生物控制论教学资料-第3章——第5节 主成分分析-zp.pptVIP

主成分分析方法 多元分析处理的是多指标的问题。由于指标太多，使得分析的复杂性增加。观察指标的增加本来是为了使研究过程趋于完整，但反过来说，为使研究结果清晰明了而一味增加观察指标又让人陷入混乱不清。由于在实际工作中，指标间经常具备一定的相关性，故人们希望用较少的指标代替原来较多的指标，但依然能反映原有的全部信息，于是就产生了主成分分析、对应分析、典型相关分析和因子分析等方法。 本节主要内容： 主成分分析的基本原理 主成分分析的计算步骤 主成分分析方法应用实例 基本原理 计算步骤 （一）计算相关系数矩阵 rij（i，j=1，2，…，p）为原变量xi与xj的相关系数， rij=rji，其计算公式为： 3. 主成分分析方法应用实例 SPSS实现 将以上数据导入到数据窗口中，先定义各变量为numberic型。 ①激活Analysis菜单选Data Reduction的Factor...命令项，弹出Factor Analysis对话框（图1）。在对话框左侧的变量列表中选变量X1至X9，点击?钮使之进入Variables框。 点击Descriptives...钮，弹出Factor Analysis:Descriptives对话框（图2），在Statistics中选Univariate descriptives项要求输出各变量的均数与标准差，在Correlation Matrix栏内选Coefficients项要求计算相关系数矩阵，并选KMO and Bartlett’s test of sphericity项，要求对相关系数矩阵进行统计学检验。点击Continue钮返回Factor Analysis对话框。 点击Descriptives...钮，弹出Factor Analysis:Descriptives对话框（图2），在Statistics中选Univariate descriptives项要求输出各变量的均数与标准差，在Correlation Matrix栏内选Coefficients项要求计算相关系数矩阵，并选KMO and Bartlett’s test of sphericity项，要求对相关系数矩阵进行统计学检验。点击Continue钮返回Factor Analysis对话框。 点击Extraction...钮，弹出Factor Analysis:Extraction对话框（图3），系统提供如下因子提取方法： Principal components：主成分分析法； Unweighted least squares：未加权最小平方法； Generalized least squares：综合最小平方法； Maximum likelihood：极大似然估计法； Principal axis factoring：主轴因子法； Alpha factoring：α因子法； Image factoring：多元回归法。 本例选用Principal components方法，之后点击Continue钮返回Factor Analysis对话框。 点击Rotation...钮，弹出Factor Analysis:Rotation对话框，系统有5种因子旋转方法可选： None：不作因子旋转； Varimax：正交旋转； Equamax：全体旋转，对变量和因子均作旋转； Quartimax：四分旋转，对变量作旋转； Direct Oblimin：斜交旋转。 旋转的目的是为了获得简单结构，以帮助我们解释因子。本例选正交旋转法，之后点击Continue钮返回Factor Analysis对话框。 点击Scores...钮，弹出弹出Factor Analysis:Scores对话框，系统提供3种估计因子得分系数的方法，本例选Regression（回归因子得分），之后点击Continue钮返回Factor Analysis对话框，再点击OK钮即完成分析。 结果解释 在输出结果窗口中将看到如下统计数据： 接着输出相关系数矩阵（Correlation Matrix）， 使用主成分分析法得到3个因子，因子矩阵（Factor Matrix）如下，变量与某一因子的联系系数绝对值越大，则该因子与变量关系越近。如本例变量X3与第一因子的值为-0.964，与第二因子的值为0.009 56，可见其与第一因子更近，与第二因子更远。或者因子矩阵也可以作为因子贡献大小的度量，其绝对值越大，贡献也越大。 下面显示经正交旋转后的因子负荷矩阵（Rotated Factor Matrix）和因子转换矩阵（Factor Transformation Matrix）。旋转的目的是使复杂的矩阵变得简洁，即第一因子替