spss主成分分析报告[学习].pdfVIP

实用标准文档 实验目的：原始数据中每一所高校具有 20 个相关性很高的变量，利用主成分分析法用 较少的变量去解释原来资料中的大部分变异，将手中的众多变量转化成彼此相互独立 或不相关的个数较少的变量，即所谓主成分，并用以解释资料的综合性指标，其实质 的目的是降维 原始数据截屏： 操作方法： 1. 描述性统计 SPSS 在调用因子分析过程进行分析时，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，然后后期的计算需得到标准化数据，则需调用 “描述”过 程进行计算,为了看到标准化数据，所以采用描述性统计下的描述操作获得标准化 后的变量数据 标准化数据： 文案大全 精品文档 ·可编辑版 因子分析操作过程： 选取变量： X1 ：科研经费得分 X2 ：国家人文社科重点研究基地得分 X3:院士总数得分 X4:生均图书得分 X5:研究中心数得分 X6:国家重点实验室得分 精品文档 ·可编辑版 X7:生均教学科研仪器设备得分 X8:生均教育事业经费得分 X9:精品课程得分 X10:优秀博士生论文总分 X11:人才得分 X12:二级学科建设得分 X13:生均固定资产得分 X14:科研论文得分 X15:博导及相关合计得分 X16:教师中博士学位比重得分 X17:一级学科得分 X18:高级职称比重得分 X19:师资总分 X20:SCI 数量 这里分析采用相关系数矩阵，输出选择为未旋转的因子解，并选择碎石图，抽取过程 选择基于特征值（特征值大于 1），最大收敛迭代次数：25，点击确定。 精品文档 ·可编辑版 精品文档 ·可编辑版 原数据中有较多的缺失值，选择按列表排除个案，点击继续。 分析结果： KMO 越接近 1，说明变量之间的相关性越强，原有变量适合做因子分析；Bartlett 的 球度检验值越小于显著性水平 0.05，越说明变量间存在相关关系。 本数据中 KMO 值为 0.736，sig.值为 0，符合因子分析条件，可进行因子分析，并进一 步进行主成分分析 精品文档 ·可编辑版 累计贡献率 79.119%80%，由反映象相关矩阵中我们可以看出（如下图所示） 反映象相关矩阵中对角线上的数值应0.5,根据次标准，数据显示生均图书得分变 量不适合做因子分析，所以删去，重新做因子分析。 去除生均图书得分变量之后的因子分析结果： 精品文档 ·可编辑版 累计百分比为 81.466%80%,且特征值均大于 1 结论： 初始特征根： λ1=6.901，,λ2=4.846，λ3=3.732 主成分贡献率：r1=36.32%,r2=25.506%,r3=19.640% 精品文档 ·可编辑版 碎石图 精品文档 ·可编辑版 旋转之后的主成分载荷矩阵，可以看出：SCI 数量，国家重点实验室得分，研究 中心数得分，研究中心数得分，科研经费得分，二级学科建设得分，科研论文得分， 优秀博士生论文得分，一级学科得分，精品课程得分与主成分 1 密切相关，可将其总 结归纳为软实力与资源指标；师资总分，博导及相关合计得分，人才得分，院士总数 得分，高级职称比重得分，教师中博士学位比重得分与主成分 2 密切相关，可将其归 纳总结为师资结构指标；生均教学科研仪器设备得分，生均教育事业经费得分，