2023年主成分分析因子分析实验报告SPSS.doc

对我国88个房地产上市企业的因子分析 分析成果： 表1 KMO 和 Bartlett 的检查 取样足够度的 Kaiser-Meyer-Olkin 度量。 .637 Bartlett 的球形度检查 近似卡方 398.287 df 45 Sig. .000 由表1可知，巴特利特球度检查记录量的观测值为398.287，对应的概率p值靠近0，不不小于明显性水平(取0.05)，因此应拒绝原假设，认为有关系数矩阵与单位矩阵有明显差异。同步，KMO值为0.637，根据Kaiser给出的KMO度量原则(0.9以上表达非常适合；0.8表达适合；0.7表达一般；0.6表达不太适合；0.5如下表达极不适合)可知原有变量不算尤其适合进行因子分析。 表2 公因子方差 初始 提取 市盈率 1.000 .706 净资产收益率 1.000 .609 总资产酬劳率 1.000 .822 毛利率 1.000 .280 资产现金率 1.000 .731 应收应付比 1.000 .561 营业利润占比 1.000 .782 流通市值 1.000 .957 总市值 1.000 .928 成交量（手） 1.000 .858 提取措施：主成分分析。 表2为公因子方差，即因子分析的初始解，显示了所有变量的共同度数据。第一列是因子分析初始解下的变量共同度，它表明，对原有10个变量假如采用主成分分析措施提取所有特性根(10个)，那么原有变量的所有方差都可被解释，变量的共同度均为1(原有变量原则化后的方差为1)。实际上，因子个数不不小于原有变量的个数才是因子分析的目的，因此不可提取所有特性根；第二列是在按指定提取条件(这里为特性根不小于1)提取特性根时的共同度。可以看到，总资产酬劳率、成交量、流通市值、总市值的绝大部分信息可被因子解释，这些变量的信息丢失较少。但毛利率这一变量的信息丢失相称严重(近70%)，净资产收益率、应收应付比率两个变量的信息丢失较为严重(近40%)。因此本次因子提取的总体效果并不理想。 表3展示了特性根及累积奉献率状况，按照特性根不小于1的原则，选入了4个公共因子，其累积方差奉献率为72.343%，同步也可以看出，因子旋转后，合计方差比并没有变化，也就是没有影响原有变量的共同度，但却重新分派了各个因子解释原有变量的方差，变化了各因子的方差奉献，使各因子更易于解释。图五为因子的碎石图，需要阐明的是这里累积方差奉献率并不高，远没有到达85%，不过根据 碎石图我们可以看出在这里选四个因子还是比较合适的。 表3 解释的总方差 成分 初始特性值 提取平方和载入 旋转平方和载入 合计 方差的 % 累积 % 合计 方差的 % 累积 % 合计 方差的 % 累积 % 1 2.909 29.092 29.092 2.909 29.092 29.092 2.727 27.269 27.269 2 1.907 19.069 48.162 1.907 19.069 48.162 1.904 19.043 46.311 3 1.251 12.506 60.667 1.251 12.506 60.667 1.354 13.541 59.852 4 1.168 11.676 72.343 1.168 11.676 72.343 1.249 12.491 72.343 5 .972 9.718 82.061 6 .730 7.299 89.359 7 .520 5.201 94.560 8 .305 3.050 97.610 9 .192 1.925 99.535 10 .047 .465 100.000 提取措施：主成分分析。 图五 表4 成分矩阵a 成分 1 2 3 4 流通市值 .934 -.253 .125 .067 总市值 .926 -.257 .064 .013 成交量（手） .849 -.357 .065 .082 总资产酬劳率 .322 .791 .295 .073 净资产收益率 .269 .669 .125 -.271 市盈率 -.333 -.582 .418 -.286 毛利率