统计与R入门：研究方法和描述性统计 - 推酷
统计与R入门：研究方法和描述性统计
最近打算整理下
One的笔记：
的一些概念：
数据(data)
：定性变量的值(字符)或定量变量的值(数字) ，数据是知识和信息的最底层抽象，数据-&信息-&知识 。
家(statistican)
：熟练掌握应用统计工具的人
统计量(statistic)
：从样本数据中计算得出的数值,这个数值被用于描述样本的一项特性。
样本(sample)
：总体的一个子集
参数(parameter)
：描述了总体的某一项特征的数值
：用于总结、组织、简化数据的过程
推论性统计(inferential statistics)
: 根据从样本计算出的统计量，将其推广为总体参数的过程
描述性研究：组织和总结数据。
相关性研究：研究变量之间的关系。
实验性研究：将研究对象随机分组，研究不同变量对结果的影响。
随机实验的优点在于能够提出因果关系，但需要的条件为：
真正的自变量
混杂变量(confounder)
随机抽取的具有代表性的样本
样本被随机分配给实验对象
变量的类型
类别数据(nomial)
:将不同的情况分配给不同的类型，如人的国别
有序变量(ordinal)
:用于对不同的情况进行排序，如学科排名
区间变量(interval)
:用于对不同的情况进行排序，排序的依据是区间，如国家的经度维度
比率变量(ratio)
:同区间变量类似，但可以包含真零点，如年龄、人口、气温
见Stevens 1946 On the Theory of Scales of Measurement
类别变量：实验性研究中用作
自变量(independent variable)
，相关性研究中用作
准独立自变量(Quasi-independent variable)
区间变量和比率变量：实验性研究中用作
因变量(dependent variable)
，相关性研究中用作
被测变量(measured variable)
类别变量是离散的
区间变量和比率变量是连续的
有序变量实际上是离散的，但通常被当作连续的进行处理
柱图(histogram)
柱图的主要作用是显示分布情况
柱图可以揭示一些用统计量(如平均数)无法揭示的信息
里自带的数据集，包含了对50辆车的观测结果，第一列为车的初始速度，第二列为车停下时所行驶的距离。
names(cars)
## [1] &speed& &dist&
summary(cars)
1st Qu.:12.0
1st Qu.: 26
Median :15.0
Median : 36
3rd Qu.:19.0
3rd Qu.: 56
绘制柱图观测两个变量的分布：
par(mfrow = c(1, 2))
hist(cars$speed, xlab = &speed&)
hist(cars$dist, xlab = &dist&)
测量的尺度(scale)
任何一个测量都是有尺度依据的，如温度可有摄氏度可有华氏度。
中有一个标准尺度，Z尺度。
以Z尺度作为尺度的测量值称为Z值
以任何尺度作为测量的结果都可以换算成对应的Z值
计算公式为:Z=(X-M)/SD，其中：
X为原始测量值
M为均值(mean)
SD为标准差(standard deviation)
Z值可用于计算
百分比等级(percentile rank)
，如Z=0表示百分比等级为50，即有50%的数据比其大，同时也有50%的数据比其小。
同样以cars数据集为例,将速度变量转变为Z尺度测量结果
M &- mean(cars$speed)
SD &- sd(cars$speed)
cars$speedZscale &- (cars$speed - M)/SD
cars$speedZscale
[1] -2.197 -1.561 -1.337 -1.02125
[8] -1.025 -0.813 -0.601 -0.64301
## [15] -0.689 -0.489 -0.477 -0.26477
## [22] -0.277 -0.065 -0.047
总结性统计量(summary statistics)
中心趋势性(central tendency)
的测量是描述了分布中中心数据点的统计值。
好的中心性测量统计量能够较好地表达数据的分布。
平均值(mean)
:M =(ΣX)/N，正态分布情况下最好的中心性测量
中位数(median)
: 中间位置的值，有异常值情况下较好的中心性测量
众数(mode)
:出现次数最多的值，可以用于类别数据
同样以cars数据集为例,针对速度变量求三种测量的统计值。
meanSpeed &- sum(cars$speed)/nrow(cars)
medianSpeed &- cars$speed[round(nrow(cars)/2, 0)]
modeSpeed &- names(sort(-table(cars$speed)))[1]
## [1] 15.4
medianSpeed
## [1] &20&
平均值或中位数可以用R的函数来获得：
