第十章-主成分分析.pptVIP

主成分概念首先由 Karl Parson在1901年引进，当时只对非随机变量来讨论的。1933年Hotelling将这个概念推广到随机变量。 在多数实际问题中，不同指标之间是有一定相关性。由于指标较多及指标间有一定的相关性，势必增加分析问题的复杂性。 主成分分析就是设法将原来指标重新组合成一组新的互相无关的几个综合指标来代替原来指标。同时根据实际需要从中可取几个较少的综合指标尽可能多地反映原来的指标的信息。 主成分分析是考察多个数值变量间相关性的一种多元统计方法，它是研究如何通过少数几个主成分来解释多变量的方差—协方差结构。 导出几个主成分，使它们尽可能多地保留原始变量的信息，且彼此间不相关。 数学原理 对原有变量作坐标变换， 数学原理 如果z1=u1’x满足① ② 则称z1为x的第一主成分。 若z1不足以代表原变量所包含的信息，就考虑采用z2。 Z2满足① ② ③ Z2为第二主成分 几何解释 几何解释 旋转变换的目的是为了使得n个样本点在y1轴方向上的离散程度最大，即y1的方差最大，变量y1代表了原始数据的绝大部分信息，在研究某经济问题时，即使不考虑变量y2也损失不多的信息。 Y1与y2除起了浓缩作用外，还具有不相关性。 Y1称为第一主成分，y2称为第二主成分。 量纲对于主成分分析的影响及消除方法 对数据进行标准化处理，以使每一个变量的均值为0，方差为1。 量纲对于主成分分析的影响及消除方法 数据标准化后,总体的协方差矩阵与总体的相关系数相等. 样本主成分 变量X 样本协方差为总体协方差的无偏估计 相关矩阵R为总体相关矩阵的估计 重要指标 主成分的方差贡献率： 这个值越大，表明第i主成分综合信息的能力越强。 主成分的累计贡献率 表明取前几个主成分基本包含了全部测量指标所具有信息的百分率。 成分个数的选取 1.累积贡献率达到85%以上 2.根据特征根的变化来确定 主成分分析的基本步骤 1.将原始数据进行标准化处理 2.计算样本相关矩阵R 3.求相关矩阵R的特征值与特征向量,并计算贡献率 4.选择主成分 5.对所选主成分做解释 基本操作 Analyze－Data Reduction－Factor 把需要分析变量选入Variables Descriptives:Initial Solution Correlation Matrix:coefficients Extraction: Method:Principal Components Analyze:从相关阵出发或从协差阵出发 Display:unrotated factor solution 画碎石图就选Scree plot Extract:可以按照特征值的大小选主成分，也可 以选定主成分的数目； SPSS实现(因子分析与主成分分析) 在Rotation:根据需要选择Loading plot（以输出载荷图） score:save as variables,输出主成分得分 选择Display factor score coefficient matrix； 输出主成分得分系数矩阵 在经济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，可排列出每个样本的经济效益的名次。 在经济指标综合评价中的应用 一、选用一个主成分的排序 二、选用多个主成分的排序 第十章 因子分析 因子分析模型 参数估计 因子旋转 因子得分 因子分析模型 因子分析概念起源于20世纪初Karl Pearson 和Charles Spearmen等人关于智力测验的统计分析。 因子分析的基本思想是把每个研究变量分解为几个影响因素变量，将每个原始变量分解成两部分因素，一部分是由所有变量共同具有的少数几个公共因子组成的，另一部分是每个变量独自具有的因素，即特殊因子。 因子分析模型 x1*=a11F1+a12F2+…+a1mFm+e1 x2*=a21F1+a22F2+…+a2mFm+e2 … xp*=ap1F1+ap2F2+…+apmFm+ep