《第四章系统模型与模型化技术(-)》-公开课件.pptVIP

2.求X的数学期望E(X)=(2.9,4.7,0.9) 方差D(X)=(6.3,3.9,1.1)方程 ρ的特征值及其相应的特征向量 ?1=3.22，e1=（0.432,-0.734,0） ?2=1.54，e2=（0,1,0） ?3=1.07，e2=（0.724,0.23,0） 主成分为：z1= 0.432[(x1-2.9)/ SQR(6.3)]-0.734[x2-4.7]/SQR(3.9)] z2=[x2-..]， z3= 0.724[x1-..] + 0.23[x2-..] 第四节 利用SPSS进行主成分分析 SPSS会自动对原始数据进行标准化处理，所以在得到计算结果后指的变量都是指经过标准化处理后的变量，但SPSS不会直接给出标准化后的数据，如需要得到标准化数据，则需调用Descriptives过程进行计算。 详见/7498275_d.html 例1：实验案例数据来自某汽车制造商，1980年这个汽车制造商从竞争对手中选择了17种车型，访问了25个顾客，要求他们根据自己的偏好对这17种车型打分。10分满分。25个顾客的评分为25个变量，即v1-v25,每种车型的25个分数即是一个观测量，17种车型表示有17个观测量（样本）。 运用SPSS进行主成分分析 1.输入数据（先在variable view中定义变量，再在data view输入数据），如qichezhizao.sav； 2.analyze/data reduction/factor（主成分分析属于“因子分析”的一个分支）,选择原始变量。 3.点extraction,选principle components, Continue返回主界面 选scores 碎石图 未旋转因子 Scree Plot特征值碎石图，等同方差图 Continue回主界面，点击OK。 Component Matrix（载荷矩阵，即各主成分与原变量的相关系数） Total Variance Explained：特征值与方差解释能力Extraction Sums of Squared Loadings 特征值 散点图 得到散点图，由散点图可知各主成分反映的信息 顶端多为欧洲车与日本车，低端多为美国车，故主成分1，反映产地；右端林肯和凯迪拉克，左端为雪佛龙等，故主成分2反映质量等车特性。 由于SPSS没有提供主成分分析的专用功能，只有因子分析的功能。但是因子分析和主成分分析有着密切的联系。因子分析的重要步骤——因子的提取最常用的方法就是“主成分法”。利用因子分析的结果，可以很容易地实现主成分分析。具体来讲，就是利用因子载荷阵和相关系数矩阵的特征根来计算特征向量。即： 其中，zij为第j个特征向量的第i个元素；aij为因子载荷阵第i行第j列的元素；λj为第j个因子对应的特征值。然后再利用计算出的特征向量来计算主成分。 输入载荷因子矩阵 为了计算第一个特征向量，点击菜单项中的Transform→Compute，调出Compute variable对话框，在对话框中输入等式： z1=a1 / SQRT(λ1的值) 点击OK按钮，即可在数据编辑窗口中得到以z1为变量名的第一特征向量。 再次调出Compute variable对话框，在对话框中输入等式： z2=a2 / SQRT(λ2的值) 点击OK按钮，得到以z2为变量名第二特征向量。 同理得到z3为变量名第三特征向量。 二、利用SPSS进行主成分分析 例子2： 我国2005年第1、2季度分地区城镇居民家庭收支基本情况。通过这个例子，再次熟悉SPSS软件实现主成分分析。 表6.5 分地区城镇居民家庭收支基本情况 （一）利用SPSS进行主成分分析 将原始数据输入SPSS数据编辑窗口，将5个变量分别命名为X1～X5。在SPSS窗口中选择Analyze→Data Reduction→Factor菜单项，调出因子分析主界面，并将变量X1～X5移入Variables框中，其他均保持系统默认选项，单击OK按钮，执行因子分析过程，得到如表6.6所示的特征根和方差贡献率表和表6.7所示的因子载荷阵。 表6.6中Total列为各因子对应的特征根，本例中共提取两个公因子；% of Variance列为各因子的方差贡献率；Cumulative %列为各因子累积方差贡献率，由表中可以看出，前两个因子已经可以解释79.31%的方差 图6.2 因子分析主界面 表6.6 特征根和方差贡献率表 （二）利用因子分析结果进行主成分分析 1. 将表6.7中因子载荷阵中的数据输入SPSS数