下載-輔仁大學.doc

【統計教室】 (一)—主成份分析 謝邦昌 (輔仁大學統計資訊學系教授) 壹、前言 每當學年要結束時，， a1 ， a2 ， a3 ， a4 a1×國語＋a2×算術＋a3×自然＋a4×社會科； 這樣一來即是加權過後總合的成績。接著吾人須決定的是加權的比重，這就是主成份分析，上述的加權比重的1次式亦即其主成份(Principal Component)。 (PCA)？ PCA。 實際上主成份分析之主要目的乃是希望用較少的變數去解釋原來資料中的大部分變異，亦即期望能將我們手中許多相關性很高的變數轉化成彼此互相獨立的變數，，，， 而為什麼要用解釋變異之能力來尋找主成份呢？，，，，？，，，，，，，，PCA來找出主成份，，，，，，，，，(即每個變數的加權程度都同)。 參、模式 PC(1) = a11X1 + a12X2 + 。。。。。 + a1pXp PC(2) = a21X1 + a22X2 + 。。。。。 + a2pXp 。 。 。 PC(m) = am1X1 + am2X2 + 。。。。。 + ampXp PC(1)，PC(2)，。。。，PC(m)1主成份，2主成份，。。。 m主成份， 1次式的係數，ai1，。。。，aip 其中在選擇加權數，a11。。。，a1pPC(1)得到最大解釋變異能力，PC(1)能得到最大之變異數，PC(2)則是能對原始資料中尚未被PC(1)解釋的變異部分擁有最大解釋能力，，m個PC出來*(m≦p)， Xj ， j = 1， 2 ，。。。。， P PC(m) = am1X1 + am2X2 + 。。。。。 + ampXp Y = β1X1 +β2X2 + 。。。。。+pXp 來表示。 (*)通常原始資料有P個X變數時，，m個出來，P個PC(m ≦ P)，，80%以上。除此之外，PPC與原來的P個變數X，，，P個PC則為彼此獨立之新變數。 肆、SAS中之主成份分析：PROC PRINCOMP 在行為科學研究的試探階段，我們常碰到必須處理許多彼此可能有相關存在的變數的情境。若將變數個數減少，並使其改變為少數幾個互相獨立的線性組合變數{亦即潛在變量或假定的成份(COMPONENTS) }，我們便可以使用主成份分析來表達以上這幾個目的。即將較少數幾個變數予以線性組合，使經由線性組合而得的成份之變異數為最大，使觀察值在這些成份方面顯出最大的差別來。 PROC PRINCOMP 的分析結果包括未經標準化及標準化後之主成份值。這些主成份值可以代替原變數的值，進一步進行其他分析，如迴歸分析，集群分析或繪圖等。 PROC PRINCOMP options選項中，若選擇OUT-STAT-SASdataset，則資料組SASdataset內將包含以下各統計量：平均數(MEAN)，標準差(STD)，(CORR)，(COV)，(EIGENVALUE)，(SCORE)，(SUMGWT)。 PROC PRINCOMP 選項串： ： DATA = ， OUT = 輸出資料檔名稱， OUTSTAT = 輸出資料檔名稱，： 代號(_TYPE_) 定 義 -------------------------- ---------------------------- ＭＥＡＮ 每一變項的平均數 ＳＴＤ 每一變項的標準差 Ｎ 觀察體的總個數 ＣＯＲＲ 相關係數 ＣＯＶ 變異數/共變數矩陣 ＥＩＧＥＮＶＡＬ 特性根 ＳＣＯＲＥ 特性向量 ＳＵＭＷＧＥ 加權值的總和 NOINT(無常數項) COVARIENCE(或COV) --要求以變異數/共變數矩陣為分析的數據 N = 正整數--界定成主成份的總數 STANDARD(或STD) --要求OUT=輸出資料檔中含標準化的主成份值 PREFIX = 主成份的名字--為主成份命名 NOPRINT --不印出分析結果 VAR 變項名稱串：-- PRATIAL 變項名稱：--， FREQ 變項名稱：-- WEIGHT 變項名稱：-- BY 變項名稱串：-- 伍、結語 主成份分析(principal component analysis)首由K. Pearson於1901年提出，Hotelling(1933)加以發展的一種統計方法。其主要目的是在於將許多變項予以減少，(