主成分分析法及其在SPSS中的操作_第1頁
主成分分析法及其在SPSS中的操作_第2頁
主成分分析法及其在SPSS中的操作_第3頁
主成分分析法及其在SPSS中的操作_第4頁
全文預(yù)覽已結(jié)束

下載本文檔

版權(quán)說明: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)

文檔簡介

1、-. z.一、主成分分析根本原理概念:主成分分析是把原來多個(gè)變量劃為少數(shù)幾個(gè)綜合指標(biāo)的一種統(tǒng)計(jì)分析方法。從數(shù)學(xué)角度來看,這是一種降維處理技術(shù)。思路:一個(gè)研究對(duì)象,往往是多要素的復(fù)雜系統(tǒng)。變量太多無疑會(huì)增加分析問題的難度和復(fù)雜性,利用原變量之間的相關(guān)關(guān)系,用較少的新變量代替原來較多的變量,并使這些少數(shù)變量盡可能多的保存原來較多的變量所反響的信息,這樣問題就簡單化了。 原理:假定有n個(gè)樣本,每個(gè)樣本共有p個(gè)變量,構(gòu)成一個(gè)np階的數(shù)據(jù)矩陣,記原變量指標(biāo)為*1,*2,*p,設(shè)它們降維處理后的綜合指標(biāo),即新變量為 z1,z2,z3, ,zm(mp),則系數(shù)lij確實(shí)定原則:zi與zjij;i,j=1,2

2、,m相互無關(guān);z1是*1,*2,*P的一切線性組合中方差最大者,z2是與z1不相關(guān)的*1,*2,*P的所有線性組合中方差最大者; zm是與z1,z2,zm1都不相關(guān)的*1,*2,*P,的所有線性組合中方差最大者。新變量指標(biāo)z1,z2,zm分別稱為原變量指標(biāo)*1,*2,*P的第1,第2,第m主成分。從以上的分析可以看出,主成分分析的實(shí)質(zhì)就是確定原來變量*jj=1,2 , p在諸主成分zii=1,2,m上的荷載 lij i=1,2,m; j=1,2 ,p。從數(shù)學(xué)上可以證明,它們分別是相關(guān)矩陣m個(gè)較大的特征值所對(duì)應(yīng)的特征向量。二、主成分分析的計(jì)算步驟1、計(jì)算相關(guān)系數(shù)矩陣riji,j=1,2,p為原變

3、量*i與*j的相關(guān)系數(shù),rij=rji,其計(jì)算公式為2、計(jì)算特征值與特征向量解特征方程 ,常用雅可比法Jacobi求出特征值,并使其按大小順序排列;分別求出對(duì)應(yīng)于特征值 的特征向量 ,要求 =1,即其中 表示向量的第j個(gè)分量。3、計(jì)算主成分奉獻(xiàn)率及累計(jì)奉獻(xiàn)率奉獻(xiàn)率:累計(jì)奉獻(xiàn)率:一般取累計(jì)奉獻(xiàn)率達(dá)85%-95%的特征值, 所對(duì)應(yīng)的第1、第2、第mmp個(gè)主成分。 4、計(jì)算主成分載荷5、各主成分得分三、主成分分析法在SPSS中的操作1、指標(biāo)數(shù)據(jù)選取、收集與錄入表12、Analyze Data Reduction Factor Analysis,彈出Factor Analysis 對(duì)話框:3、把指標(biāo)數(shù)

4、據(jù)選入Variables 框,Descriptives: Correlation Matri* 框組中選中Coefficients,然后點(diǎn)擊Continue, 返回Factor Analysis 對(duì)話框,單擊OK。注意:SPSS 在調(diào)用Factor Analyze 過程進(jìn)展分析時(shí), SPSS 會(huì)自動(dòng)對(duì)原始數(shù)據(jù)進(jìn)展標(biāo)準(zhǔn)化處理, 所以在得到計(jì)算結(jié)果后的變量都是指經(jīng)過標(biāo)準(zhǔn)化處理后的變量, 但SPSS 并不直接給出標(biāo)準(zhǔn)化后的數(shù)據(jù), 如需要得到標(biāo)準(zhǔn)化數(shù)據(jù), 則需調(diào)用Descriptives 過程進(jìn)展計(jì)算。從表3 可知GDP 與工業(yè)增加值, 第三產(chǎn)業(yè)增加值、固定資產(chǎn)投資、根本建立投資、社會(huì)消費(fèi)品零售總額、

