第4章 系统模型与模型化(主成分分析法)第10周2010－11－26.pptVIP

主成分分析实例－不旋转 相关系数矩阵 方差分解主成分提取分析表 初始因子载荷矩阵:每一个载荷量表示主成分与对应变量的相关系数 公因子方差 主成分分析实例－不旋转 比较有用的结果：两个主成分(因子)f1,f2及因子载荷矩阵(Component Matrix)，根据该表可以写出每个原始变量（标准化值）的因子表达式： Pop?0.581f1 + 0.806f2 School ? 0.767f1 - 0.545f2 employ ? 0.672f1 + 0.726f2 Services ? 0.932f1 - 0.104f2 house ? 0.791f1 - 0.558f2 主成分分析实例－不旋转 每个原始变量都可以是5个因子的线性组合，提取两个因子f1和f2，可以概括原始变量所包含信息的93.4%。 f1和f2前的系数表示该因子对变量的影响程度，也称为变量在因子上的载荷。 但每个因子（主成分）的系数(载荷)没有很明显的差别，所以不好命名。因此为了对因子进行命名，可以进行旋转，使系数向0和1两极分化，这就要使用选择项。 由于系数没有很明显的差别,所以要进行旋转(Rotation：method一般用Varimax方差最大旋转),使系数向0和1两极分化, 例子同上 菜单：Analyze－Data Reduction－Factor Variables ：pop，School，employ，Services， house Extraction：使用默认值（ method：Principal components，选取特征值1） Rotation：method选Varimax Score:Save as variables 和Display factor score Coefficient matrix 因子分析实例－旋转Rotation 比较有用的结果：两个主成分(因子)f1,f2及旋转后的因子载荷矩阵(Rotated Component Matrix) ，根据该表可以写出每个原始变量（标准化值）的因子表达式： Pop? 0.01602 f1 + 0.9946f2 School ? 0 .941f1 - 0.00882f2 employ ? 0.137f1 + 0.98f2 Services ? 0.825f1 +0.447f2 house ? 0.968f1 - 0.00605f2 因子分析实例－旋转Rotation 第一主因子对中等学校平均校龄,专业服务项目,中等房价有绝对值较大的载荷(代表一般社会福利-福利条件因子); 而第二主因子对总人口和总雇员数有较大的载荷(代表人口-人口因子). 比较有用的结果:因子得分fac1_1, fac2_1。其计算公式：因子得分系数和原始变量的标准化值的乘积之和。 然后可以利用因子得分进行聚类 （Analyze-Classify-Hierarchical Cluster）。 因子分析实例－旋转Rotation 东南大学机械工程学院工业工程系 * 因子分析和主成分分析的一些注意事项 ?可以看出，因子分析和主成分分析都依赖于原始变量，也只能反映原始变量的信息。所以原始变量的选择很重要。 另外，如果原始变量都本质上独立，那么降维就可能失败，这是因为很难把很多独立变量用少数综合的变量概括。数据越相关，降维效果就越好。 在得到分析的结果时，并不一定会都得到如我们例子那样清楚的结果。这与问题的性质，选取的原始变量以及数据的质量等都有关系 在用因子得分进行排序时要特别小心，特别是对于敏感问题。由于原始变量不同，因子的选取不同，排序可以很不一样。 东南大学机械工程学院工业工程系 * 因子分析和主成分分析的分析步骤 1、数据标准化; 2、求相关系数矩阵; 　一系列正交变换，使非对角线上的数置0，加到主对角上; 得特征根（即相应那个主成分引起变异的方差),并按照从大到小的顺序把特征根排列; 3、求各个特征根对应的特征向量; 4、用下式计算每个特征根的贡献率Vi; 5、Vi=xi/(x1+x2+........) 6、根据特征根及其特征向量解释主成分物理意义。 东南大学机械工程学院工业工程系 * 作业（6-1） 1、每人到网络上查找1篇能看懂的关于“主成分分析” 的文献,文献中要有实例，并用SPSS软件进行验证，详细研读并写出读书报告（电子稿和PPT）。下次检查文献和SPSS的使用，验证结果。 2、参考论文和读书报告一起交给课代表，课代表收齐后打包后上交。 3、原则上不得重复，后交的不得和先交者重复。 4、参考论文和读书报告文件的名称前加上学生本人的学号和姓名。 如