Chap01
答案：1.填空题
（1）Micro TSP（时间序列分析软件包），（2）Edit、View、Quick ，（3）正态分布、F分布、t分布和χ2分布，（4）有效性，（5）参数
2.选择题
（1）A，（2）D，（3）C，（4）A,（5）C
3.简答题
（1）①对基本数据进行处理，如输入、修改等。
②通过公式生成新序列。前提是必须在已有序列的基础上完成。
③统计描述，包括相关系数、协方差、直方图和趋势图等。
④模型检验，包括F检验、t检验、协整检验、Granger因果检验等。
⑤估计方法的执行，包括普通最小二乘法、两阶段最小二乘法、非线性最小二乘法、广义矩估计法、ARCH模型估计法等。
⑥联立方程的线性和非线性估计，多项分布滞后模型的估计。
⑦向量自回归系统的估计和分析。
⑧基于回归方程的预测。
⑨模型的求解与模拟。
⑩数据库的管理，以及与其他软件（如EXCEL）进行数据交换。
（2）当t分布的自由度足够大时，其近似标准正态分布。在F分布中，当自由度(m-1)与(n-1)逐渐增大时，F分布近似于正态分布。在χ2分布中，当其自由度足够大时，近似于正态分布。
（3）第Ⅰ类错误是指如果原假设为真，拒绝它所犯的错误。例如原假设为β=10，且在5%的显著性水平下拒绝了原假设。很可能这个拒绝是不正确的，，它发生的概率为10%。第Ⅱ类错误是指如果原假设是错误的，而在检验中不能拒绝原假设所犯的错误。例如原假设为β=0，而β的真实值为0.02，这时的原假设是不成立的，但我们却接受了它，这种错误被成为第Ⅱ类错误。
Chap02
答案：1.填空题
（1）“Dated – regular frequency”（日期–固定频率），“Dated – regular frequency”；（2）Proc，Save，Show ，Genr；（3）序列（Series）对象，方程（Equation）对象，群(Group)对象，图像（Graph）对象等；（4）“View”|“Name Display”“Uppercase”，“Lowercase”。
（1）C，（2）B，（3）A，（4）B,（5）D
3.上机操作题
略
Chap03
答案：1.填空题
（1）View，Proc，Print，Name，Label+/-，Sample；（2）手动方式输入，复制粘贴方式输入，从外部文件中导入；（3）X12季节调整法，Tramo/Seats方法，；（4）群，序列；（5）空值。
2.选择题
（1）C，（2）D，（3）A，（4）D，（5）D。
3.上机操作题
略
Chap04
答案：1.填空题
（1）尖峰图（Spike），条形图（Bar）；（2）直方图，协方差，方差；（3）方差（Variance）检验和中位数（Median）检验；（4）自相关；（5）负相关。
2.选择题
（1）B，（2）A，（3）A，（4）C，（5）C。
3.上机操作题
略
Chap05
答案：1.填空题
（1）线性回归模型，非线性回归模型，多元回归模型；（2）简单线性回归模型，一个，一个；（3）实际值（即观测值），拟合值；（4）异方差；（5）越大，越好，越接近。
2.选择题
（1）A，（2）B，（3）C，（4）A，（5）D。
3.上机操作题
Chap06
答案：1.填空题
（1）权数；（2）广义最小二乘法（Generalized Least Squared，GLS）；（3）工具变量，工具变量，两阶段最小二乘；（4）初始值，迭代和收敛；（5）广义矩估计法，随机扰动项。
2.选择题
（1）C，（2）B，（3）B，（4）D，（5）D。
3.上机操作题
略
Chap07
答案：1.填空题
（1）定量解释变量，虚拟变量，0，1；（2）自变量（解释变量）；（3）m，m－1。
2.选择题
（1）A，（2）C，（3）D。
3.上机操作题
略
Chap08
答案：1.填空题
（1）变动规律；（2）过程，离散型随机，连续型随机；（3）白噪声过程；（4）随机误差项u t，一阶序列相关，AR（p）；（5）自回归模型AR（p），移动平均模型MA（q），ARMA（p, q）。
2.选择题
（1）C，（2）C，（3）D，（4）A，（5）C。
3.上机操作题
略
答案：1.填空题
（1）前期随机误差项，AR(p)-ARCH(q)；（2）ARCH效应，ARCH LM，残差平方的相关图（Q）；（3）GARCH项，ARCH项；（4）ARCH均值模型；（5）条件标准差h t，条件方差的对数log(h t)。
2.选择题
（1）A，（2）C，（3）D，（4）A。
3.上机操作题
略
Chap10
答案：1.填空题
（1）受限因变量；（2）Probit模型，Logit模型，Extreme value模型；（3）H-L（Hosmer-Lemeshow），Andrews，很好；（4）普通残差（Ordinary）、标准化残差（Standardized）；（5）泊松估计法，负二项极大似然估计法。
2.选择题
（1）B，（2）C，（3）C，（4）B。
3.上机操作题
略
Chap11
答案：1.填空题
（1）随机扰动；（2）内生变量，误差向量；（3）滞后期；（4）误差项，误差项；（5）内生变量，随机误差项。
2.选择题
（1）A，（2）B，（3）D，（4）A，（5）C。
3.上机操作题
略
答案：1.填空题
（1）合成数据，时间序列；（2）Pool；（3）普通序列；（4）基本名，截面标识名；（5）截面成员，时期。
2.选择题
（1）A，（2）A，（3）C，（4）D。
3.上机操作题
略
Chap13
答案：1.填空题
（1）卡尔滤波（Kalman Filter）；（2）预测；（3）@signal，@state；（4）不含有；（5）“ename”，“@evar”。
2.选择题
（1）A，（2）B，（3）D，（4）C。
