版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
第六章因子分析1第1節(jié)因子分析概述一、因子分析的意義
1、實(shí)際研究中,考察的多個(gè)變量可能存在一些問(wèn)題:(1)分析的復(fù)雜性:變量較多雖然可以提供更豐富的信息,但也會(huì)大大增加分析問(wèn)題的復(fù)雜性和難度。(2)變量間的相關(guān)性:變量間信息的高度重疊(高度相關(guān))會(huì)影響分析結(jié)果。如果直接地削減變量的個(gè)數(shù),會(huì)導(dǎo)致信息丟失和不完整等問(wèn)題。
2、因子分析:以最少的信息丟失為前提,將眾多的原有變量綜合成較少的幾個(gè)綜合指標(biāo)(稱為因子),從而降低變量的維數(shù)。
3、因子分析的特點(diǎn):(1)因子個(gè)數(shù)大大少于原有變量的個(gè)數(shù)。(2)因子能夠反映原有變量絕大部分的信息。(3)因子之間的線性關(guān)系不顯著。(4)因子具有命名解釋性。二、因子分析的數(shù)學(xué)模型和相關(guān)概念
1、因子分析的核心:用較少的、相互獨(dú)立的因子反映原有變量的絕大部分信息。因子分析的數(shù)學(xué)模型:設(shè)有p個(gè)變量,每個(gè)變量的均值為0,標(biāo)準(zhǔn)差為1。將每個(gè)原有變量用k個(gè)(k<p)因子f1,f2,…,fk
的線性組合表示,即獨(dú)特因子公共因子
也可用矩陣形式表示:X=AF+ε,其中,F(xiàn)稱為因子。由于它們出現(xiàn)在每個(gè)原有變量的線性表達(dá)式中,因此也稱為公共因子。
因子可以理解為高維空間中相互垂直的k個(gè)坐標(biāo)軸,矩陣A稱為因子載荷矩陣,載荷矩陣的元素amn(m=1,2,…,p;n=1,2,…,k)稱為因子載荷,是第m個(gè)原有變量在第n個(gè)因子上的載荷。如果把變量xm看作k維空間中的一個(gè)向量,則amn表示fn在坐標(biāo)軸上的投影,它相當(dāng)于多元回歸分析中的標(biāo)準(zhǔn)化回歸系數(shù)。稱為特殊因子,表示原有變量不能被因子解釋的部分,其均值為0,相當(dāng)于多元回歸分析中的殘差項(xiàng)。
2、因子分析的相關(guān)概念:(1)因子載荷:在因子不相關(guān)的前提下,因子載荷是變量與因子的相關(guān)系數(shù)。它反映了因子對(duì)解釋變量的重要程度。(2)變量共同度:即公共方差,變量的共同度是因子載荷矩陣中第m行元素的平方和:在變量標(biāo)準(zhǔn)化時(shí),由于變量的方差可以表示為,因此原有變量的方差可由兩部分解釋:一部分為變量的共同度,是全部因子對(duì)變量的方差解釋說(shuō)明的比例;另一部分為特殊因子的平方,是全部因子對(duì)變量的方差不能解釋說(shuō)明的比例。越大,或者說(shuō)越小,說(shuō)明變量的信息丟失越小。變量的共同度是評(píng)價(jià)變量信息丟失程度的重要指標(biāo)。
(3)因子的方差貢獻(xiàn):因子的方差貢獻(xiàn)是因子載荷矩陣第n列元素的平方和:因子的方差貢獻(xiàn)反映了因子對(duì)原有變量總方差的解釋能力,該值越高,說(shuō)明相應(yīng)的因子越重要。因子的方差貢獻(xiàn)和方差貢獻(xiàn)率是衡量因子重要性的關(guān)鍵指標(biāo)。
9尋找基本結(jié)構(gòu)
在多元統(tǒng)計(jì)中,經(jīng)常遇到諸多變量之間存在強(qiáng)相關(guān)的問(wèn)題,它會(huì)對(duì)分析帶來(lái)許多困難。通過(guò)因子分析,可以找出幾個(gè)較少的有實(shí)際意義的因子,反映出原來(lái)數(shù)據(jù)的基本結(jié)構(gòu)。
例如:調(diào)查汽車配件的價(jià)格中,通過(guò)因子分析從20個(gè)指標(biāo)中概括出原材料供應(yīng)商、配件廠商、新進(jìn)入者、后市場(chǎng)零部件廠商、整車廠和消費(fèi)者6個(gè)基本指標(biāo)。從而找出對(duì)企業(yè)配件價(jià)格起決定性作用的幾個(gè)指標(biāo)。10數(shù)據(jù)化簡(jiǎn)
