主成分分析讲解PPT参考幻灯片.pptVIP

主成分的计算 1 设 R 为 X1,X2,…,Xp 的相关矩阵，则存在?1≥?2≥…≥?p≥0，和正交矩阵A，使 其中?i为相关矩阵R的第i个特征值(eigenvalue) (ai1 ai2 … aip)’则是相关矩阵R的第i个特征值对应的特征向量。 ?i是第i个主成分的方差 * * 主成分的计算 2 记主成分C=(C1 C2 … Cp)’，则 C=A’x 即 * * 主成分的计算 3 因子模型（全分量模型）表达形式 x=AC 即 矩阵A称载荷矩阵，反映各主成分对原始变量x各分量的贡献大小。 * * 主成分的计算 4 因子模型（全分量模型）表达-- 主成分标准化变换 * * x=Lc lij是xj和ci的相关系数 SPSS输出的系数矩阵是L矩阵 * * 实例 城市男生形态资料数据来自方积乾《医学统计学与电脑试验》第2版 * * 实例主成分分析结果—特征值（方差）及其比例 * * 主成分分析结果—L矩阵 注意L矩阵的下标，是列在前，行在后 * * 主成分分析结果—L矩阵 注意L矩阵的下标，是列在前，行在后 * * 主成分和原变量的关系 观察L矩阵，由相关系数做出解释 主成分未必一定有明确的解释 选取有明确解释的主成分做综合指标，主成分得分就是“综合指数”。 * * 实例的标准化第一主成分得分 * * * * * * * * * * * * * * 主成分分析 Principal Component Analysis * 统计学研究的核心问题？ 没有变异就没有统计学 变 异 VARIATION 变异性的度量？ 方差 Variance * * 方差是什么？ 方差是信息 多元世界的信息度量 多元世界的每个变量的包含信息不同 在单个变量方差不变的情况下，各变量相关性越高，则总信息量越小 * * * * 两组变量: A B * * * * * * * * 协方差矩阵 样本的方差-协方差矩阵（variance-covariance matrix) 如果有p个观测变量 ， 则样本的协方差矩阵记为 * * 相关矩阵 如果有p个观测变量 ，其相关阵（correlation matrix）记为 * * 矩阵的特征值和特征向量 对于方阵A，如存在常数λ及非零向量x，使 Ax= λx 则λ为A的一个特征值，x为与λ对应的矩阵A的特征向量。 n介方阵有n对特征值和特征向量 *