專業(yè)主干課程設置評價模型的研究

1、專業(yè)主干課程設置評價模型的研究摘要本文在主干課程分析時，選取某專業(yè)主干課程的學生成績數(shù)據(jù)作為基本原始數(shù)據(jù)。建立可行的課程設置的評價分析模型。通過對所選取數(shù)據(jù)作為實例，進行經典統(tǒng)計理論中的因子分析；因子分析證明了培養(yǎng)目標的專業(yè)主干課程與教學期望基本一致，典型相關分析得到量化衡量因子，并由此通過課程之間的量化相關分析得到主干課程之間相互之間的聯(lián)系程度大小，同時證實在基礎課、專業(yè)基礎課和專業(yè)課程構建的課程體系中課程之間存在密不可分的聯(lián)系。這種量化的分析方法為專業(yè)課程設置提供了很好的決策方法支持。在模型結論評價中，建議有關教學管理機構根據(jù)課程間相關性來合理設置和調整主干課程的比重和排課情況。關鍵詞：主

2、干課程 因子分析 典型相關分析 量化衡量一、 引言1二、問題的分析 2三、模型的建立 33.1因子分析模型理論 3何為因子分析數(shù)學模型 3因子載荷矩陣的求解 4因子旋轉 63.2典型相關分析模型理論7模型提出背景7典型相關系數(shù)與典型相關變量求解8 量化衡量因子 10四、模型在主干課程開設中的運用114.1數(shù)據(jù)說明 114.2 關于數(shù)據(jù)的標準化164.3 因子分析過程17關于因子分析條件的檢驗 17 累計信息貢獻率與載荷陣17公共因子個數(shù)選取19因子分析小結204.4量化的相關程度分析模型運用過程21相關數(shù)據(jù)說明21計算22顯著性檢驗23量化衡量的分析23五、結論24六、模型的不足與改進25七、

3、參考文獻25一、引言課程設置是根據(jù)教育目標、教學目的和培養(yǎng)模式等，按照學科專業(yè)對學習者所應具有的知識結構和能力結構的要求，遵循教與學的規(guī)律和實際把教學內容分解為課程，并對這些課程進行安排使之成為一個課程體系的過程。從課程設置與人的關系看,課程的設置由人來完成,課程的設置是為了人的發(fā)展,設置的課程是通過人的學習來完成。課程的設置必須以人作為最基本的出發(fā)點。心理學家布魯納的結構課程論提出了人的知識結構論和學習遷移原理。知識之間都是有聯(lián)系的,知識之間的聯(lián)系就組成了知識的結構。學習者學到的知識基礎性越強,遷移性越大。學習的主要方式就是“原理”、“態(tài)度”的遷移。因此其理論認為：課程設置必須有一個基本結構

4、,突出基本原理、基本概念以及它們之間的聯(lián)系。我國高等學校的課程從縱向結構看基本上是按知識邏輯組織的,大體上分為三個層次或三種類型:基礎課、專業(yè)基礎課和專業(yè)課?；A課一般是指學生達到專業(yè)培養(yǎng)目標要求所必需的基礎知識和基本技能課程。專業(yè)基礎課是一個專業(yè)的學生所必須修習的基礎課程。專業(yè)基礎課是某一專業(yè)體現(xiàn)該專業(yè)特點并根據(jù)該專業(yè)特殊需求而設計。筆者認為主干課程的主體就是專業(yè)基礎課和專業(yè)課。高等本科教育的性質與功能都是有專業(yè)主干課程具體體現(xiàn)的，主干課程的修讀在調整人才的發(fā)展形成方面起著十分重要的基礎性作用。專業(yè)主干課程又是教育進行與開展的核心，是直接衡量本科專業(yè)化教育質量高低基本性指標。隨著社會的進步和

5、科技的發(fā)展,各國高教界也一直在對課程進行改革。國際總趨勢是擴大基礎知識、拓寬專業(yè)口徑、實行文理滲透、強調人文教育、增加選修課數(shù)量、加強應用課程、注重能力培養(yǎng)和個性發(fā)展。但是，在課程設置的實踐上，當前高校各專業(yè)的課程設置基本上是由學校教務部門指導院系進行，院系再把這份工作交由教研室具體安排，編寫者完成后經討論定稿再經學校審批即可執(zhí)行。整個過程既缺乏理論指導，又無相應的監(jiān)控與評價，課程設置的合理與否完全取決于編寫者個人的水平，課程設置處于一種隨意狀態(tài)，造成了課程設置與培養(yǎng)目標不符、因人設課等諸多問題。那么如何檢驗課程設置與培養(yǎng)目標是否相符？如果課程設置必須有個基本結構，想要達到擴大基礎知識，增加選

