《管理统计学实验教程》第14章主成分分析和因子分析.ppt

主成分分析的基本思想：它通过对原始变量相关矩阵或协方差矩阵内部结构关系 利用原始变量的线性组合形成几个综合指标（主成分），在保留原始变量主要信息的前提下起到降维与简化问题的作用，使得在研究复杂问题时更容易抓住主要矛盾。 一般来说，利用主成分分析得到的主成分与原始变量之间有如下基本关系： 主成分保留了原始变量绝大多数信息。 主成分的个数大大少于原始变量的数目。 各个主成分之间互不相关。 每个主成分都是原始变量的线性组合。 第i个主成分的贡献率为： 前k个主成分的贡献率为： 3、分析步骤 第1步 原始数据的标准化处理。 第2步 计算相关系数矩阵R。 第3步 计算相关系数矩阵R的特征值和对应的单位特征向量。 第4步 计算主成分的方差贡献率和累积方差贡献率。 （1）将表14.2因子载荷矩阵中的数据输入SPSS数据编辑窗口中，将2个变量名分别 命名。 （2）用公式计算出标准化特征向量。 步骤：打开“转换―计算变量”，计算过程如图14.8所示，其中9.954为第1个特征值。对 需分别进行计算。 （3）计算结束后得到的单位特征向量矩阵如表14.3所示。 （4）计算主成分 根据公式14.1，打开“转换→计算变量”对话框 。 因子分析中还有几个重要的相关概念说明如下 （1）因子载荷：因子分析表达式中各因子的系数值，它的统计意义是第个变量与第个因子的相关系数，用来反映公共因子与各个原始变量之间的相关程度。因子载荷绝对值越大，说明各个因子对当前变量影响程度越大。高载荷的变量可以帮助理解公共因子的意义并据此给公共因子命名。 （2）变量共同度：即公因子方差或公共方差，变量 的共同度是因子载荷矩阵A中第行元素的平方和，数学定义为： （3）公共因子 的方差贡献 因子载荷矩阵A中第列各元素的平方和，即 公共因子 的方差贡献反映了该因子对所有原始变量总方差的解释能力，其值越大，说明因子重要程度越高。 第一组数据项（第二列?第四列）描述了因子分析初始解的情况。可以看到：第1个因子的特征值为6.816，解释原有8个变量总方差的85.195（即6.816÷8×100），累计方差贡献率为85.195；第2个因子的特征值为0.402，解释原有8个变量总方差的5.023， 累计方差贡献率为90.218 。其余数据含义类似。在初始解中由于提取了8个因子，因此原有变量的总方差均被解释，累计方差 贡献率为100%。 第二组数据项（第五列?第七列）描述了因子解的情况。可以看到：由于指定提取2个因子，2个因子共解释了原有变量总方差的90.218。总体上，原有变量的信息丢失较少，因子分析效果较理想。 第三组数据项（第八列?第十列）描述了最终因子解的情况。可见，因子旋转后，总的累计方差贡献率没有改变，也就是没有影响原有变量的共同度，但却重新分配了各个因子解释原有变量的方差，改变了各因子的方差贡献，使得因子更易于解释。 主要结果： 通过综合得分的高低，可知13个城市国民经济发展水平苏州市最高，宿迁市最低。 -2.90 0.73 -3.62 宿 迁 市 -1.36 -0.62 -1.56 泰 州 市 -0.93 -2.04 -0.83 镇 江 市 -1.21 -0.70 -1.36 扬 州 市 -1.12 1.05 -1.51 盐 城 市 -2.27 0.41 -2.81 淮 安 市 -2.56 0.38 -3.16 连云港市 0.67 0.69 0.71 南 通 市 6.21 1.42 7.31 苏 州 市 0.57 -1.75 0.94 常 州 市 -0.76 1.74 -1.17 徐 州 市 2.56 -1.32 3.30 无 锡 市 3.10 0.00 3.76 南 京 市 y综合 y2 y1 城市 主要内容 实验一 主成分分析 实验二 因子分析 1、基本概念及基本思想 因子分析是一种通过显在变量测评潜在变量，通过具体指标测评抽象因子的分析方法。它是将实测的多个指标，用少数几个潜在指标（因子）的线性组合表示。因子分析主要应用到两个方面：一是寻求基本结构，简化观测系统；二是对变量或样本进行分类。 因子分析的基本思想是根据相关性的大小把变量分组，使得同组内的变量相关性较高，而不同组的变量相关性较低。每组变量代表一个基本结构，这个基本结构称为一个公共因子。对于所研究的问题就可试图用最少个数不可测的公共因子的线性函数与特殊因子之和来描述原来观测的每一个分量。 2、统计原理 其中x1，x2, …,xp为p个原有变量，是均值为零，标准差为1的标准化变量，F