精华内容
下载资源
问答
  • 以实际传输距离的估算方法和实际测试值分析了影响传输距离的各种因素。通过实测实验分析得出收发天线的增益、天线的架设高度等各个因素在无线传输中的作用,为以后无线装置的实际应用提供了可靠的参考价值。
  • 为了提高单帧曝光图像法的颗粒速度测量的测速上限, 以背光成像的单帧曝光法测速装置为研究对象, 从轨迹识别的角度, 对该方法测速上限的影响因素进行了理论分析和实验研究。结果表明:在背光成像方式下, 颗粒速度...
  • 本文通过对锂离子动力电池安全性能影响因素的梳理总结,以期为其在能量/功率领域的应用和研究提供可靠的依据。  1. 前言  锂离子电池因为其具备能量密度,功率密度和使用寿命的特点,在化学...
  • 基于完井过程的实时监测数据研究水力压裂过程中滤失参数、杨氏模量、地面排量等重要因素对裂缝长度、高度的影响,通过调节相关参数分析对裂缝缝长和缝的控制影响,实验结果可有效预知压裂效果,在选取压裂技术方面...
  • 为揭示阶煤煤层气井产量递减规律,基于沁水盆地南部樊庄区块10余年的开发数据,通过数值模拟、统计分析等方法,对现有开发技术条件下阶煤煤层气井产量递减点、递减类型及影响因素进行分析。结果表明,煤层气井...
  • 经济增长是我国宏观经济政策的目标之一,研究影响经济增长的因素对促进我国经济快速发展有着十分重要的意义。本次实验运用R软件编写代码拟合多元线性回归模型、选择最优模型,最终进行区间预测,定性的研究影响我国...

    一、问题的提出

    经济增长是我国宏观经济政策的目标之一,研究影响经济增长的因素对促进我国经济快速发展有着十分重要的意义。本次实验运用R软件编写代码拟合多元线性回归模型、选择最优模型,最终进行区间预测,定性的研究影响我国经济增长的主要因素。

    二、试验的设计与数据收集过程

    为了大致描绘改革开放以来我国经济的增长情况,原计划收集1978年至今的数据,但是全社会固定资产投资只有1980年之后的数据,所以最终只分析了自上个世纪八十年代以来的数据。影响国内生产总值GDP的因素有很多,本实验主要收集了1980-2018年进出口总额、金融机构资金来源流通中货币、社会消费品零售总额和全社会固定资产投资的数据,数据单位都为亿元,数据来源:国家统计局移动门户网站

    三、数据的描述性分析

    GDP、EM、MO、Consumption、Investment分别代表国内生产总值(亿元)、进出口总额(亿元)、金融机构资金来源流通中货币(亿元)、社会消费品零售总额(亿元)和全社会固定资产投资(亿元)。其中,国内生产总值GDP代表我国的经济增长状况,是因变量,其他四个变量是影响经济增长的因素,都是自变量。首先编写一个函数通过样本的数字特征对样本进行一些初步的定性分析。
    在这里插入图片描述
    在这里插入图片描述
    查看导入的数据:
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    四、数据分析

    查看变量之间的相关性:可以用cor函数得出变量之间的相关系数矩阵,或者用scatterplotMatrix函数,直接绘制散点图矩阵来查看变量之间的相关性。
    在这里插入图片描述由相关系数矩阵结果我们可以看到各个变量之间的相关系数都达到了0.9以上,是高度线性相关的,可以拟合线性回归模型。
    在这里插入图片描述
    scatterplotMatrix函数默认在非对角线区域绘制变量间的散点图,并添加平滑和线性拟合曲线。spread=FALSE表示删除了残差正负均方根在平滑曲线上的展开和非对称信息。
    在这里插入图片描述
    由变量间相关性实验结果,我们可以知道各个变量之间有正相关的线性关系,为了选择比较合适的解释变量,我们需要拟合以GDP为因变量、其他四个变量为自变量的多元回归模型。
    在这里插入图片描述
    用summary函数来查看模型的详细拟合结果:
    在这里插入图片描述
    Residuals列出了残差的最小值、四分之一分位数、中位数、四分之三分位数、最大值。Coefficients列出了每个自变量(包括截距项)的估计值、标准差、t值和P值(Pr(>|t|))。可以看到在5%的显著性水平上,除了自变量MO不显著,其他自变量都是显著的。判断模型拟合效果的可决系数也叫判定系数R2的值,可以看到R2为0.995,非常接近于1,说明模型拟合效果很好。还有判断模型联合显著性的F统计量的值:F-statistic=1.808e+04,自由度为(4,34),p-value<2.2e-16,结果表面在1%的显著性水平下,模型是联合显著的。

    计算方差分析表:
    在这里插入图片描述
    在确认回归模型之前要先进行假设检验,即回归模型的诊断。回归模型的诊断,最常用的的方法是使用plot函数。
    在这里插入图片描述
    在这里插入图片描述
    ResidualsvsFitted图(左上)主要用于检验是否线性于参数,图中残差值和拟合值基本没有比较明显的关联,则说明自变量与因变量之间是线性关系。
    NormalQ-Q图(右上)主要检验误差项的正态性,若满足正态性的假设,则图上的圆点应落在45度角的直线上;反之,则不满足正态性的假设。从图中结果来看,基本满足正态性的假设。
    Scale-Location图(左下)主要检验误差的同方差性的假设,若水平线周围的点随机分布,则满足同方差假设;反之,则不满足。而观察此处结果,满足同方差性的假设。
    ResidualsvsLeverage图(右下)主要用于观察数据中的单个值,不用于假设检验。