6、修課的數(shù)量，那么應該如何對主干課程進行設置，不使課程比例結構失調，又能夠實現(xiàn)“知識間的關聯(lián)性”，順利完成教學目標？能不能建立一個模型去指導高等學校的課程設置？居于這些思考，我們用某高校一專業(yè)所開設課程的考試分數(shù)的相關系數(shù)陣來度量所涉及課程之間的相關，看現(xiàn)在某專業(yè)的主干課程設置是否與教育期望一致，并進一步做典型分析，得出這些代表課程之間所表現(xiàn)的相關程度，從而幫我們科學地進行課程設置評價，合理設置課程，從而順利地達到預定的教育教學目標。二、問題的分析教育是一種復雜的社會活動過程，對有關教育現(xiàn)象的研究往往需要對研究對象測量它的許多指標（變量）。由于我們需要測定的評價指標有很多，而且這些指標可能是相關

7、不可比的，如果以這些指標為基礎，對研究問題進行綜合評價將會是相當困難的。因此我們希望能從這些眾多指標中概括出能夠反映原來各個指標的特征或性質的若干綜合指標，使得復雜的分析問題變得簡單化。因子分析就是將描述事物性質或特征的一組較多變量用幾個綜合變量因子的線性組合來代替的多元統(tǒng)計分析方法。其中，典型相關分析是研究兩組變量間相關關系的一種多元統(tǒng)計分析方法。它能夠揭示兩組變量之間的內在聯(lián)系，真正反映兩組變量間的線性相關情況。因此，我們用因子分析來研究主干課程的設置，看其課程間有沒有內在的聯(lián)系，并利用典型相關分析構建量化衡量模型進一步探討如何根據(jù)課程間的程度，對課程的安排先后和作用進行初步指導。另外，隨

8、著計算機的發(fā)展和統(tǒng)計分析軟件的開發(fā)和利用，因子分析方法已經逐步為廣大科研工作者所使用、因子分析和典型相關分析在教育和教學有關領域也得到了廣泛的應用。在眾多統(tǒng)計分析軟件中，SAS軟件因其強大的功能和較高的分析精度，而受到青睞。在本文的模型研究中，我們可以借助SAS軟件的因子分析和典型相關分析的實踐理論對研究主題的問題進行逐步分析求解。三、模型的建立3.1因子分析模型理論因子分析方法主要是由心理學家發(fā)展起來的。英國心理學家斯皮爾曼(Cha rIes Spearman)將這種統(tǒng)計方法用于解決智力結構問題。他提出了如下見解：心理測量中的各測驗變量之間的相關，是由于各測驗變量存在一個共同的一般因素(即公

9、共因子)造成的，而各測驗變量之間之所以是不完全相關，則是由于完成各項測驗還需要分別具備特殊因素(即隨即誤差項)的能力。這就是斯皮爾曼的“二因子論"。這一理論為因子分析奠定了基礎。因子分析的基本思想就是通過變量的相關系數(shù)矩陣內部結構的研究，找出能控制所有變量的少數(shù)幾個隨機變量去描述多個變量之間的相關關系因子負荷矩陣，因子分析所獲得的有關事物的全部信息就蘊藏在這一矩陣中。然后，從因子負荷矩陣元素體現(xiàn)的結構特點出發(fā)，取得對因子的解釋?？梢?，因子分析的目的就是找出變量之間的內在本質聯(lián)系，用反映這一本質聯(lián)系的少數(shù)幾個基本因子(即公共因子)來描述較多變量需要說明的原因或特性。例如，卡特爾(Cat

