SPSS主成分分析.pptVIP

主成分分析实例－不旋转 使用默认值进行最简单的主成分分析(默认为主成分分析法:Principal components) 对美国洛杉矶12个人口调查区的5个经济学变量的数据进行因子分析， 菜单：Analyze－Data Reduction－Factor Variables ：pop，School，employ，Services， house 其他使用默认值（主成分分析法Principal components，选取特征值1，不旋转) 比较有用的结果：两个主成分(因子)f1,f2及因子载荷矩阵(Component Matrix)，根据该表可以写出每个原始变量（标准化值）的因子表达式： Pop?0.581f1 + 0.806f2 School ? 0.767f1 - 0.545f2 employ ? 0.672f1 + 0.726f2 Services ? 0.932f1 - 0.104f2 house ? 0.791f1 - 0.558f2 每个原始变量都可以是5个因子的线性组合，提取两个因子f1和f2，可以概括原始变量所包含信息的93.4%。 f1和f2前的系数表示该因子对变量的影响程度，也称为变量在因子上的载荷。 但每个因子（主成分）的系数(载荷)没有很明显的差别，所以不好命名。因此为了对因子进行命名，可以进行旋转，使系数向0和1两极分化，这就要使用选择项。 洛衫矶对12个人口调查区的数据 因子分析实例－旋转Rotation 由于系数没有很明显的差别,所以要进行旋转(Rotation：method一般用Varimax方差最大旋转),使系数向0和1两极分化, 例子同上 菜单：Analyze－Data Reduction－Factor Variables ：pop，School，employ，Services， house Extraction：使用默认值（ method：Principal components，选取特征值1） Rotation：method选Varimax Score:Save as variables 和Display factor score Coefficient matrix 比较有用的结果：两个主成分(因子)f1,f2及旋转后的因子载荷矩阵(Rotated Component Matrix) ，根据该表可以写出每个原始变量（标准化值）的因子表达式： Pop? 0.01602 f1 + 0.9946f2 School ? 0 .941f1 - 0.00882f2 employ ? 0.137f1 + 0.98f2 Services ? 0.825f1 +0.447f2 house ? 0.968f1 - 0.00605f2 第一主因子对中等学校平均校龄,专业服务项目,中等房价有绝对值较大的载荷(代表一般社会福利-福利条件因子); 而第二主因子对总人口和总雇员数有较大的载荷(代表人口-人口因子). P326 比较有用的结果:因子得分fac1_1, fac2_1。其计算公式：因子得分系数和原始变量的标准化值的乘积之和。然后可以利用因子得分进行聚类（Analyze-Classify-Hierarchical Cluster）。 主成分分析实例P330 －不旋转市场研究中的顾客偏好分析 在市场研究中，常常要求分析顾客的偏好和当前市场的产品与顾客偏好之间的差别，从而找出新产品开发的方向。顾客偏好分析时常用到主成分分析方法（因子没有旋转）。 例子P330：数据来自SAS公司，1980年一个汽车制造商在竞争对手中选择了17种车型，访问了25个顾客，要求他们根据自己的偏好对17种车型打分。打分范围0～9.9， 9.9表示最高程度的偏好。data13-02a（17×25：17个case，25个变量V1-V25） 菜单：Analyze－Data Reduction－Factor Variables ：V1-V25 Extraction：method：Principal components Extract:Number of factors:3 要三个主成分 Score:Save as variables 比较有用的结果：3个主成分及其因子载荷矩阵(Component Matrix)：第一主成分和第二主成分的载荷图（Loading plots） 比较有用的结果:因子得分fac1_1, fac2_1 , fac3_1。然后可以利用因子得分进行各种分析：做偏好图： 用fac1_1, fac2_1做散点图（Graphs-Scatter：X- fac1_1 , Y- fac2_1）:第一主成分反映了车的产地，第