通過(guò)因子分析,可以找出少數(shù)的幾個(gè)因子來(lái)代替原來(lái)的變量做回歸分析、聚類分析、判別分析等。
11
主成分分析:通過(guò)對(duì)一組變量的幾個(gè)線性組合來(lái)解釋這組變量的方差和協(xié)方差結(jié)構(gòu),以達(dá)到數(shù)據(jù)的壓縮和數(shù)據(jù)的解釋的目的。
若有一些指標(biāo)
,取綜合指標(biāo)即它們的線性組合F,當(dāng)然有很多,我們希望線性組合F包含很多的信息,即var(F)最大,這樣得到F記為F1,然后再找F2,F1與
F2無(wú)關(guān),以此類推,我們找到了一組綜合變量
F1,F2,…,Fm,這組變量基本包含了原來(lái)變量的所有信息。
主成分分析與因子分析的區(qū)別12主成分分析的數(shù)學(xué)模型13主成分分析與因子分析公式上的區(qū)別因子分析(m<p)主成分分析14第2節(jié)因子分析的基本內(nèi)容一、考察變量是否適合進(jìn)行因子分析
1、因子分析的目的是從眾多的原有變量中綜合出少數(shù)具有代表性的因子,因此它要求原有變量之間應(yīng)存在較強(qiáng)的相關(guān)關(guān)系。
2、變量相關(guān)程度的度量指標(biāo):先將變量標(biāo)準(zhǔn)化(1)相關(guān)系數(shù)矩陣:計(jì)算簡(jiǎn)單相關(guān)系數(shù),如果大部分相關(guān)系數(shù)值均小于0.3(即為弱相關(guān)),那么原則上這些變量是不適合進(jìn)行因子分析的。(2)反映像矩陣:主要包括反映像協(xié)方差矩陣和反映像相關(guān)系數(shù)矩陣。反映像相關(guān)系數(shù)矩陣對(duì)角線上的元素為對(duì)應(yīng)變量的MSA(MeasureofSamplingAdequacy)統(tǒng)計(jì)量:
是變量與的簡(jiǎn)單相關(guān)系數(shù),是變量與在控制了剩余變量下的偏相關(guān)系數(shù)。如果反映像相關(guān)矩陣對(duì)角線上的元素(即MSA)的絕對(duì)值接近于1,其他值均較小,說(shuō)明這些變量的相關(guān)性較強(qiáng),適合進(jìn)行因子分析。(3)巴特利特球度檢驗(yàn)(Bartlett’sTestofSphericity):零假設(shè):相關(guān)系數(shù)矩陣是單位陣。巴特利特球度檢驗(yàn)統(tǒng)計(jì)量近似服從分布。如果該統(tǒng)計(jì)量的觀測(cè)值比較大,對(duì)應(yīng)的P值小于給定的顯著性水平,則拒絕零假設(shè),認(rèn)為相關(guān)系數(shù)矩陣不大可能是單位陣,即原有變量適合進(jìn)行因子分析。
(4)KMO(Kaiser-Meyer-Olkin)檢驗(yàn)。KMO統(tǒng)計(jì)量用于檢驗(yàn)變量間的偏相關(guān)性是否足夠小,是簡(jiǎn)單相關(guān)量和偏相關(guān)量的一個(gè)相對(duì)指數(shù),由下式求得:KMO>0.9非常適合0.8<KMO<0.9適合0.7<KMO<0.8一般0.6<KMO<0.7不太適合KMO<0.5不適合18
簡(jiǎn)單相關(guān)系數(shù)
相關(guān)系數(shù):表示兩要素之間的相關(guān)程度的統(tǒng)計(jì)指標(biāo)。
對(duì)于兩個(gè)要素x與y,如果它們的樣本值分別為xi與yi(i=1,2,...,n),它們之間的相關(guān)系數(shù):19偏相關(guān)系數(shù)在多要素構(gòu)成的系統(tǒng)中,當(dāng)研究某一個(gè)要素對(duì)另一個(gè)要素的影響或相關(guān)程度時(shí),把其它要素的影響視為常數(shù),而單獨(dú)研究?jī)蓚€(gè)要素之間的相互關(guān)系的密切程度時(shí),稱為偏相關(guān)。用以度量偏相關(guān)程度的統(tǒng)計(jì)量,稱為偏相關(guān)系數(shù)。