10、tle)和霍恩(Hom)應用因子分析方法把智力的全部因素歸結為流暢性智力和結晶性智力兩個公共因子。再比如，對廣東省1983年高等學校文、理科招生考試成績進行的因子分析表明：文科六門學科考試測查的主要是記憶能力和詞語能力，理科七門學科考試測查的主要是數(shù)理能力和詞語能力。何為因子分析數(shù)學模型因子分析的目的是用有限多個不可觀察的潛在變量來解釋原變量之間的相關性或協(xié)方差關系。在此我們把不可觀察的潛在變量稱為公共因子（common factor）。在研究樣品時，每個樣品需要檢測很多指標，假設測得個指標，但是這個指標可能受到個共同因素的影響，再加上其他對這些指標有影響的因素。寫成數(shù)學的形式就是： (3.1

11、.1)利用矩陣記號有 (3.1.2)其中，各個指標變量都受到的影響，因此稱為公共因子，稱為因子載荷矩陣，是單變量所特有的因子，稱為特殊因子（unique factor）。設，分別是均值為0，方差為1的隨機變量，即；特殊因子，分別是均值為0，方差為，的隨機變量，即；各特殊因子之間及特殊因子與公共因子之間都是相互獨立的，即及。是第個變量在第個公共因子上的負荷，從投影的角度看，就是在坐標軸上的投影。主成份分析的目標是降維，而因子分析的目標是找出公共因素及特有的因素，即公共因子與特殊因子。在主成份分析中，殘差通常是彼此相關的。在公因子分析中，特殊因子起到殘差的作用，但被定義為彼此不相關且和公因子也不相

12、關。而且每個公因子假定至少對兩個變量有貢獻，否則它將是一個特殊因子。在開始提取公因子時，為了簡便還假定公因子彼此不相關且具有單位方差。在這種情況下，向量的協(xié)方差矩陣可以表為 (3.1.3)這里D=diag()，diag表示對角矩陣。如果假定已將標準化，也就是說的每一個分量的均值都為0，方差都是1，即，那么 (3.1.4)記，則有 (3.1.5)由于反映了公共因子對的影響，稱為公共因子對的“貢獻”。 實際反映了變量對公共因子的依賴程度。另一方面，還可以考慮指定的一個公共因子對各個變量的影響。實際上，對各個變量的影響可由中第列的元素來描述，那么有 (3.1.6)稱為公共因子對的“貢獻”。顯然越大，

13、對的影響就越大，成為衡量因子重要性的一個尺度。實際上 (3.1.7)那么矩陣的統(tǒng)計意義就非常清楚：是和的相關系數(shù)；是對公共因子的依賴程度；是公共因子對的各個分量總的影響。因子載荷矩陣的求解如果已知協(xié)方差矩陣和，可以很容易地求出。根據(jù)(3.1.3)有 (3.2.1)記，則是非負定矩陣。若記矩陣的p個特征值 > = = = 0，且m個非零特征值所對應的特征向量分別為，則的譜分解式為 (3.2.2)只要令 (3.2.3)就可以求出因子載荷矩陣。但在實際問題中，我們并不知道、，即不知道，已知的只是個樣品，每個樣品測得個指標，共有個數(shù)據(jù)。為了建立公因子模型，首先要估計因子載荷和特殊因子方差。常用的

14、參數(shù)估計方法有以下三種：主成份法、主因子解法和極大似然法。本文采用主成分法。主成分法求解過程如下：主成份法求因子載荷矩陣的具體求法如下：首先從資料矩陣出發(fā)求出樣品的協(xié)方差矩陣，記之為，其特征值為，相應單位正交特征向量為，當最后個特征值較小時，則對進行譜分解可以近似為 (3.2.4)其中 > 0是協(xié)方差矩陣相應的前個較大特征值。先取，然后看是否接近對角陣。如果接近對角陣，說明公共因子只要取一個就行了，所有指標主要受到這一個公共因子的影響；如果不是近似對角陣，就取，然后看是否接近對角陣，如果接近對角陣，就取兩個公共因子；否則再取，直到滿足“要求”為止。這里的“要求”要視具體情況而定，一般而言

15、，就象主成分分析一樣，直接取前個特征值和特征向量，使得它們的特征值之和占全部特征值之和的85以上即可。此時，特殊因子方差。因子旋轉因子模型被估計后，還必須對得到的公因子進行解釋。進行解釋通常意味著對每個公共因子給出一種意義明確的名稱，它用來反映在預測每個可觀察變量中這個公因子的重要性，這個公因子的重要程度就是在因子模型矩陣中相應于這個因子的系數(shù)，顯然這個因子的系數(shù)絕對值越大越重要，而接近0則表示對可觀察變量沒有什么影響。因子解釋是一種主觀的方法，通過旋轉公因子可以減少這種主觀性，也就是要使用非奇異的線性變換。設維可觀察變量滿足因子模型。設是任一正交陣，則因子模型可改寫為 (3.3.1)其中，。

