第七章样本的主成分应用例子.pptVIP

第七章 §7.2样本的主成分应用例子7.2.1 第七章 §7.2样本的主成分例7.2.1的输出结果 第七章 §7.2样本的主成分例7.2.1的输出结果 第七章 §7.2样本的主成分例7.2.1的结果分析 第七章 §7.2样本的主成分例7.2.1的结果分析 第七章 §7.2样本的主成分例7.2.1的结果分析 第七章 §7.2样本的主成分例7.2.1的结果分析 第七章 §7.2样本的主成分例7.2.1的输出结果 第七章 §7.2样本的主成分例7.2.1的结果分析 第七章 §7.2样本的主成分例7.2.1的输出结果 第七章 §7.2样本的主成分例7.2.1的结果分析 第七章§7.3主成分分析的应用 第七章§7.3主成分分析的应用指标（变量）分类 第七章§7.3主成分分析的应用指标（变量）分类---例子7.3.1 第七章§7.3主成分分析的应用指标（变量）分类---例子7.3.1 第七章§7.3 主成分分析的应用指标（变量）分类---例子7.3.1的输出结果 第七章§7.3 主成分分析的应用指标（变量）分类---例子7.3.1的输出结果 第七章§7.3 主成分分析的应用指标（变量）分类---例子7.3.1的结果分析 第七章§7.3 主成分分析的应用指标（变量）分类---例子7.3.1的结果分析 * 北大数学学院  例7.2.1 学生身体各指标的主成分分析. 随机抽取30名某年级中学生,测量其身高(X1)、体重(X2)、胸围(X3)和坐高(X4),数据见书中P277表7.4(或以下SAS程序的数据行). 试对中学生身体指标数据做主成分分析. 解 (1) 以下SAS程序首先生成包括30名学生身体指标数据的SAS数据集d721(其中变量NUMBER记录识别学生的序号)，然后调用SAS/STA软件中的PRINCOMP过程进行主成分分析.  学生身体指标数据的描述统计量和相关阵  输出7.2.1 相关阵的特征值和特征向量  PRINCOMP过程由相关阵出发进行主成分分析.由输出7.2.1中相关阵的特征值可以看出，第一主成分的贡献率已高达88.53%；且前二个主成分的累计贡献率已达96.36%.因此只须用两个主成分就能很好地概括这组数据. 另由第三和四个特征值近似为0，可以得出这4个标准化后的身体指标变量(Xi*,i=1,2,3,4)有近似的线性关系(即所谓共线性),如 0.505747 X1* -0.690844 X2* +0.461488 X3* -0.232343 X4*≈c(常数).  由最大的两个特征值对应的特征向量可以写出第一和第二主成分： Z1=0.4970 X1*+0.5146 X2* +0.4809 X3* +0.5069 X4* Z2= -0.5432 X1* +0.2102 X2* +0.7246 X3* - 0.3683 X4* 第一和第二主成分都是标准化后变量Xi* (i=1,2,3,4)的线性组合，且组合系数就是特征向量的分量.  利用特征向量各分量的值可以对各主成分进行解释. 第一大特征值对应的第一个特征向量的各个分量值均在0.5附近,且都是正值,它反映学生身材的魁梧程度.身体高大的学生,他的4个部位的尺寸都比较大;而身体矮小的学生,他的4个部位的尺寸都比较小.因此我们称第一主成分为大小因子.  第二大特征值对应的特征向量中第一(即身高X1的系数)和第四个分量(即坐高X4的系数)为负值,而第二(即体重X2的系数)和第三个分量(即胸围X3的系数)为正值,它反映学生的胖瘦情况,故称第二主成分为胖瘦因子.  输出7.2.2 第二主成分得分对第一主成分得分的散布图  输出7.2.2是PLOT过程产生的输出图形，从图中可以直观地看出，按学生的身体指标尺寸，这30名学生大约应分成三组(以第一主成分得分值为-1和2为分界点). 每一组包括哪几名学生由每个散点旁边的序号可以得知.更详细的信息可从PRINT过程产生的输出数据列表中得到.   按第一主成分得分排序后的主成分得分和原始数据  以上输出列表中把30个观测按第一主成分从小到大重新排序后的输出结果.从这里可以得到分为三组时各组学生的更多的信息如下: G1={11,15,29,10,28