一級(jí)偏相關(guān)系數(shù):假設(shè)有三個(gè)要素x1、x2、x3,它們之間的偏相關(guān)系數(shù)共有三個(gè),即r12.3,r13.2,r23.1其計(jì)算公式分別如下:20r12.3,r13.2,r23.1又稱為一級(jí)偏相關(guān)系數(shù)21二級(jí)偏相關(guān)系數(shù):若有四個(gè)要素x1、x2、x3和x4,則有六個(gè)偏相關(guān)系數(shù),即r12.34,r13.24,r14.23,r23.14,r24.13,r34.12,稱為二級(jí)偏相關(guān)系數(shù),計(jì)算公式如下:22二、因子提取和因子載荷矩陣的求解
1、因子分析的關(guān)鍵:根據(jù)樣本數(shù)據(jù)求解因子載荷矩陣。因子載荷矩陣的求解方法主要有:主成分法、主軸因子法、最大似然法、最小二乘法、因子提取法和映像因子法等。其中,主成分法使用最廣泛,它能夠?yàn)橐蜃臃治鎏峁┏跏冀?,因子分析是主成分分析結(jié)果的延伸和拓展。
2、主成分分析法通過(guò)坐標(biāo)變換的方法將原有的p個(gè)相關(guān)變量標(biāo)準(zhǔn)化,再進(jìn)行線性組合轉(zhuǎn)換成另一組不相關(guān)的變量,于是有:其中,(1)求解系數(shù)矩陣的原則:
①Fm與Fn(m≠n)不相關(guān)。②F1是原有變量x1,x2,…,xp
的一切線性組合中方差最大的,F(xiàn)2是與F1不相關(guān)的原有變量的一切線性組合中方差最大的,……,F(xiàn)p是與F1,F2,…,Fp-1都不相關(guān)的原有變量的一切線性組合中方差最大的。綜合變量F1,F1,…,Fp依次稱為原有變量的第1個(gè)、第2個(gè)、…、第p個(gè)主成分。它們綜合原有變量的能力是依次遞減的。由于umn為隨機(jī)向量X的相關(guān)矩陣的特征值對(duì)應(yīng)的特征向量的分量,特征向量之間彼此正交,實(shí)際上從X到F的轉(zhuǎn)換關(guān)系是可逆的,即:我們只保留前k個(gè)主成分,把后面的用代替,即:(2)主成分分析法的步驟:①將原有變量的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。②根據(jù)變量特性選擇計(jì)算相關(guān)矩陣還是協(xié)方差矩陣。由于變量標(biāo)準(zhǔn)化會(huì)抹殺一部分重要信息,所以對(duì)同度量或同數(shù)量級(jí)的數(shù)據(jù),直接從協(xié)方差矩陣求解主成分為宜。建議實(shí)際研究中從不同角度出發(fā)求解主成分并研究其結(jié)果的差異。③求相關(guān)矩陣或協(xié)方差矩陣的特征根及對(duì)應(yīng)的特征向量然后計(jì)算,即得各個(gè)主成分。通常我們只需要用前幾個(gè)主成分,這幾個(gè)主成分即為所求的初始因子。
3、求原有變量的因子載荷矩陣(成分矩陣)。確定提取因子數(shù)的兩個(gè)方法:(1)根據(jù)特征根大小確定因子數(shù):一般取特征根大于1的因子。(2)根據(jù)累計(jì)方差貢獻(xiàn)率確定因子數(shù):通常選取累計(jì)方差貢獻(xiàn)率大于0.80時(shí)的特征根個(gè)數(shù)為因子個(gè)數(shù)。很多人習(xí)慣使用方法(1),但它缺乏完善的理論支持,大多數(shù)情況是使用方法二。
在提取因子的過(guò)程中涉及下列名詞,現(xiàn)分別說(shuō)明:30(1)特征值
特征值是指每個(gè)變量在某一公共因子上的因子負(fù)荷的平方總和,又叫特征根。在因子分析的公共因子提取中,特征值最大的公共因子會(huì)最先被提取,最后提取特征值最小的公共因子。因子分析的目的就是使因子維度簡(jiǎn)單化,希望以最小的公共因子能對(duì)總變異量作最大的解釋,因而提取的因素愈少愈好,而提取因子之累積解釋的變異量則愈大愈好。31
每個(gè)公共因子對(duì)原始數(shù)據(jù)的解釋能力,可以用該因子所解釋的總方差來(lái)衡量,通常稱為該因子的貢獻(xiàn)率,它等于和該因子有關(guān)的因子負(fù)荷的平方和,實(shí)際中常用相對(duì)指標(biāo)來(lái)表示。相對(duì)指標(biāo)體現(xiàn)公共因子的相對(duì)重要性,即每個(gè)公共因子所解釋的方差占所有變量總方差的比例。(2)因子的貢獻(xiàn)率32三、因子旋轉(zhuǎn)使因子具有命名可解釋性