3.上机操作题
略
Chap14
答案：1.填空题
（1）先决变量，前定变量；（2）内生变量；（3）(k -1)×(k -1)；（4）两阶段最小二乘，广义最小二乘；（5）恰好识别，过度识别。
2.选择题
（1）C，（2）A，（3）C，（4）D。
3.上机操作题
略
Chap15
答案：1.填空题
1、已知1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费(cp,不变价格)与人均收入(ip,不变价格)居民,利用数据(1)建立面板数据(panel data)工作文件;(2)定义序列名并输入数据;(3)估计选择面板模型;(4)面板单位根检验。 年人均消费(consume)与人均收入(income)数据以及消费者价格指数(p)分别见表9、1,9、2与9、3。 表9、1 1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费(元)数据人均消费1996 1997 1998 1999 2000 2001 2002 CONSUMEAH 3607、43 3693、55 3777、41 3901、81 4232、98 4517、65 4736、52 CONSUMEBJ 5729、52 6531、81 6970、83 7498、48 8493、49 8922、72 10284、6 CONSUMEFJ 4248、47 4935、95 5181、45 5266、69 5638、74 6015、11 6631、68 CONSUMEHB 3424、35 4003、71 3834、43 4026、3 4348、47 4479、75 5069、28 CONSUMEHLJ 3110、92 3213、42 3303、15 3481、74 3824、44 4192、36 4462、08 CONSUMEJL 3037、32 3408、03 3449、74 3661、68 4020、87 4337、22 4973、88 CONSUMEJS 4057、5 4533、57 4889、43 5010、91 5323、18 5532、74 6042、6 CONSUMEJX 2942、11 3199、61 3266、81 3482、33 3623、56 3894、51 4549、32 CONSUMELN 3493、02 3719、91 3890、74 3989、93 4356、06 4654、42 5342、64 CONSUMENMG 2767、84 3032、3 3105、74 3468、99 3927、75 4195、62 4859、88 CONSUMESD 3770、99 4040、63 4143、96 4515、05 5022 5252、41 5596、32 CONSUMESH 6763、12 6819、94 6866、41 8247、69 8868、19 9336、1 10464 CONSUMESX 3035、59 3228、71 3267、7 3492、98 3941、87 4123、01 4710、96 CONSUMETJ 4679、61 5204、15 5471、01 5851、53 6121、04 6987、22 7191、96 CONSUMEZJ 5764、27 6170、14 6217、93 6521、54 7020、22 7952、39 8713、08 表9、2 1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均收入(元)数据人均收入1996 1997 1998 1999 2000 2001 2002 INCOMEAH 4512、77 4599、27 4770、47 5064、6 5293、55 5668、8 6032、4 INCOMEBJ 7332、01 7813、16 8471、98 9182、76 10349、69 11577、78 12463、92 INCOMEFJ 5172、93 6143、64 6485、63 6859、81 7432、26 8313、08 9189、36 INCOMEHB 4442、81 4958、67 5084、64 5365、03 5661、16 5984、82 6679、68 INCOMEHLJ 3768、31 4090、72 4268、5 4595、14 4912、88 5425、87 6100、56 INCOMEJL 3805、53 4190、58 4206、64 4480、01 4810 5340、46 6260、16 INCOMEJS 5185、79 5765、2 6017、85 6538、2 6800、23 7375、1 8177、64 INCOMEJX 3780、2 4071、32 4251、42 4720、58 5103、58 5506、02 6335、64 INCOMELN 4207、23 4518、1 4617、24 4898、61 5357、79 5797、01 6524、52 INCOMENMG 3431、81 3944、67 4353、02 4770、53 5129、05 5535、89 6051 INCOMESD 4890、28 5190、79 5380、08 5808、96 6489、97 7101、08 7614、36 INCOMESH 8178、48 8438、89 8773、1 10931、64 11718、01 12883、46 13249、8 INCOMESX 3702、69 3989、92 4098、73 4342、61 4724、11 5391、05 6234、36 INCOMETJ 5967、71 6608、39 7110、54 7649、83 8140、5 8958、7 9337、56 INCOMEZJ 6955、79 7358、72 7836、76 8427、95 9279、16 10464、67 11715、6 表9、3 1996—2002年中国东北、华北、华东15个省级地区的消费者物价指数物价指数1996 1997 1998 1999 2000 2001 2002 PAH 109、9 101、3 100 97、8 100、7 100、5 99
