《spss主成分分析与因子分析》ppt课件模板.pptVIP

It is applicable to work report, lecture and teaching;第10章　主成分分析与因子分析;10.1 主成分分析的概念;10.2 主成分分析的数学模型;;10.2.1 主成分模型中各统计量的意义 （１）特征根：它可以被看成是主成分影响力度的指标，代表引入该主成分后可以解释平均多少原始变量的信息。如果特征根小于１，说明该主成分的解释力度还不如直接引入一个原变量的平均解释力度大。因此一般可以用特征根大于１作为纳入标准。 （２）主成分的方差贡献率：其计算公式为表明主成分的方差在全部方差中的比重。这个值越大，表明主成分综合信息的能力越强。;;;;10.2.3 主成分分析的用途 如前所述，主成分分析往往会在大型研究中成为一个中间环节，用于解决数据信息浓缩等问题，这就可能产生各种各样的组合方法。这里仅举最为典型的两种应用情况。 （１）主成分评价 在进行多指标综合评价时，由于要求评价结果客观、全面，就需要从各个方面用多个指标进行测量，但这样就使得观测指标间存在信息重叠，同时还会存在量纲、累加时如何确定权重系数等问题。为此就可以使用主成分分析方法进行信息的浓缩，并解决权重的确定等问题。本章最后的综合分析实例即为此类问题。;（２）主成分回归 在线性回归模型中，常用最小二乘法求回归系数的估计。 但是当存在多重共线性时，最小二乘法的估计结果并不很理想，因为此时它的均方误差大，使估计不稳定。 这时可考虑用主成分回归求回归系数的估计，所谓主成分回归是用原自变量的主成分代替原自变量作回归分析。 多重共线是由自变量之间关系复杂、相关性大引起的，而主成分既保留了原指标的绝大部分信息，又有主成分间互不相关的优点，故用主成分替代原指标后，再用最小二乘法建立主成分与目标变量间回归方程所得的回归系数估计能克服“估计不稳定”的缺点。但主成分估计不是无偏估计。;10.2.4．分析实例 例10.1我们对100个学生的成绩进行分析，具体的6项成绩指标是数学、物理、化学、语文、历史、英语。的成绩的数据，数据文件student.sav。;这是一个综合分析问题，八项指标较多，可以用主成分分析法进行综合。打开??件后在SPSS中的操作如下： 选择菜单： 【分析】【降维】【因子分析】于是出现如图10.3所示的窗口。 ;选择参与主成分分析的变量到【变量】框中，点击【描述】于是出现如图10.4所示的窗口;SPSS在调用因子分析过程进行分析时，首先会自动对原始变量进行标准化，因此以后的输出结果中在通常情况下都是指标准化后的变量。在结果输出中会涉及一些因子分析中的内容，因此这里仅给出与主成分分析有关的部分如下： ;表10.2给出的是各成分的方差贡献率和累计贡献率，由表10.2可知，只有前2个特征根大于１，因此SPSS只提取了前二个主成分。第一主成分的方差所占所有主成分方差的62.254%，前二个主成分的方差贡献率达到81.142%，因此选前二个主成分已足够描述学生成绩的水平。 ;在表10.3中的输出为主成分系数矩阵，可以说明各主成分在各变量上的载荷，从而得出各主成分的表达式，这里每一列代表一个主成分作为原来变量线性组合的系数（比例）。比如第一主成分为数学、物理、化学、语文、历史、英语这六个变量的线性组合，系数（比例）为-0.806, -0.674, -0.675, 0.893, 0.825, 0.836。 ;10.3 因子分析;10.4 因子分析数学模型;;（１）样本量不能太小。对于因子分析而言，要求样本量比较充足，否则结果可能不太可靠。一般而言，要求样本量至少是变量数的５倍以上，如果要想得到比较理想的结果，则应该在１０倍以上。其次，除了比例关系外，样本总量也不能太少，按理论要求应该在１００以上。不过在实际的经济和社会问题中，很多时候样本量都达不到这个要求，这时也可以适当放宽要求，通过检验来判断结果的可靠性。;（２）各变量间应该具有相关性。如果变量间彼此独立，则无法从中提取公因子，也就谈不上因子分析法的应用。在SPSS中，可以通过Bartlett球形检验来判断，如果相关阵是单位阵，则各变量独立，因子分析法无效。 （３）KMO检验。KMO检验用于检查变量间的偏相关性，取值在0～1之间。KMO统计量越接近于1，变量间的偏相关性越强，因子分析的效果越好。实际分析中，KMO统计量在0.7以上时，效果比较好；而当KMO统计量在0.5以下时，此时不适合应用因子分析法，应考虑重新设计变量结构或者采用其他统计分析方法。;;10.4.2　简单分析实例 在前面我们对100个学生的成绩进行了主成分分析，最终的结果并不是十分明确，现在采用因子分析法进行分析，操作如下： 1) 选择菜单： 【分析】【降维】【因子分析】 2）选择参与主成