主成份.docVIP

主成份分析及在数学建模中的应用 摘要：主成份分析是一种处理多维数据的重要方法它在西方国家已成为一种应用广泛的统计分析方法，本文主要对主成份分析的方法及意义做出了详细的介绍，并针对主成份的特点应用于经济及发展的领域，解决实际问题和社会需要，对现状进行分析得到合理的解释和方案。 关键字：主成份 主成份分析 经济发展 可持续发展 主成份分析是一种处理多维数据的重要方法它在西方国家已成为一种应用广泛的统计分析方法，那么主成份分析究竟是怎么一回事，应该怎样应用它呢？ 本文就此作如下介绍 一、主成份分析方法概要 假定要研究n个区域的经济发展水平，选择m个有代表的指标，，…，将各区域的指标值组成m*n阶的资料矩阵，可以把x看作是m维的随机变量，目的就是要构造出k个（km）综合指标（主成份），这些综合指标分别是m个原指标的线性组合，即 ...... 如用矩阵表示就是其中，。L是个正交矩阵，求出L矩阵是问题的关键。 二、主成份分析的计算步骤如下： 1、为了消除因各指标量纲不同而造成的干扰，须对原始指标数据作标准化处理，即先求出均值，，…，和方差，，…，，再求（i=1,2,…,m ,j=1,2,…n） 2、计算相关系数矩阵R。R中的每一个元素可用下式求得：（i,j=1,2,…m =1,2,…,n） 3、用雅可比方法计算相关系数矩阵R的非零特征值，以及每一个所对应的特征向量（i=1,2,…,m）. 4、计算方差所占比重和方差累计百分比。一般来说，当累计百分比达85%以上时，这前k个（km）主成份就是足以反映原来m个指标的信息。 5、计算主成份载荷（i,k=1,2,…,m）。 6、计算主成份得分值矩阵，其中（i=1,2,…m j=1,2,…n）表示第j个区域中第i项综合指标的得分值 三、主成份分析的意义 下表是我们经常遇到的一种数据表 其中1、2、…n为对应观测单位的序号每个被观测单位 指标 单位 … 1 2 . . . n . . . . . . . . . 都用k个指标来反映其特征。我们当然希望根据现有的统计数据来分析各观测单位的性质及它们之间的相互关系，但由于各观测单位都由k个指标描述，所以当k 比较大时 ，分析起来就比较困难，于是人们自然就会想到，能否从这k个指标中找出几个综合性最高的指标,它们能够最大可能地包含原来 k个指标所蕴含的信息，然后再根据这些指标的数值来分析各观。测单位的属性及其相互关系，主成份分析方法就是寻找这种综合程度最高的指标的方法之一 。那么，怎样通过主成份分析来求得这种指标呢？ 主成份分析的基本思想是将上表中的每个观测单位都看成是空间的一个点，这样，有 n个观测单位就有n个点 我们设这n个点为、… 每一个点都有k个坐标, 我们可以 写成（，…）i=1、2….n 我们的目的就是要找到一个方向 然后把所有n个点都投影到这一方向上，而且使各个点在这一方向上的投影从总体上讲最大可能地反映它们的各种属性，换句话说，如果我们单从各点在这一方向上的投影的性质来分析它们原有的性质，其信息损失最小。满足这一条件的方向就是第一主方向，而各点在这一主方向的投影分别叫做它们对应单位的第一主成份， 这个第一主成份也就是我们要找的第一个综合指标。同时，我们也可以寻找第二主方向和第二主成份。第二主方向满足两个条件：（1）与第一主方向垂直；（2）各点在上的投影最大可能地包含其原来的信息。有了第二主方向，也就可以求第二主成份。类似地，我们也可以求第三主方向和第三主成份，等等。那么，怎样从统计数据中求出这些主成份呢？ 数理统计学的基本结论是，对于观测的数据矩阵我们可以通过计算得到矩阵，其中为的转置矩阵。则对数据矩阵进行主成份分析时，其第一主方向就是矩阵A的最大非负特征值所对应的特征向量的单位化；第二主方向就是矩阵A 的次大非负特征值所对应的特征向量的单位化；其余依此类推。这样，一个具有实际意义的求综合指标问题就转化为代数理论中的求特征值和特征向量的问题，而后者在理论上和计算上都可以比较完美地实现。 四、主成份分析法在区域经济发展水平评价中的应用 为了分析区域经济发展水平，可以选取若干反映经济水平的指标作为评价依据，如人口密度，人均耕地、人均国民收入、人均工农业总产值等。但人为地选择、确定指标难免存在片面性，或把某些有一定相关程度的指标同时引入，从而影响评价的客观性。为避免这种情况的出现，用主成份分析方法对所考虑的众多指标进行数学处理，变成某些相互独立、为数较少的综合指标—主成份，以这些综合指标作为评价区域经济发展水平新的数值依据，数值大小的顺序排列即代表各区域经济发展水平高低的差异。