EViews 6.0 beta在面板数据模型估计中的应用 来自免费的minixi 1、进入工作目录cd d:\nklx3，在指定的路径下工作是一个良好的习惯 2、建立面板数据工作文件workfile （1）最好不要选择EViews默认的blanaced panel 类型 Moren_panel （2）按照要求建立简单的满足时期周期和长度要求的时期型工作文件
3、建立pool对象 （1）新建对象 （2）选择新建对象类型并命名 （3）为新建pool对象设置截面单元的表示名称，在此提示下（Cross Section Identifiers: (Enter identifiers below this line )输入截面单元名称。，建议采用汉语拼音，例如29个省市区的汉语拼音，建议在拼音名前加一个下划线“_”，如图
关闭建立的pool对象，它就出现在当前工作文件中。 4、在pool对象中建立面板数据序列 双击pool对象，打开pool对象窗口，在菜单view的下拉项中选择spreedsheet （展开表） 在打开的序列列表窗口中输入你要建立的序列名称，如果是面板数据序列必须在序列名后添加“?”。例如，输入GDP?，在GDP后的?的作用是各个截面单元的占位符，生成了29个省市区的GDP的序列名，即GDP后接截面单元名，再在接时期，就表示出面板数据的3维数据结构（1变量2截面单元3时期）了。
请看工作文件窗口中的序列名。展开表（类似excel）中等待你输入、贴入数据。 （1）打开编辑（edit）窗口
（2）贴入数据 （3）关闭pool窗口，赶快存盘见好就收6、在pool窗口对各个序列进行单位根检验 选择单位根检验 设置单位根检验
互联网营销与大数据分析大数据营销，依托大数据技术的基础大数据营销是基于多平台的大量数据行大数据营销衍 生于互联网上，应用于互联网广告行业的营销方式。依托多平台的大数据采集，以及大数据技业，又作用于互联网行业。给品牌企业带来更能够使广告更加精准有效，术的分析与预测能力，高的投资回报率。大数据营销的核心在于让网络广告在合适的时间，通过合适的载体，以合适的方式，投给合适的人。 大数据营销是指通过互联网采集大量的行为数据，首先帮助广告主找出目标受众，以此对广告投放的内容、时间、形式等进行预判与调配，并最终完成广告投放的营销过程。 大数据营销，随着数字生活空间的普及，全球的信息总量正呈现爆炸式增长。基于这个趋势之上的，是大数据、云计算等新概念和新范式的广泛兴起，它们无疑正引领着新一轮的互联网风潮。 多平台化数据采集：大数据的数据来源通常是多样化的，多平台化的数据采集能使对网民行为的刻画更加全面而准确。多平台采集可包含互联网、移动互联网、广电网、智能电视未来还有户外智能屏等[1]?。数据 [2]?：在网络时代，网民的消费行为和购买方式极易时效性强调在短的时间内发生变化。在网民需求点最高时及时进行营销非常重对此提出了时间营销策略，AdTime要。全球领先的大数据营销企业 它可通过技术手段充分了解网民的需求，并及时响应每一个网民当前
的需求，让他在决定购买的“黄金时间”内及时接收到商品广告。 个性化营销：在网络时代，广告主的营销理念已从“媒体导向”向“受众导向”转变。以往的营销活动须以媒体为导向，选择知名度高、浏览量大的媒体进行投放。如今，广告主完全以受众为导向进行广告营销，因为大数据技术可让他们知晓目标受众身处何方，关注着什么位置的什么屏幕。大数据技术可以做到当不同用户关注同一媒体的相同界面时，广告内容有所不同，大数据营销实现了对网民的个性化营销。性价比高：和传统广告“一半的广告费被浪费掉”相比，大数据营销在最大程度上，让广告主的投放做到有的放矢，并可根据实时性的效果反馈，及时对投放策略进行调整。 关联性：大数据营销的一个重要特点在于网民关注的广告与广告之间的关联性，由于大数据在采集过程中可快速得知目标受众关注的内容，以及可知晓网民身在何处，这些有价信息可让广告的投放过程产生前所未有的关联性。即网民所看到的上一条广告可与下一条广告进行深度互动。 大数据营销的实现过程： [3]?大数据营销并非是一个停留在概念上的名词，而是一个通过大量运算基础上的技术实现过程。虽然围绕着大数据进行的话题层出不穷，且在大多数人对大数据营销的过程不甚清晰。事实上，国内的全球领先的大很多以技术为驱动力的企业也在大数据领域深耕不辍。． 率先推出了大数据广告运营平台——云图。据AdTime数据营销平台 介绍，云图的云代表云计算，图代表可视化。云图的含义是将云计算
