SPSS课程_主成分分析.ppt

4.确定主成分Fi的表达式：将表“Component Matrix”(初始因子载荷阵)中的第i列向量除以第i个特征根的平方根，得到第i个主成分Fi的变量系数向量。 5. 对主成分Fi进行解释。 例子一 为了研究中国2005年第1、2季度31个省、自治区、直辖市城镇居民家庭收支基本情况，收集了以下5个指标： ——X1：平均每户人口（人） ——X2：平均每户就业人口（人） ——X3：平均每一就业者负担人数（人） ——X4：平均每人实际收入（元） ——X5：平均每人消费性支出（元） 根据因子载荷矩阵中的数据计算特征向量矩阵。 方法1：Transform—Compute 方法2：在Excel中计算 主成分表达式 x1：数学 x2：物理 x3：化学 x4：语文 x5：历史 x6：英语 例子二 例子三 采集了2003年沪、深两市48家上市公司的13个财务指标：流动比率（X1）、速动比率（X2）、总资产周转率（X3）、存货周转率（X4）、营运资本（X5）、每股收益（X6）、净利润增长率（X7）、每股收益率（X8）、主营业务毛利润（X9）、主营业务利润率（X10）、成本费用利润率（X11）、净资产收益率（X12）、总资产利润率（X13）。利用主成分分析方法对这些上市公司进行财务分析。 主成分分析在多指标综合评价中的应用 核心：通过主成分分析，选择m个主成分y1,y2,…,ym，以每个主成分yi的方差贡献率αi作为权数，构造综合评价函数， 其中 为第i个主成分的得分（求出主成分的表达式后，将标准化后的数据再代入yi中） 当把m个主成分得分代入F函数后，即可得到每个样本的综合评价函数得分，以得分的大小排序。 主成分分析用于多指标综合评价： 例 在对我国部分省、市、自治区独立核算的工业企业的经济效益评价中,涉及到9项指标(数据见ex302)： X1：100元固定资产原值实现产值 X2：100元固定资产原值实现利税 X3 ： 100元资金实现利税 X4 ： 100元工业总产值实现利税 X5 ： 100元销售收入实现利税 X6 ：每吨标准煤实现工业产值 X7 ：每千瓦时电力实现工业产值 X8 ：全员劳动生产率 X9 ： 100元流动资金实现产值 F1=0.3680*Zx1+0.3871*Zx2+0.3708*Zx3+0.0922*Zx4+0.1825*Zx5+0.3704*Zx6+0.3543*Zx7+0.3800*Zx8+0.3583*Zx9 F2=-0.2717*Zx1+0.1240*Zx2+0.2553*Zx3 +0.7203*Zx4+0.4685*Zx5-0.1733*Zx6-0.2376*Zx7-0.0138*Zx8-0.1436*Zx9 综合评价值 参考资料 邱东：《多指标综合评价方法的系统分析》，中国统计出版社，1991。 邱东：《谁是政府统计的最后东家》，中国统计出版社，2003。 林海明、张文霖：《主成分分析与因子分析的异同和SPSS软件》，《统计研究》2005年第3期。 主成分分析 在研究实际问题时，往往需要收集多个变量。但多个变量间往往存在较强的相关关系，即这些变量间存在较多的信息重复，直接利用它们进行分析，不但模型复杂，还会因为变量间存在多重共线性而引起较大的误差。 为能够充分利用数据，通常希望用较少的新变量代替原来较多的旧变量，同时要求这些新变量尽可能反映原变量的信息。 主成分分析和因子分析正是解决这类问题的有效方法。它们能够提取信息，使变量简化降维，从而使问题更加简单直观。 主成分分析的概念 主成分分析是把原来多个变量转化为少数几个综合指标的一种统计分析方法，从数学角度来看，这是一种降维处理技术。 即从原始变量中导出少数几个主成分，使它们尽可能多地保留原始变量的信息，且彼此间互不相关。 数学模型与几何解释 假设我们所讨论的实际问题中，有p个指标，我们把这p个指标看作p个随机变量，记为X1，X2，…，Xp，主成分分析就是要把这p个指标的问题，转变为讨论p个指标的线性组合的问题，而这些新的指标F1，F2，…，Fk(k≤p），按照保留主要信息量的原则充分反映原指标的信息，并且相互独立。 这种由讨论多个指标降为少数几个综合指标的过程在数学上就叫做降维。主成分分析通常的做法是，寻求原指标的线性组合Fi。其中, Xi*是经过标准化后的变量。 满足如下的条件： （2）主成分之间相互独立，即无重叠的信息。即 （3）主成分的方差依次递减，重要性依次递减，即 （1）每个主成分的系数平方和为1。即 （4）F1，…，Fp的方差之和等于X1，…，Xp 的方差之和。 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?