16、根據(jù)我們前面假定：每個公因子的均值為0，即，每個公因子的方差為1，即，各特殊因子之間及特殊因子與公共因子之間都是相互獨立的，即及?？梢宰C明下列等式成立： (3.3.2) (3.3.3) (3.3.4) (3.3.5)因此，。這說明，若和是一個因子解，任給正交陣和也是因子解。由于正交陣是任給的，所以因子解不是唯一的。在實際工作中，為了使載荷矩陣有更好的實際意義，在求出因子載荷矩陣后，再右乘一個正交陣，這樣就變換了因子載荷矩陣，這種方法稱為因子軸的正交旋轉。我們知道，一個所有系數(shù)接近0或±1的旋轉模型矩陣比系數(shù)多數(shù)為0與±1之間的模型容易解釋。因此，大多數(shù)旋轉方法都是試圖最優(yōu)化

17、模型矩陣的函數(shù)。在多數(shù)應用中，我們選擇最容易解釋的旋轉模型。3.2典型相關分析模型理論 模型提出背景假設兩組變量間和存在相關關系。和可能是完全不同的，但是它們的線性函數(shù)可能存在密切的關系，這種密切的關系能反映和之間的相關關系。因此就要找出的一個線性組合及的一個線性組合，希望找到的和之間有最大可能的相關系數(shù)，以充分反映兩組變量間的關系。這樣就把研究兩組隨機變量間相關關系的問題轉化為研究兩個隨機變量間的相關關系。如果一對變量（，）還不能完全刻劃兩組變量間的相關關系時，可以繼續(xù)找第二對變量，希望這對變量在與第一對變量（，）不相關的情況下也具有盡可能大的相關系數(shù)。直到進行到找不到相關變量對時為止。典型

18、相關系數(shù)與典型相關變量求解設有兩組隨機變量和，假定它們都已經標準化了，即，若記此時它們的協(xié)方差矩陣（也是相關系數(shù)矩陣）為， 其中實際上，要找使和的相關系數(shù)達到最大。由于對任意常數(shù)，有 (其中，)，因而不妨假定 (3.2-1) (3.2-2)此時。在與條件下，使達到最大的與分別與和組成的新變量 (3.2-3)稱為第一對典型變量，其相關系數(shù)稱為第一典型相關系數(shù)。若用一對變量還不足以完全反映兩組變量的相關時，可以定義第二對典型變量，這時除要求， 外，還要求，和，在這些條件下使達到最大。一般地，第對典型變量定義如下： 稱為第對典型變量，其系數(shù)向量與使達到最大，并且滿足如下條件： (3.2-4)，此時稱

19、為第對典型相關系數(shù)。求法如下：我們采用Lagrage乘子法，從開始逐一求 、。下面僅以 、的求法作一簡述，以下假定是正定矩陣。記 (3.2-5)其中、為Lagrage乘子，用、 表示僅僅為了下面計算式的簡單而已。將對、分別求偏導，并令其為0，再與約束條件聯(lián)立，則 、應滿足以下方程組： (3.2-6)前二式兩邊左乘和，并利用式(3.2-6)的后二式有 (3.2-7)由于，故有。再由(3.2-6)及的非奇異性知 (3.2-8)將其代入(3.2-6)，則 (3.2-9)再由的非奇異性知 (3.2-10)記，上式表明 是的特征根，是其對應的特征向量。又由式(3.2-7)知 是與 的相關系數(shù)，要求其達到

20、最大， 一定是的最大特征根，是最大特征根對應的特征向量；進而可由(3.2-8)求出。第一典型相關系數(shù)是的最大特征根的算術根。l 可證明是的最大特征根對應的特征向量。由于M1與M2有相同的非零特征根，因此此時求出的和直接從(3.2-8)求出的是一致的。l 用同樣方法可知是M1的第二大的特征根對應的特征向量，可通過下式求出： (3.2-11)l 可求出M1 的 個非零特征根，M1對應于這些特征根的特征向量分別記為、，進而 (3.2-12)j = 1，2， ，r，以 、為系數(shù)可組成第對典型變量，。第對典型變量對應的相關系數(shù)是的算術根，這便是第個典型相關系數(shù)，j = 1，2， ，r 。 量化衡量因子