Eviews 面板数据之固定效应模型 在面板数据线性回归模型中，如果对于不同的截面或不同的时间序列，只是模型的截距项是不同的，而模型的斜率系数是相同的，则称此模型为固定效应模型。固定效应模型分为三类： 1.个体固定效应模型 个体固定效应模型是对于不同的纵剖面时间序列（个体）只有截距项不同的模型： 2 K it i k kit it k y x u λβ==++∑ (1) 从时间和个体上看，面板数据回归模型的解释变量对被解释变量的边际影响均是相同的，而且除模型的解释变量之外，影响被解释变量的其他所有（未包括在回归模型或不可观测的）确定性变量的效应只是随个体变化而不随时间变化时。 检验：采用无约束模型和有约束模型的回归残差平方和之比构造F 统计量，以检验设定个体固定效应模型的合理性。F 模型的零假设： 01231:0N H λλλλ-===???== ()1 (1,(1)1)(1) RRSS URSS N F F N N T K URSS NT N K --= ---+--+ RRSS 是有约束模型（即混合数据回归模型）的残差平方和，URSS 是无约束模型ANCOVA 估计的残差平方和或者LSDV 估计的残差平方和。 实践： 一、数据：已知1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费（cp ，不变价格）和人均收入（ip ，不变价格）居民，利用数据（1）建立面板数据（panel data ）工作文件；（2）定义序列名并输入数据；（3）估计选择面板模型；（4）面板单位根检验。年人均消费（consume ）和人均收入（income ）数据以及消费者价格指数（p ）分别见表1，2和3。 表1 1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费（元）数据
EViews 6.0在面板数据模型估计中的实验操作 1、进入工作目录cd d:\nklx3，在指定的路径下工作是一个良好的习惯 2、建立面板数据工作文件workfile （1）最好不要选择EViews默认的blanaced panel 类型 Moren_panel （2）按照要求建立简单的满足时期周期和长度要求的时期型工作文件
3、建立pool对象 （1）新建对象 （2）选择新建对象类型并命名 （3）为新建pool对象设置截面单元的表示名称，在此提示下（Cross Section Identifiers: (Enter identifiers below this line )输入截面单元名称。建议采用汉语拼音，例如29个省市区的汉语拼音，建议在拼音名前加一个下划线“_”，如图
关闭建立的pool对象，它就出现在当前工作文件中。 4、在pool对象中建立面板数据序列 双击pool对象，打开pool对象窗口，在菜单view的下拉项中选择spreedsheet （展开表） 在打开的序列列表窗口中输入你要建立的序列名称，如果是面板数据序列必须在序列名后添加“?”。例如，输入GDP?，在GDP后的?的作用是各个截面单元的占位符，生成了29个省市区的GDP的序列名，即GDP后接截面单元名，再在接时期，就表示出面板数据的3维数据结构（1变量2截面单元3时期）了。
请看工作文件窗口中的序列名。展开表（类似excel）中等待你输入、贴入数据。 （1）打开编辑（edit）窗口
（2）贴入数据 （3）关闭pool窗口，赶快存盘见好就收6、在pool窗口对各个序列进行单位根检验 选择单位根检验 设置单位根检验
互联网营销与大数据分析 大数据营销 大数据营销是基于多平台的大量数据，依托大数据技术的基础上，应用于互联网广告行业的营销方式。大数据营销衍生于互联网行业，又作用于互联网行业。依托多平台的大数据采集，以及大数据技术的分析与预测能力，能够使广告更加精准有效，给品牌企业带来更高的投资回报率。 大数据营销的核心在于让网络广告在合适的时间，通过合适的载体，以合适的方式，投给合适的人。 大数据营销是指通过互联网采集大量的行为数据，首先帮助广告主找出目标受众，以此对广告投放的内容、时间、形式等进行预判与调配，并最终完成广告投放的营销过程。 大数据营销，随着数字生活空间的普及，全球的信息总量正呈现爆炸式增长。基于这个趋势之上的，是大数据、云计算等新概念和新范式的广泛兴起，它们无疑正引领着新一轮的互联网风潮。 多平台化数据采集：大数据的数据来源通常是多样化的，多平台化的数据采集能使对网民行为的刻画更加全面而准确。多平台采集可包含互联网、移动互联网、广电网、智能电视未来还有户外智能屏等数据[1]。 强调时效性[2]：在网络时代，网民的消费行为和购买方式极易在短的时间内发生变化。在网民需求点最高时及时进行营销非常重要。全球领先的大数据营销企业AdTime对此提出了时间营销策略，
它可通过技术手段充分了解网民的需求，并及时响应每一个网民当前的需求，让他在决定购买的“黄金时间”内及时接收到商品广告。 个性化营销：在网络时代，广告主的营销理念已从“媒体导向”向“受众导向”转变。以往的营销活动须以媒体为导向，选择知名度高、浏览量大的媒体进行投放。如今，广告主完全以受众为导向进行广告营销，因为大数据技术可让他们知晓目标受众身处何方，关注着什么位置的什么屏幕。大数据技术可以做到当不同用户关注同一媒体的相同界面时，广告内容有所不同，大数据营销实现了对网民的个性化营销。 性价比高：和传统广告“一半的广告费被浪费掉”相比，大数据营销在最大程度上，让广告主的投放做到有的放矢，并可根据实时性的效果反馈，及时对投放策略进行调整。 关联性：大数据营销的一个重要特点在于网民关注的广告与广告之间的关联性，由于大数据在采集过程中可快速得知目标受众关注的内容，以及可知晓网民身在何处，这些有价信息可让广告的投放过程产生前所未有的关联性。即网民所看到的上一条广告可与下一条广告进行深度互动。 大数据营销的实现过程： 大数据营销[3]并非是一个停留在概念上的名词，而是一个通过大量运算基础上的技术实现过程。虽然围绕着大数据进行的话题层出不穷，且在大多数人对大数据营销的过程不甚清晰。事实上，国内的很多以技术为驱动力的企业也在大数据领域深耕不辍。全球领先的大