    对于模型的最优选择问题,我们可以使用AIC来进行比较,它的原理是在可决系数与自变量的个数之间进行权衡,选择二者的最佳组合。AIC值越小,表明模型拟合效果越好
    在这里插入图片描述
    结果表明fit2的AIC值最小,拟合结果最好,即选择EM、Consumption、Investment三个变量为自变量的多元线性回归模型为最优模型。这与前面模型的详细拟合结果里MO的t检验结果不显著,而其他三个变量t检验结果显著刚好一致。

    由以上实验结果表明选择影响GDP增长的因素主要有进出口总额、社会消费品零售总额以及全社会固定资产投资。重新拟合最优模型:
    在这里插入图片描述
    在这里插入图片描述
    由此得出多元线性回归方程为:y=-1887+0.5565x1+2.263x2-2.283x3
    绘制自变量与因变量之间的散点图和拟合曲线:
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    计算残差、标准化残差、计算预测值、画残差图、画残差QQ图:
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    进行模型的预测,需要用到predict函数。实验数据为1980-2018年间的,假设2019年的EM为335000.00,Consumption=为400000.0,Investment为655000.00,可以预测到2019年的GDP的值为940344.7,95%的预测区间为(925188.7,955500.8)。
    在这里插入图片描述

    五、结论与讨论

    通过本次实验得到了影响GDP增长的各种因素构成的多元线性回归方程:y=-1887+0.5565x1+2.263x2-2.283x3。该回归方程的截距项是-1887,EM每增加一个单位会引起GDP增加0.557个单位,Consumption每增加一个单位引起GDP增长2.263个单位,Investment每增加一个单位会引起GDP减少0.228个单位。也就是说,为了促进我国经济的快速发展,可以扩大对外开放程度来增加进出口总额,可以采取刺激消费、适当的减少投资从而促进经济增长。同时此次试验也可以在一定程度上对2019年的GDP进行预测,更好的掌握经济动向。

    六、参考文献

    [1]范金城, 梅长林. 2002. 数据分析. 北京: 科学出版社.
    [2]薛毅, 陈立萍. 2007. 统计建模与R软件. 北京: 科学出版社.
    [3]王斌会. 2010. 多元统计分析与R语言建模. 广州: 暨南大学出版社.
    [4]李素兰.2017. 数据分析与R软件(第二版).北京: 科学出版社.

    附件1:数据

    
    指标    国内生产总值 进出口总额	货币	社会消费品零售总额
    2018年	900309.5	305008.13	73208	    380986.9
    2017年	820754.3	278099.24	70645.6	    366261.6
    2016年	740060.8	243386.46	68303.87	332316.3
    2015年	685992.9	245502.93	63216.58	300930.8
    2014年	641280.6	264241.77	60259.53	271896.1
    2013年	592963.2	258168.89	58574.44	242842.8
    2012年	538580	    244160.21	54659.77	214432.7
    2011年	487940.2	236401.95	50748.46	187205.8
    2010年	412119.3	201722.34	44628.17	158008
    2009年	348517.7	150648.06	38245.97	133048.2
    2008年	319244.6	179921.47	30218.96	114830.1
    2007年	270092.3	166924.07	30334.32	93571.6
    2006年	219438.5	140974.74	27072.62	79145.2
    2005年	187318.9	116921.77	24031.67	68352.6
    2004年	161840.2	95539.09	21468.3	    59501
    2003年	137422	    70483.45	19745.99	52516.3
    2002年	121717.4	51378.15	17278.03	48135.9
    2001年	110863.1	42183.62	15688.8	    43055.4
    2000年	100280.1	39273.25	14652.65	39105.7
    1999年	90564.4	    29896.23	13455.5	    35647.9
    1998年	85195.5	    26849.68	11204.15	33378.1
    1997年	79715	    26967.24	10177.61	31252.9
    1996年	71813.6	    24133.86	8802.01	    28360.2
    1995年	61339.9	    23499.94	7885.34	    23613.8
    1994年	48637.5	    20381.9	    7288.6	    18622.9
    1993年	35673.2	    11271.02	5864.7	    14270.4
    1992年	27194.5	    9119.62	    4336	    10993.7
    1991年	22005.6	    7225.75	    3177.8	    9415.6
    1990年	18872.9	    5560.12	    2644.87	    8300.1
    1989年	17179.7	    4155.92	    2344.02	    8101.4
    1988年	15180.4	    3821.79	    2134.03	    7440
    1987年	12174.6	    3084.16	    1454.48	    5820
    1986年	10376.2	    2580.37	    1218.36	    4950
    1985年	9098.9	    2066.71	    987.83  	4305
    1984年	7278.5	    1201.03	    792.11	    3376.4
    1983年	6020.9	    860.15	    529.78	    2849.4
    1982年	5373.4	    771.37	    439.12	    2570
    1981年	4935.8	    735.34	    396.34	    2350
    1980年	4587.6	    570.04	    346.2	    2140
    