meanSpeed &- mean(cars$speed)
medianSpeed &- median(cars$speed)
## [1] 15.4
medianSpeed
差异性(variability)
的测量是描述了分布中数值的范围和差异的统计值。
标准差(standard deviation, SD):SD=SQRT([Σ(X-M)
]/N)一个分布中的数值与平均值之间偏差的平均值。
方差(variance,MS or SD
]/N，MS代表
平方差的平均值(Mean Squares)
同样以cars数据集为例,针对速度变量求方差和标准差。
SDSpeed &- sqrt(sum((cars$speed - mean(cars$speed))^2)/nrow(cars))
MSSpeed &- SDSpeed^2
## [1] 5.235
## [1] 27.4
R中有更便捷的计算函数：
SDSpeed &- sd(cars$speed)
MSSpeed &- var(cars$speed)
## [1] 5.288
## [1] 27.96
R中可以用psych函数库中的describe()函数来生成总结性统计量的报告：
library(psych)
describe(cars)
sd median trimmed
1 50 15.40
2 50 42.98 25.77
40.88 23.72
2.00 120.00 118.00
## speedZscale
1.12 -2.16
skew kurtosis
-0.67 0.75
## speedZscale -0.11
-0.67 0.14
注意，R中利用sd()或describe()计算出的标准差与公式计算出的不同，因为在R中默认的是将标准差用于推理性统计，分母上为自由度N-1而非N。
相关性研究
相关性研究是一种用于测量和描述两个或多个变量之间关系的统计研究过程。
通常两个变量之间的相关性在[-1,+1]之间
+1代表完美的正相关
0代表没有相关性(即独立independence)
-1代表完美的负相关
当两个变量X,Y之间是相关的，可以用其中一个变量如预测另一个变量的值。
值得注意的是，相关性并不意味着因果关系。
相关性的程度取决于很多因素，至少包括：
抽样的方法
变量的测量方法
其他一些因相关系数而异的假设前提
相关系数(correlation coefficient)
也是一个样本统计量，就像平均值一样，并不代表样本中所有对象的X值和Y值减都适应这个相关性。
对于不同类型的变量，有不同的相关系数：
当X与Y都是连续变量时，可以用
皮尔森积差相关系数(Pearson product-moment correlation coefficient)
当1个变量为连续变量，另一个变量是二元变量时，可以用
Point bi-serial correlation
当两个变量都是二元变量时，可以用
当两个变量都是有序变量是，可以用
斯皮尔曼等级相关(Spearman rank correlation)
通常可以通过看
散点图(scatter plot)
来观察变量之间的相关性
R示例,通过散点图观察cars数据集中两个变量之间的相关性:
plot(cars$speed, cars$dist, xlab = &speed&, ylab = &distance&)
皮尔森积差相关系数r描述的是：相对于（X与Y各自不相关地变化）而言，（X与Y一起变化）的程度有多大。
其计算公式为：r =(X与Y的协方差)/(X与Y的方差)
平方和(sum of squares,SS)：SS
方差(variance, MS): MS
外积和(sum of cross Products, SP):SP
协方差(Covariance, COV): 测量两个变量一起变化的程度，SP
/N)/SQRT(MS
/N)/SQRT((SS
另外可以用等价地Z值计算方法：r
=SQRT(Σ(X-M
=SQRT(Σ(Y-M
从计算方法中可以看出：相关系数是
标准化(Standardized)
的协方差值，值的取值在[-1,+1]之间。
R示例,计算cars数据集中两个变量之间的相关性:
SP &- sum((cars$speed - mean(cars$speed)) * (cars$dist - mean(cars$dist)))
SSX &- sum((cars$speed - mean(cars$speed))^2)
SSY &- sum((cars$dist - mean(cars$dist))^2)
r &- SP/sqrt(SSX * SSY)
## [1] 0.8069
R示例,利用Z值计算cars数据集中两个变量之间的相关性:
ZX &- (cars$speed - mean(cars$speed))/sd(cars$speed)
ZY &- (cars$dist - mean(cars$dist))/sd(cars$dist)
r &- sum(ZX * ZY)/(nrow(cars) - 1)
