实验六主成分分析实六主成分分析.doc

实验课：主成分分析 实验目的 理解主成分（因子）分析的基本原理，熟悉并掌握SPSS中的主成分（因子）分析方法及其主要应用。 相关知识 1 概念 因子分析（Factor analysis）：就是用少数几个因子来描述许多指标或因素之间的联系，以较少几个因子来反映原资料的大部分信息的统计学分析方法。 主成分分析（Principal component analysis）：是因子分析的一个特例，是使用最多的因子提取方法。它通过坐标变换手段，将原有的多个相关变量，做线性变化，转换为另外一组不相关的变量。选取前面几个方差最大的主成分，这样达到了因子分析较少变量个数的目的，同时又能与较少的变量反映原有变量的绝大部分的信息。从数学角度来看，主成分分析是一种化繁为简的降维处理技术。 2分析原理 主成分分析实质就是确定原来变量xj（j=1，2 ，…，p）在各主成分zi（i=1，2，…，m）上的荷载 lij。 3分析步骤 3.1 确定待分析的原有若干变量是否适合进行因子分析(第一步) SPSS在因子分析中还提供了几种判定是否适合因子分析的检验方法。主要有以下3种： 巴特利特球形检验（Bartlett Test of Sphericity） 反映象相关矩阵检验（Anti-image correlation matrix） KMO（Kaiser-Meyer-Olkin）检验 3.2 构造因子变量 公共因子个数的确定准则：1）根据特征值的大小来确定，一般取大于1的特征值对应的几个公共因子/主成分。2）根据因子的累积方差贡献率来确定，一般取累计贡献率达85-95%的特征值所对应的第一、第二、…、第m（m≤p）个主成分。也有学者认为累积方差贡献率应在80％以上。 3.3 因子变量的命名解释 因子变量的命名解释是因子分析的另一个核心问题。 3.4 计算因子变量得分 因子变量确定以后，对于每一个样本数据，我们希望得到它们在不同因子上的具体数据值，即因子得分。 3.5 结果的分析解释 二、案例分析 1 研究问题 20名大学生关于价值观的9项测试结果，包括合作性、对分配的看法、行为出发点、工作投入程度、对发展机会的看法、社会地位的看法、权力距离、职位升迁和领导风格的偏好。 要求根据这9项内容进行主成分分析，得到维度较少的几个因子。 2 实现步骤 【1】在“Analyze”菜单“Data Reduction”中选择“Factor”命令，如下图所示。 【2】在弹出的下图所示的Factor Analysis对话框中，从对话框左侧的变量列表中选择这9个变量，使之添加到Variables框中。 【3】点击“Descriptives”按钮，弹出“Factor Analysis：Descriptives”对话框，如图所示。 Statistics框用于选择哪些相关的统计量，其中： Univariate descriptives（变量描述）：输出变量均值、标准差； Initial solution （初始结果） Correlation Matrix框中提供了几种检验变量是否适合做引子分析的检验方法，其中： Coefficients （相关系数矩阵） Significance leves （显著性水平） Determinant （相关系数矩阵的行列式） Inverse （相关系数矩阵的逆矩阵） Reproduced （再生相关矩阵，原始相关与再生相关的差值） Anti-image （反影像相关矩阵检验） KMO and Bartlett’s test of sphericity （KMO检验和巴特利特球形检验） 本例中，选中该对话框中所Coefficients、KMO and Bartlett’s test of sphericity选项，单击Continue按钮返回Factor Analysis对话框。 【4】单击“Extraction”按钮，弹出“Factor Analysis：Extraction”对话框，选择因子提取方法，如下图所示： 因子提取方法在Method下拉框中选取，SPSS共提供了7种方法： Principle Components Analysis （主成分分析） Unweighted least squares（未加权最小平方法） Generalized least squares （综合最小平方法） Maximum likelihood （最大似然估价法） Principal axis factoring （主轴因子法） Alpha factoring （α因子） Image factoring （影像因子） Analyze框中用于选择因子提取变量依据，其中： Correlation matrix （相关系数矩阵） Covariance mat