SPSS培训主成分分析-卫生统计知识及应用软件培训.ppt

主 成 分 分 析 Principal Component Analysis 问题的提出 医学科学研究涉及的变量,互相之间可能会有一定联系(多重共线性);已有变量的少数几种线性组合(主成分),已经能够很好的反映原始数据蕴涵的信息。 主成分分析就是主成分的提取过程。 基本原理 基本原理（续1） 设R为X1~X4的相关系数矩阵，则有： 其中，A是所谓组合系数矩阵（负荷矩阵）。 基本原理（续2） 则有： 基本原理（特征根） 基本原理（特征向量） 主成分的性质 1. 主成分间互不相关 2. 组合系数构成的向量为单位向量 3. 各主成分的方差是递减的 4. 总方差和原始变量的方差相同 实例分析1(方435_25_1) 1985年中国28省市汉族城市男生19~22岁组若干形态指标的平均值。 数据集中， 28行表示28个省份，6列表示6项指标。 试提取全部的主成分。 实现步骤 创建数据集或打开现成的数据集。 2. Analyze Data reduction Factor ... 具体操作步骤 Analyze→ Data Reduction → Factor → 所有变量选入“Variables” →Descriptive 中选√ KMO and Bartlett’s test of Sphericity; Correlation Matrix 中选 √ Coefficients→ Extraction →Extract, 选中⊙Number of factors 3 → Rotation → Display 中选√ loading plots →Scores 中选 √ save as variables和 √ Display factor score……;其余均按默认值 → ok 计算实现与结果讨论（1） 计算实现与结果讨论（2） KMO的计算： 计算实现与结果讨论（3） 计算实现与结果讨论（4） 计算实现与结果讨论（5） 计算实现与结果讨论（6） * 设R的特征向量矩阵为： 设R的特征值为： 令 对于矩阵RP×P,则由下列行列式确定的P阶方程之根， 称为R的特征根。 对于矩阵RP×P,已知其特征根为λi，则满足下式的向量为该特征根对应的特征向量： （各主成分独立地反映某一方面的信息） （最重要的主成分解释最多的变异） （主成分分析并未改变原始数据的总的信息量） 相关系数阵 KMO检验与球形检验 用于检验变量间的偏相关性，越接近1，表示偏相关越小。 用于检验变量间的独立性，P0.05时，提示各变量间不独立。 特征根,贡献率,累积贡献率 因子图（主成分与各变量的关系） 特征向量矩阵