    附件2:代码

    GDP<-c(4587.6,4935.8,5373.4,6020.9,7278.5,9098.9,10376.2,12174.6,15180.4,17179.7,18872.9,22005.6,27194.5,35673.2,48637.5,61339.9,71813.6,79715.0,85195.5,90564.4,100280.1,110863.1,121717.4,137422.0,161840.2,187318.9,219438.5,270092.3,319244.6,348517.7,412119.3,487940.2,538580.0,592963.2,641280.6,685992.9,740060.8,820754.3,900309.5)
    EM<-c(570.00,735.34,771.37,860.15,1201.03,2066.71,2580.37,3084.16,3821.79,4155.92,5560.12,7225.75,9119.62,11271.02,20381.90,23499.94,24133.86,26967.24,26849.68,29896.23,39273.25,42183.62,51378.15,70483.45,95539.09,116921.77,140974.74,166924.07,179921.47,150648.06,201722.34,236401.95,244160.21,258168.89,264241.77,245502.93,243386.46,278099.24,305100.00)
    MO<-c(346.20,396.34,439.12,529.78,792.11,987.83,1218.36,1454.48,2134.03,2344.02,2644.87,3177.80,4336.00,5864.70,7288.60,7885.34,8802.01,10177.61,11204.15,13455.50,14652.65,15688.80,17278.03,19745.99,21468.30,24031.67,27072.62,30334.32,30218.96,38245.97,44628.17,50748.46,54659.77,58574.44,60259.53,63216.58,68303.87,70645.60,73208.00)
    Consumption<-c(2140.0,2350.0,2570.0,2849.4,3376.4,4305.0,4950.0,5820.0,7440.0,8101.4,8300.1,9415.6,10993.7,14270.4,18622.9,23613.8,28360.2,31252.9,33378.1,35647.9,39105.7,43055.4,48135.9,52516.3,59501.0,68352.6,79145.2,93571.6,114830.1,133048.2,158008.0,187205.8,214432.7,242842.8,271896.1,300930.8,332316.3,366261.6,380987.0)
    Investment<-c(910.90,961.00,1230.40,1430.10,1832.90,2543.20,3120.60,3791.70,4753.80,4410.40,4517.00,5594.50,8080.10,13072.30,17042.10,20019.30,22913.50,24941.10,28406.20,29854.70,32917.73,37213.49,43499.91,55566.61,70477.40,88773.62,109998.20,137323.94,172828.40,224598.77,251683.77,311485.13,374694.74,446294.09,512020.65,561999.83,606465.66,641238.40,635636.00)

    summarize <- function(x){
    n <- length(x)
    m <- mean(x)
    v <- var(x)
    s <- sd(x)
    me <- median(x)
    cv <- 100s/m
    css <- sum((x-m)^2)
    uss <- sum(x^2)
    R <- max(x)-min(x)
    R1 <- quantile(x,3/4)-quantile(x,1/4)
    M3=quantile(x,1/4)
    (1/4)+me*(1/2)+ quantile(x,3/4)(1/4)
    g1 <- n/((n-1)
    (n-2))sum((x-m)3)/s3
    g2 <- ((n
    (n+1))/((n-1)(n-2)(n-3))sum((x-m)4)/s4- (3(n-1)^2)/((n-2)*(n-3)))
    data.frame(N=n, Mean=m, Var=v, std_dev=s,Median=me, CV=cv, CSS=css, USS=uss,M3=M3,R=R, R1=R1, Skewness=g1, Kurtosis=g2, row.names=1)
    }

    data=data.frame(GDP=GDP,EM=EM,MO=MO,Consumption=Consumption,Investment=Investment)
    data

    cor(data)

    scatterplotMatrix(data,spread=FALSE,main=“Scatter Plot Matrix via car package”)

    fit<-lm(GDP~EM+MO+Consumption+Investment)
    fit

    summary(fit)

    anova(fit)

    par(mfrow=c(2,2))
    plot(fit)
    fit1<-lm(GDP~EM+MO+Consumption+Investment,data=data)
    fit2<-lm(GDP~EM+Consumption+Investment,data=data)
    fit3<-lm(GDP~Consumption+Investment,data=data)
    fit4<-lm(GDP~Consumption,data=data)
    AIC(fit1,fit2,fit3,fit4)

    fitter<-lm(GDP~EM+Consumption+Investment,data=data)
    summary(fitter)

    coefficients(fitter)

    ARsqured<-summary(fitter)$adj.r.squared
    ARsqured

    plot(GDP~EM)
    abline(lm(GDP~EM))
    plot(GDP~Consumption)
    abline(lm(GDP~Consumption))
    plot(GDP~Investment)
    abline(lm(GDP~Investment))

    resid<-residuals(fitter)
    stdresid<-rstandard(fitter)
    GDP.pre<-predict(fitter)
    plot(GDP.pre,resid)
    plot(GDP.pre,stdresid)
    plot(fitter,2)

    new<-data.frame(EM=(335000.00),Consumption=c(400000.0),Investment=c(655000.00))
    lm.pred<-predict(fitter,new,interval=“prediction”,level=0.95)
    lm.pred

