应用统计学主成分分析-4版.pptxVIP

第七章 主成分分析;Origins of PCA;What does PCA do?;What About the New Data?;PCA的实质——简化数据;;;各国运动员100m和200m成绩，计算下列变量方差： X100m和X200m 0.707*X100m+0.707X200m 0.167*X100m+0.986X200m;二、PCA的模型与算法;上式的解就是R的特征根?1?2…?p ，其相应的特征向量?1、?2、…?p就是权重向量，权重向量与Xs相乘得到的向量z1=Xs?1、z2=Xs?2、… zp=Xs?p，就是Xs的主成分，且有：;由于各主成分彼此不相关，因此，所有主成分之和的方差等于所有特征根之和，即：;特征根和特征向量的求法;例：三标准化变量x1、x2、x3，n=300;主成分分析：对原始数据阵进行正交旋转，使得第一主成分能保留原始数据的最大方差，第二主成分保留次大方差……，且主成分之间不相关，我们可以忽略方差贡献小的主成分从而达到降维的目的。;Conceptual Model;主成分载荷阵;三、PCA的SPSS实现;图1;图2;4）???击score，确定主成分得分;分析结果：;提取两个主成分;主成分分析例1;应该保留几个主成分？;;保留2个特征根vs保留4个特征根;最终结果：;主成分的解释——分析载荷阵;利用两个主成分分析各国运动员情况;;主成分提取方法;前例：相关阵与协差阵主成分比较;?;主成分分析案例：2003年广东省各地区电信业发展状况综合分析;第一主成分：总量因素，城市电信业务规模;各城市电信发展水平的评价：排名;四、PCA的应用;1. Principal Components Regression ;;特征根与多重共线诊断;例 医院生产率;主成分回归（对协方差阵）：;保留几个主成分？; ?1 ?2 load 0.006780 0.032034 xray 0.978406 -.206686 beddays 0.206532 0.977801 elgpop 0.004544 0.012654 stay 0.000033 0.000488 ;计算主成分得分;zi=faci-i×?1/2;（2）主成分回归：做manhrs对主成分z1、z2的回归;对相关阵提取主成分;;主成分回归：先将Manhrs标准化，作Manhrss对标准化主成分回归;一般回归法：删除变量;模型比较？;;Important Comparison;Upshot;2. Intelligent Index Formation ;综合评价例：人的“认知需要”;Cacioppo, Petty and Kao(1984);3. Reduction of Dimension ;of