应用统计学主成分的分析.pptVIP

二、由相关矩阵求解主成分 当分析中所选择的经济变量具有不同的量纲，变量水平差异很大，应该选择基于相关系数矩阵的主成分分析。 量纲对于主成分分析的影响及消除方法——对数据进行标准化处理，以使每一个变量的均值为0，方差为1。 数据标准化后,总体的协方差矩阵与总体的相关系数相等. 主成分与原始变量的关系式为： 例：企业经济效益综合分析。用5个经济指标进行考核。用相关系数矩阵法求解主成分。其中计算出的相关系数矩阵为： （1）计算其特征值： （2)各特征值的累计方差贡献率为： （3）从以上方差贡献率看，k=2时主成分个数较为合适。 对应的特征向量为： （4）建立第一和第二主成分： 从相关系数矩阵出发求解主成分的步骤： 1、标准化各观测变量数据。 2、求解标准化各观测变量的相关系数矩阵。 3、求解相关系数矩阵的特征根。 4、求解各特征根对应的特征向量。 三、主成分性质 1，主成分的协方差阵为对角阵 2、P个随机变量的总方差为协方差矩阵?的所有特征根之和 说明主成分分析把P个随机变量的总方差分解成为P个不相关的随机变量的方差之和。 当进行相关系数矩阵求解主成分，各变量标准化后，则p个主成分总的方差之和等于p。 3、贡献率： 第i个主成分的方差在全部方差中所占比重 ，称为贡献率，反映了原来P个指标多大的信息，有多大的综合能力。 4、累积贡献率： 前k个主成分共有多大的综合能力，用这k个主成分的方差和在全部方差中所占比重 来描述，称为累积贡献率。 5.原始变量与主成分之间的相关系数（因子负荷量） 和 的相关密切程度与对应线性组合系数向量成正比，与主成分标准差成正比，与原始变量　　的标准差成反比。 当原始变量标准化后，标准化变量与主成分的相关关系： 样本主成分求解 变量X 样本协方差为总体协方差的无偏估计 相关矩阵R为总体相关矩阵的估计 若X已标准化，则可用相关矩阵代替协方差矩阵 λ为相关矩阵的特征值 将R的特征根依大小顺序排列 其对应的特征向量记为U1，U2,…,Up 说明y1有最大方差，y2有次大方差。。。 说明新的综合指标即主成分彼此不相关 样本主成分的性质： 1、第K个主成分yk的系数向量是第K个特征根λk所对应的标准化特征向量。 2、第K个主成分的方差为第K个特征根λk，且任意两个主成分都是不相关的，也就是y1,y2,…,yp的样本协方差矩阵是对角矩阵 3、样本主成分的总方差等于原变量样本的总方差，为p 4、第K个样本主成分与第j个变量样本之间的相关系数为： （因子载荷量） 主成分个数的确定以及主成分分析的实现 一、主成分个数的选取 1.累积贡献率达到85%以上 2.根据特征根的变化来确定 数据标准化情况下： 3.作碎石图 描述特征值的贡献 三、主成分分析的步骤 1、根据研究问题选取初始分析变量； 2、根据初始变量特性判断用协方差矩阵求主成分还是用相关矩阵求主成分；（量纲不一致则将原始数据进行标准化处理用相关矩阵求主成分） 3、求协方差矩阵或相关矩阵的特征根与相应的特征向量； 4、判断是否存在明显的多重共线性，若存在，返回至第1步； 5、得到主成分表达式并确定主成分个数，依据方差贡献率选取主成分； 6、对主成分作出合理解释，并结合其他研究法对研究问题进行深入分析。 三、SPSS操作： 1、analyze-description statistic-description-save standardized as variables（若需要数据标准化，则进行该操作） 2、analyze-data reduction-factor 3、指定参与分析的变量 4、运行factor 过程 求职应注意的礼仪 求职时最礼貌的修饰是淡妆 面试时最关键的神情是郑重 无论站还是坐，不能摇动和抖动 对话时目光不能游弋不定 要控制小动作 不要为掩饰紧张情绪而散淡 最优雅的礼仪修养是体现自然 以一种修养面对两种结果 必须首先学会面对的一种结果----被拒绝 仍然感谢这次机会，因为被拒绝是面试后的两种结果之一。 被拒绝是招聘单位对我们综合考虑的结果，因为我们最关心的是自己什么地方与用人要求不一致，而不仅仅是面试中的表现。 不要欺骗自己，说“我本来就不想去”等等。 认真考虑是否有必要再做努力。 必须学会欣然面对的一种结果----被接纳 以具体的形式感谢招聘单位的接纳，如邮件、短信 考虑怎样使自己的知识能力更适应工作需要 把走进工作岗位当作职业生涯的重要的第一步，