的人仅有116人，大约占样本的10%。

2、年龄特征分析

统计量

Age

N

有效

971

缺失

29

均值

63.11

中值

62.00

众数

60

标准差

13.269

方差

176.069

偏度

.077

偏度的标准误

.078

峰度

-.540

峰度的标准误

.157

全距

74

极小值

27

极大值

101

百分位数

25

53.00

50

62.00

75

73.00

在1000个数据中，有效数据有971个，其中最小值为27，最大值为101，极大值与极小值之间的差距为74，平均值为63~64。

偏度为0.077表明年龄高于平均值的人数比低于平均值的人数多，峰度为-0.540，表明数据分布比正态分布更为平坦。

四分之一分位数是53岁，中位数是62岁，四分之三分位数是75岁，且由众数可知大多数人年龄为60岁。

我们还可以从源数据表中可以看出排名前10位的富豪年龄均超过50岁。

这表明，年轻的富豪人数只占少数，全球的富豪呈现老龄化的现状。

由直方图可知，大多数富豪的年龄集中在40岁到80岁之间，且63-64岁的人数最多。

这可能是因为随着年龄的增长个人积累逐渐增多，也可能与随着年龄增长的智慧有关。

3、地区特征分析

（1）基本特征分析

所在大洲

频率

百分比

有效百分比

累积百分比

有效

北美洲

386

38.6

38.6

38.6

非洲

16

1.6

1.6

40.2

南美洲

57

5.7

5.7

45.9

欧洲

278

27.8

27.8

73.7

亚太

263

26.3

26.3

100.0

合计

1000

100.0

100.0

从地区频率的分析表中可知，北美的富豪人数占38.6%，而非洲地区跻身排行榜的富豪只有16人，占1.6%，南美地区也仅占5.7%，欧洲和亚太地区分别占27.8%和26.3%。

由下面的饼图可以清楚地看出五个地区之间人数的差距。

无疑，北美地区的富豪人数高居榜首，欧洲和亚太地区其次且相差不多，而南美和非洲地区的富豪人数很少。

（2）以地区衡量产值

报告

净资产（亿美元）

所在大洲

均值

标准差

极小值

极大值

峰度

偏度

中值

合计

总和的%

1

北美洲

43.07

58.646

13

610

31.411

4.741

24.00

16626

38.3%

非洲

37.19

25.388

13

112

4.328

1.852

31.00

595

1.4%

南美洲

62.84

101.494

13

690

26.531

4.654

27.00

3582

8.3%

欧洲

45.88

51.179

13

410

17.044

3.542

26.50

12756

29.4%

亚太

37.32

36.266

13

255

11.985

3.182

24.00

9814

22.6%

总计

43.37

54.932

13

690

38.882

5.032

25.00

43373

100.0%

由以上图表可以看出：

<1>上榜的富豪的总资产为43373亿美元，其中，北美地区富豪总资产最多占38.3%，欧洲地区和亚太地区的富豪总资产相差不多，分别为29.4%和22.6%，而南美地区和非洲地区的富豪总资产仅占8.3%和1.4%。

这一点也可以从直方图中清晰地看出。

这表明全球的富

豪主要集中在北美地区，且资产排名的前二十位中有十一位来自北美。

<2>从各地区的均值看。

各地区的均值都与总体均值相差不大，但是南美地区的均值却为62.84，比总体均值高出很多，说明此地区上榜的富豪财富实力比较强。

非洲和亚太地区的均值相差不大，都低于总体均值，这表明其整体财富实力不强。

欧洲北美地区富豪的财富在总体均值左右且比较平均。

<3>从各地区极大值、极小值来看。

北美和南美地区的极大值与极小值之间的差距很大，而亚太和非洲地区的这个差距很小，欧洲的极大值与极小值的差距也比较大。

这表明北美和南美地区富豪之间资产差距很大，欧洲地区富豪之间资产差距也较大，而亚太和非洲地区富豪之间的资产差距相差不大而且个人资产都不多。

二、净资产的影响因素

1、年龄和净资产的关系（相关性检验、回归分析）

由上面得出的富豪呈现老龄化的现象，我们猜想：

是否随着年龄的增大，所拥有的财富也会逐渐增加，于是，可以对年龄和净资产做相关性检验。

H0：

年龄与净资产的数量没有相关性。

相关性

年龄

净资产（亿美元）

年龄

Pearson相关性

1

.078*

显著性（双侧）

.015

N

971

971

净资产（亿美元）

Pearson相关性

.078*

1

显著性（双侧）

.015

N

971

1000

*.在0.05水平（双侧）上显著相关。

从Pearson相关性双侧检验结果来看，年龄与资产之间相关性为0.078，显著性水平为0.015<0.05，从而拒绝原假设，这表明年龄与净资产之间具有相关性。

于是我们可以进一步分析年龄与资产的数量关系，即做回归分析：

模型汇总

模型

R

R方

调整R方

标准估计的误差

1

.078a

.006

.005

55.102

a.预测变量:

（常量）,年龄。

Anovab

模型

平方和

df

均方

F

Sig.

1

回归

18000.421

1

18000.421

5.928

.015a

残差

2942151.906

969

3036.276

总计

2960152.327

970

a.预测变量:

（常量）,年龄。

b.因变量:

净资产（亿美元）

系数a

模型

非标准化系数

标准系数

t

Sig.