## [1] 0.8069
最后，最简单的计算方法，利用cor()函数：
r &- cor(cars$speed, cars$dist)
## [1] 0.8069
通常，用于
的相关系数是除以N得到的，用于推理性统计的相关系数是除以N-1得到的。
解读皮尔森积差相关系数r时需要注意如下三个假设前提：
变量X与Y均满足正态分布，可以通过看柱图和总结性统计量来验证
变量X与Y之间呈现的是线性相关，可以通过观察散点图来验证
方差齐性(Homoscedasticity)
，也可以通过观察散点图验证
变量X与Y的
可靠性(reliability)
变量X与Y的
有效性(validity)
变量X与Y是否来自于随机抽样生成的具有代表性的样本
方差齐性(Homoscedasitcity)
残差(residual)
回归线(regression)
与数据点之间的水平距离，残差揭示的是预测值与实际值之间的误差。
方差齐性意味着，残差的值与变量X之间是无关的。
以著名的Anscombe’s quartet为例：
par(mfrow = c(2, 2))
plot(anscombe$x1, anscombe$y1, main = &1&)
abline(lm(anscombe$y1 ~ anscombe$x1))
plot(anscombe$x2, anscombe$y2, main = &2&)
abline(lm(anscombe$y2 ~ anscombe$x2))
plot(anscombe$x3, anscombe$y3, main = &3&)
abline(lm(anscombe$y3 ~ anscombe$x3))
plot(anscombe$x4, anscombe$y4, main = &4&)
abline(lm(anscombe$y4 ~ anscombe$x4))
上述四个图中的X与Y之间的皮尔森积差相关系数r均相同，但只有图1是符合方差齐性的。
图2和图4中的残差与X的值有明显的关系，图3、4中有明显的异常值。
可靠性(reliability)
经典检验理论(Classical test theory)/真值理论(true score theory)
原始值(X)并不是完美的，而是受到各种
偏倚(bias)
随机误差(chance error)
的影响的。
X实际上是真实值+偏倚+随机误差。
因为我们不知道真实值是多少，只能估计原始值X的可靠性
再检验(re-test)
，例如：多次测量取平均
平行检验(parallel test)
，例如：用水银温度计和电子温度计测量体温并求平均
项间估计(inter-item estimates)
，例如：设计一份20题的问卷，随机选择10题作为组A，再随机选择10题作为组B，计算两组之间的相关性，用于估计可靠性。
有效性(validity)
构造(construct)
:是针对那些无法直接观测的对象而言的。例如：智力。
因为对象无法直接观测到，需要定义一个构造，使得其可被观察，可定量记录。例如：智力测验。
构造的有效性包括如下方面：
内容有效性(content validity)
,例如：智力测验是否有过多的专业领域题目
收敛有效性(convergent validity)
，例如：智力测验的结果是否与情商测试结果有相关性
分歧有效性(divergent validity)
，例如:智力测验的结果是否与运动能力测试结果无关
理论有效性(Nomological validity)
，例如：智力测验的结果是否与有关理论统一
抽样(sampling)
抽样误差(sampling error)
：是总体与样本之间的误差。
通常,抽样误差与样本大小有关，样本量越大，抽样误差通常越小。
同样，也与总体的方差有关，总体方差越大，抽样误差通常越大。
抽样误差通常由样本量和样本方差作估计，估计的前提是：样本是随机抽样的有代表性的。
标准误差(standard error)
是抽样误差的估计值，计算方法为：SE = SD/SQRT(N)。
R示例，计算cars数据集中速度变量的抽样误差:
SESpeed &- sd(cars$speed)/sqrt(nrow(cars))
## [1] 0.7478
已发表评论数()
请填写推刊名
描述不能大于100个字符!
权限设置： 公开
仅自己可见
正文不准确
标题不准确
排版有问题
主题不准确
没有分页内容
图片无法显示
视频无法显示
与原文不一致智能手机众测_智能手机评测_智能手机测评_什么值得买_第9页
当前位置：&
唯一用过的华硕产品是当年的第一台平板TF101，同iPAD1代一起上市的产品，现在基本只能看看视频，但是对机子的做工一直赞赏...
Mate 7的意外成功让华为有了继续打造高端旗舰手机的信心，但是后续推出的Mate S无论是从命名还是价格来看，都算不上Mate 7...
很高兴收到张大妈的众测，正值辞旧迎新的时候，也算是给不怎么走运的本命年去去晦气&。说起华为，去年校招差一点就去...
