sas主成分分析与因子分析课件教案.ppt

有三种主要的正交旋转法：四次方最大法、方差最大法和等量最大法。这些旋转方法的目标是一致的，只是策略不同。 如果两种旋转模型导出不同的解释，这两种解释不能认为是矛盾的。倒不如说是看待相同事物的两种不同方法，是在公因子空间中的两个不同点。只取决于惟一的一种你认为是正确旋转的任何结论都是不成立的。 在统计意义上所有旋转都是一样的，即不能说一些旋转比另一些旋转好。因此，在不同的旋转方法之间进行的选择必须根据非统计观点，通常选择最容易解释的旋转模型。 5. 因子得分 计算因子得分的途径是用原有变量来描述因子，第j个因子在第i个样品上的值可表示为： Fji = ?j1xi1 + ?j2xi2 +…+ ?jpxip (j = 1，2，…，k) 式中，xi1，xi2，…，xip分别是第1，2，…，p个原有变量在第i个样品上的取值，?j1，?j2，…，?jp分别是第j个因子和第1，2，…，k个原有变量间的因子值系数。可见，它是原有变量线性组合的结果(与因子分析的数学模型正好相反)，因子得分可看作各变量值的加权(?j1，?j2，…，?jp)总和，权数的大小表示了变量对因子的重要程度。 于是有： Fj = ?j1X1+?j2X2+…+?jpXp (j = 1,2,…,k) 上式称为因子得分函数。由于因子个数k小于原有变量个数p，故式中方程的个数少于变量的个数。因此，对因子值系数通常采用最小二乘意义下的回归法进行估计。可将上式看作是因子变量Fj对p个原有变量的线性回归方程(其中常数项为0)。可以证明，式中回归系数的最小二乘估计满足：Bj = AjR-1，其中 Bj = (?j1,?j2,…,?jp)，Aj = (a1j,a2j,…,apj)为第1,2,…,p个变量在第j个因子上的因子载荷，R-1为原有变量的相关系数矩阵的逆矩阵。 由上式计算出因子变量Fj的因子值系数，再利用因子得分函数可算出第j个因子在各个样品上的因子得分。 2) 图6-14给出各变量之间的相关系数矩阵。可以看出，能力与资本、附带担保品有着较强的相关性，表明客户的偿还能力与其财务实力、财务状况和抵押资产有着重要的关系。 3) 图6-15给出相关系数矩阵的特征值（Eigenvalues）、上下特征值之差（Difference）、各主成分的方差贡献率（proportion）以及累积贡献率（Cumulative）。 相关系数矩阵的特征值即各主成分的方差，可以看出，第一主成分的方差贡献率为84.22%，第二主成分的方差贡献率为7.67%，第三主成分的方差贡献率为5.95%。说明第一主成分已经具有足够多的方差贡献率，可以很好地概括这组数据。 在“分析家”左边的管理窗口中双击“Scree plot”项，打开的“Scree plot”对话框显示前4个特征值的“碎石图”，很直观地看到第一主成分远远大于其它特征值，说明第一主成分已经代表了绝大部分信息。 4) 图6-16给出相关系数矩阵的特征向量，由最大特征值所对应的特征向量可以写出第一主成分的表达式。 Prin1 = 0.4135x1* + 0.4729x2* + 0.4656x3* + 0.4547x4* + 0.4265x5* 利用特征向量各分量的值可以对主成分进行解释，对于第一主成分而言，各变量所占比重大致相等，且均为正数，说明第一主成份是对所有指标的一个综合测度，作为综合的信用等级指标，可以用来排序。 5) 在“分析家”窗口中，双击左边项目管理中的“Scores Table”项，打开“Scores Table”对话框； 选择菜单“File”?“Save as By SAS Name”，将其保存为数据表Scores；然后，在VIEWTABLE中打开该表；选择菜单“Data”?“Sort”，按主成分Prin1排序，结果如表6-3所示。 表6-3 客户的信用等级 在正确评估了顾客的信用等级后，就能正确制定出对其的信用期、收账政策等，这对于加强应收账款的管理大有帮助。 客户编号 1 2 3 4 5 6 7 8 9 10 第一主成分得分 3.17 -9.01 25.09 -4.36 -6.41 13.62 35.88 -10.34 -33.80 -13.83 名次 4 7 2 5 6 3 1 8 10 9 6.1.4 使用PRINCOMP过程进行主成分分析 1. PRINCOMP过程的功能简介 1) PRINCOMP过程计算结果有：简单统计量，相关阵或协方差阵，从大到小排序的特征值和相应特征向量，每个主成分解释的方差比例，累计比例等。 由特征向量得出相应的主成分