2011多元统计分析建模.pptVIP

2.459 3 芜 湖 6 0.932 阜 阳 15 -4.247 黄 山 -0.952 9 巢 湖 13 -3.271 蚌 埠 16 -4.658 安 庆 5.774 2 马鞍山 17 -5.063 宿 州 14 -3.628 池 州 -0.278 7 六 安 12 -3.054 亳 州 8 -0.763 铜 陵 -1.017 10 滁 州 4 1.636 淮 北 11 -2.647 宣 城 0.642 5 淮 南 1 18.67 合 肥 排 名 得分 地 区 得分 排 名 地 区 排 名 得分 地 区 表7. 各市第一主成分得分排名 练习：1. 根据软件输出结果，写出第一、第二主成分的公式；2. 将各地区分成三类，比较主成分排名与分类是否具有一致性？ 3. 因子载荷矩阵 例4 得到第一主成分公式为 F1=0.4595x2+0.4552x3+0.4158x4+0.46x5+0.4441x6 我们称主成分Yi与指标Xj的相关系数 为Yi在Xj上的因子载荷量. 因子载荷用于解释第j个变量对第i个主成分的重要程度. 计算可得第一主成分与五个指标的载荷分别为： 0.9867 0.9773 0.8927 0.9876 0.9535 典型相关分析 三 四 在实际问题中，经常遇到研究两组随机变量之间的相关性.比如工厂管理人员需要了解原料的主要质量指标 与产品的主要质量指标之间的相关性，以便提高产品质量；医生要根据一组化验指标确定与一些疾病之间的关系；主教练排兵布阵要考虑自己的队员与对手之间的相生相克以便制定更好的对策，等等. 受主成分分析的启发，对每组变量分别构造线性组合，将两组变量之间的相关性转化为两个变量之间的相关性进行研究.典型相关分析示意图如图4. 7所示. 图4.7 典型相关分析示意图 1.总体典型变量的定义 设有两组随机变量 (XT,YT)T=(X1,X2,…,Xp,Y1,Y2,…,Yq)T的协方差矩阵为 ?11=cov(X)， ?22=cov(Y), ?12= ?T21=cov(X,Y) 注意： ?的维数p+q阶方阵, ?11 p阶方阵,?22 q阶方阵 根据典型相关的思想，分别考虑X,Y的线性组合 其中 a1=(a11,a12,…,a1p)T, b1=(b11,b12,…,b1q)T Var(U1)=a1T?11a1, Var(V1)=b1T?22b1, cov(U1,V1)= a1T?12b1 由于 则U1,V1的相关系数为 在约束条件 a1T?11a1=b1T?22b1=1下，求 a1,b1，使得?u1,v1=a1T?12b1取得最大值. 如果(U1,V1)还不足以反映X,Y之间的相关性，还可构造第二对线性组合： 使得(U1,V1)与(U2,V2)不相关，即cov(u1,u2)=cov(u1,v2)=cov(u2,v1)=cov(v1,v2)=0在约束条件Var(u1)=Var(v1)=Var(u2)=Var(v2)=1下求a2,b2，使得?u2,v2=a2T?12b2取得最大值. 一般地，若前k -1对典型变量还不足以反映X,Y之间的相关性，还可构造第k对线性组合： 在约束条件 Var(uk)=Var(vk)=1,及cov(uk,uj)=cov(uk,vj)=cov(vk,uj)=cov(vk,vj)=0,(1?jk) 求ak,bk，使得?uk,vk=akT?12bk取得最大值. 如此确定的(uk,vk)称为X,Y的第k对典型变量，相应的?uk,vk称为第k个典型相关系数. 2. 总体典型变量与典型相关系数的计算 (1) 计算矩阵(XT,YT)T的协方差矩阵 (2) 令 求A,B的特征值?12, ?22 …, ?p2与对应的正交单位特征向量ek,fkk=1,…,p (3) X,Y的第k对典型相关变量为 (4) X,Y的第k个典型相关系数为：?k (k=1,2,…p) 3. 典型相关分析的Matlab实现 设X=(xij)n?p， Y=(yij)n?q是取自总体的观测数据，典型相关分析的步骤如下 ① 输入数据并计算协方差矩阵 a=[X, Y]; % 此前X,Y的数据应该已经输入 [n,m]=size(a); R=cov (a); ② 计算典型相关系数 R1=inv(R(1:p,1:p))*R(1:p,p+1:p+q)*inv(R(p+1:p+q, p+1:p+q))*R(p+1:p+q,1:p); d=sort(eig(R1),descend); p=sqrt(d);