写在前面的话：在收到张大妈的短信之前，我从未想到过自己也会有这么一天。做为一个“再来一瓶”都很少中的衰运星人，抽奖活...
收到众测君的短信还是很开心的，总算可以不是做跑步装备的评测了。说起来从第一个96年moto 翻盖 GC87C 开始，也不知道用了...
&哈喽，各位值友新年好，第一次众测成功，按照国际惯例,感谢TVB,感谢ATV,感谢CCTV，当然要感谢张大妈提供这么好的产品...
如果说摩托罗拉的情怀是源自手机，那HTC的情怀则是源自于安卓了吧？从G1到G4，再从钻石到初代的one，哪一台不是玩家当年的...
本篇众测报告发布之日已是2016年，意味着从斯达康XV6700开始，我使用智能手机步入了第10个年头。众测期间赶上《老炮儿》上...
首先呢，放在最前面的肯定是感谢众测君了，也没少申请，一直都没有被临幸，以至于都有点失望了，有一段时间没有上来了。有一...
开箱及外观简评▼感谢大妈，这次剧情有点小变化，一个人寂寞难耐在小区徘徊的时候捡到了这个盒子。▼徒手扒开，这技能我练习...
首先感谢张大妈，感谢vivo，给我提供了这次众测的机会。另外友情提示，增加有质量的原创和多申请是中测的不二法门，一篇原创...
在国内诸多手机厂商中，vivo一直是比较特立独行的那类。从涉足智能手机制作开始，vivo就一直在音质和做工外观这样的细分领...
一、开箱篇这是在张大妈收到的第一款众测产品，心里的激动早就超过产品本身的价值，一方面自己的众测申请理由得到了认可，第...
PS：本文大量充斥着作者主观使用感受，尽量做到客观评价，并且在文中尽量多地穿插界面截图等图片，多且杂。希望想对该手机有...
▲以往只在人家的图片中看到了“朕值到了”，没想到自己也中了众测，收到短信的时候还是很兴奋的，没想到我也能如此好运，当...
醒目：本白“挖坟”出身，后转战青、藏，搬砖吃土只识得野风衰草，不会美图和美文，所有都是中出、直出。请各位低要求，多包...
申请众测N多天后。。。。。。叮咚，打开短信一看，被张大妈临幸了，吼吼，张大妈还是鼓励说真话的&目录一、开箱展示，...
温馨提示：前方多图 多视频 多gif 多字预警&文章很长，大家可以根据目录寻找自己感兴趣的内容，Ctrl+f可以帮助你前言...
我这次拿到的是金色的vivo X6，经过前期了解及这几天的试用，发觉X6有许多过人之处，总结如下，这些方面基本上包括了X6的方...
&这次有幸获得了vivo X6 智能手机的众测资格，感谢张大妈！先贴个目录：介绍vivo品牌系列简单开箱vivo X6 做工分享硬...??????????
???????????????
???????????????
当前位置：&
& 基于SD法的哈尔滨市居住区园林景观评价
基于SD法的哈尔滨市居住区园林景观评价
作者： 　来源： 　点击量：
　更新时间： 14:36:00
基于SD法的哈尔滨市居住区园林景观评价
王刚[1]，车代弟
(东北农业大学园艺学院，哈尔滨 150030)
摘要：选取哈尔滨市三处具有代表性的不同设计风格的居住小区作为研究对象，应用风景质量评价法中的心理物理学派的SD法对居住区园林景观进行量化评价，并利用评价结果进行因子分析，得出哈尔滨市居住区园林景观设计的发展趋势以及哈尔滨市居住区园林景观视觉效果的评价结构，为居住区园林景观设计提出了有价值的建议。
关键词：哈尔滨；居住小区；园林景观；评价；SD法；因子分析
Evaluation Of Harbin Urban residential sub-districts landscape Based on the SD Method
Wang Gang, Che Dai-di
(Horticulture College of northeast agricultural university, Harbin 150030)
Abstract：This text took three representative different design styles of residential communities as studied objects in Harbin, Semantic Differential method was applied to quantitatively evaluate architectural landscape of the residential communities, and on the factor analysis of evaluation results, obtained design trends as well as visual effects' evaluation structure of residential quarter's architectural landscape in Harbin, thus provide some valuable suggestions for the future design of residential quarter's architectural landscape.
