SAS基于失業(yè)率的分析預(yù)測(cè)_數(shù)據(jù)分析師考試

失業(yè)率（UnemploymentRate）是指失業(yè)人口占勞動(dòng)人口的比率（一定時(shí)期全部就業(yè)人口中有工作意愿而仍未有工作的勞動(dòng)力數(shù)字），旨在衡量閑置中的勞動(dòng)產(chǎn)能，是反映一個(gè)國(guó)家或地區(qū)失業(yè)狀況的主要指標(biāo)。通過(guò)對(duì)歷年各國(guó)和地區(qū)的失業(yè)率數(shù)據(jù) 行分析，我們可以對(duì)全世界在這幾十年的經(jīng)濟(jì)波動(dòng)情況有個(gè)大致的了解，同時(shí)我們對(duì)世界幾個(gè)大國(guó)的失業(yè)情況進(jìn)行了模型擬合，最后我們還探究了中國(guó)從改革開(kāi)放到2010年這30年的失業(yè)率的波動(dòng)與通脹率的關(guān)系。

        PART ONE——聚類(lèi)分析
        代碼如下：
                libname ep ‘e:\saslx’;

                proc import out=ep.saswork

                datafile=”e:\saslx\saswork.xls”

                dbms=excel replace;

                sheet=”sheet1$”;

                getnames=yes;

                run;

                proc print;

                id country;

                run;

                data s1;

                input coun$1-10 year91 year92 year93 year94 year95 year96 year97 year98 year99 year00 year01 year02 year03 year04 year05 year06 year07 year08 year09 year10 ;

                datalines;

                中國(guó)        2.3 2.3 2.6 2.8 2.9 3 3.1 3.1 3.1 3.1 3.6 4 4.3 4.2 4.2 4.1 4.0 4.2 4.3 4.1

                中國(guó)香港    1.8 2 2 1.9 3.2 2.8 2.2 4.7 6.2 4.9 5.1 7.3 7.9 6.8 5.6 4.8 4.0 3.6 5.2 4.3

                中國(guó)澳門(mén)    3 2.2 2.1 2.5 3.6 4.3 3.2 4.6 6.3 6.8 6.4 6.3 6 4.9 4.1 3.8 3.1 3.0 3.6 2.8

                澳大利亞    9.6 10.5 10.7 9.5 8.4 8.3 8.4 7.8 7 6.4 6.8 6.4 5.9 5.5 5 4.8 4.4 4.2 5.6 5.2

                奧地利       3.5 3.7 4.3 3.6 3.7 4.1 4.2 4.2 3.8 3.6 3.6 4 4.3 4.9 5.2 4.7 4.4 3.8 4.8 4.4

                保加利亞    11.1 15.3 21.4 20 15.7 13.5 13.7 12.2 14.1 16.3 19.4 17.6 13.7 12 10.1 9 6.9 5.6 6.8 10.2

                加拿大     10.4 11.3 11.2 10.4 9.5 9.6 9.1 8.3 7.6 6.8 7.2 7.7 7.6 7.2 6.8 6.3 6.0 6.1 8.3 8.0

                捷克      4.1 2.6 4.3 4.3 4 3.9 4.8 6.5 8.7 8.8 8.1 7.3 7.8 8.3 7.9 7.1 5.3 4.4 6.7 7.3

                丹麥      10.6 11.3 12.4 8 7 6.9 6.1 5.5 5.5 4.6 4.8 4.7 5.5 5.6 5 4.1 4.0 3.4 6.0 7.4

                芬蘭      6.6 11.6 16.2 16.4 15.2 14.4 12.5 11.3 10.1 9.7 9.1 9.1 9 8.8 8.3 7.7 6.8 6.4 8.2 8.4

                法國(guó)      9 10 11.1 12.3 11.6 12.1 12.3 11.8 10 8.5 7.8 7.9 8.5 8.9 8.9 8.8 8.0 7.4 9.1 9.3