    展开全文
  • 在此基础上,探讨了瓦斯抽采钻孔密封的影响因素。结果表明:囊袋式带压封孔装置密封的瓦斯抽采钻孔,抽采浓度瓦斯持续时间,无论是顺层钻孔还是穿层钻孔,封孔抽采60~80 d后,单孔浓度仍能超过20%;即便经历3~4个月抽采...
  • 为了准确测定硫灰及渣中硫,研究了库仑滴定法和高温管式炉燃烧红外热导法测定硫灰及渣中硫含量的方法及其影响因素。结果表明,灰的粒径对库仑滴定法和红外热导法测定的准确性均有显著影响,需研细到0.04 mm以下时,...
  • 选取含铁量较的镇雄煤,运用X射线衍射(XRD)、扫描电子显微镜和X射线能谱仪(SEM-EDX)等测试手段,分析了不同还原性气氛、不同温度下渣样的矿物组成、表观形貌和微区化学组成,探究了还原性气氛下熔渣析铁的影响因素。...
  • 针对工作面煤壁片帮影响大采综采开采技术效益发挥的问题,以红庆河煤矿3-1煤层赋存条件为研究背景,通过设计正交试验方案,运用FLAC3D数值软件进行模拟,基于Drucker-Prager准则计算了工作面煤壁的破坏系数,综合...
  • 杆弹垂直侵彻半无限靶板的影响因素及其影响规律分析,光发,,针对杆弹垂直侵彻半无限厚靶板的问题,理论上分析了影响弹体侵彻效率的主要因素,并就其对杆弹归一化侵彻深度的影响规律及机
  • LED灯具作为新型的绿色照明灯具,节能、环保、寿命,受到广大客户的追崇。但是LED光衰的问题,又是一个LED灯具不得不面对的问题。不间断的光衰,严重影响了LED灯具的使用情况。  就目前来看,市场上的白光LED其...
  • 结合陕西煤化能源有限公司甲醇装置的运行实际,介绍了甲醇生产的工艺过程和特点,分析了影响装置周期、连续运行的因素,主要包括锅炉爆管停车时间、化工误操作多、仪表频繁误动作、设备故障率、工艺调整不及时等;...
  • 循环性能对锂离子电池的重要程度无需多言,就宏观来讲,更的循环寿命意味着更少的资源消耗,因而,影响锂离子电池循环性能的因素,是每一个与锂电行业相关的人员都不得不考虑的问题。  1、水分  过多的水分会...
  • 首先分析和确定非充分采动导水裂缝带高度主要影响因素,然后采用灰色关联分析确定各影响因素的关联度,并采用层次分析法确定各影响因素的权重,最后根据各影响因素的加权关联度确定各影响因素的敏感性。结果表明,非充分...
  • 大学生观看直播时长影响因素分析

    千次阅读 2019-09-30 23:51:13
    2017年应用统计作业,现在翻出来了,多元回归探究大学生观看直播时长影响因素

    1变量说明

    本次调查通过线上问卷星制作并随机发放问卷,有效收回问卷169份。应变量是每周观看直播时长;由于多选题较多,自变量数目较多,建立模型时会排除一些显著性水平较大的自变量。

    变量类型变量名详细说明备注
    应变量每周观看直播时长用每组区间中位数表示 单位:小时0、1、3、5、7表示
    大学生个人信息性别、年级大学生基本信息性别0、1表示
    接触方式接触方式朋友推荐、网络广告、偶然发现、主动接触
    观看直播平台斗鱼、熊猫、企鹅、龙珠、虎牙、全民0代表不在此平台观看 1代表在此平台观看
    观看直播时关注方面主播名气、直播内容、直播清晰度及流畅度、受众规模、平台设计风格、弹幕礼物及互动0代表观看直播时关注 1代表观看直播时不关注
    直播类型直播类型游戏、娱乐、体育、户外、学习
    观看时间观看时间上午、中午、晚上、关注主播开播时间
    打赏主播的情况主播技术出众、主播与观众互动、主播搞笑时刻、跟风刷礼物、心情好0代表此情况下不会打赏主播 1代表此情况下会打赏主播
    弹幕行为关注弹幕情况不会关注、会关注但很少发弹幕、会关注并经常发弹幕
    认为主播具备的素质技术出众、搞笑、口才好、颜值高、互动多0代表认为主播可以不具备 1代表认为主播应该具备
    满意度对直播内容的满意度1-5代表满意度的水平
    印象对网络直播的印象1-5代表对直播的印象
    认为直播的优点互动交友、娱乐性强、灵活便捷、种类丰富0代表不认为这是直播优点 1代表认为这是直播优点
    认为直播的缺点有些内容低俗、个别主播直播素质差、礼物昂贵、弹幕氛围不好0代表不认为这是直播缺点 1代表认为这是直播缺点

    2描述性统计

    2.1大学生观看直播情况

    在这里插入图片描述
    整体上看,有60.9%的人不看直播,可见观看直播的大学生还是占据相当大一部分的。本次调查男生共84人,女生共85人,排除了性别不同而可能导致的影响。由图1可见,性别对观看直播时长有非常大的影响。85.88%的女生不看直播,然而却只有35.71%的男生不看直播。