Key words: Harbin；Residential community；Architectural landscape；Evaluation；SD method；Factor analysis
居住小区是人类生存和发展的主要场所，人们所能接触到最多的绿色空间即为自己所居住小区的园林景观[1]。因此如何构建满足生态学原则，环境质量高的居住小区园林景观是人们关注的重点。
在居住小区园林景观建设前的方案评估以及建成以后的经营管理中有必要进行园林景观评价，但目前有关研究不多，关于东北哈尔滨园林景观的研究则更少，且大多为定性评价。本文试采用目前国内较为通用的SD法对哈尔滨市三处具有代表性的不同设计风格的居住小区园林景观进行量化评价，了解人们对于园林景观的视觉印象，并采用SPSS软件对评价结果进行因子分析，探求适合人居环境的哈尔滨市居住区园林景观设计的发展趋势以及能为人们普遍接受的，具有哈尔滨地域特色的评价结构，为哈尔滨市居住区园林景观设计提出有价值的建议。
1& 材料与方法
1.1& 选定居住小区
1.1.1& 居住小区的选定依据
本文以哈尔滨市居住小区为研究对象，采用典型抽样方法，选择了世贸滨江新城一期、闽江小区作为本课题研究的样本小区，分别称为样本小区A和样本小区B，对照区选择王兆新村小区，称为对照区C。其中世贸滨江新城一期入选哈尔滨2006年十大庭院绿化示范小区。闽江小区以欧式风格为主，将俄式、法式、巴洛克式、希腊哥特式融为一体，于98年荣获了国家颁发的“鲁班奖”[2]。王兆新村是哈尔滨最早也是最大的居住小区，曾经是哈尔滨最高档的小区。
1.1.2 &居住小区概况
哈尔滨市位于北半球中纬地带，欧亚大陆东岸的中国东北大平原腹地，居东经125°42′～130°10′ ；北纬44°04′～46°40′。属中温带大陆性季风气候，四季分明，冬季干冷漫长，夏季短而湿热，年平均气温为4.9℃，年平均气压为99.5hpa，年平均湿度为20%。
各样本小区及对照区基本情况见表1：
表1 样本小区及对照区基本情况
Tab 1. basic situation of sample area and control area
(世茂一期)
(闽江小区)
(王兆新村)
欧式+近自然
1.2& 研究方法
1.2.1& SD法
采用SD法（Semantic Differential Method）。SD法是由C.E.奥斯顾德（Charles Egerton
Osgood）在1957年提出的一种心理测定方法，又称为感受记录法，它通过言语尺度进行心理感受的测定。通过这种方法，可以获得被调查对象的感受构造定量化数据[3]。
评价流程如图1。
图1 SD法评价流程图
Fig 1 chart of evaluation process of SD method
1）样本照片的选定
大量研究表明：用照片作为风景质量评价的媒介同现场评价无显著差异[4,5]。从被调查的3个居住小区155张现场照片中，选取每个居住小区有代表性的照片，按不同景观类型分类，精选30张作为本研究的分析样本。
2）形容词对的选择
在完成现场踏勘后，根据居住小区园林景观的特征，进行描述空间的“形容词”的选择，这些形容词两两正反义成对，剔除不常用语汇及重复内容，最后确定20对形容词。将这20对形容词随机排列。评价尺度见表2。
表2 SD法评价尺度
Tab 2 evaluation scale of SD method
空间封闭的
空间开敞的
缺乏联系的
呼应有致的
无生命力的
生命力强的
层次模糊的
层次分明的
色彩单调的
色彩丰富的
缺少变化的
变化丰富的
印象淡薄的
印象深刻的
植被覆盖率低的
植被覆盖率高的
植物单一的
植物多样的
3）评价尺度的确定
本研究的评定尺度定为7级（-3、-2、-1、0、1、2、3，以0为中心，对称设置）。
4）被测对象的选定
考虑到加权及概率分布规律，经验是通常选取20-50人为宜，为了便于数据的数值化和结果的分析处理，本评价选择了两组评价者，均是东北农业大学的学生，共40名。第一组为园林专业学生（20名），第二组为非专业学生（20名）。
5）评定测试的实施
首先向每位被调查对象介绍本次测试的具体规定和要求，解释描述目标空间的各物理量、心理量的含义，及填写调查表的方法，并采用幻灯片向他们展示样本照片，每张幻灯片放映3分钟。