                德國(guó)      6.6 7.9 9.5 10.3 10.1 8.8 9.8 9.7 8.8 7.9 7.9 8.7 10 11 11.1 10.3 8.6 7.5 7.7 7.1

                希臘      7.7 8.7 9.7 9.6 10 10.3 10.3 10.8 11.9 11.2 10.4 9.9 9.3 10.2 9.6 8.8 8.1 7.2 9.5 12.5

                匈牙利     8.5 9.8 11.9 10.7 10.2 9.9 8.7 7.8 7 6.4 5.7 5.8 5.7 6.1 7.2 7.5 7.4 7.8 10.0 11.2

                冰島      2.5 4.3 5.3 5.3 4.9 3.7 3.9 2.7 2 2.3 2.3 3.3 3.4 3.1 2.6 2.9 2.3 3.0 7.2 7.6

                愛(ài)爾蘭     14.7 15.1 15.7 14.7 12.2 11.9 10.3 7.8 5.7 4.3 3.7 4.2 4.4 4.4 4.3 4 4.0 5.2 11.7 13.5

                以色列     10.6 11.2 10 7.8 6.9 6.7 7.7 8.5 8.9 8.8 9.4 10.3 10.7 10.4 9 8.4 7.3 6.1 7.6 6.6

                意大利     10.9 11.4 9.8 10.7 11.3 11.4 11.5 11.7 11.4 10.5 9.5 9 8.7 8 7.7 6.8 6.1 6.7 7.8 8.4

                日本      2.1 2.2 2.5 2.9 3.2 3.4 3.4 4.1 4.7 4.7 5 5.4 5.3 4.7 4.4 4.1 3.9 4.0 5.0 5.1

                韓國(guó)      2.3 2.4 2.8 2.4 2 2 2.6 6.8 6.3 4.4 4 3.3 3.6 3.7 3.7 3.5 3.2 3.2 3.6 3.7

                荷蘭      7 5.5 6.2 6.8 7.1 6.6 5.5 4.3 3.6 3.1 2.5 3.1 4 5 5.1 4.2 3.5 3.0 3.4 4.5

                新西蘭     10.3 10.3 9.5 8.1 6.3 6.1 6.6 7.5 7 6.1 5.4 5.3 4.8 4 3.8 3.8 3.7 4.2 6.1 6.5

                挪威      5.5 5.9 6 5.4 4.9 4.8 4 3.2 3.2 3.4 3.6 3.9 4.5 4.5 4.6 3.4 2.5 2.6 3.1 3.5

                菲律賓     9 8.6 8.9 8.4 8.4 7.4 7.9 9.8    9.8 11.2 11.1 11.4 11.4 11.8 7.8 8 7.3 7.4 7.5 7.3

                波蘭      11.8 13.6 14 14.4 13.3 12.3 11.2 10.5 13.9 16.1 18.2 19.9 19.6 19 17.7 13.8 9.6 7.1 8.2 9.6

                葡萄牙     4.1 4.1 5.4 6.7 7.1 7.2 6.7 4.9 4.4 3.9 4 5 6.3 6.7 7.6 7.7 8.0 7.6 9.5 10.8

                羅馬尼亞    3 8.2 10.4 8.2 8 6.7 6 6.3 6.8 7.1 6.6 8.4 7 8 7.2 7.3 6.4 5.8 6.9 7.3

                俄羅斯聯(lián)邦   0.1 5.2 5.9 8.1 9.5 9.7 11.8 13.3 12.6 9.8 8.9 7.9 8 7.8 7.2 7.2 6.1 6.3 8.4 7.5

                西班牙     16.4 18.4 22.6 24.1 22.9 22.1 20.6 18.6 15.6 13.9 10.6 11.5 11.5 11 9.2 8.5 8.3 11.3 18.0 20.1