    2.2观看时间、平台、类型

    在这里插入图片描述
    从图表中不难看出,72%看直播的观众都是在看游戏直播,比如一直火爆到现在的绝地求生、王者荣耀等游戏。这可能是观看男生数量多,对游戏感兴趣的原因。由数据得出,一半以上的调查对象都会选择在晚上看直播,因为我们的调查对象大部分都是学生,白天课程繁忙,所以一般只能选择晚上进行直播的观看,还有部分对象选择在主播开播的时间进行观看,因为部分主播的直播时间固定,粉丝一般都会按点进行观看。
    在这里插入图片描述
    从结果中可以看出,斗鱼和虎牙这两个老直播平台观看人数较多,有53%的人会在斗鱼观看,同时有37.9%的人会在虎牙观看。归咎原因可以说是因为这两个平台起步早,观众基数多,为日后的长久发展打牢了基础,而熊猫全民等后起之秀亦因为起步晚就丧失了不少观众流量。

    2.3观看者行为

    在这里插入图片描述
    由图5可知不打赏主播的人居多,这个结果并不超出我们的预料,因为所调查的人都是大学生,一方面活动资金较少,一般没闲钱打赏主播。另一方面大学生是抱着休闲娱乐或者打发时间的目的看直播的,因此不会花费大量金钱来进行打赏。由图6可见,心情好是最多打赏主播的情况,说明打赏与打赏人的主观因素相关,属于冲动性行为,所以受到刺激时会进行打赏行为。
    在这里插入图片描述
    弹幕是一种直播文化,发弹幕可以满足观众的一种避世但渴求交流的状态。这也是促进观众与主播之间互动的方式。观看直播时发弹幕不仅会和主播交流,还会和其他观众交流,是直播的一大特色。然而结果显示,观看直播的大学生大多很少发弹幕或者不关注弹幕。我组认为可能原因是大学生会更关注直播内容,而且一些弹幕氛围并不是很好。

    2.4对直播的印象认识

    在这里插入图片描述
    由图8图9可见,大学生对于直播的满意度和印象主要还是中肯水平。直播是一种低平台的自媒体娱乐文化,简言之,所有人都可以直播,所以内容也会参差不齐。直播内容三教九流,也不是适合每一个人的胃口,观众态度不一,纯属正常。

    3模型建立

    3.1多元线性回归

    由于自变量太多,选取了显著性水平较小的8个自变量。X1表示性别,X2表示年级,X3表示口才好,X4表示技术出众,X5表示对直播内容的满意度,X6表示对直播的印象,X7表示娱乐性强,X8表示种类丰富,Y表示每周观看直播时间。
    在这里插入图片描述
    建立模型得出结果:
    在这里插入图片描述

    3.2模型检验

    在这里插入图片描述
    自由度为8,F为13.977,拒绝原假设;显著性水平为0.000,小于0.05的显著性水平。F检验说明,每周观看直播时间与这8个自变量之间的线性关系显著,但这并不意味着每周观看直播时间与每个自变量之间的关系都显著。
    在单个变量回归统计量的 P 参数中:性别,对直播内容的满意度的P值小于显著性水平0.05,而对网络直播的印象得P值为0.06,说明这三个自变量对Y影响大;其次是口才好与技术出众影响较大;最后种类丰富、娱乐性强和年级对Y影响较小。

    3.3模型解读

    在这里插入图片描述
    调整后的R方为0.382,说明此模型能解释的比例为38.2%,拟合程度较差,可能原因是问卷中多选题过多导致0、1变量居多。其它自变量不变的情况下,对模型解读如下:

    ①性别对观看直播时长影响很大,男生平均比女生平均每周多观看直播1.7小时。

    ②对观看直播内容的满意度和对直播的印象对于观看直播时长影响较大,对观看内容满意度平均每提升1单位,观看直播时间会增加0.677小时;对直播印象平均每提升1等级,观看直播时间会增加0.519小时。

    ③年级平均每提高1等级,观看直播时间会下降0.435小时。这可能是因为随着年级提高,大学生对专业课程学习、考研或者找工作越来越关注,花费在直播上的时间越来越少。但可能是问卷填写的多为大一、大二学生,导致一定误差。

    ④相比于认为主播不必具有技术出众能力的大学生,认为主播需要技术出众的大学生观看直播时间平均高出0.526小时。

    ⑤相比于认为主播不必具有口才好能力的大学生,认为主播需要口才好的大学生观看直播时间平均低出0.597小时,与我组设想不符。

    ⑥相比于认为直播没有种类丰富优点的大学生,认为直播有种类丰富优点的大学生观看直播时间平均高出0.455小时。

    ⑦相比于认为直播没有娱乐性强优点的大学生,认为直播有娱乐性强优点的大学生观看直播时间平均高出0.4小时。

    4结论与建议

    通过本次调查,关于大学生观看直播时长影响因素分析对直播平台和主播有以下结论和建议:

    1.大学生中,女性观看直播情况远远低于男生情况。因此这也是很大的潜在受众与市场,直播平台或主播可以创作出吸引女性大学生的直播内容,扩大受众。

    2.大学生对直播内容满意度和对直播印象对于观看直播时长非常重要。平台和直播要想吸引大学生,就一定要注重直播内容和直播印象。根据描述性统计,直播内容低俗、个别主播素质低、弹幕氛围不好这些都是大部分人认为的缺点。因此建议,平台应加大对直播的监管力度,严肃规范主播的一言一行,另外希望能出台相关的法律法规来进行法律上的规范。主播自身也应该注意提升素质,减少说脏话、抽烟等行为。平台和主播应努力净化直播环境,提升直播质量,改善大学生对直播的印象,提升对直播内容的满意度。

