数学模型中的因子分析法.pptVIP

第一篇 主成分分析 在实际经济工作中，我们经常碰到多变量或多指标问题，例如，企业经济效益的评价，地区经济发展情况比较。由于变量或指标较多，且变量或指标之间存在一定的相关性，人们自然希望用较少的变量或指标代替原来较多的变量或指标，而且可尽量保存原有信息，利用这种降维的思想产生了主成分分析方法 主成分分析法：就是设法将原来的具有一定相关性的变量或者指标，重新组成一组新的相互无关的少数几个综合变量或指标，以此代替原来的变量或指标。简单的说就是降维。 应用：综合评价（系统评估） 例：对我国上市公司的经济效益进行综合评判。 上市公司 资金利税率x1 产值利税率x2 百元销售成本利润x3 百元销售收入利税x4 流动资金周转次数x5 主营利润增长率x6 qinghua 5.41 8.05 2.09 2.43 1.30 7.51 beida 7.21 8.54 4.51 5.26 1.43 10.44 hualian 8.38 9.52 4.27 5.07 1.70 10.49 xinya 6.31 9.97 3.63 4.59 1.29 7.21 yanzhong 8.97 1.43 1.73 1.18 1.10 5.22 shuiyun 3.74 6.47 0.33 0.39 0.98 5.24 cengxin 3.63 5.79 -1.09 -1.29 1.17 4.71 qingshan 14.47 5.97 7.62 1.37 1.20 10.56 pudong 8.18 8.20 3.41 4.01 1.75 12.13 主成分分析步骤： 1.将数据标准化，标准化后的数据矩阵仍记X阵。 2.求矩阵X的相关系数阵 3.求R的全部特征根i及相应的特征向量()。 4.根据前k个主分量累计贡献率大小（∑），确定主成分（因子）个数。 根据具体指标内容和指标变量系数大小解释主成分含义。 用每个主成分的贡献率作权数，给出多指标综合评价值。 Eigenvalues of the Correlation Matrix Eigenvalue Difference Proportion Cumulative 1 4 3 0.6746 0.6746 2 1 0 0.1684 0.8430 3 0 0 0.1180 0.9610 4 0 0 0.0258 0.9868 5 0 0 0.0091 0.9959 6 0 0.0041 1.0000 Obs Prin1 Prin2 Prin3 Prin4 Prin5 Prin6 1 -0.38118 -0.32367 -0.04450 0.30363 0.00430 0.06437 2 0.57795 -0.35416 0.49279 0.55119 -0.18726 0.17414 3 0.69219 -0.21588 0.40557 0.40041 -0.10461 0.05393 4 0.22635 -0.39419 0.27521 0.63296 0.13851 -0.06481 5 -0.82981 -0.40293 0.47330 -0.42964 -0.55401 -0.35020 6 -1.19