                土耳其     8.1 8.3 8.8 8.4 7.5 6.5 6.7 6.8 7.7 6.5 8.4 10.3 10.5 10.3 10.3 9.9 10.3 11.0 14.0 11.9

                瑞典      3 5.2 8.2 8 7.7 8 8 6.5 5.6 4.7 4 4 4.9 5.5 6 5.4 6.1 6.2 8.3 8.4

                泰國(guó)      2.7 1.4 1.5 1.3 1.1 1.1 0.9 3.4 3 2.4 2.6 1.8 1.5 1.5 1.4 1.2 1.2 1.2 1.5 1.0

                英國(guó)      8.4 9.7 10.3 9.6 8.6 8.2 7.1 6.1 6 5.4 4.9 5 4.8 4.7 4.6 5.4 5.3 5.3 7.5 7.8

                美國(guó)      6.8 7.5 6.9 6.1 5.6 5.4 4.9 4.5 4.2 4 4.8 5.8 6 5.5 5.1 4.6 4.6 5.8 9.3 9.6

                委內(nèi)瑞拉    9.5 7.7 6.7 8.7 10.3 11.8 11.4 11.2 14.5 13.2 12.8 16.2 16.8 13.9 11.4 9.3 7.5 6.9 7.9 8.5

                run;

                proc cluster data =s1 method=average pseudo;

                id coun;

                proc tree;

                run;

        PST2偽t2值，在G=3和G=1處有峰值，由于最佳分類(lèi)為它上面一種，故表明它支持4分類(lèi)和2分類(lèi)。PSF偽F值，在G=2和G=4處較大，也支持前面的結(jié)論。

 

        倘若分為4類(lèi)，則有

        第一類(lèi)：中國(guó)、日本、奧地利、韓國(guó)、中國(guó)香港、中國(guó)澳門(mén)、冰島、荷蘭、挪威、泰國(guó)、捷克

        第二類(lèi)：澳大利亞、英國(guó)、丹麥、新西蘭、加拿大、匈牙利、葡萄牙、瑞典、美國(guó)、羅馬尼亞、芬蘭、法國(guó)、意大利、希臘、德國(guó)、以色列、菲律賓、土耳其、俄羅斯聯(lián)邦、愛(ài)爾蘭

        第三類(lèi)：保加利亞、波蘭、委內(nèi)瑞拉

        第四類(lèi)：西班牙

        失業(yè)率數(shù)字被視為一個(gè)反映整體經(jīng)濟(jì)狀況的指標(biāo)，而它又是每個(gè)月最先發(fā)表的經(jīng)濟(jì)數(shù)據(jù)，所以失業(yè)率指標(biāo)被稱(chēng)為所有經(jīng)濟(jì)指標(biāo)的“皇冠上的明珠”，它是市場(chǎng)上最為敏感的月度經(jīng)濟(jì)指標(biāo)。

        從第一類(lèi)分析出有許多亞洲國(guó)家都分為一類(lèi)，可見(jiàn)地域差異對(duì)于失業(yè)率還是有影響，也可以推測(cè)同一地域的經(jīng)濟(jì)狀況相似，因此失業(yè)率也比較相近；第一類(lèi)也參雜了少量歐洲國(guó)家。

        第二類(lèi)中全是發(fā)達(dá)國(guó)家，各自的所在大洲也不一樣，但是，從失業(yè)率也可以反映他們的國(guó)家經(jīng)濟(jì)情況變化在20年來(lái)應(yīng)該是相近的。

        第三類(lèi)是第二類(lèi)中未提及的歐洲發(fā)達(dá)國(guó)家與南美洲的一個(gè)國(guó)家合為一類(lèi)，這一點(diǎn)上是有些奇怪的。