1.已知1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费（cp，不变价格）和人均收入（ip，不变价格）居民，利用数据（1）建立面板 数据（panel data）工作文件；（2）定义序列名并输入数据；（3）估计选择面板模型；（4）面板单位根检验。 年人均消费（consume）和人均收入（income）数据以及消费者价格指数（p）分别见表9.1，9.2和9.3。 表9.1 1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费（元）数据人均消费1996 1997 1998 1999 2000 2001 2002 CONSUMEAH 3607.43 3693.55 3777.41 3901.81 4232.98 4517.65 4736.52 CONSUMEBJ 5729.52 6531.81 6970.83 7498.48 8493.49 8922.72 10284.6 CONSUMEFJ 4248.47 4935.95 5181.45 5266.69 5638.74 6015.11 6631.68 CONSUMEHB 3424.35 4003.71 3834.43 4026.3 4348.47 4479.75 5069.28 CONSUMEHLJ 3110.92 3213.42 3303.15 3481.74 3824.44 4192.36 4462.08 CONSUMEJL 3037.32 3408.03 3449.74 3661.68 4020.87 4337.22 4973.88 CONSUMEJS 4057.5 4533.57 4889.43 5010.91 5323.18 5532.74 6042.6 CONSUMEJX 2942.11 3199.61 3266.81 3482.33 3623.56 3894.51 4549.32 CONSUMELN 3493.02 3719.91 3890.74 3989.93 4356.06 4654.42 5342.64 CONSUMENMG 2767.84 3032.3 3105.74 3468.99 3927.75 4195.62 4859.88 CONSUMESD 3770.99 4040.63 4143.96 4515.05 5022 5252.41 5596.32 CONSUMESH 6763.12 6819.94 6866.41 8247.69 8868.19 9336.1 10464 CONSUMESX 3035.59 3228.71 3267.7 3492.98 3941.87 4123.01 4710.96 CONSUMETJ 4679.61 5204.15 5471.01 5851.53 6121.04 6987.22 7191.96 CONSUMEZJ 5764.27 6170.14 6217.93 6521.54 7020.22 7952.39 8713.08 表9.2 1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均收入（元）数据人均收入1996 1997 1998 1999 2000 2001 2002 INCOMEAH 4512.77 4599.27 4770.47 5064.6 5293.55 5668.8 6032.4 INCOMEBJ 7332.01 7813.16 8471.98 9182.76 10349.69 11577.78 12463.92 INCOMEFJ 5172.93 6143.64 6485.63 6859.81 7432.26 8313.08 9189.36 INCOMEHB 4442.81 4958.67 5084.64 5365.03 5661.16 5984.82 6679.68 INCOMEHLJ 3768.31 4090.72 4268.5 4595.14 4912.88 5425.87 6100.56 INCOMEJL 3805.53 4190.58 4206.64 4480.01 4810 5340.46 6260.16 INCOMEJS 5185.79 5765.2 6017.85 6538.2 6800.23 7375.1 8177.64 INCOMEJX 3780.2 4071.32 4251.42 4720.58 5103.58 5506.02 6335.64 INCOMELN 4207.23 4518.1 4617.24 4898.61 5357.79 5797.01 6524.52 INCOMENMG 3431.81 3944.67 4353.02 4770.53 5129.05 5535.89 6051 INCOMESD 4890.28 5190.79 5380.08 5808.96 6489.97 7101.08 7614.36 INCOMESH 8178.48 8438.89 8773.1 10931.64 11718.01 12883.46 13249.8 INCOMESX 3702.69 3989.92 4098.73 4342.61 4724.11 5391.05 6234.36 INCOMETJ 5967.71 6608.39 7110.54 7649.83 8140.5 8958.7 9337.56 INCOMEZJ 6955.79 7358.72 7836.76 8427.95 9279.16 10464.67 11715.6 表9.3 1996—2002年中国东北、华北、华东15个省级地区的消费者物价指数 物价指数1996 1997 1998 1999 2000 2001 2002 PAH 109.9 101.3 100 97.8 100.7 100.5 99
毕业论文(设计) 题目基于互联网APP行业的用户行为数据分析与挖掘系信息工程系 专业、年级计算机网络12级 学生姓名赵伯韬 指导教师康健职称副教授 论文字数9956 完成日期2015 年 4 月30 日
