KMO与球形度检验.docVIP

各工业总值的因子分析 统计一班。201001111026 李楠楠 1 数据选取 在指标选取上, 我们兼顾了盈利性与风险性。而且考虑到市场对银行业绩的持续性的要求, 引入了代表业务增长性 的指标。这样, 最终选取了冶金工业( X1) 、电力工业( X2 ) 、煤炭工业(X 3) ， 石油工业(X 4) 、化学工业( X5 ) ， 机械工业( X6 ) 、建筑材料工业 ( X 7) 和森林工业( X8 ) ，食品工业( X9) 和纺织工业(X 10) ，缝纫工业（X11））Correlation Matrix 总 指 数 冶金工业 电力工业 煤炭工业 石油工业 化学工业 机械工业 建筑材料工业 森林工业 食品工业 纺织工业 缝纫工业 皮革工业 造纸工业 文教艺术 Correlation 总 指 数 1.000 .787 .759 .785 .832 .802 .887 .790 .716 .844 .698 .851 .799 .590 .847 冶金工业 .787 1.000 .518 .774 .737 .423 .788 .890 .845 .439 .217 .552 .393 .241 .595 电力工业 .759 .518 1.000 .574 .672 .414 .729 .636 .547 .635 .589 .819 .664 .238 .685 煤炭工业 .785 .774 .574 1.000 .598 .543 .731 .778 .724 .622 .313 .585 .525 .347 .613 石油工业 .832 .737 .672 .598 1.000 .570 .654 .666 .640 .503 .553 .602 .457 .265 .570 化学工业 .802 .423 .414 .543 .570 1.000 .540 .369 .268 .879 .730 .707 .768 .826 .732 机械工业 .887 .788 .729 .731 .654 .540 1.000 .908 .836 .681 .463 .794 .767 .505 .784 建筑材料工业 .790 .890 .636 .778 .666 .369 .908 1.000 .947 .508 .199 .641 .520 .340 .630 森林工业 .716 .845 .547 .724 .640 .268 .836 .947 1.000 .421 .180 .482 .388 .189 .474 食品工业 .844 .439 .635 .622 .503 .879 .681 .508 .421 1.000 .769 .796 .855 .725 .780 纺织工业 .698 .217 .589 .313 .553 .730 .463 .199 .180 .769 1.000 .668 .701 .444 .677 缝纫工业 .851 .552 .819 .585 .602 .707 .794 .641 .482 .796 .668 1.000 .842 .675 .933 皮革工业 .799 .393 .664 .525 .457 .768 .767 .520 .388 .855 .701 .842 1.000 .771 .850 造纸工业 .590 .241 .238 .347 .265 .826 .505 .340 .189 .725 .444 .675 .771 1.000 .674 文教艺术 .847 .595 .685 .613 .570 .732 .784 .630 .474 .780 .677 .933 .850 .674 1.000 2样本方差的解释 选择标准化数据的相关系数矩阵进行因子分析, SPSS10. 0 得出特征值和贡献率( 见表2) 。 以主成分方法作为因子提取方法, 选定的因子提取标准为: 特征值\1。可见有两个满足条件的特征值, 它们对样本 方差的累计解释率达到了81.556%, 因此, 提取两个因子即可对所分析问题作出较好的解释。 3因子解释 从因子载荷矩阵可以看出, 因素F1 X 5, X10 , X 11, X12，X13,X14 具有大的载荷, 因此, 将F1 命名为轻工业因子，指标X1,X2,X3,X4,X6,Z在因素F2据有较大载荷。因此, 将F2 命名为重工业因 子。 4 因子载荷矩阵 由于原始因子载荷矩阵在因子解释过程中未能达到理想效果, 故选择方差最大化方法进行因子旋转, 得到因子载荷 矩阵。因子载荷矩阵列示了提取的各因子与原始指标间的线性关系, 即各因子是原始指标的线性组合。