    3.主播技术出众会增加大学生观看时间,因为大学生观看游戏直播类型占据大部分。但有不少的游戏主播,可能自己技术实力不够,但又想要留住观众吸引眼球,他们可能会做出一些有损电竞精神的事情,比如使用外部辅助软件。最近就有一位知名主播因为此类事件而被推到了风口浪尖,频频登上微博热搜,现在还在停播状态。希望各位主播能够认清自己,不要在一时的快活中迷失了自己。

    4.根据描述性统计,斗鱼和虎牙是受众较广的两大平台,其它平台可以学习其优点。比如斗鱼大主播多,有吸引力;重视培养新人,有利于平台的稳定;页面设计合理,推广内容丰富;直播技术成熟,备用线路众多,不会因为人数激增而出现卡顿。虎牙通过明星主播化等方式展开泛娱乐直播,与众多明星合作,启动全明星主播战略;根据直播的性质优化了搜索功能;首页推荐页大多是知名主播,可以很好的吸引游客眼球。

    最后,对大学生提出建议:大学生从高中的紧张忙碌的学习中突然释放出来,有了许多的空余时间不知道该如何分配,所以不少人都选择了看直播来度过自己日常生活中的某些细小的空余时刻。直播是可以去尝试接触的,但一定要有自己的判断能力。拒绝观看不良直播,规范地观看直播来学习知识,丰富文化生活。同时大学生也不要太过于沉迷观看直播,学习还是当前阶段最重要的任务。

    5附问卷

    1.您的性别是?
    A.男 B.女
    2.您的年级?
    A.大一 B.大二 C.大三 D.大四 E.本科以上
    3.您每周观看直播的时间?
    A.不看(终止调查) B.0—2小时 C.2—4小时 D.4—6小时 E.6小时以上
    4.您是怎样接触网络直播的?
    A.朋友推荐 B.网络广告 C.偶然发现 D.主动接触
    5.您一般在哪个平台观看直播?(多选)
    A.斗鱼 B.熊猫 C.企鹅 D.龙珠
    E.虎牙 F.全民 G.其它
    6.您观看直播时更关心哪些方面?(多选)
    A.主播名气 B.直播内容 C.直播清晰度、流畅度
    D.受众规模 E.平台设计风格 F.弹幕、礼物、互动
    7.您平时观看哪种类型的直播?
    A.游戏 B.娱乐 C.体育 D.户外 E.学习
    8.您一般什么时间观看直播?
    A.上午 B.中午 C.晚上 D.关注主播开播时间
    9.您观看直播的目的是?(多选)
    A.休闲娱乐 B.无聊打发时间 C.想学习某种知识或技术 D.单纯喜欢某几个主播 E.其它
    10.您会打赏主播吗,如果的话,打赏过多少礼物?
    A.不会 B.50元以内 C.50–100元
    D.100—500元 E.500元以上
    11.您在什么时候会打赏主播?(多选,如果8题中选择“不会”,此题不答)
    A. 主播技术出众 B.主播与观众互动 C.主播搞笑时刻
    D.跟风刷礼物 E.心情好 F.其它
    12.您观看直播时会关注弹幕吗?
    A.不会 B.会,但很少发弹幕 C.会,经常发弹幕
    13.您认为主播应该具备哪些素质?(多选)
    A.技术出众 B.搞笑 C.口才好
    D.颜值高 E.互动多
    14.整体上您对自己观看直播内容的满意度?
    A.非常满意 B.满意 C.可以
    D.不满意 E.非常不满意
    15.整体上您对网络直播的印象?
    A.新奇吸引人 B.还可以接受
    C.质量良莠不齐 D.降低大众品味 E.其它
    16.整体上您认为网络直播的优点有?(多选)
    A.互动交友 B.娱乐性强
    C.灵活便捷 D.种类丰富 E.其它
    17.整体上您认为网络直播的缺点有?(多选)
    A.有些内容低俗 B.个别主播直播素质差 C.礼物昂贵
    D.弹幕氛围不好 E.其它
    18.您的其它一些看法或意见:

    • 节选自应用统计的作业(2017/8) 用的问卷星 excel spss
    • 虽然实现起来不难(现在看起来甚至比较简单),但是当时也是体验了设置问卷-收集数据-录入SPSS-回归的整个过程 缺点是0 1变量太多 不好量化而且数据录入超费时间
    展开全文
  • 大采综放工作面瓦斯涌出影响因素分析,王东江,杨胜强,瓦斯灾害是煤矿中最严重的灾害之一,瓦斯灾害治理的好坏已成为矿井特别是瓦斯矿井能否安全生产的关键因素之一。影响矿井瓦斯的
  • 不同的基板材质,不同质量的元器件,对PCBA的保存期限影响还是很大的,越是品质的PCB板和元器件,可靠性越强,对抗恶劣环境的能力和抗氧化能力就越强,保存期限也就会越。 2、工艺的影响 加工工艺的不同,比如...
  • 首先采用灰色关联度理论分析了采深、采、充填体宽度、工作面长度、煤层倾角、巷道断面大小等因素对顶底板移近量、两帮移近量的影响程度。然后采用正交数值模拟方法对沿空留巷围岩变形量的因素进行了分析。研究结果...
  • 循环性能对锂离子电池的重要程度无需多言,就宏观来讲,更的循环寿命意味着更少的资源消耗,因而,影响锂离子电池循环性能的因素,是每一个与锂电行业相关的人员都不得不考虑的问题。  1、水分  过多的水分会...
  • 随着LED行业的发展,LED灯具的节能、寿命、利环保的优越性能也获得普遍的公认,但随之而来的LED驱动器可靠性低下的问题也成为众人所关注的热点。下面先让我们来分析影响LED驱动器可靠性低下的原因有哪些?   ...
  • 影响高学习效率的几大因素

    千次阅读 2019-01-03 10:44:04
    文章目录一、灵感来源二、关键因素2.1 环境2.1.1 心理舒适区2.1.2 “监督”与否2.2 娱乐制品2.3 个人规划与态度2.3.1 个人规划 一、灵感来源   为什么我会这写篇标题很傻比的文章?是的,我承认我周围很多同学都...