1、因子載荷矩陣第m行多個(gè)列上元素的絕對(duì)值都較大(通常大于0.5),則表明原有變量與多個(gè)因子同時(shí)具有較強(qiáng)的相關(guān)關(guān)系。通過(guò)因子旋轉(zhuǎn)可以使一個(gè)變量只在盡可能少的因子上具有比較高的載荷,因子的含義就變清楚了。
2、因子矩陣旋轉(zhuǎn):將因子載荷矩陣右乘一個(gè)正交矩陣,得到一個(gè)新矩陣。它不影響原有變量的共同度,但會(huì)改變因子的方差貢獻(xiàn),即會(huì)重新分配各因子解釋原有變量方差的比例,使因子更易于理解。
(1)正交旋轉(zhuǎn):坐標(biāo)軸在旋轉(zhuǎn)過(guò)程中始終保持垂直,新生成的因子保持不相關(guān)。正交旋轉(zhuǎn)方法主要有:四次方最大法(Quartimax)、方差最大法(Varimax)和等量最大法(Equamax)等,方差最大法使用較多。(2)斜交旋轉(zhuǎn):坐標(biāo)軸可以是任意角度的,新生成的因子不能保證不相關(guān)。
使因子具有命名可解釋性方面,斜交旋轉(zhuǎn)通常優(yōu)于正交旋轉(zhuǎn),但卻以不能保持因子的不相關(guān)性為代價(jià)。因此,一般選擇正交旋轉(zhuǎn)方法。
四、計(jì)算因子得分
1、因子得分(即標(biāo)準(zhǔn)化主成分)是因子分析的最終體現(xiàn)。計(jì)算因子得分的方法:回歸法、Bartlett法和Anderson-Rubin法。
2、計(jì)算因子得分是用原有變量描述因子:
因?yàn)樵甲兞亢凸惨蜃泳鶠闃?biāo)準(zhǔn)化變量,因此回歸模型中不存在常數(shù)項(xiàng)。
因子分析的對(duì)話框介紹在FactorAnalysis對(duì)話框中,左邊較大的矩形框是源變量框,右邊“Variables”框?yàn)檫x入分析的變量框36各變量的基本統(tǒng)計(jì)量(包括均數(shù),標(biāo)準(zhǔn)差和樣本量)因子分析的初始解(包括原變量的公因子方差,與變量數(shù)目相同的因子,各因子的特征值及其所占總方差的百分比和累計(jì)百分比)相關(guān)系數(shù)矩陣相關(guān)系數(shù)矩陣單側(cè)檢驗(yàn)的概率值相關(guān)系數(shù)矩陣的行列式KMO和巴特利球型檢驗(yàn)相關(guān)系數(shù)矩陣的逆矩陣反映象協(xié)方差陣和相關(guān)陣再生相關(guān)陣(給出因子分析后的相關(guān)陣及其殘差,下三角為再生相關(guān)陣,上三角為殘差,即再生相關(guān)系數(shù)與原始相關(guān)系數(shù)之差)Descriptives按鈕37“Analyze”指定提取因子的依據(jù):Correlationmatrix:相關(guān)系數(shù)矩陣(系統(tǒng)默認(rèn),當(dāng)原有變量存在數(shù)量級(jí)的差異時(shí),通常選擇該選項(xiàng))Covariancematrix:協(xié)方差矩陣“Extract”提取標(biāo)準(zhǔn):Eigenvalusover:以特征值大于某數(shù)值為提取標(biāo)準(zhǔn)Numberoffactors:自定義提取因子的數(shù)量(正整數(shù))“Display”輸出內(nèi)容:Unrotatedfactorsolution:未旋轉(zhuǎn)的因子負(fù)荷陣Screeplot:碎石圖(以特征值大小排列的原始變量序號(hào)為橫軸,特征值為縱軸的加連線的散點(diǎn)圖)MaximumIterationsforConvergence:最大迭代次數(shù)(正整數(shù)),系統(tǒng)默認(rèn)25次Extraction按鈕38Rotation按鈕“Mothod”因子旋轉(zhuǎn)方法:正交法None:不旋轉(zhuǎn)(系統(tǒng)默認(rèn))Varimax:最大方差旋轉(zhuǎn)法Quartimax:四次方最大正交旋轉(zhuǎn)法Equamax:平均正交旋轉(zhuǎn)法“Display”輸出內(nèi)容:Rotatedsolution:旋轉(zhuǎn)后的因子負(fù)荷矩陣Loading