6）调查问卷的回收和整理
本次问卷调查的回收率及有效问卷均是100%。调查表完成之后，进行统计。
1.2.2& 数据处理
1）根据SD法得到的数据结果，用计算机相关程序（Excel）求出平均值，绘出评价曲线。其中：
综合平均值=∑各项因子平均值/10（样本个数）
2）采用SPSS13.0软件中多变量分析程序进行因子分析[6]，抽取评价轴。
2& 结果与分析
2.1& 综合评价
根据问卷调查数据得出综合平均值，以综合平均值为基点绘出评价者对各样本小区评价样本的综合评价曲线。评价曲线见图2，3。
两组评价者中，样本小区评价曲线的变化趋势相近，得到了相近的评价结果：即样本小区A(世贸滨江新城一期)评价值最高，样本小区B(闽江小区)居中，对照区C (王兆新村)最低。评价结果说明采用近自然设计手法的园林景观给公众评价者留下明亮，高植被覆盖率，生命力强，氛围度高，可亲近等印象。而采用欧式的规则式设计手法的园林景观给公众评价者留下人工化，整齐对称，空间开敞等印象。简单绿化所创造的园林景观给公众评价者留下毫无新意，缺少变化，不美观，凌乱等印象。所有的评价样本都留下色彩单调的印象，是哈市现有居住小区园林景观建设普遍存在的问题，忽视利用植被本身的色彩变化来创造色彩丰富的景观。
两组评价者对于实验区综合评价结果相近，说明不同专业的人对于居住小区的园林景观评价观点基本一致。
(1)& 专业组
如图2所示：样本小区A(世贸滨江新城一期)的综合评价曲线靠近右方向，说明该实验区的各项评价值较高。样本小区A给专业组评价者留下植被覆盖率高，可亲近，生命力强，明亮的印象。样本小区B(闽江小区)的评价曲线变化幅度很大，在中线两侧均有分布，给评价者留下人工化，整齐，空间开敞和熟悉的印象。对照区C (王兆新村)的评价曲线偏向于左方向，评价值较低。评价结果为：熟悉，凌乱，印象淡薄，色彩单调。
图2& 园林景观综合评价（专业组）
Fig 2& comprehensive evaluation of garden landscape(professional team)
(2)非专业组
如图3所示：样本小区A(世贸滨江新城一期)给非专业组评价者留下明亮，生命力强，有气氛，植被覆盖率高的印象。样本小区B(闽江小区)留下人工，整齐，有气氛，植物单一的印象。对照区C (王兆新村)留下熟悉，普通，缺少变化，植物单一的印象。
图3& 园林景观综合评价（非专业组）
Fig 3& comprehensive evaluation of garden landscape(non-professional team)
2.2& 因子分析
为了得到居住小区园林景观公众满意度的普遍性，将SD法调查所得到的全组数据进行因子分析。由KMO与Bartlett的球形检定表(表3)看出KMO＝0.811。在实际分析中，KMO统计量在0.8以上时适合因子分析，因此此次因子分析的效果很好。
表3 KMO与Bartlett的球形检定表
Tab 3 spherical checking table of KMO and Bartlett
Kaiser-Meyer-Olkin Measure of Sampling
Bartlett’s Test of
Approx.Chi-Square
Sphericity
通过正交回转共抽出4个因子（抽出基准：特征向量值大于1）。累积贡献率达到86.375%。通过因子分析的结果，列出因子载荷矩阵表（表4）。每个因子内负荷量按大到小排列。考察因子轴构成的评价尺度，加以命名。
根据因子载荷矩阵表可知，决定第1因子轴的评价尺度中，因子负荷量在0.65以上的有7组。其中人工的－自然的评价尺度最高（0.927），其次是生硬的－柔和的（0.864），无生命力的－生命力强的（0.785），植被覆盖率低的－植被覆盖率高的（0.763），疏远的－可亲近的（0.752），喧闹的－幽静的（0.671），无气氛的－有气氛的（0.653）。这7组形容词表现了居住小区园林景观的自然度，柔和度，生命力，植被覆盖度，亲近度，幽静度，氛围度。这些形容词对组合起来代表了园林景观的自然环境，故将第1因子轴定名为自然性。
