统计学作业..pptVIP

（1）对数据的相关性检验： 从表中可以看出，Bartlett球度检验统计量为75.082，检验P值接近于0，表明8个变量之间有较强的相关关系。而KMO统计量为0.554，大于0.5，较为适合做因子分析。 SPSS输出结果： （2）共同度量表 大部分变量的共同度量较高，因此，提取出的公因子对原始变量的解释能力较强。 （3）方差贡献率 提取的平方和：“Extraction Sums of Squared Loadings”部分是提取的三个公因子对原是变量方差的解释情况，虽然三个因子总共只解释了原始变量方差的70.67%，但第四个主成分的特征根表明因子分析的效果较为理想。旋转后的平方和：“Rotation Sums of Squraed Loadings”部分是因子旋转后对原是变量方差的解释情况。旋转后的累计方差没有改变，只是三个因子所解释的原是变量的方差发生了改变。 （4）旋转后的因子载荷矩阵 上表是旋转后的因子载荷矩阵，第一个因子与X2、X3这两个变量的载荷系数较大，主要解释了这两个变量。从实际意义上看，X2、X3分别反映了“净资产收益率”和“每股收益”，故我们把因子1命名为“收益”因子。第二个因子与X5、X6、X8这三个变量的载荷系数较大，主要解释了这三个变量。从实际意义上看，X5、X6、X8分别反映了“资产负债率”、“流动比率”，“资本累计率”故我们把因子2命名为“偿债”因子。第三个因子与X1、X4、X7这三个变量的载荷系数较大，主要解释了这三个变量。从实际意义上看，X1、X4、X7分别反映了“主管业务利润”、“总资产周转率”，“主营业务收入增长率”故我们把因子3命名为“主营业务”因子。 * 组员：谢冬林、郑涛、朱宁 洪志扬、赵子艺 1.基本原理： 通过考察变量的相关性，从原始变量中导出少数几个主分量，使它们尽可能多地保留原始变量的信息，且彼此间互不相关，数量远远少于原始变量的个数，对数据进行压缩，达到降维的目的，并解释数据。 2.数学模型： 3.主成分的选择： 首先，选择方差最大的主成分，若不足以代替原始变量，在考虑第二个主成分，以此类推，一般要求所选主成分的方差总和占全部方差的80%以上。 4.主成分解释： 主成分的因子载荷矩阵的每一列与原始变量的线性组合 5.主成分分析步骤： 第1步：对原始变量进行标准化，消除变量水平和量纲的影响。 第2步：根据标准化后的数据计算相关系数矩阵 第3步：求出相关系数矩阵的特征根及特征向量。 第4步：确定主成分，并对主成分的含义作出适当的解释 3.主成分的选择： 首先选择方差最大主成分，若不足以代表原来变量，再选择第二个主成分，以此类推，一般要求所选主成分方差总和占全部方差的80%以上。 4.解释主成分： 因子载荷矩阵的各列与标准化后的原始变量的线性组合。 5.主成分分析步骤： 第1步：对原始变量进行标准化，消除变量水平和量纲影响。 第2步：根据标准化后的数据计算相关系数矩阵。 第3步：求相关系数矩阵特征根及特征向量。 第4步：确定主成分，对主成分的含义作出适当解释。 6.SPSS操作： ①选择分析【Analyze】——降维【Data Reduction-Factor】，进入主对话框，如下图所示： ②在主对话框中将所有原始变量点击选入变量【Variables】 ③点击描述【Descriptives】，在相关矩阵【Correlation Matrix】下选择系数【Coefficients】，点击继续【Continue】回到主对话框。 ④点击抽取【Extraction】，在输出【Display】下选择碎石图【Scree Plot】，点击继续【Continue】回到主对话框。 ⑤点击旋转【Rotation】，在输出【Display】下选择载荷图【Loading Plot】，点击继续【Continue】回到主对话框。点击【OK】 7.课后习题： 课本P271 12.1 对2007年30家能源类上市公司有关经营数据进行主成分分析: spss基本操作： ①选择分析【Analyze】——降维【Data Reduction-Factor】，进入主对话框，如下图所示： ②在主对话框中将所有原始变量点击选入变量【Variables】 ③点击描述【Descriptives】， 在相关矩阵【Correlation Matrix】下选择系数【Coefficients】，点击继续【Continue】回到主对话框。 ④点击抽取【Extraction】，在输出【Display】下选择碎石图【Scree Plot】， 点击继