B

标准误差

试用版

1

（常量）

22.961

8.599

2.670

.008

年龄

.325

.133

.078

2.435

.015

a.因变量:

净资产（亿美元）

由“Anova”表知模型显著，由“系数”表知上榜的富豪的年龄和净资产的数量关系为：

净资产=0.325×年龄+22.961（单位：

亿美元）

2、是否白手起家与净资产的关系（单因素方差分析）

在上榜的富豪中，有这三种类型：

白手起家，继承，继承和发展。

或许在继承或继承与发展的基础上可以有更多的资产，于是可以对这三种类型做方差分析以验证假设。

H0：

是否白手起家与净资产的数量没有相关性。

ANOVA

净资产（亿美元）

平方和

df

均方

F

显著性

组间

10058.125

2

5029.062

1.669

.189

组内

3004415.746

997

3013.456

总数

3014473.871

999

由“ANOVA”表知显著性水平为0.189>0.05，接受原假设，看来是否白手起家对净资产的数量并没有影响，下面的同类子集表也可以验证这一点。

净资产（亿美元）

是否白手起家

N

alpha=0.05的子集

1

Student-Newman-Keulsa,b

白手起家

673

41.27

继承

139

45.74

继承与发展

188

49.16

显著性

.297

TukeyBa,b

白手起家

673

41.27

继承

139

45.74

继承与发展

188

49.16

将显示同类子集中的组均值。

a.将使用调和均值样本大小=214.297。

b.组大小不相等。

将使用组大小的调和均值。

将不保证I类错误级别。

白手起家、继承、继承和发展三种类型的富豪的净资产在同一个子集中，所以是否白手起家对净资产的数量并没有显著的影响。

3、不同地区的不同行业对净资产的影响（交叉表分析）

一般来说，不同地区的不同行业的发展情况不同，致富行业也就不同，所以可以分地区下的行业来考虑净资产的情况。

用“交叉表分析”检验地区（所在大洲）和行业的独立性得到如下结果：

卡方检验

值

df

渐进Sig.（双侧）

Pearson卡方

479.422a

88

.000

似然比

453.682

88

.000

线性和线性组合

30.518

1

.000

有效案例中的N

1000

a.64单元格（55.7%）的期望计数少于5。

最小期望计数为.02。

其显著性水平为0.000<0.05,拒绝原假设，说明行列变量之间不独立，即不同地区的不同行业发展是有区别的。

于是，可以通过行业和所在大洲的交叉表来分析不同地区的行业特征：

行业*所在大洲交叉制表

计数

所在大洲

合计

北美洲

非洲

南美洲

欧洲

亚太

行业

博彩

4

0

0

1

9

14

电信

0

1

1

6

5

13

多元化经营

5

4

3

14

46

72

房地产

28

0

4

16

40

88

服务

26

0

0

8

4

38

建筑工程

3

2

1

16

5

27

金融

5

0

20

20

15

60

金属和矿业

2

2

5

26

17

52

科技

48

0

0

8

20

76

零售

0

0

0

0

1

1

媒体

36

1

1

14

4

56

能源

34

0

3

23

8

68

汽车

5

0

0

3

9

17

石油

2

1

0

0

0

3

时装和零售

30

3

7

49

18

107

食品饮料

31

1

6

12

9

59

体育

8

0

0

1

0

9

投资

85

0

1

22

8

116

物流

6

0

0

9

7

22

医疗保健

11

0

2

10

9

32

医药

1

0

0

0

2

3

政治

1

0

1

1

0

3

制造

15

1

2

19

27

64

合计

386

16

57

278

263

1000

由上表可以发现，不同地区比较发达的行业是明显不同的：

在北美洲，通过投资发家的富豪个数最多有85个，说明最发达的是投资行业，通过科技发家富豪有48个，此外在媒体行业、能源行业、食品饮料行业、时装和零售行业赚得财富的人也都在30个以上；欧洲上榜的富豪中，时装和零售行业的最多有49个人，金属和矿业、能源行业、投资行业、金融行业的富豪个数在20~30之间；亚太地区依靠多元化经营致富的富豪有46个，这里的房地产业也比较发达，上榜的亚太富豪有40个人从事这样一行业，此外，亚太地区的制造业上榜富豪有27个，科技行业上榜富豪有20个。

南美和非洲总体来说经济不是很发达，但是南美地区在金融业发家的富豪个数有20个，其他行业的富豪则都在8个以下；非洲地区各个行业的富豪个数都不多，相对而言，他们在多元化经营、时装和零售业、建筑工程行业、金属行业发展得较好。

总结

我们通过SPSS对2012年福布斯富豪榜的分析，了解到对全球各地区经济的经济发展情况是不同的，就数据而言，在亚太地区，零售业、医药行业、服务行业、媒体行业、物流行业以及建筑工程行业具有很大的发展潜力，准备就业以及正在择业的人可以考虑向这几个行业发展；我国的房地产行业以及制造业很可能以接近饱和，不建议大家想这2个方向发展。

对于个人，虽然有很多人一夜暴富，但是财富与积累还是有着很大的关系的，所以我们年轻人应该多学点知识和技能，相信随着时间的发展，我们也可以变成一个富翁！

参考文献

[1]李洪成，SPSS18数据分析基础与实践[M].北京：

电子工业出版社，2013

[2]福布斯中文网——2012福布斯全球亿万富豪榜

[3]张文彤，SPSS统计分析高级教程[M].北京：

高等教育出版社，2004