唐山职业技术学院毕业设计任务书 信息工程系计算机网络专业一班学生姓名：赵伯韬学号：121120101 一、毕业设计（论文）题目：基于互联网APP行业的用户行为数据分析与挖掘 任务进行的日期：2014 年 12 月 10 日起至 2015 年 4 月 30 日 三、任务书的内容：基于互联网APP行业的用户行为数据分析与挖掘 （一）选题的目的和意义： 随着近年来国内互联网APP的强势发展与三网融合的态势进展，互联网APP行业的市场竞争愈发激烈，各运营商基于用户习惯产品的竞争将是服务的竞争。由于互联网APP业务的多样性，国内运营商逐步从“产品独立运营”向以“客户为中心”的融合运营模式转变，新的商业模式和日趋激烈的竞争环境对电信增值业务运营管理提出了新的要求和挑战。 （二）设计内容： 首先探讨了用户行为分析及其方法，深入学习各种数据挖掘的算法与软件的基础上构建用户行为分析与业务匹配模型。然后在对移动互联网的数据分析理解之后进行数据收集，对于获取到的数据，按照ETL （Extraction-Transformation-Loading）对七千万条数据进行清理、整合，构建数据库。通过数据挖掘的相关工具对用户行为分别在热点时间、用户兴趣、匹配业务等角度采用聚类、文本挖掘、关联分析等方法进行知识挖掘，从统计数据中发现现有营销策略的问题，给运营商提供新的思路并为精准营销提供数据支撑。（三）主要参考资料： [1] 王禹媚，田俊维移动互联网产业发展国际论坛会议纪要2013中国国际工业博览会论坛上海2014年11月10日 [2] 宴宗明基于用户行为分析的移动通信增值业务市场策略研究长沙：2013 [3] 杰斌．数据挖掘与OLAP理论与务实．北京：清华大学出版社，20013 （四）时间进度要求： 2013年12月-2014年3月毕业设计调查 2014年4月—2014年8月毕业设计初步设计 2014年9月—2015年1月毕业设计详细设计 2015年2月—2015年5月准备毕业答辩 指导教师签名： 2015年 5月 16 日 教研室主任签名：年月日 学生签名：年月日
1.已知1996—2002 年中国东北、华北、华东15 个省级地区的居民家庭人均消费（cp ，不变价格）和人均收入（ip ，不变价格）居民，利用数据（1）建立面板数据（panel data）工作文件；（2）定义序列名并输入数据；（3）估计选择面板模型；（4）面板单位根检验。 年人均消费（consume）和人均收入（income）数据以及消费者价格指数（p）分别见表9.1，9.2 和9.3。 表9.1 1996—2002 年中国东北、华北、华东15 个省级地区的居民家庭人均消费（元）数据人均消费1996 1997 1998 1999 2000 2001 2002 CONSUMEAH 3607.43 3693.55 3777.41 3901.81 4232.98 4517.65 4736.52 CONSUMEBJ 5729.52 6531.81 6970.83 7498.48 8493.49 8922.72 10284.6 CONSUMEFJ 4248.47 4935.95 5181.45 5266.69 5638.74 6015.11 6631.68 CONSUMEHB 3424.35 4003.71 3834.43 4026.3 4348.47 4479.75 5069.28 CONSUMEHLJ 3110.92 3213.42 3303.15 3481.74 3824.44 4192.36 4462.08 CONSUMEJL 3037.32 3408.03 3449.74 3661.68 4020.87 4337.22 4973.88 CONSUMEJS 4057.5 4533.57 4889.43 5010.91 5323.18 5532.74 6042.6 CONSUMEJX 2942.11 3199.61 3266.81 3482.33 3623.56 3894.51 4549.32 CONSUMELN 3493.02 3719.91 3890.74 3989.93 4356.06 4654.42 5342.64 CONSUMENMG 2767.84 3032.3 3105.74 3468.99 3927.75 4195.62 4859.88 CONSUMESD 3770.99 4040.63 4143.96 4515.05 5022 5252.41 5596.32 CONSUMESH 6763.12 6819.94 6866.41 8247.69 8868.19 9336.1 10464 CONSUMESX 3035.59 3228.71 3267.7 3492.98 3941.87 4123.01 4710.96 CONSUMETJ 4679.61 5204.15 5471.01 5851.53 6121.04 6987.22 7191.96 CONSUMEZJ 5764.27 6170.14 6217.93 6521.54 7020.22 7952.39 8713.08 表9.2 1996—2002 年中国东北、华北、华东15 个省级地区的居民家庭人均收入（元）数据人均收入1996 1997 1998 1999 2000 2001 2002 INCOMEAH 4512.77 4599.27 4770.47 5064.6 5293.55 5668.8 6032.4 INCOMEBJ 7332.01 7813.16 8471.98 9182.76 10349.69 11577.78 12463.92 INCOMEFJ 5172.93 6143.64 6485.63 6859.81 7432.26 8313.08 9189.36 INCOMEHB 4442.81 4958.67 5084.64 