试验设计与统计分析.pptVIP

1. 基本思想：用较少的变量表示原来的样本； 2.目的：是样本数据信息损失最小的原则下，对高维变量进行降维。 3.参数估计：一般是求相关矩阵的特征值和相应的特征向量（主成分分析法），取前几个计算主成分。 4.应用：应用较少变量来解释各个样本的特征（数据降维、综合平价）。 5.1 主成分分析 主成份分析例子 市区 农业总产值 工业总产值 建筑业总产值 固定资产投资 交通运输邮电业产值 批零贸易餐饮业产值 金融保险业总产值 Y(i,1) Y(i,2) 南 昌 市 59.40 306.08 97.98 42.74 82.43 46.71 338.32 6.77 -1.03 景德镇市 15.90 64.95 22.22 8.45 16.33 13.98 88.03 -1.09 -1.21 萍 乡 市 19.62 92.38 9.00 10.26 10.48 4.14 94.20 -1.48 -0.90 九 江 市 55.42 124.52 52.20 27.14 34.27 11.89 143.45 1.19 0.07 新 余 市 18.10 61.90 11.84 8.54 8.03 5.71 57.40 -1.87 -0.91 鹰 潭 市 15.55 41.66 3.04 11.71 4.91 3.01 41.34 -2.27 -0.76 赣 州 市 112.60 94.65 35.02 32.53 24.83 10.69 145.08 1.00 2.05 吉 安 市 74.28 49.40 29.46 13.14 15.82 10.79 102.92 -0.64 0.68 宜 春 市 88.56 95.34 16.16 18.96 19.96 11.54 102.73 -0.20 1.10 抚 州 市 63.01 61.93 24.04 8.95 5.96 4.09 88.88 -1.36 0.41 上 饶 市 70.82 96.75 21.95 15.98 29.28 7.43 137.93 -0.06 0.52 一项十分著名的工作是美国的统计学家斯通(stone)在1947年关于国民经济的研究。他曾利用美国1929一1938年各年的数据，得到了17个反映国民收入与支出的变量要素，例如雇主补贴、消费资料和生产资料、纯公共支出、净增库存、股息、利息外贸平衡等等。 主成份分析起源 在进行主成分分析后，竟以97.4％的精度，用三新变量就取代了原17个变量。根据经济学知识，斯通给这三个新变量分别命名为总收入F1、总收入变化率F2和经济发展或衰退的趋势F3。更有意思的是，这三个变量其实都是可以直接测量的。斯通将他得到的主成分与实际测量的总收入I、总收入变化率?I以及时间t因素做相关分析，得到下表： ? F1 F2 F3 i △i t F1 1 ? ? ? ? ? F2 0 1 ? ? ? ? F3 0 0 1 ? ? ? i 0.995 -0.041 0.057 l ? ? i -0.056 0.948 -0.124 -0.102 l ? t -0.369 -0.282 -0.836 -0.414 -0.112 1 主成分分析是把各变量之间互相关联的复杂关系进行简化分析的方法。 在研究中，为了全面系统的分析和研究问题，必须考虑许多指标，这些指标能从不同的侧面反映我们所研究的对象的特征，但在某种程度上存在信息的重叠，具有一定的相关性。 在力求数据信息丢失最少的原则下，对高维变量空间降维，即研究指标体系的少数几个线性组合，并且这几个线性组合所构成的综合指标将尽可能多地保留原来指标变异方面的信息。这些综合指标就称为主成分。 (1) 基于相关系数矩阵主成分分析。 （2） 主成分分析的目的是简化变量，一般情况下主成分的个数应该小于原始变量的个数。关于保留几个主成分，应该权衡主成分个数和保留的信息。 （3） 如何解释主成分所包含的专业意义。 主成分分析数学模型