网站大量收购闲置独家精品文档,联系QQ:2885784924

多元统计分析第四篇章课件第二部分.ppt

  1. 1、本文档共60页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
多元统计分析第四篇章课件第二部分.ppt

;;§3 主成分的性质;1.主成分向量的均值和协方差矩阵;2.主成分的总方差 ;总方差中属于第i主成分Fi (或被Fi所解释)的比例为: 称为主成分Fi的贡献率。 第一主成分F1的贡献率最大,表明它解释原始变量 X1,X2, ?,Xp的能力最强,而F2,F3, ?,Fp的解释能力依次递减。 主成分分析的目的就是为了减少变量的个数,因而一般是不会使用所有p个主成分的,忽略一些带有较小方差的主成分将不会给总方差带来大的影响。 ;前m个主成分的贡献率之和 称为主成分F1,F2, ?,Fm的累计贡献率,它表明F1,F2, ?,Fm解释X1,X2, ?,Xp的能力。 通常取(相对于p)较小的m ,使得累计贡献达到一个较高的百分比(如80%~90%)。此时,F1,F2, ?,Fm可用来代替X1,X2, ?,Xp,从而达到降维的目的,同时信息的损失却不多。;*;4、原始变量被主成分的提取率 ; 如果我们仅仅提出了m个主成分,则第i 原始变量信息的被提取率为:;;例1 设 的协方差矩阵为: ;;5.原始变量对主成分的影响;例2 设X=(X1,X2,X3)′的协方差矩阵为 经计算,Σ的特征值及特征向量为 λ1=109.793,λ2=6.469,λ3=0.738 相应的主成分分别为: F1=0.305X1+0.041X2+0.951X3 F2=0.944X1+0.120X2?0.308X3 F3=?0.127X1+0.992X2?0.002X3 ; 可见,方差大的原始变量X3在很大程度上控制了第一主成分F1,方差小的原始变量X2几乎完全控制了第三主成分F3,方差介于中间的X1则基本控制了第二主成分F2。F1的贡献率为 这么高的贡献率首先归因于X3的方差比X1和X2的方差大得多,其次是X1,X2,X3相互之间存在着一定的相关性。F3的特征值相对很小,表明X1,X2,X3之间有这样一个线性依赖关系: ?0.127X1+0.992X2?0.002X3≈c 其中c=?0.127μ1+0.992μ2?0.002μ3为一常数。;§4 主成分分析的步骤 ; 第二步:求出分别所对应的特征向量U1,U2,…,Up, ;二、基于相关系数矩阵 如果变量有不同的量纲,则必须基于相关系数矩阵进行主成分分析。不同的是计算得分时应采用标准化后的数据。;从R出发的主成分性质; 因此,在解释主成分 时,由相关矩阵R求得的载荷 和相关系数 所起的作用是完全相同的,只需选其一用来作主成分解释即可。 (4)主成分 对变量 的贡献率 (5) 。;例3 在例2中,X的相关矩阵 R的特征值及特征向量为 相应的主成分分别为: ; 的贡献率为 和 累计贡献率为 现比较本例中从R出发和例2中从 Σ出发的主成分计算结果。从R出发的 的贡献率0.705明显小于从Σ出发的F1的贡献率0.938,事实上,原始变量方差之间的差异越大,这一点也就倾向于越明显。 可用标准化前的原变量表达如下:; 可见, 在原变量X1,X2,X3上的载荷相对大小与例2中Fi在X1,X2,X3上的载荷相对大小之间有着非常大的差异。这说明,标准化后的结论完全可能会发生很大的变化,因此标准化不是无关紧要的。; 根据主成分分析的定义及性质,我们已大体上能看出主成分分析的一些应用。概括起来说,主成分分析主要有以下几方面的应用。 1.主成分分析能降低所研究的数据空间的维数。即用研究m维的F空间代替p维的X空间(m<p),而低维的F空间代替 高维的X空间所损失的信息很少。即:使只有一个主成分Fl(即 m=1)时,这个Fl仍是使用全部X变量(p个)得到的。例如要计算Fl的均值也得使用全部x的均值。在所选的前m个主成分中,如果某个Xi的系数全部近似于零的话,就可以把这个Xi删除,这也是一种删除多余变量的方法。; ; 4.由主成分分析法构造回归模型。即把各主成分作为新自变量代替原来自变量x做回归分析。 5.用主成分分析筛选回归变量。回归变量的选择有着重要的实际意义,为了使模型本身易于做结构分析、控制和预报,好从原始变量所构成的子集合中选择最佳变量,构成最佳变量集合。用主成分分析筛选变量,可以用较少的计算量来选择量,获得选择最佳变量子集合的效果。;例4 在制定服装标准的过程中,对128名成年男子的身材进行了测量,每人测得的指标中含有这样六项

文档评论(0)

yuzongxu123 + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档