第13篇章 主成分分析和因子分析 stata统计分析与应用.pptVIP

第13篇章 主成分分析和因子分析 stata统计分析与应用.ppt

  1. 1、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。。
  2. 2、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
  3. 3、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)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
第13篇章 主成分分析和因子分析 stata统计分析与应用.ppt

Page ? * STATA从入门到精通 STATA 从入门到精通 Page ? * STATA从入门到精通 第13章 主成分分析和因子分析 13.1 主成分分析 13.1.1 主成分分析的基本原理 13.1.2 主成分分析的数学模型 13.1.3 主成分分析的步骤 13.1.4 主成分分析的Stata命令 主成分的概念由Karl Pearson在1901年提出 考察多个变量间相关性一种多元统计方法 研究如何通过少数几个主成分(principal component)来解释多个变量间的内部结构。即从原始变量中导出少数几个主分量,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 主成分分析的目的:数据的压缩;数据的解释 常被用来寻找判断事物或现象的综合指标,并对综合指标所包含的信息进行适当的解释 什么是主成分分析? (principal component analysis) 对这两个相关变量所携带的信息(在统计上信息往往是指数据的变异)进行浓缩处理 假定只有两个变量x1和x2,从散点图可见两个变量存在相关关系,这意味着两个变量提供的信息有重叠 主成分分析的基本思想 (以两个变量为例) 如果把两个变量用一个变量来表示,同时这一个新的变量又尽可能包含原来的两个变量的信息,这就是降维的过程 数学上的处理是将原始的p个变量作线性组合,作为新的变量 设p个原始变量为 ,新的变量(即主成分)为 ,主成分和原始变量之间的关系表示为 主成分分析的数学模型 主成分分析的数学模型 aij为第i个主成分yi和原来的第j个变量xj之间的线性相关系数,称为载荷(loading)。比如,a11表示第1主成分和原来的第1个变量之间的相关系数,a21表示第2主成分和原来的第1个变量之间的相关系数 对原来的p个指标进行标准化,以消除变量在水平和量纲上的影响 根据标准化后的数据矩阵求出相关系数矩阵 求出协方差矩阵的特征根和特征向量 确定主成分,并对各主成分所包含的信息给予适当的解释 主成分分析的步骤 Stata命令 pca、pcamat estat screeplot scoreplot、loadingplot rotate predict Stata的输出结果 (选择主成分) 该表是选则主成分的主要依据 “Initial Eigenvalues”(初始特征根) 实际上就是本例中的9个主轴的长度 特征根反映了主成分对原始变量的影响程度,表示引入该主成分后可以解释原始变量的信息 特征根又叫方差,某个特征根占总特征根的比例称为主成分方差贡献率 设特征根为?,则第i个主成分的方差贡献率为 比如,第一个主成分的特征根为3.54354,占总特征根的的比例(方差贡献率)为39.37%,这表示第一个主成分解释了原始9个变量39.37%的信息,可见第一个主成分对原来的9个变量解释的还不是很充分 根据什么选择主成分? 根据主成分贡献率 一般来说,主成分的累计方差贡献率达到80%以上的前几个主成分,都可以选作最后的主成分 比如表中前3个主成分的累计方差贡献率为78.13% 根据特特征根的大小 一般情况下,当特征根小于1时,就不再选作主成分了,因为该主成分的解释力度还不如直接用原始变量解的释力度大 比如表中除前3个外,其他主成分的特征根都小于1。所以只选择了3个主成分 根据什么选择主成分? Stata还提供了一个更为直观的图形工具来帮助选择主成分,即碎石图(Scree Plot) 从碎石图可以看到9个主轴长度变化的趋势 实践中,通常结合具体情况,选择碎石图中变化趋势出现拐点的前几个主成分作为原先变量的代表,该例中选择前3个主成分即可 根据什么选择主成分? (Scree Plot) 怎样解释主成分? 主成分的因子载荷矩阵 表1中的每一列表示一个主成分作为原来变量线性组合的系数,也就是主成分分析模型中的系数aij 比如,第一主成分所在列的系数-0.0364表示第1个主成分和原来的第一个变量(ROA)之间的线性相关系数。这个系数越大,说明主成分对该变量的代表性就越大 载荷图(Loading Plot)直观显示主成分对原始9变量的解释情况 图中横轴表示第一个主成分与原始变量间的相关系数;纵轴表示第二个主成分与原始变量之间的相关系数 每一个变量对应的主成分载荷就对应坐标系中的一个点 第一个主成分很充分地解释了原始的后4个变量(与每个原始变量都有较强的正相关关系),第二个主成分则较好地var2,var3,var5,var6这2个变量(与它们的相关关系较高),而与其他变量的关系则较弱(相关系数的点靠近坐标轴) 怎样解释主成分

文档评论(0)

yuzongxu123 + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档