21、有上述分析不難看出，相關系數(shù)越大說明相應的典型變量之間的關系越緊密，其聯(lián)系越密切。令量化因子時，則可以通過求解量化因子來達到衡量相應變量之間的互依性大小。在運用中可忽略典型相關系數(shù)不顯著的那些典型變量，僅按顯著的前典型變量以及典型相關系數(shù)進行分析即可。四、模型在主干課程開設中的運用4.1數(shù)據(jù)說明本文采集了廣州市某高校金融相關專業(yè)65名學生在校修讀期間12門課程的的成績。通過第三節(jié)統(tǒng)計模型分析來揭示課程之間的關系。12門成績的標準化數(shù)據(jù)如下：續(xù)：課程（變量）的符號表示說明如下：符號意義 4.2 關于數(shù)據(jù)的標準化數(shù)據(jù)標準化處理目的是為分析帶來方便。對原始數(shù)據(jù)數(shù)據(jù)進行標準化的處理，即使得第i個變量的

22、均值為0，方差為1。設,令 稱為標準化后的數(shù)據(jù)。實際計算時首先對數(shù)據(jù)進行標準化處理，這樣所得出的協(xié)方差陣與相關陣就是相同的。4.3 因子分析過程關于因子分析條件的檢驗KMO是Kaiser-Meyer-Olkin的取樣恰當性指標，當KMO值越大時，表示變量之間的共同因素越多，越適合進行因子分析。根據(jù)Kaiser1974年的觀點，如果KMO小于0.5，就不適宜進行因子分析；如果KMO的值大于0.7，他認為中等程度地適合進行因子分析；如果如果KMO的值大于0.9，則認為非常適合進行因子分析。經檢驗本文樣本數(shù)據(jù)的KMO值為0.740，適合進行因子分析。 此外BARTLETT球形檢驗的卡方統(tǒng)計量為179

23、.155,其顯著性水平值遠小于0.01，因此拒絕零假設相關系數(shù)矩陣是一個單位矩陣，說明了總體的相關系數(shù)矩陣不大可能是單位矩陣，即原始數(shù)據(jù)變量之間有共同因素存在，所以適合使用因子分析方法。根據(jù)指標數(shù)據(jù)標準化求得相關系數(shù)陣R的特征值、信息累計貢獻率、初始因子載荷陣，旋轉后因子載荷陣；序號特征值方差貢獻率累計方差貢獻率（%）13.9077650.32560.325632.5621.4041520.1170.442744.2731.3142670.10950.552255.2241.1399030.0950.647264.7250.8939180.07450.721772.1760.7481810.0

24、6230.78478.470.6276890.05230.836383.6380.605390.05040.886888.6890.4884560.04070.927592.75100.3171050.02640.953995.39110.3125240.0260.979997.99120.2406521100根據(jù)方差貢獻率得到每一個公共因子的總方差的百分比。由于原始變量已經進行了標準化變換，所以總方差為12。第一因子解析掉的方差占總方差的百分比為。該值反映該因子所代表的能力培養(yǎng)在該專業(yè)主干課程設置中的重要程度。表二：旋轉后因子載荷陣Factor1-0.059120.361090.582460

25、.747120.843440.783130.253090.025890.732690.386380.32320.45004-0.06979把與進行比較，給出因子載荷絕對值0、1分化頻數(shù)對比表，用該表進行判斷，因為中行元素絕對值足夠向0、1兩極分化，用旋轉后因子進行分析。 表三由碎石圖中陡坡與緩坡之間的明顯的折點確定出應該提取的因子個數(shù)?？煽闯鰪牡?個因子之后，坡度逐漸平坦，因而考慮5個公共因子較為適宜。因子分析小結采用主成分分析法得出的因子載荷陣。提取的公共因子數(shù)為5。變量在所屬因子層面的順序是按照因子載荷量的大小排列的?？梢钥闯?，第一因子是以經濟學基礎和金融概論為代表的專業(yè)必修課，是作為金融

