中国体育事业统计数据的挖掘与分析

论文摘要

在计算机技术飞速发展的今天,随着计算机硬件技术日渐成熟,信息的存储量在不断增大,筛选、挖掘并高效利用大量的信息就变得更加困难。在体育领域中,伴随着体育事业的快速发展,我国体育事业的统计工作也面临着同样的问题。本文采用文献资料法、数理统计法、数据挖掘法等方法,收集了2001—2009年《中国体育事业统计年鉴》中大量的数据资料,利用灰色预测分析、灰色关联分析、聚类分析和因子分析等方法,挖掘数据资料的内在联系。论文尝试性的建立了“获得世界冠军个数”的GM(1,1)预测模型,运用灰关联分析方法探讨了“优秀运动队经费”、“体育基本建设支出”、“国家级在队优秀运动队员”、“教练员总人数”和“等级裁判员”等因素对“获世界冠军个数”的影响,并使用了聚类分析和因子分析方法,从经济发展水平和体育事业建设水平等方面对我国各个地区的体育事业发展水平进行了聚类和等级排序,期望通过这些方法从体育事业统计工作的海量数据中汲取更多有价值的隐含信息,为体育事业未来发展提供一定的参考。主要研究结果：数据挖掘技术有利于发现隐藏在海量数据中的潜在联系和规律,有利于数据资料更深层次的分析；以2002年至2009年“获世界冠军个数”为基础数据,建立的GM(1,1)残差模型及周期修正模型,其预测精度高于其他曲线回归模型的精度；通过灰色关联分析发现,人力投入比经费投入的时间序列发展态势更接近“获世界冠军个数”的参考序列；聚类分析将各省份划分为三个集团,因子分析将各省份竞技体育发展水平进行排序,其结果基本反映了各省体育事业的发展现状。

论文目录

• 摘要
• Abstract
• 1 前言
• 2 文献综述
• 2.1 中国体育事业统计研究现状
• 2.2 数据挖掘技术的应用现状
• 2.3 选题依据及研究目的
• 2.3.1 选题依据
• 2.3.2 研究目的及意义
• 3 体育事业统计及研究方法
• 3.1 体育事业统计
• 3.2 研究方法
• 3.2.1 文献资料法
• 3.2.2 专家访谈法
• 3.2.3 数理统计法
• 3.2.4 数据挖掘法
• 3.3 数据挖掘技术
• 3.3.1 数据挖掘技术的概念
• 3.3.2 数据挖掘的基本流程
• 3.3.3 数据挖掘的分类
• 3.3.4 数据挖掘方法
• 4 数据挖掘技术的应用
• 4.1 灰色预测分析
• 4.1.1 灰色系统
• 4.1.2 灰色预测模型的建立
• 4.1.3 GM（1,1）模型检验
• 4.1.4 数据结果分析
• 4.2 灰色关联分析
• 4.2.1 灰色关联模型的建立
• 4.2.2 数据结果分析
• 4.3 聚类分析
• 4.3.1 聚类分析的基本概念
• 4.3.2 分层聚类模型的建立
• 4.3.3 数据结果分析
• 4.4 因子分析
• 4.4.1 因子分析的基本概念
• 4.4.2 因子分析模型的建立
• 4.4.3 数据分析
• 5 结论
• 6 结语
• 致谢
• 参考文献
• 附件
• 攻读学位期间取得的研究成果
• 承诺书