    一、灵感来源

      为什么我会这写篇标题很傻比的文章?是的,我承认我周围很多同学都能做到一旦干活儿就可以在座位上全神贯注直到饭点,但是,长期的保持高效率学习几乎是不可能的,不然古人也不会说“吾日三省吾身”。
      另外,相信很多人都是在考试的前几天时间学习效率暴涨,现今联想自身,就算是对比自身当时考研的状态,不禁赧颜汗下。这也引起我多次的深思,这证明:其一,人能够突发性地变得高效率学习,其二,人能够在某些事件(甚至自己厌恶去做)触发下保持地高效率学习。

    二、关键因素

    一直想总结这些长期浸润在学习环境中的感悟,私以为,很多东西潜意识是了解的,但是缺少去把模模糊糊的东西明晰地的过程,那这些东西永远都是模糊一片的,甚至当自己准备或正在踩坑。

    2.1 环境

    2.1.1 心理舒适区

      心理舒适区,是心理学专业名词,原指一种心理状态。在这里我指的是让人心里感到熟悉、安心的地理区域。听说过很多次周围的人都在吐槽寝室、家里学不进去,特别是每次放假带好多好多书回家,信誓旦旦地决定回去苦修一番,结果都快到开学了,发现当初自己的计划几乎没有完成。
      想了想,这些让人心里感到熟悉、安心的地理区域,诸如寝室、家里,都是我们长期以来娱乐、休息的地方,在这些区域,我们的内心长期都是很放松、舒适的状态。所以,在这些区域一旦进入学习状态,一定要尤为谨慎这些区域轻易能够让我们心里感到舒适以分散精神,从而无法保持高效率学习。

    2.1.2 “监督”与否

      在这里,我说的“监督”指的是有人与你一同学习的情况。从自身的经历出发,往往有人与你一同学习的情况下,更容易保持高效率。
      你发现在图书馆中,大多数人学习效率往往很高而且保持的相当好,除了因为不在“心理舒适区”的因素以外,还有就是你身边有一大堆人,拿着一大堆书看的津津有味,这时,你会觉得:大家看书都挺认真的,仿佛这不是一件难事。高中教室也与图书馆类似,属于有“监督”的情况。
      所以一个人学习的时候,一定要谨慎因为周围没有所谓的“参照物”,而导致的分散注意。古人说过“君子慎独”,我也认为“学者慎独”。

    2.2 娱乐制品

    娱乐制品确实很有必要存在,很多时候它们确实能给我带来很多快乐和震撼。然而任然不妨碍其成为最影响学习的因素。

      对于娱乐制品,我主要了解到的是小说、动漫、电影、电视剧、综艺、长/短视频、通讯软件和游戏。现在的娱乐制品太过方便了,甚至只需要点两下鼠标,就能让你成功坐在屏幕前几十分钟看得津津有味,心里美滋滋,还不要说某些动辄几个小时半天的东西。
      所以,在学习的过程中,千万要谨慎以娱乐制品放松。例如,学习了一个半小时,基本上会有点疲劳了,这个时候打一局刺激战场或者刷下抖音之类的来休息,当然会严重影响学习效率。

    2.3 个人规划与态度

    这一节的标题似乎有点太大了,但是个人规划和个人态度是我认为决定你未来高度的基石。

    2.3.1 个人规划

      规划的好处就不说了,其跟“3天后有一门的考试要准备”的作用差不多。从个人的角度来说,没有规划的话,整个人的状态就会很迷,潜意识中会觉得有很多事情要做,然后每次做下来后又觉得做什么都静不下心。
      在此分享一个小经验,记得很久以前看到一张来自清华双胞胎姐妹的计划表,其甚至详细到了每个小时的细分粒度,我认为这是不可取的,这份计划没有任何弹性可言。私以为,首先,计划也不用具体到每日的程度,个人是把一周分为了2天,2天,3天来规划的,比如周一、周二两天时间你要完成什么事,具体达到什么程度,这样计划才有弹性。其次,每天你要在心中想好今天早上、下午、晚上做什么就行,没有必要详实地写出来。最后,每周周日一定要总结这周的223规划完成情况,这是最重要的,所有的计划就是为了这一刻,你没有这次总结,你这周就是白过了,哪怕你做了一万件事情,切记切记。