        第四類(lèi)西班牙獨(dú)自為一類(lèi)，觀察數(shù)據(jù)發(fā)現(xiàn)，它的失業(yè)率一直以來(lái)居高不下，推測(cè)它可能一直都保持著這種水平，即經(jīng)濟(jì)也似乎是不會(huì)變動(dòng)太大的。

                proc fastclus data =s1 maxclusters=4 out=fcl;

                id coun;

                proc sort data=fcl out = sortfcl;

                by cluster;

                proc print data=sortfcl;

                run;

        用快速聚類(lèi)法也得到了同樣的分類(lèi)結(jié)果，推測(cè)針對(duì)這些國(guó)家，分為4類(lèi)確實(shí)比較適合。

        PART TWO——模型擬合

        我們想研究各國(guó)的失業(yè)率符合什么樣的模型，從而根據(jù)這個(gè)模型可以對(duì)失業(yè)率進(jìn)行分析和預(yù)測(cè)，最后，如果幾乎所有的國(guó)家的失業(yè)率都屬于同一種模型，那我們就可以推斷這是失業(yè)率隨著年份的一般發(fā)展規(guī)律。由于國(guó)家眾多，所以選取我們感興趣的一些國(guó)家來(lái)做。

        選取中國(guó)作為研究對(duì)象。

        先通過(guò)畫(huà)圖看應(yīng)該用哪種模型來(lái)擬合比較好。為了畫(huà)圖方便，把1991年看作是第一年，1992年看作是第二年，依次類(lèi)推，2010年看作是第二十年。

        從圖中可以發(fā)現(xiàn)圖形大致為S型。采用 logistic模型 。

 

        由圖中的結(jié)果可以看出，模型擬合的很好，可以大致認(rèn)為中國(guó)的失業(yè)率符合logistic模型?？赡茉蚴请S著90年年以后教育力度的加強(qiáng)，高素質(zhì)人才愈來(lái)愈多，導(dǎo)致失業(yè)率不斷上升，但是可能某一段時(shí)間的退休人數(shù)增加，加上國(guó)家的行業(yè)變得多樣化，企業(yè)數(shù)量增多，對(duì)人才的需求大，阻止了失業(yè)率的增長(zhǎng)速度，但是還不足以抵消。

        下面研究澳大利亞的失業(yè)率。

        很顯然，logistic模型不再滿足澳大利亞的失業(yè)率變化，試用指數(shù)模型擬合一下

 

        發(fā)現(xiàn)結(jié)果還比較讓人滿意。由于對(duì)澳大利亞的國(guó)情不是很了解，不知道為什么他們的失業(yè)率會(huì)逐年下降，不過(guò)可以肯定的是，他們的政府起了很大作用。

        再分析一下日本

        Logistic模型和指數(shù)模型多不再滿足，用三角函數(shù)來(lái)擬合

 

        模型的擬合結(jié)果還讓人滿意。據(jù)我所知，日本在六七十年代經(jīng)歷了經(jīng)濟(jì)的極端繁榮之后就開(kāi)始走下坡，特別是到了九十年代末二十一世紀(jì)初的時(shí)候，各行各業(yè)失業(yè)的情況十分嚴(yán)重，可能這后經(jīng)過(guò)一系列的經(jīng)濟(jì)調(diào)整，情況有所轉(zhuǎn)變，但是到了08年，受到全球經(jīng)濟(jì)危機(jī)的沖擊，失業(yè)率又上升了。

        從以上三個(gè)實(shí)例可以看出，失業(yè)率沒(méi)有符合某一具體模型，而是根據(jù)不同國(guó)家的不同情況而有所變化。

        PART THREE——中國(guó)失業(yè)率曲線分析

                data china;

                input y1980-y2010;

                datalines;

                4.9 3.8 3.2 2.3 1.9 1.8 2 2 2 2.6 2.5 2.3 2.3 2.6 2.8 2.9 3 3.1 3.1 3.1 3.1 3.6 4 4.3 4.2 4.2 4.1 4.0 4.2 4.3 4.1;

                proc transpose out=china(rename=(_name_=year col1=rate));

                run;

                proc gplot;

                plot rate*year;

                run;

