主成分及因子分析的上机实现.pptVIP

因子分析 探讨存在相关关系的变量之间，是否存在不能直接观察到但对可观测变量变化起支配作用的潜在因子的分析方法 函数名：factanal(x, factors, rotation=varimax) 数据文件名： car_sales.sav 分析方法：极大似然法、方差最大正交旋转、回归法 程序命令： library(foreign) mydata=read.spss( car_sales.sav, to.data.frame=T) car_sale=t(t(mydata[,-(1:6)])) factanal(car_sale, scores=regression) 因子分析R与SPSS对比 R输出结果 SPSS输出结果 因子分析R与SPSS对比 R输出结果 SPSS输出结果 主成分及因子分析的上机实现 王思洋 统计与数学学院 12.19 主成分分析---SPSS 主成分分析--- R语言 作业 因子分析---SPSS 因子分析--- R语言 主成分分析 以SPSS自带数据car_sales.sav 为例（C:\Program Files\IBM\SPSS\Statistics\20\Samples\Simplified Chinese\car_sales.sav）介绍主成分分析及因子分析。 1. SPSS没有提供主成分分析的专用功能，只有因子分析的功能。但是因子分析和主成分分析有着密切的联系。因子分析的重要步骤——因子的提取最常用的方法就是“主成分法”。利用因子分析的结果，可以很容易地实现主成分分析。具体来讲，就是利用因子载荷阵和相关系数矩阵的特征根来计算特征向量。即： 其中， 为第 j 个特征向量的第 i 个元素； 为因子载荷阵第i 行第j 列的元素； 为第 j 个因子对应的特征根。 然后计算出的特征向量来计算主成分。 分析——降维——因子分析 表中“合计”为各因子对应的特征根，本例中共提取两个公因子；“方差的%” 为各因子的方差贡献率； “累积%”为各因子累积方差贡献率，由表中可以看出，前两个因子已经可以解释 82.057%的方差 2. 为了计算第一个特征向量，点击菜单项中的 “转换”→“计算变量”，调出“计算变量”对话框，在对话框中输入等式： z1=a1 / SQRT(1.532) 点击“确定”按钮，即可在数据编辑窗口中得到以z1为变量名的第一特征向量。 再次调出“计算变量”对话框，在对话框中输入等式： z2=a2 / SQRT(1.026) 点击OK按钮，得到以z2为变量名第二特征向量。这样，我们得到了特征向量矩阵。 主成分分析 利用降维的思想，把多个指标转换成较少的几个互不相关的综合指标的统计方法 函数名：prcomp(x, scale=F) 数据文件名： car_sales.sav 分析方法：从相关矩阵出发 程序命令： library(foreign) mydata=read.spss(car_sales.sav, to.data.frame=T) prc=prcomp(mydata[,-(1:6)], scale=T) summary(prc) prc$rotation prc$x[,1:2] 主成分分析R与SPSS比较 R输出结果 SPSS输出结果 主成分分析R与SPSS比较 R输出结果 SPSS输出结果 作业 290页 7-1, 7-2 作业交一张纸 264页 6-9 Ward 法的基本思想是, 先将 n 个样品各自成一类, 此时 W=0 将一切可能的任意两类合并，计算所增加的离差平方和。 每次选择使 W 增加最小的两类进行合并, 直至所有样品为一类为止. x1,x2,x3,x4,x5各自构成一类：W=0。 类间平方距离矩阵 (样品间距离为欧氏距离) x1与x2的距离最小，第一步，CL4={x1,x2}，并类距离为 ，W=0.5 。 x3与x4间距离最小 CL3={x3,x4} 并类距离为 ，W=2.5。 CL3与x5距离最小： CL2={x3,x4,x5} 并类距离为 ，W=13.167。 CL2与CL4合并 {x1,x2,x3,x4,x5} 并类距离为 ，W=54。 因子分析 对“car_sales.sav”进行因子分析 分析——降维——因子分析 1.点击“描述”按钮，展开相应对话框。 选择“原始分析结果”复选项。这个选项给出各因子的特征值、各因子特征值占总方差的