    2.3.2 个人态度

      个人态度指的是做事认真的态度,不得不承认,很多人连计划都没有认真规划,凭什么能够按照计划把事情做好。举个例子,最近进入2019年,某些朋友规划了一些新年计划发了出来,比如“好好提升英语”,然后就没了,这种规划一旦发出来,从心理学上来讲叫“提前满足”(相反的叫“延迟满足”),这类规划会让自己大脑以为自己会完成计划而提前激励自身,从而让你很难去认真履行自己的计划。同时,这也说明了一个人做事的态度,很敷衍自己,很敷衍未来。
      另外,个人态度指的是做事负责的态度,记得李言荣校长说过一句话:让优秀成为一种习惯。当时我才成年,听到这句话简直是嗤之以鼻,觉得浮夸而已,如今发现,这指的就是:一个人要有点追求,做事就要做的最好,不要让堕落与妥协成为一种习惯。负责,对任何事情负责,追求做的更好,如果一开始就打算吊儿郎当的做(比如假装自己“考研”),不如不做。

    展开全文
  • 采用正交试验设计的方法研究 30 mm滤嘴卷烟的卷烟纸、成型纸、接装纸及嘴棒组合搭配对卷烟主流烟气中焦油量、烟气烟碱量、烟气一氧化碳量、烟气水分及卷烟过滤效率的影响。结果表明:接装纸透气度、嘴棒吸阻及丝束...
  • 以39例综采导水裂隙带实测数据为基础,采用多元回归分析,得到综采导水裂隙带高度与煤层采、硬岩岩性系数、工作面斜、采深、开采推进速度多因素之间的非线性统计关系式,并用于淮南谢桥矿首采面的导水裂隙带高度...
  • 背景 前端时间前端同事在调后台文件上传结构的时候反应文件上传接口很慢。通过查看后台日志,发现文件上传接口的实际请求与响应在1秒以内,但是前端调用接口的请求与响应在5秒以上,...影响因素 服务器阻塞 浏览...

    背景

    前段时间前端同事在调后台文件上传接口的时候反应文件上传接口很慢。通过查看后台日志,发现文件上传接口的实际请求与响应在1秒以内,但是前端调用接口的请求与响应在5秒以上,通过Chrome调试,返现问题出在Waiting(TTFB)时间过长。

    什么是 Waiting (TTFB)

    TTFB: 是“最初的网络请求被发起”到“从服务器接收到第一个字节前”所花费的毫秒数。

    影响的因素

    • 服务器阻塞
      浏览器对同一个主机域名的并发连接数有限制,因此如果当前的连接数已经超过上限,那么其余请求就会被阻塞,等待新的可用连接;此外脚本也会阻塞其他组件的加载。
    • 域名解析
      请求某域名下的资源,浏览器需要先通过DNS解析器得到该域名服务器的IP地址。在DNS查找完成之前,浏览器不能从主机名那里加载到任何东西。
    • TCP建立
      http连接的建立需要经过三次握手的时间,而https会在此基础上增加SSL时间。
    • 带宽限制
      以 2M 带宽为例:
      2M 的ADSL 理论上下载速度是 2048/8=256 bytes/s(字节每秒)但实际上最高也就每秒240、250字节左右;
      上传速度一般是下载速度的1/4 也就是512K ,512/8=64 bytes/s 实际在每秒50字节左右

    测试

    知道了影响因素,加上实际场景,服务器阻塞的情况不会遇到,所以不做测试。

    以上传2.04M的图片为例:

    1. 域名解析:
      localhost:Waiting(TTFB)耗时3.12秒
      在这里插入图片描述
      本地IP 127.0.0.1:Waiting(TTFB)耗时1.84秒 在这里插入图片描述

    2. 带宽限制:
      本地局域网:Waiting(TTFB)耗时3.12秒 在这里插入图片描述
      阿里云服务器(1M带宽):Waiting(TTFB)耗时23.63秒 在这里插入图片描述

    总结

    项目部署的云服务器的带宽只有1M,带宽不足是造成Waiting(TTFB)的主要原因,所以适当的提升带宽就可以解决此问题。

    展开全文
  • 摘 要 大功率LED 照明驱动电源对LED 灯具整体的效能、寿命、维护成本有直接的影响转换效率、功率因素、简化线路、可靠性、减少电磁污染是对性能LED 驱动电源的主要挑战。本文探讨了一种基于PLC810PGPFC ...
  • 基于1998年至2016年中国30个省的PM2.5浓度值,本研究运用空间Durbin模型对烟雾污染的影响因素进行了实证分析。 研究发现,中国的烟雾污染具有明显的空间溢出效应和-(低-低)聚集的空间特征。 并通过空间杜宾...
  • 写在前面:有关北上广深的酒店价格数据分析已经看到过很多,缺鲜有看到过南昌市酒店价格影响因素分析的,遂尝试简单分析南昌市较端价格影响因素。若读者发现其中有误,劳请指出,定虚心接受。 一、背景:案例以...
  • 通过分析阳泉煤矿三矿综放工作面采增加后瓦斯涌出量的变化特征,对采200m以下和200m以上的综放工作面瓦斯涌出影响因素进行了对比研究,认为综放工作面采增大后,邻近层垮落卸压范围增大,吨煤瓦斯涌出量增加27%;...
  • 结果表明:三向地应力的大小关系控制裂缝的延伸方向和缝,煤体结构类型决定能否形成有效裂缝,煤层顶底板砂岩、泥岩厚度及比例影响裂缝能否穿透隔水层。应力比越小、水平主应力差系数越大、煤层中原生结构煤比例越...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 249,133
精华内容 99,653
关键字:

影响长身高的因素