L666855的博客

最新秋招信息汇总（持续更新） 央国企、私企、外企 职业人格测试、简历制作（如何打动面试官）、信息表格汇总（持续更新）

数据指标内容： 水环境-各省资源情况-水资源总量_亿立方米 水环境-各省资源情况-地表水资源量_亿立方米 水环境-各省资源情况-地下水资源量_亿立方米 水环境-各省资源情况-地表水与地下水资源重复量_亿立方米 水环境-各省资源情况-降水量_亿立方米 水环境-各省资源情况-人均水资源量_立方米/人 水环境-各省节水灌溉面积-节水灌溉面积合计_千公顷 水环境-各省节水灌溉面积-节水灌溉面积合计-喷滴灌溉面积_千公顷 水环境-各省节水灌溉面积-节水灌溉面积合计-微灌溉面积_千公顷 水环境-各省节水灌溉面积-节水灌溉面积合计-低压管灌溉面积_千公顷 水环境-各省节水灌溉面积-节水灌溉面积合计-渠道防渗灌溉面积_千公顷 水环境-各省节水灌溉面积-节水灌溉面积合计-其他节水灌溉面积_千公顷 水环境-各省供水和用水情况-供水总量_亿立方米 水环境-各省供水和用水情况-供水总量-地表水_亿立方米 水环境-各省供水和用水情况-供水总量-地下水_亿立方米 水环境-各省供水和用水情况-供水总量-其他_亿立方米 水环境-各省供水和用水情况-用水总量_亿立方米等

数据指标内容 省份 年份 废水排放总量（万吨） 废气中二氧化硫排放量（万吨） 一般工业固体废物产生量（万吨） 环境污染综合指数（熵值法）

2024年华为杯研赛D题-完整数据＋python代码+matlab代码+word+优秀论文合集，非常全面

python-双重机器学习（Double Machine Learning, DML）是一种结合了机器学习和因果推断的统计方法，它在经济管理领域有着广泛的应用。这种方法特别适用于处理高维数据和复杂的非线性关系，同时能够提供无偏的参数估计。在经济管理领域，DML 可以用于估计政策效果、市场反应、消费者行为等。例如，研究者可以使用 DML 来评估某一政策变化对经济指标的影响，或者分析市场干预措施对消费者购买行为的改变。DML 通过正交化技术解决了传统机器学习在因果推断中的偏差问题，使得研究者能够在控制混淆变量的同时，准确地估计出核心参数。 本数据以一个双重机器学习的案例展开，展示了双重机器学习的使用方法。

【最新2023｜秒发】31个省级常用控制变量数据 常见变量 省级面板数据 不是地级市！ [灯泡]数据说明：10个常见控制变量，每个文件包含原始数据、数据来源以及构建的控制变量面板数据 附控制变量的衡量方式excel版以及合并后的控制变量、stata面板数据格式（[火]可直接用于实证分析），方便使用 序号 年份 变量名称 衡量方式 1 2000-2023年 税负水平 税收收入/地区生产总值 2 2000-2023年 财政支持力度 财政一般预算支出/地区生产总值 3 2000-2023年 经济发展水平 人均 GDP（元/人） 4 2000-2023年 社会消费水平 社会消费品零售总额/地区生产总值 5 2000-2023年 城镇化水平 城镇人口/总人口 6 2000-2023年 产业结构高级化 第三产业产值/第二产业产值 7 2000-2023年 产业结构高度化 第一产业增加值占GDP比重*1+第二产业增加值占GDP比重*2+第三产业增加值占GDP比重*3 8 2003-2023年 金融发展水平 金融机构贷款余额与GDP的比值 金融机构存贷

部分数据指标如下 地区生产总值(亿元) 地区生产总值－第一产业(亿元) 地区生产总值－第二产业(亿元) 地区生产总值－工业(亿元) 地区生产总值－建筑业(亿元) 地区生产总值－第三产业(亿元) 地区生产总值－交通运输、仓储和邮政业(亿元) 地区生产总值－批发和零售业(亿元) 地区生产总值－住宿和餐饮业(亿元) 地区生产总值－金融业(亿元) 地区生产总值－房地产业(亿元) 地区生产总值－其他服务业(亿元) 第一产业占GDP比重(%)(没有单位) 第二产业占GDP比重(%)(没有单位) 第三产业占GDP比重(%)(没有单位) 人均地区生产总值(元) 地区生产总值指数（上年＝100）(没有单位) 地区生产总值指数－第一产业（上年＝100）(没有单位) 地区生产总值指数－第二产业（上年＝100）(没有单位) 地区生产总值指数－第三产业（上年＝100）(没有单位) 分配法地区生产总值(亿元) 劳动者报酬(亿元) 固定资产折旧(亿元) 生产税净额(亿元) 营业盈余(亿元) 支出法地区生产总值(亿元) 最终消费支出(亿元) 资本形成总额(亿元) 固定资本形成总额(亿元)

数据指标目录如下： 行政区划代码 年份 人均地区生产总值(元) 地区生产总值(万元) 第一产业增加值占GDP比重(百分比) 第三产业增加值占GDP比重(百分比) 第二产业增加值占GDP比重(百分比) 人口密度(人／平方公里) 出生人口(人) 年平均人口(万人) 年末总人口数(万人) 死亡人口(人) 人口自然增长率(千分比) 非农业人口数(万人) 交通仓储邮电业从业人员数(万人) 交通仓储邮电通信业从业人员数(万人) 从业人员年平均人数(万人) 住宿餐饮业从业人员数(万人) 信息传输、计算机服务和软件业从业人员数(万人) 公共管理和社会组织从业人员数(万人) 农林牧渔业从业人员数(万人) 制造业从业人员数(万人) 卫生、社会保险和社会福利业从业人员数(万人) 卫生体育社会福利业从业人员数(万人) 城镇私营和个体从业人员数(人) 居民服务和其他服务业从业人员数(万人) 年末单位从业人员数(万人) 建筑业从业人员数(万人) 房地产业从业人员数(万人) 批发零售贸易业从业人员数(万人) 批发零售贸易餐饮业从业人员数(万人) 教育业从业人员数(万人)

主成分分析stata代码步骤： 第一步，对原来的p个指标进行标准化，以消除变量在数量级或量纲上的影响。 第二步，根据标准化的数据矩阵求出协方差或相关矩阵。 第三步，求出协方差矩阵的特征根和特征向量。 第四步，通过生成的表格信息，进行筛选是预测几个指标。如何筛选，根据以下特征根和累计贡献率 （1）特征根(Eigenvalue)： （2）累计贡献率(Cumulative): *第五步，KMO检验，该检验目的是看是否适合应用因子分析法，以下进行该检验讲解（张文彤等，2017） *第六步，碎石图检验，用于显示各因子的重要程度，以下进行该检验讲解（张文彤等，2017） *第七步，综合以上分析，进行预测 因子分析stata代码步骤： （1）因子载荷估计 （2）因子旋转 当因子估计的模型中的公共因子含义不清或没有合理解释时，可对因子载荷阵进行旋转，使因子载荷的结构简化，以便于对公共因子进行解释。其原理很像调节显微镜的焦点，以便看清楚观察物的细微之处。 （3）因子得分