plot(s):旋轉(zhuǎn)后的因子負(fù)荷散點(diǎn)圖斜交法DirectOblimin:最大斜交旋轉(zhuǎn)法,選此項(xiàng),下方的Delta框被激活,可填入小等于0.8的值,系統(tǒng)默認(rèn)0,即產(chǎn)生最高相關(guān)因子。Promax:斜交旋轉(zhuǎn)法,選此項(xiàng),下方的Kappa框被激活,系統(tǒng)默認(rèn)4。該法允許因子間相關(guān),遠(yuǎn)較最大斜交旋轉(zhuǎn)法計(jì)算速度快,適于大型數(shù)據(jù)處理。
-----------------------------------------------------------------------39FactorScores按鈕“Method”求因子得分方法:Regression:回歸法(系統(tǒng)默認(rèn))Bartlett:Bartlett法Anderson-Rubin:Anderson-Rubin法Displayfactorscorecoefficientmatrix:輸出因子得分系數(shù)矩陣40Option按鈕“MissingValues”缺失值處理:Excludecaseslistwise:剔除含有缺失值的所有觀察單位(系統(tǒng)默認(rèn))Excludecasespairwise:剔除各對(duì)變量中含有缺失值的觀察單位Replacewithmean:用各變量的均值替代缺失值“CoefficientDisplayFormat”因子矩陣的輸出格式:Sortedbysize:按因子系數(shù)由大到小排列Suppressabsolutevalueslessthan:只列出大于某一數(shù)值的因子系數(shù)(系統(tǒng)默認(rèn)0.1)41第3節(jié)案例分析案例X1:每萬(wàn)人中等職業(yè)教育在校生數(shù)X2:每萬(wàn)人中等職業(yè)教育招生數(shù)X3:每萬(wàn)人中等職業(yè)教育畢業(yè)生數(shù)X4:每萬(wàn)人中等職業(yè)教育專任教師數(shù)X5:本科以上學(xué)校教師占專任教師的比例X6:高級(jí)教師占專任教師的比例X7:學(xué)校平均在校生人數(shù)X8:國(guó)家財(cái)政預(yù)算中等職業(yè)教育經(jīng)費(fèi)占國(guó)內(nèi)生產(chǎn)總值的比例X9:生均教育經(jīng)費(fèi)
對(duì)北京18個(gè)區(qū)縣中等職業(yè)教育發(fā)展水平的9個(gè)指標(biāo)進(jìn)行因子分析,然后進(jìn)行綜合評(píng)價(jià)。數(shù)據(jù)如有表所示,9個(gè)指標(biāo)分別表示如下含義:42操作步驟定義變量:變量“qx”為字符型變量,表示區(qū)縣;變量x1,x2,…,x9均為數(shù)值型變量,表示中等教育發(fā)展水平的狀況。
3.從左側(cè)的變量列表中選擇x1,x2,…,x9變量進(jìn)入“Variables”框中。
43444546結(jié)果分析上表顯示原有變量的相關(guān)系數(shù)矩陣及其檢驗(yàn)??梢钥吹?,大部分的相關(guān)系數(shù)都較高(大于0.3,單邊檢驗(yàn)值小于0.05),各變量呈較高的線性關(guān)系,能夠從中提取公共因子,適合進(jìn)行因子分析。大部分的相關(guān)系數(shù)值大于0.3大部分的檢驗(yàn)值小于0.0547
巴特利球形檢驗(yàn)統(tǒng)計(jì)量為131.051,相應(yīng)的概率Sig為0.000,因此可認(rèn)為相關(guān)系數(shù)矩陣與單位陣有顯著差異。同時(shí),KMO值為0.762,根據(jù)Kaiser給出的KMO度量標(biāo)準(zhǔn)可知原有變量適合作因子分析。48