决定第2因子轴的评价尺度中，因子负荷量在0.62以上的有6组。其中缺乏联系的－呼应有致的评价尺度最高（0.955），其次是印象淡薄的－印象深刻的（0.762），不连续的－连续的（0.732），缺少变化的－变化丰富的（0.685），熟悉的－新奇的（0.653），植物单一的－植物多样的（0.621）。这6组形容词表现了居住小区园林景观的关联度，印象感，连续度，变化度，熟悉度，多样度。这些形容词对组合起来代表了园林景观的整体形式，故将第2因子轴定名为协调性。
决定第3因子轴的评价尺度中，因子负荷量在0.67以上的有5组。其中凌乱的－整齐的评价尺度最高（0.919），其次是空间封闭的－空间开敞的（0.867），层次模糊的－层次分明的（0.756），普通的－美观的（0.700），平面的－立体的（0.677）。这5组形容词表现了居住小区园林景观的有序度，空间感，层次感，美感，立体感。这些形容词对组合起来代表了园林景观的空间形式，故将第2因子轴定名为空间性。
决定第4因子轴的评价尺度中，因子负荷量在0.75以上的有2组。其中色彩单调的－色彩丰富的评价尺度最高（0.895），其次是阴暗的－明亮的（0.754）。这2组形容词表现了居住小区园林景观的色彩丰富度，光感。这些形容词对组合起来代表了园林景观的色彩性，故将第4因子轴定名为色彩性。
由上可知，居住小区园林景观公众满意度可以由自然性，协调性，空间性和色彩性4个心理评价轴进行评价和分析，评价轴见表5。
表4& 因子载荷矩阵表
Tab 4 chart of factor loading matrix
因子负荷量
人工的－自然的
生硬的－柔和的
无生命力的－生命力强的
植被覆盖率低的－植被覆盖率高的
疏远的－可亲近的
喧闹的－幽静的
无气氛的－有气氛的
缺乏联系的－呼应有致的
印象淡薄的－印象深刻的
不连续的－连续的
缺少变化的－变化丰富的
熟悉的－新奇的
植物单一的－植物多样的
凌乱的－整齐的
空间封闭的－空间开敞的
层次模糊的－层次分明的
普通的－美观的
平面的－立体的
色彩单调的－色彩丰富的
阴暗的－明亮的
表5& 居住小区园林景观评价轴
Tab 5 evaluation axle of residential sub-districts landscape
植被覆盖率高
(1)& 用SD法对哈尔滨居住区园林景观进行评价，得到了专业人士与非专业人士对三处设计风格不同的居住区园林景观的视觉形象。结果显示不同专业的人评价观点基本一致，对样本小区A(世贸滨江新城一期)的评价最高，说明近自然设计手法将会成为哈尔滨市未来居住小区园林景观设计的发展趋势。
(2)& 从SD法的因子分析结果可知，哈尔滨市居住区园林景观视觉效果的评价结构由自然性，协调性，空间性和色彩性评价轴代表。这4个因子代表了哈尔滨不同风格居住区园林景观视觉形象的大部分信息。
(3)& 由SD法评价图像可知，所有的评价样本都留下色彩单调的印象，是哈市现有居住小区园林景观建设普遍存在的问题，忽视利用植被本身的色彩变化来创造色彩丰富的景观。
[1] 杨毅强.2009.对居住区景观规划设计的思考[J]．山西建筑，(32)．
[2] 史峻峰．1998．哈尔滨住宅新区开发传承欧式特色[N]．市场报，(2)：10-29．
[3] 章俊华．2004．规划设计学中调查分析法16――SD法[J]．中国园林，（10）：54-58．
[4] Shuttle worth S. 1980. the use of the photograph as an environment perception mediumin landscape studies [J]. Environ Manage, (11):61-76.
[5] Brush, R.O., 1979. The attractiveness of woodlands: Perceptions of forest landowners in Massachusetts. Forest Science, 25: 495-506.
[6] 苏金明，傅荣华，周建斌，等．2000．统计软件SPSS for Windows实用指南[M]．北京：电子工业出版社．
王刚，1983年生，男，黑龙江人，东北农业大学园艺学院硕士生，研究方向为园林植物与观赏园艺。
)位网友发表了看法
】 编辑： | 阅读：
??????????}