主成分分析法课件.pptVIP

主成分分析法;一、主成分分析法概述 二、主成分分析法的基本原理 三、主成分分析法的应用 四、主成分分析法的步骤和方法 五、主成分分析法的操作流程 六、主成分分析法的结果分析 七、应用主成分分析法的注意事项 八、与因子分析法的区别;一、主成分分析法概述;定义： 主成分分析（Principal Components Analysis ，PCA)也称为主分量分析，是一种通过降维来简化数据结构的方法，即如何把多个变量（变量）转化为少数几个综合变量（综合变量），而这几个综合变量可以反映原来多个变量的大部分信息。主成分：把相关的变量变为无关的主成分。 注意：进行主成分的变量之间必须要有相关性，经过分析后变量之间独立。;二、主成分分析法基本原理;最经典的方法就是用方差来表达，即var(F1)越大，表示F1包含的信息越多。因此在所有的线性组合中所选取的F1应该是方差最大的，故称之为第一主成分（principal component I）。 如果第一主成分不足以代表原来p个变量的信息，再考虑选取F2即第二个线性组合。F2称为第二主成分（principal component II）。F1和F2的关系？;1、基于类型的古村落旅游竞争力分析;2、基于主成分分析的新疆与全国旅游产业竞争力评价;四、主成分分析法的步骤;主成分选取的条件： （1）特征值（特征值＞1）； （2）方差的累计贡献率。（前K个主成分的方差累计贡献率达到了80%或85%，也可以说累计贡献率≥80%或≥85%）（较多）。 两个条件满足其一就可以了，究竟以哪个为主依个人情况而定或根据实际情况两个结合使用。 ;五、主成分分析法的操作流程;;;;;;KMO检验是在主成份分析前对数据的分析： KMO越接近于1越好，等于相关系数，≥0.5就可以。;;2、确定主成分;两个条件都满足;3、写出主成分模型 ;2、写出主成分模型 ; 前面的表给出的是因子载荷矩阵，主成分系数应该为特征向量，其换算方法为：用主成分载荷矩阵中的数据除以主成分相对应的特征值开平方根便得到两个主成分中每个指标所对应的系数。 ;;;;;;;（2）写各主成分模型;主成分的综合模型：;主成分赋权法;主成分赋权法：计算权重集;4、旋转： 从下表的因子荷载看,第三个主成分因子在10个指标上的载荷值都不明显,因此很难对第三个主成分因子进行有效定义。;旋转后的主成分因子载荷矩阵;景区满意度旋转前后成分矩阵图对比;选取主成分的个数，急转处是确定主成分的个数处。;八、与因子分析法的区别;1、基本概念;因子分析实例：;2、基本思想的异同; 不同之处 主成分分析中，最终确定的新变量是原始变量的线性组合，每个主成分都是由原有p 个变量线性组合得到。在诸多主成分Zi 中，Zi 在方差中占的比重最大，说明它综合原有变量的能力最强，越往后主成分在方差中的比重也小，综合原信息的能力越弱。 因子分析是要利用少数几个公共因子去解释较多个要观测变量中存在的复杂关系，它不是对原始变量的重新组合，而是对原始变量进行分解，分解为公共因子与特殊因子两部分。公共因子是由所有变量共同具有的少数几个因子；特殊因子是每个原始变量独自具有的因子。 ; 主成分分析是研究如何通过少数几个主成分来解释多变量的方差一协方差结构的分析方法，也就是求出少数几个主成分(变量) ，使它们尽可能多地保留原始变量的信息，且彼此不相关。 因子分析是寻找潜在的起支配作用的因子模型的方法。因子分析是根据相关性大小把变量分组，使得同组内的变量之间相关性较高，但不同的组的变量相关性较低，每组变量代表一个基本结构，这个基本结构称为公共因子。通过因子分析得来的新变量是对每个原始变量进行内部剖析。;3、应用中的优缺点比较;因子分析 优点：第一它不是对原有变量的取舍，而是根据原始变量的信息进行重新组合，找出影响变量的共同因子，化简数据；第二，它通过旋转使得因子变量更具有可解释性，命名清晰性高。 缺点 ：在计算因子得分时，采用的是最小二乘法，此法有时可能会失效。 ;谢 谢 观 看！