5365.03 5661.16 5984.82 6679.68 INCOMEHLJ 3768.31 4090.72 4268.5 4595.14 4912.88 5425.87 6100.56 INCOMEJL 3805.53 4190.58 4206.64 4480.01 4810 5340.46 6260.16 INCOMEJS 5185.79 5765.2 6017.85 6538.2 6800.23 7375.1 8177.64 INCOMEJX 3780.2 4071.32 4251.42 4720.58 5103.58 5506.02 6335.64 INCOMELN 4207.23 4518.1 4617.24 4898.61 5357.79 5797.01 6524.52 INCOMENMG 3431.81 3944.67 4353.02 4770.53 5129.05 5535.89 6051 INCOMESD 4890.28 5190.79 5380.08 5808.96 6489.97 7101.08 7614.36 INCOMESH 8178.48 8438.89 8773.1 10931.64 11718.01 12883.46 13249.8 INCOMESX 3702.69 3989.92 4098.73 4342.61 4724.11 5391.05 6234.36 INCOMETJ 5967.71 6608.39 7110.54 7649.83 8140.5 8958.7 9337.56 INCOMEZJ 6955.79 7358.72 7836.76 8427.95 9279.16 10464.67 11715.6
上海蓝草企业管理咨询有限公司 《大数据分析与互联网平台运营管理》 蓝草课程注意突出实战性、技能型领域的应用型课程；特别关注新技术、新渠道、新知识创新型知识课程。 蓝草咨询坚定认为，卓越的训练培训是获得知识的绝佳路径，但也应是学员快乐的旅程，蓝草企业的口号是：为快乐而培训为培训更快乐！ 蓝草咨询为实现上述目标，为培训机构、培训学员提供了多种形式的优惠和增值快乐的政策和手段，可以提供开具培训费的增值税专用发票。 【课程背景】 如何了解线上客户的购买意愿和需求？如何进行网上消费行为的数据分析，从而指导各项运营工作的开展？ 如何通过大数据分析，来对互联网平台的绩效分析，发现影响平台绩效的“罪魁祸首”，并进行运营优化和管理？ 如何系统化地整体打造和改进互联网平台？从市场运营到产品创新，如何进行改进？ 互联网平台如何有效的组织运营管理？日常的运营管理主要要做什么？ 如何对互联网平台进行市场细分和定位，挖掘潜在目标客户？刺激潜在需求？ 如何组织各种营销活动，对平台商品进行展示和包装，提升电商的销售转化率？ 如何优化互联网平台的产品组合，优化品类？设计商品套装、解决方案？ 如何通过消费者研究，开展产品的改进和创新？提升产品吸引力？ 本课程将全方位提供专有技术对互联网平台进行全方位的设计和打造！包括以下内容：
上海蓝草企业管理咨询有限公司 基于我们对企业产品生产经营过程和工作模型的多年研究，本课程就是提供一个整体的方法论，拥有多项专有技术将网络平台的市场运营和规划设计，进行整体的打造！ 自主研发三大专有技术模型，促进产品绩效提升！——评一个大数据分析课程的好坏，一定要看有没专业的分析模型才能落地！—— ——很多消费者研究分析技术分析的结果非常“碎片化”！不够精准！无法反应出影响消费者决策的各种因素和各种关联关系，只是进行“碎片式”的数据展示。该技术是自主研发的意向专有技术，专门研究影响消费购买之间的管理，建立了系统的逻辑关系，可更直观地用于运营管理，提升销售转化率！
大数据应用与案例分析 当下，”大数据”几乎是每个IT人都在谈论的一个词汇，不单单是时代发展的趋势，也是革命技术的创新。大数据对于行业的用户也越来越重要。掌握了核心数据，不单单可以进行智能化的决策，还可以在竞争激烈的行业当中脱颖而出，所以对于大数据的战略布局让越来越多的企业引起了重视，并重新定义了自己的在行业的核心竞争。 在当前的互联网领域，大数据的应用已十分广泛，尤其以企业为主，企业成为大数据应用的主体。大数据真能改变企业的运作方式吗?答案毋庸置疑是肯定的。随着企业开始利用大数据，我们每天都会看到大数据新的奇妙的应用，帮助人们真正从中获益。大数据的应用已广泛深入我们生活的方方面面，涵盖医疗、交通、金融、教育、体育、零售等各行各业。 大数据应用的关键，也是其必要条件，就在于"IT"与"经营"的融合，当然，这里的经营的内涵可以非常广泛，小至一个零售门店的经营，大至一个城市的经营。以下是关于各行各业，不同的组织机构在大数据方面的应用的案例，并在此基础上作简单的梳理和分类。
一、大数据应用案例之：医疗行业 Seton Healthcare是采用IBM最新沃森技术医疗保健内容分析预测的首个客户。该技术允许企业找到大量病人相关的临床医疗信息，通过大数据处理，更好地分析病人的信息。在加拿大多伦多的一家医院，针对早产婴儿，每秒钟有超过3000次的数据读取。通过这些数据分析，医院能够提前知道哪些早产儿出现问题并且有针对性地采取措施，避免早产婴儿夭折。 它让更多的创业者更方便地开发产品，比如通过社交网络来收集数据的健康类App。也许未来数年后，它们搜集的数据能让医生给你的诊断变得更为精确，比方说不是通用的成人每日三次一次一片，而是检测到你的血液中药剂已经代谢完成会自动提醒你再次服药。 二、大数据应用案例之：能源行业 智能电网现在欧洲已经做到了终端，也就是所谓的智能电表。在德国，为了鼓励利用太阳能，会在家庭安装太阳能，除了卖电给你，当你的太阳能有多余电的时候还可以买回来。通过电网收集每隔五分钟或十分钟收集一次数据，收集来的这些数据可以用来预测客户的用电习惯等，从而推断出在未来2~3个月时间里，整个电网大概需要多少电。有了这个预测后，就可以向发电或者供电企业购买一定数量的电。因为电有点像期货一样，如果提前买就会比较便宜，买现货就比较贵。通过这个预测后，可以降低采购成本。