右表是因子分析的初始解,顯示了所有變量的共同方差數(shù)據(jù)。“Initial”列是因子分析初始解下的變量共同方差。它表示,對(duì)原有9個(gè)變量如果采用主成分分析方法提取所有特征值(9個(gè)),那么原有變量的所有方差都可被解釋,變量的共同方差均為1(原有變量標(biāo)準(zhǔn)化后的方差為1)?!癊xtraction”列是在按指定提取條件(本例提取3個(gè)因子)提取特征值時(shí)的共同方差??梢钥吹剑凶兞康墓餐讲罹^高,各個(gè)變量的信息丟失都較少。因此本次因子分析提取的總體效果較理想49上表中,第一列是因子編號(hào),以后三列組成一組,每組中數(shù)據(jù)項(xiàng)的含義依次是特征根值,方差貢獻(xiàn)率和累計(jì)方差貢獻(xiàn)率。
第一組數(shù)據(jù)項(xiàng)描述了因子初始解的情況??煽吹?,第1個(gè)因子的特征值是4.975,解釋原有9個(gè)變量總方差的
55.275%(4.975÷9×100),累計(jì)方差貢獻(xiàn)率為55.275%;其余數(shù)據(jù)含義類似。
第二組數(shù)據(jù)項(xiàng)描述了因子解的情況??煽吹?,由于指定提取3個(gè)因子,3個(gè)因子共解釋了原有變量總方差的84.466%??傮w上,3個(gè)因子反映了原有變量的大部分信息,因子分析效果較理想。第三組數(shù)據(jù)描述了經(jīng)過(guò)旋轉(zhuǎn)后最終因子解的情況??梢?jiàn),因子旋轉(zhuǎn)后累計(jì)方差比沒(méi)有改變,但重新分配了
各個(gè)因子解釋原有變量的方差,改變了各個(gè)因子的方差貢獻(xiàn),使得因子更易于解釋。50右圖中,橫坐標(biāo)為因子數(shù)目,縱坐標(biāo)為特征值??梢?jiàn),第1個(gè)因子的特征值很高,對(duì)解釋原有變量的貢獻(xiàn)最大;第4個(gè)以后的因子特征值都較小,對(duì)解釋原有變量的貢獻(xiàn)很小,已經(jīng)成為可被忽略的“高山腳下的碎石”,因此提取3個(gè)因子是適合的。3個(gè)主要因子51
從表中可以看到,9個(gè)變量在第1個(gè)因子上的負(fù)荷都很高,意味著它
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫(kù)網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 2024-2030年中國(guó)無(wú)機(jī)礦物涂料行業(yè)競(jìng)爭(zhēng)格局展望及投資策略分析報(bào)告
- 設(shè)備交貨期保障措施
- 員工聘用協(xié)議書(shū)2023
- 個(gè)人租房的合同協(xié)議書(shū)范本10篇
- 再婚離婚協(xié)議書(shū)2025年
- 重癥肌無(wú)力樣綜合征病因介紹
- T-CIECCPA 011-2024 高雜貴金屬冶煉渣資源化處理技術(shù)規(guī)范
- 中考?xì)v史復(fù)習(xí)第一部分教材知識(shí)速查模塊2中國(guó)近代史第1講列強(qiáng)的侵略與中國(guó)人民的抗?fàn)幑_(kāi)課一等獎(jiǎng)省
- (2024)汽車內(nèi)飾用品項(xiàng)目可行性研究報(bào)告寫(xiě)作范本(一)
- 2023年金屬門窗及類似制品項(xiàng)目融資計(jì)劃書(shū)
- 【MOOC】工程力學(xué)-浙江大學(xué) 中國(guó)大學(xué)慕課MOOC答案
- 餐飲服務(wù)電子教案 學(xué)習(xí)任務(wù)4 擺臺(tái)技能(2)-中餐宴會(huì)擺臺(tái)
- 人教鄂教版五年級(jí)上冊(cè)科學(xué)復(fù)習(xí)資料
- 2024年政府采購(gòu)評(píng)審專家考試題庫(kù)含答案
- 工會(huì)十八大精神、工會(huì)法知識(shí)考試題庫(kù)及答案
- 新質(zhì)生產(chǎn)力-講解課件
- (2024年)診療規(guī)范培訓(xùn)課件
- 場(chǎng)記單(標(biāo)準(zhǔn)模板)
- 鉛粉制造工藝介紹
- 水利水電工程單位分部工程施工質(zhì)量評(píng)定表(完整版)
- 往復(fù)壓縮機(jī)填料函結(jié)構(gòu)及原理課件講解
評(píng)論
0/150
提交評(píng)論