26、作業(yè)學生必須修讀的課程，是其具備今本金融知識能力；第二因子主要是由計量經濟學所決定的專業(yè)課，它是培養(yǎng)學生對經濟信息的數(shù)學和軟件處理能力；第三因子是以大學英語和公共選修為代表的學校大類平臺課程，是培養(yǎng)讀取信息、分析解決理論問題的基本能力；第四因子是以高等代數(shù)、計算機基礎為代表，作為一名合格的金融專業(yè)學生應當具備的抽象思維和邏輯推理能力基礎；第五因子主要是由政治理論所決定的。4.4量化的相關程度分析模型運用過程相關數(shù)據(jù)說明使用經典統(tǒng)計學的典型相關分析模型討論課程之間的互依性。我們分別對基礎課X類，包含-計算機基礎-高等代數(shù)-概率論與數(shù)理統(tǒng)計專業(yè)基礎課Y類，包含:-經濟學基礎-金融學概論-常微分方程

27、專業(yè)課程Z類，包含:-金融工程-計量經濟學-會計學分別對基礎課X和專業(yè)基礎課Y兩組指標、基礎課X和專業(yè)課程Z兩組指標、專業(yè)基礎課Y和專業(yè)課程Z兩組指標做量化相關分析。計算 先構造檢驗統(tǒng)計量為：其中, 是的特征根，按大小次序排列為，當時，在成立下近似服從分布，這里， 因此在給定檢驗水平之下，若由樣本算出的臨界值，則否定，也就是說第一對典型變量，具有相關性，其相關系數(shù)為，即至少可以認為第一個典型相關系數(shù)為顯著的。一般的，檢驗第個，典型相關系數(shù)的顯著性時，作統(tǒng)計量：它近似服從個自由度的分布。其中：令顯著性水平為0.05，通過計算可得到如下的典型相關系數(shù)和系數(shù)向量，以及典型相關系數(shù)檢驗。顯著性檢驗根據(jù)

28、上述表格的計算結果，對于典型相關系數(shù)的檢驗，采取似然比法，其統(tǒng)計量近似服從F統(tǒng)計分布。第一行檢驗的第一組相關系數(shù)以及比他小的兩個相關系數(shù)是否為0，第一行F值為3.54，p值等于0.0005，而后一行檢驗的p值遠大于置信水平0.05，故認為只有第一典型相關系數(shù)具有統(tǒng)計分析意義。同時根據(jù)卡方檢驗，查卡方表知自由度為9、置信水平為0.05的臨界值為16.92，表中卡方值都大于臨界值，所以，顯然3組的第一個典型相關系數(shù)都是高度顯著的。對于不顯著的典型相關系數(shù)和對應的典型變量，我們就不再在下文進行討論。量化衡量的分析可以看到基礎課X和專業(yè)基礎課Y的第一典型相關系數(shù)是0.621,說明基礎課的第一典型變量U

29、1對專業(yè)基礎課的第一典型變量V1的影響較大，在U1中的主要影響課程是X3概率論與數(shù)理統(tǒng)計，對應量化因子等于0.789；有較大影響作用還有X2高等代數(shù)，對應量化因子等于0.435。在V1中其主要作用的是Y3常微分方程，對應量化因子等于0.663。X1計算機基礎的量化因子很小，等于0.186。于是，我們得到第一個結論是：高等代數(shù)和概率論與數(shù)理統(tǒng)計的學習情況對常微分得學習有很大的影響，計算機基礎對專業(yè)基礎課幾乎沒有什么影響基礎課X和專業(yè)課程Z的第一典型相關系數(shù)是0.418,說明基礎課的第一典型變量U1對專業(yè)課程的第一典型變量V1的比較小，在U1中的主要影響課程是X3概率論與數(shù)理統(tǒng)計，對應量化因子等于

30、0.945。在V1中其主要作用的是Z2計量經濟學，對應量化因子等于0.943。于是，我們得到第二個結論是：概率論與數(shù)理統(tǒng)計的學習情況對計量經濟學得學習有這非常重要的影響。專業(yè)基礎課Y和專業(yè)課程Z的第一典型相關系數(shù)中，U1的Y3常微分方程對應的量化因子較大，其值為0.666，但是在V1中Z1金融工程和Z2計量經濟學所對應的量化因子分別為0.231、0.002，數(shù)值足夠小。于是我們可以得到第三個結論：常微分方程的學習因素對專業(yè)課程金融工程和計量經濟學沒有影響五、結論通過前面的因子分析研究，可以建立專業(yè)主干課程的宏觀架構：第一課程群: 專業(yè)基礎理論課程群。重在培養(yǎng)以經濟學基礎和金融概論為代表的第一公