 

        上圖所示為中國(guó)從改革開(kāi)放至今（1980年-2010年）各年的失業(yè)率。

        單從上圖曲線來(lái)看，可看出1980年的失業(yè)率較高，為4.9%，從1980年到1984年，失業(yè)率逐年降低，下降的速率也很快；1984年到1988年失業(yè)率呈現(xiàn)平穩(wěn)波動(dòng)；1988年到1989年間失業(yè)率陡增；1990年到2000年失業(yè)率呈現(xiàn)平緩上升的趨勢(shì)，2000年到2003年，失業(yè)率上升的速度加快；2003年到2010年失業(yè)率保持平穩(wěn)波動(dòng)。

        一般情況下，失業(yè)率下降，代表整體經(jīng)濟(jì)健康發(fā)展，利于貨幣升值；失業(yè)率上升，便代表經(jīng)濟(jì)發(fā)展放緩衰退，不利于貨幣升值。若將失業(yè)率配以同期的通脹指標(biāo)來(lái)分析，則可知當(dāng)時(shí)經(jīng)濟(jì)發(fā)展是否過(guò)熱，會(huì)否構(gòu)成加息的壓力，或是否需要通過(guò)減息以刺激經(jīng)濟(jì)的發(fā)展。

        通貨膨脹（Inflation）指在紙幣流通條件下，因貨幣供給大于貨幣實(shí)際需求，也即現(xiàn)實(shí)購(gòu)買(mǎi)力大于產(chǎn)出供給，導(dǎo)致貨幣貶值，而引起的一段時(shí)間內(nèi)物價(jià)持續(xù)而普遍地上漲現(xiàn)象。

                libname mywork ‘e:\sas\sas作業(yè)’;

                proc import out=rate

                datafile=’e:\SAS\通脹率.xls’

                dbms=excel replace;

                sheet=’sheet1$’;

                getnames=yes;

                run;

                proc gplot;

                plot _col1*_col0;

                run;

 

        上圖所示為改革開(kāi)放近30年來(lái)的通脹率曲線。

        下面我們對(duì)通脹率和失業(yè)率兩個(gè)圖進(jìn)行對(duì)比分析：

        1984年以前失業(yè)率的降低與通脹率似乎沒(méi)有多大關(guān)系，我認(rèn)為這主要是改革開(kāi)放的新政策極大促進(jìn)了就業(yè)。特殊政策的影響太大了。從1984年以后來(lái)分析失業(yè)率與通脹率的關(guān)系比較合理。

        從1984年到2000年，通脹率波動(dòng)很大，失業(yè)率也處于一種波動(dòng)狀態(tài)，通脹率開(kāi)始上升的一年內(nèi)，失業(yè)率有略微下降。通貨膨脹對(duì)刺激就業(yè)的作用是短期的，長(zhǎng)期來(lái)說(shuō)這種關(guān)系并不成立。而從兩個(gè)圖的對(duì)比中，我們也會(huì)發(fā)現(xiàn)，持續(xù)的通貨膨脹反而導(dǎo)致失業(yè)率上升。在經(jīng)濟(jì)學(xué)中，有這樣一個(gè)基本原理：社會(huì)面臨通貨膨脹與失業(yè)的短期權(quán)衡取舍。大多數(shù)經(jīng)濟(jì)學(xué)家認(rèn)為在貨幣注入的短期效應(yīng)會(huì)降低失業(yè)率。我們結(jié)合2000年到2009年這10年的數(shù)據(jù)來(lái)看，可看出政府在權(quán)衡取舍中，并沒(méi)有選擇通過(guò)發(fā)行過(guò)多貨幣來(lái)刺激就業(yè)，而是選擇了維持較低的通脹率，但這同時(shí)這就意味著失業(yè)情況無(wú)法從貨幣刺激這個(gè)方面得到改善。