5、地方財(cái)政收入這幾個(gè)指標(biāo)存在著極其顯著的關(guān)系, 與海關(guān)出口總額存在著顯著關(guān)系??梢娫S多變量之間直接的相關(guān)性比擬強(qiáng), 證明他們存在信息上的重疊。主成分個(gè)數(shù)提取原則為主成分對(duì)應(yīng)的特征值大于1的前m個(gè)主成分。特征值在*種程度上可以被看成是表示主成分影響力度大小的指標(biāo), 如果特征值小于1, 說明該主成分的解釋力度還不如直接引入一個(gè)原變量的平均解釋力度大, 因此一般可以用特征值大于1作為納入標(biāo)準(zhǔn)。通過表4( 方差分解主成分提取分析) 可知, 提取2個(gè)主成分, 即m=2, 從表5( 初始因子載荷矩陣) 可知GDP、工業(yè)增加值、第三產(chǎn)業(yè)增加值、固定資產(chǎn)投資、根本建立投資、社會(huì)消費(fèi)品零售總額、海關(guān)出口總額、地方

6、財(cái)政收入在第一主成分上有較高載荷, 說明第一主成分根本反映了這些指標(biāo)的信息; 人均GDP 和農(nóng)業(yè)增加值指標(biāo)在第二主成分上有較高載荷, 說明第二主成分根本反映了人均GDP 和農(nóng)業(yè)增加值兩個(gè)指標(biāo)的信息。所以提取兩個(gè)主成分是可以根本反映全部指標(biāo)的信息, 所以決定用兩個(gè)新變量來代替原來的十個(gè)變量。但這兩個(gè)新變量的表達(dá)還不能從輸出窗口中直接得到, 因?yàn)閜onent Matri*是指初始因子載荷矩陣, 每一個(gè)載荷量表示主成分與對(duì)應(yīng)變量的相關(guān)系數(shù)。用表5( 主成分載荷矩陣) 中的數(shù)據(jù)除以主成分相對(duì)應(yīng)的特征值開平方根便得到兩個(gè)主成分中每個(gè)指標(biāo)所對(duì)應(yīng)的系數(shù)。將初始因子載荷矩陣中的兩列數(shù)據(jù)輸入( 可用復(fù)制粘貼的方

7、法) 到數(shù)據(jù)編輯窗口( 為變量B1、B2) , 然后利用Transformpute Variable, 在pute Variable對(duì)話框中輸入A1=B1/SQR(7.22)注: 第二主成分SQR后的括號(hào)中填1.235, 即可得到特征向量A1(見表6)。同理, 可得到特征向量A2。將得到的特征向量與標(biāo)準(zhǔn)化后的數(shù)據(jù)相乘, 然后就可以得出主成分表達(dá)式注: 因本例只是為了說明如何在SPSS 進(jìn)展主成分分析, 故在此不對(duì)提取的主成分進(jìn)展命名, 有興趣的讀者可自行命名。標(biāo)準(zhǔn)化:通過AnalyzeDescriptive StatisticsDescriptives 對(duì)話框來實(shí)現(xiàn): 彈出Descriptives 對(duì)話框后, 把*1*10選入Variables 框, 在Save standardized values as variables 前的方框打上鉤, 點(diǎn)擊OK, 經(jīng)標(biāo)準(zhǔn)化的數(shù)據(jù)會(huì)自動(dòng)填入數(shù)據(jù)窗口中, 并以Z開頭命名。以每個(gè)主成分所對(duì)應(yīng)的特征值占所提取主成分總的特征值之和的比例作為權(quán)重計(jì)算主成分綜合模型, 即用第一主成分F1 中每個(gè)指標(biāo)所對(duì)應(yīng)的系數(shù)乘上第一主成分F1 所對(duì)應(yīng)的奉獻(xiàn)率再除以所提取兩個(gè)主成分的兩個(gè)奉獻(xiàn)率之和, 然后加上第二主成分F2 中每個(gè)指標(biāo)所對(duì)應(yīng)的系

溫馨提示

  • 1. 本站所有資源如無特殊說明,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)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 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

評(píng)論

0/150

提交評(píng)論