31、共因子，即作為一名金融類相關課程的高校本科學生所應具備的基本專業(yè)性分析能力。專業(yè)基礎課主要是以共同的、基本的教育性經驗使學生掌握基本的知識，形成基本的能力、精神品質及學科潛能。其專業(yè)基礎課程通常包括經濟學基礎、金融學概論以及數(shù)理統(tǒng)計等。在上述因子分析結果中，以經濟學基礎和金融概論為代表的第一因子，說明了這兩門專業(yè)基礎必修課程對相關的各科專業(yè)課程的教學質量會產生重大的影響。學生掌握了專業(yè)的基本的學習和研究方法，具備在專業(yè)總層面上的自我獲取知識和探索相關問題的能力，從一定程度上來講，它將比掌握具體某一方面的專業(yè)知識更為重要。專業(yè)基礎課學習應該在第一學年就開始進行，只有這樣才能為以后學習針對性較強的

32、專業(yè)課程做好理論準備。第二課程群：專業(yè)課程群。是以計量經濟學為代表的第二公共因子。此類課程具有較強的學科專業(yè)性，要求必須具備一定的專業(yè)基礎理論水平。起開始合適時期顯然在基礎理論課程之后。金融類相關專業(yè)的專業(yè)課程包括計量經濟學、金融工程、期權期貨及會計學等，具有不同的行業(yè)對應性。學生可以根據(jù)就業(yè)方向的喜好程度來選擇不同的課程。在開設此類課程群時，對學生進行適當?shù)姆至?，使學生根據(jù)就業(yè)方向的不同選擇不同類型的選修課來學習。通過這樣的課程設計，增加學生職業(yè)目標的彈性。第三課程群：大類課程群。是以高等代數(shù)、概率論和數(shù)理統(tǒng)計為數(shù)學分析基礎和大學英語、政治理論等為人文分析基礎的綜合基礎類課程。數(shù)學基礎能使學

33、生具備抽象思維和邏輯推理能力，而人文類的分析著力于培養(yǎng)學生高品位的健康精神家園。通過典型相關分析，得到量化數(shù)據(jù)解決問題。在日常教學中，人們總會存在這樣的困惑：作為理科類專業(yè)，在金融類課程中應該怎樣衡量基礎課和專業(yè)基礎課、專業(yè)課程的關系，以及專業(yè)基礎課和專業(yè)課程之間的聯(lián)系呢？由往屆教學情況和教師的教學分析，我們知道專業(yè)基礎課和專業(yè)課程成績較好者中有著不少也是大類課程較好的，三者成績之間有著連貫性。但是，這其中到底有著什么樣的一個聯(lián)系情況、多大的連貫性？我們常常停留在感性的基礎上，并沒有得到很好的量化證實和可量化分析檢驗。由典型相關模型分析，我們就可以在很好的程度上解決這個感性困惑。6、 模型的不

34、足與改進 本文所用到的典型相關分析，對學生成績進行標準化處理，它能很好分析主干課程之間的相關關系。我們不能完全肯定學生的課程成績是否能反映學科能力要求，不能排除教學和考試過程中的不確定因素。樣本數(shù)據(jù)中可能存在異常值。文中所提到的這種經典的統(tǒng)計分析方法典型相關分析，對樣本數(shù)據(jù)的要求過于嚴格，抗干擾性能差，它對異常數(shù)據(jù)的處理分析能力可能未能達到理想水平。我們可以根據(jù)經典典型相關分析的思想，并結合模糊數(shù)學的統(tǒng)計理論相關知識，可對上述模型進行改進建立模糊典型相關分析模型，達到更好處理異常數(shù)據(jù)的目的。從樣本中提取更加具有價值的信息，為課程設置評價提供更加值得信賴的決策支持。7、 參考文獻1 王正勝，復合

