详细版主成分分析法.pptVIP

结果解释 这里的Initial Eigenvalues就是特征值（数据相关阵的特征值）。头三个成分特征值累积占了总方差的86.596%。后面的特征值的贡献越来越少。 ;.; * 从几何上看，找主成分的问题就是找出p维空间中椭球体的主轴问题，就是要在x1~xp的相关矩阵中m个较大特征值所对应的特征向量。 究竟提取几个主成分或因子，一般有两种方法： 特征值1 累计贡献率0.8 那么如何提取主成分呢？ （二）主成分分析的基本思想 ;.; * 假定有n个地理样本，每个样本共有p个变量，构成一个n×p阶的地理数据矩阵 （3.5.1） 综合指标如何选取呢？这些综合指标要想尽可能多地反映原指标的信息，综合指标的表达式中要含有原指标，那么我们通常是取原指标的线性组合，适当调整它们的系数，使综合指标间相互独立且代表性好。 ;.; * 定义：记x1，x2，…，xP为原变量指标，z1，z2，…，zm（m≤p）为新变量指标 (3.5.2) 可以看出，新指标对原指标有多个线性组合，新指标对哪个原指标反映的多，哪个少，取决于它的系数。系数lij的确定原则： ① zi与zk（i≠k；i，k=1，2，…，m; j= 1，2，…，p ）相互无关； ;.; * ② z1是x1，x2，…，xP的一切线性组合中方差最大者(最能解释它们之间的变化），z2是与z1不相关的x1，x2，…，xP的所有线性组合中方差最大者;…; zm是与z1，z2，……，zm－1都不相关的x1，x2，…xP， 的所有线性组合中方差最大者。 则新变量指标z1，z2，…，zm分别称为原变量指标x1，x2，…，xP的第1，第2，…，第m主成分。 ;.; * 从以上的分析可以看出，主成分分析的实质就是确定原来变量xj（j=1，2 ，…， p）在诸主成分zi（i=1，2，…，m）上的荷载 lij（ i=1，2，…，m； j=1，2 ，…，p）。 从数学上可以证明，它们分别是相关矩阵（也就是x1，x2，…，xP 的相关系数矩阵）m个较大的特征值所对应的特征向量。 ;.; * 三、主成分分析的计算步骤 ;.; * （一）计算相关系数矩阵 rij（i，j=1，2，…，p）为原变量xi与xj标准化后的相关系数， rij=rji，其计算公式为 （3.5.3） （3.5.4） ;.; * （二）计算特征值与特征向量 1、解特征方程　　　　，求出特征值，并使其按大小顺序排列 ； 2、分别求出对应于特征值　 的特征向量 　 ，要求 　　=1，即　　　　　，其中　表示向量 的第j个分量,也就是说 为单位向量。 ;.; * 3、计算主成分贡献率及累计贡献率 贡献率 累计贡献率 一般取累计贡献率达85%~95%的特征值 所对应的第1、第2、…、第m（m≤p）个主成分。 ;.; * 4、计算主成分载荷 　　　 在主成分之间不相关时，主成分载荷就是主成分zi与变量xj之间的相关系数（在数学上可以证明） 5、各主成分的得分 得到各主成分的载荷以后，可以按照（3.5.2）计算各主成分的得分 （3.5.5） ;.; * （3.5.6） 每个地区的综合评价值为：对各个主成分进行加权求和。权重为每个主成分方差的贡献率。 ;.; * 四、 主成分分析方法应用实例 ;.; * （一）下面，我们根据表3.5.1给出的数据，对某农业生态经济系统做主成分分析。 表3.5.1 某农业生态经济系统各区域单元的有关数据 ;.; * ;.; * 步骤如下： （1）将表3.5.1中的数据作标准差标准化处理，然后将它们代入公式（3.5.4）计算相关系数矩阵（表3.5.2）。 表3.5.2　相关系数矩阵 ;.; * （2）由相关系数矩阵计算特征值，以及各个主成分的贡献率与累计贡献率（表3.5.3）。由表3.5.3可知，第1，第2，第3主成分的累计贡献率已高达86.596%（大于85%），故只需要求出第1、第2、第3主成分z1，z2，z3即可。 ;.; * 表3.5.3　特征值及主成分贡献率 =4.661/8.9988 ;.; * （3）对于特征值 分别 =4.661