SPSS数据的分析教程-11 主成分的分析.pptVIP

作业 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，认真思考如何为以后的发展开好头。 Thank you SPSS数据分析教程 —《SPSS数据分析教程》 第11章 主成分分析 目录 11.1　主成分分析简介 11.1.1　主成分分析的目的与功能 11.1.2　主成分分析的数学理论 11.2　主成分分析的应用条件 11.2.1　Bartlett球形检验 11.2.2　KMO统计量 11.2.3　基于相关系数矩阵还是协方差矩阵 11.3　主成分分析案例 11.3.1　综合评价案例 11.3.2　主成分分析用于探索量间结构关系 本章学习目标 了解主成分分析的应用领域； 了解主成分析的应用条件； 掌握如何确定主成分的个数； 熟练解释主成分分析的结果：载荷矩阵、共同度、方差贡献率等； 掌握应用主成分分析进行数据降维和综合评价的方法。 11.1 主成分分析简介 主成分分析的目的与功能 在多变量分析中，分析者所面临的最大难题是解决众多变量之间的关系问题。进行数据降维可以用尽可能少的新指标取代原来较多的指标变量，并能包含原来指标变量所包含的大部分信息 。 解决多元回归分析中的多重共线性问题。 综合评价中，人们总是尽可能多地选取评价指标，而这些评价指标之间往往相互重叠，信息冗余是不可避免的。主成分分析则可以把这众多指标所蕴含的信息压缩到少数几个主成分指标，然后给出这几个主成分指标的权重，综合到一个评价指标中。 主成分的主要功能 数据降维（Dimension Reduction） 变量筛选（Variables Screening） 主成分分析的算法步骤 第1步：进行样本数据的标准化，以消除指标变量的量纲或者单位的影响。 第2步：求出相关系数矩阵R的所有非零特征根 第3步：选择主成分个数。 第4步：求出相应于前s个特征根的特征向量并将特征向量进行单位化。 第5步：计算主成分变量的取值。 选择主成分个数的方法 给出方差贡献率?，即给出希望得到的全部信息的比例。要求输出能够反映全部信息的100?%的主成分。 根据碎石图选择合适的主成分的个数 。 设定特征值满足的条件或者直接给出所需要的主成分的个数s 。 共同度和方差贡献率 共同度：前s个主成分能够解释的每个原始变量的方差的比例（称为共同度）。 方差贡献率：它是每个主成分所能够解释的所有原始变量的信息（即方差），它由载荷矩阵（特征向量矩阵，即方程11-4）相应的列元素的平方和给出。 11.2 主成分分析的应用条件 Bartlett球形检验（1） 主成分分析的原始变量之间必须有相关性，如果变量之间相互独立，则无法用主成分分析法来进行数据降维。 Bartlett球形检验的假设为 原假设：相关系数矩阵为单位矩阵（即变量互不相关）。 备择假设：相关系数矩阵不是单位矩阵（即变量之间有相关关系）。 Bartlett球形检验（2） SPSS将提供Bartlett球形检验的卡方统计量的值、相应的自由度和显著性值。如果显著性值小于0.05，则认为主成分分析是适宜的。卡方统计量的值越大，变量之间的相关性越强。 KMO统计量 （1） KMO统计量比较样本相关系数和样本偏相关系数，它用于检验样本是否适于作主成分分析。 KMO统计量的取值在0和1之间，该值越大，则样本数据越适于作主成分分析和因子分析。一般要求该值大于0.5，方可以应用主成分分析或者相关分析。 KMO统计量 （2） 基于相关系数矩阵还是协方差矩阵 当变量取值范围变化很大或者量纲变化时，协方差矩阵变化很大。一般情况下，主成分分析都是基于相关系数矩阵的。 主成分分析案例 （1） 打开本章数据文件PCA20.sav 某公司有20个工厂，现在要对每个工厂作经济效益分析。从所取得的生产成果和所消耗的人力、物力、财力的比率等指标中，选取5个指标（变量）进行分析。 X1——固定资产的产值率； X2——净产值的劳动生产率； X3——百元产值的流动资金占用率； X4——百元产值的利润率； X5——百元资金的利润率。 主成分分析