互联网大数据文献综述 大数据分析的趋势 亮点 大数据分析中的当前的最先进技术的概述。
大数据分析的规模和应用前景趋势。 在硬件上的现况和未来的发展趋势，如何帮助我们解决大规模数据集。 讨论目前采用的软件技术和未来趋势，以解决大数据分析应用。 关键词： 大数据分析数据中心分布式系统 摘要: 大数据分析是并行的分布式系统未来的主要应用之一。数据仓库目前应用的规模已经超过EB级，并且其规模还在不断增长。当数据集和相关应用程序超出了他们的规模,给这些的构成要求和软件开发方法的考虑带来了重大挑战。数据集通常是分布式，它们的大小和安全考虑到分布式技术来得到保证。数据经常驻留在不同的平台上计算，对网络能力，容错性，安全性和访问控制的考虑是在许多应用中的关键。在其他应用程序中，分析任务的截止时间主要与数据质量有关。对于大多数新兴应用程序,数据驱动的模型和方法,能够大规模操作的方法,到目 前还未找到。即使知道可以缩放的方法,验证结果又是一个重大的问题。硬件平台的特性和软件堆栈从根本上影响数据分析。在这篇文章中，我们提供了一个概述的最先进的硬件和软件的趋势在大数据分析应用程序前景的应用。 引言 随着互联网关键的技术的发展，计算作为一个实用程序的设想在上世纪90年代中期开始形成。在网格计算时代的早期人们通常认为硬件作为主要资源。网格计算技术专注于分享、选择和聚合各种各样的地理上分布的资源。这些资源包括超级计算机、存储和其他设备，用来解决在科学、工程和商业的大规模计算密
集型问题。这些框架的一个关键特性是他们的支持透明跨域管理和资源管理能力。“数据即资源”的概念被普及在p2p系统。Napster、Gnutella，和Bit Torrent 允许节点共享多媒体数据内容通常直接彼此以分散的方式。这这些框架强调互操作性和动态性，降低成本，资源共享特定的沟通和协作，聚集。然而，在这些平台上，匿名，隐私问题和扩展性问题的考虑是次要的。 最近,云计算环境的可靠性、服务的健壮性被(通常的访问来自客户机的浏览器)来自于客户端，大规模生产的移动设备和通用计算机的访问检验。云计算的服务观念概述为“基础架构即服务”(云计算资源在云中可用),数据即服务(数据在云中可用)和软件即服务(访问程序在云中执行)。从服务提供者的角度来看这提供了相当大的好处（在硬件和管理的成本降低），整体资源的利用率，以及更好的客户端接口。云环境的计算底层通常依赖于高效和弹性的数据中心架构，基于虚拟化的计算和存储技术,高效利用商品硬件组件。目前的数据中心通常规模为成千上万的节点，计算在云计算中经常跨越多个数据节点。 新兴的基于云的环境与分布式数据中心托管的大型数据仓库，同时也为分析提供强力的处理有效的并行/分布式算法的需要。潜在的社会经济效益的大数据分析，与多样性的应用提出是很大的挑战，在本文的其他部分我们重点强调数据分析问题的规模和范围。我们描述了常用的硬件平台上执行分析应用的相关情况，并考虑存储，处理，网络和能量。然后，我们专注于应用程序，即虚拟化技术，运行时系统/执行环境和编程的软件基础模型。我们在多样性数据分析的应用中，对健康和人类福利进行计算机建模与模拟得出一个简短的结论。 1.1数据分析的规模和范围 最近保守的研究估计，在2008年世界上的企业服务器系统已经能处理了
随机效应模型的估计原理说明与豪斯曼检验 在面板数据的计量分析中，如果解释变量对被解释变量的效应不随个体和时间变化，并且解释被解释变量的信息不够完整，即解释变量中不包含一些影响被解释变量的不可观测的确定性因素，可以将模型设定为固定效应模型，采用反映个体特征或时间特征的虚拟变量（即知随个体变化或只随时间变化）或者分解模型的截距项来描述这些缺失的确定性信息。 但是，固定效应模型也存在一定的不足。例如固定效应模型模型中包含许多虚拟变量时，减少了模型估计的自由度；实际应用中，固定效应模型的随机误差项难以满足模型的基本假设，易于导致参数的非有效估计。更为重要的是，它只考虑了不完整的确定性信息对被解释变量的效应，而未包含不可观测的随机信息的效应。为了弥补这一不足，Maddala(1971)将混合数据回归的随机误差项分解为截面随机误差分量、时间随机误差分量和个体时间随机误差分量三部分，讨论如下随机效应模型或双分量误差分解模型（1）： 12 K it k kit i t it k y x u v w ββ==++++∑ (1) 2~(0,)i u u N σ表示个体随机误差分量； 2~(0,)t v v N σ表示时间随机误差分量； 2~(0,)it w w N σ表示个体时间（或混合）随机误差分量。 如果模型（1）中只存在截面随机误差分量i u 而不存在时间随机误差分量t v ，则称为个体随机效应模型，否则称为个体时间小于模型。或者称为但分了误差分解模型。 下面来介绍这两种模型： 1.个体随机效应模型 当利用面板数据研究拥有拥有充分多个体的总体经济特征时，若利用总体数据的固定效应模型就会损失巨大的自由度，使得个体截距项的估计不具有有效性。这时，可以在总体中随机抽取N 个样本，利用这N 个样本的个体随机效应模型： 12 K it k kit i it k y x u w ββ==+++∑ (2) 推断总体的经济规律。其中，个体随机误差项i u 是属于第i 个个体的随机干扰分量，并在整个时间范围（t=1,2,…,T ）保持不变，其反映了不随时间变化的不可观测随机信息的效应。 检验：个体随机效应的原假设和备择假设分别是： 20:0u H σ= （混合估计模型）