35、、融合與整合:國內高校課程設置研究.中國成人教育J,2009,62 謝沛銘, 用學習心理學原理指導高校的課程設置J. 交通高教研究.2003.63 于秀林、任雪松，多元統(tǒng)計分析M.北京：中國統(tǒng)計出版社，2010 常浩、SAS軟件與統(tǒng)計應用教程M， 機械工業(yè)出版社,2009：224-230.5李柏年，模糊數(shù)學及其運用M.合肥：合肥工業(yè)大學出版社，2007.6于長福、奚道同、郭強，應用型本科院校金融專業(yè)課程體系改革的研究與實踐J.商業(yè)經濟，2010（4）：46-49.7林海明、謝智聰，初始因子分析在安徽省經濟發(fā)展評價中的運用J.統(tǒng)計教育，2007（5）：52-54 8周軍，運用主成分分析和典型相關

36、分析來分析教學J.人類工效學，2002，8（4）.9 逯紀美，多元統(tǒng)計分析在大學生綜合素質評價中的應用J.數(shù)理統(tǒng)計與管理，2010，29（4）10 李響，模糊典型相關方法在課程設置評價中的應用研究D.東北師范大學，2007.8、 附錄程序：SAS軟件典型相關分析：data fit1; input x1-x3 y1-y3; cards;-0.217681.366361.06756-0.15957-0.056611.45409-1.32742-0.217831.188030.728491.350311.2016-0.633830.970310.585670.817291.350311.62242-

37、0.911271.168340.46520.90611.133861.53826-0.911271.6634-0.137150.728490.917410.949110.475910.574271.067561.083710.592740.359961.308220.772291.549440.284461.458531.36993-0.217680.673281.188031.261320.917410.696621.308221.762411.30850.90611.242090.61245-0.772550.376240.103791.172511.242090.949111.30822

38、0.87130.344731.172510.484511.03327-1.604861.16834-0.859981.705351.133861.36993-2.02101-0.613870.826621.350131.458531.03327-0.633830.673280.224260.373261.458530.02331-0.07896-0.514860.224261.261320.809190.023310.059760.376240.344731.438930.809190.94911-0.77255-0.613870.344730.284460.484510.444131.308

39、220.772290.344730.99490.051610.444131.30822-0.415851.549441.350130.91741-0.48168-0.633830.574270.94709-0.78121-0.164830.612451.308220.772290.224260.106840.268060.191631.308221.267350.344730.462070.376290.528290.33719-0.51486-0.257620.550870.700961.117440.198470.772290.4652-0.425990.376290.2758-0.772

40、551.06933-0.378090.018040.592741.538261.308220.970311.06756-0.692410.159840.696621.30822-1.207940.947090.55087-0.922411.033270.05976-0.316840.224260.817290.917410.612450.47591-0.712880.103790.550870.592740.612451.030781.465370.58567-0.159570.809191.285760.753351.16834-0.498561.083710.159840.107471.3

41、0822-0.01980.58567-0.425990.80919-0.31335-0.078961.06933-0.25762-0.5148-0.38128-1.07082-1.466140.277230.344730.46207-0.16483-1.659971.308220.079211.067560.37326-0.16483-0.90250.614630.277230.585670.639680.48451-0.22918-1.60486-0.31684-0.25762-0.070770.15984-0.060860.05976-0.514860.58567-0.78121-1.46

42、3530.69662-2.437170.67328-0.01668-0.159570.268060.107470.059760.17822-0.61904-0.42599-0.27306-0.313351.30822-0.514860.46520.195650.376290.02331-0.63383-1.7030.344730.284460.59274-0.9025-1.04999-1.108930.10379-0.15957-1.247080.78078-0.07896-0.21783-1.82375-0.60360.15984-0.14502-0.078960.277231.3085-0

43、.07077-0.92241-0.81833-0.078960.57427-0.61904-0.5148-0.48951-0.565841.30822-1.00992-0.73951-1.491660.15984-1.323310.75335-2.198060.58567-1.04763-0.597730.528291.44694-2.19806-1.22139-0.69241-0.27306-0.14502-0.07896-0.118810.10379-0.78121-0.92241-0.90250.05976-0.41585-0.73951-1.49166-2.004650.359960.19847-0.51486-0.98045-0.781210.59274-0.397510.05976-1.90103-0.137151.172510.15984-0.65-0.07896-0.51486-1.5828-0.42599-1.355