比较有用的结果：两个主成分(因子)f1,f2及因子载荷矩阵.PPT

主成分分析实验 1、analyze-description statistic-description-save standardized as variables（若需要数据标准化，则进行该操作） 2、analyze-data reduction-factor 3、指定参与分析的变量 4、运行factor 过程 使用默认值进行最简单的主成分分析(默认为主成分分析法:Principal components) 例1：对美国洛杉矶12个人口调查区的5个经济学变量的数据进行因子分析（12个地区调查表.sav) 菜单：Analyze－Data Reduction－Factor Variables ：pop，School，employ，Services， house 其他使用默认值（主成分分析法Principal components，选取特征值1，不旋转) 输出结果： 比较有用的结果：两个主成分(因子)f1,f2及因子载荷矩阵(Component Matrix)，根据该表可以写出每个原始变量（标准化值）的因子表达式： Pop?0.581f1 + 0.806f2 School ? 0.767f1 - 0.545f2 employ ? 0.672f1 + 0.726f2 Services ? 0.932f1 - 0.104f2 house ? 0.791f1 - 0.558f2 每个原始变量都可以是5个因子的线性组合，提取两个因子f1和f2，可以概括原始变量所包含信息的93.4%。 f1和f2前的系数表示该因子对变量的影响程度，也称为变量在因子上的载荷。 但每个因子（主成分）的系数(载荷)没有很明显的差别，所以不好命名。因此为了对因子进行命名，可以进行旋转，使系数向0和1两极分化，这就要使用选择项。 由于系数没有很明显的差别,所以要进行旋转(Rotation：method一般用Varimax方差最大旋转),使系数向0和1两极分化。 菜单：Analyze－Data Reduction－Factor Variables ：pop，School，employ，Services， house Extraction：使用默认值（ method：Principal components，选取特征值1） Rotation：method选Varimax Score:Save as variables 和Display factor score Coefficient matrix 输出结果： （表1－3同前） 旋转后的因子载荷矩阵： 因子旋转中的正交矩阵： 因子得分协方差矩阵： 比较有用的结果：两个主成分(因子)f1,f2及旋转后的因子载荷矩阵(Rotated Component Matrix) ，根据该表可以写出每个原始变量（标准化值）的因子表达式： Pop? 0.01602 f1 + 0.9946f2 School ? 0 .941f1 - 0.00882f2 employ ? 0.137f1 + 0.98f2 Services ? 0.825f1 +0.447f2 house ? 0.968f1 - 0.00605f2 F1＝ 0.01602 Pop+ 0 .941 School+ 0.137 employ+ 0.825 Services+ 0.968 house F2＝ 0.9946 Pop-0.00882 School+ 0.98 employ+ 0.447 Services-0.00605 house 第一主因子对中等学校平均校龄,专业服务项目,中等房价有绝对值较大的载荷(代表一般社会福利-福利条件因子); 而第二主因子对总人口和总雇员数有较大的载荷(代表人口-人口因子). 比较有用的结果:因子得分fac1_1, fac2_1。其计算公式：因子得分系数和原始变量的标准化值的乘积之和。 fac1_1 ＝ -0.091 Pop + 0.392 School-0.039 employ+0.299 Services+0.403 house fac2_1 ＝ 0.484 Pop –0.096 School+0.465 employ+0.138 Services-0.098 house 然后可以利用因子得分进行聚类、回归分析等。 例2 某主管局管辖20个工厂,现要对每个工厂作经济效益分析,经研究确定从所取得的生产成果同所消耗的人力,物力,财力的比率,选取五个指标作分析x1-固定资产产值率,X2-净产值劳动生产率,X3-百元产值流动资金占用率,X4-百元产值利润率,X5-百元资金利润率.(数据见ex301) Y