多元课件第七章.pptVIP

第七章§7.2样本的主成分

例7.2.1的结果分析PRINCOMP过程由相关阵出发进行主成分分析.由输出7.2.1中相关阵的特征值可以看出，第一主成分的贡献率已高达88.53%；且前二个主成分的累计贡献率已达96.36%.因此只须用两个主成分就能很好地概括这组数据.另由第三和四个特征值近似为0，可以得出这4个标准化后的身体指标变量(Xi*,i=1,2,3,4)有近似的线性关系(即所谓共线性),如0.505747X1*-0.690844X2*+0.461488X3*-0.232343X4*≈c(常数).*第62页，共113页，星期日，2025年，2月5日第七章§7.2样本的主成分

例7.2.1的结果分析由最大的两个特征值对应的特征向量可以写出第一和第二主成分：Z1=0.4970X1*+0.5146X2*+0.4809X3*+0.5069X4*Z2=-0.5432X1*+0.2102X2*+0.7246X3*-0.3683X4*第一和第二主成分都是标准化后变量Xi*(i=1,2,3,4)的线性组合，且组合系数就是特征向量的分量.*第63页，共113页，星期日，2025年，2月5日第七章§7.2样本的主成分

例7.2.1的结果分析利用特征向量各分量的值可以对各主成分进行解释.第一大特征值对应的第一个特征向量的各个分量值均在0.5附近,且都是正值,它反映学生身材的魁梧程度.身体高大的学生,他的4个部位的尺寸都比较大;而身体矮小的学生,他的4个部位的尺寸都比较小.因此我们称第一主成分为大小因子.*第64页，共113页，星期日，2025年，2月5日第七章§7.2样本的主成分

例7.2.1的结果分析第二大特征值对应的特征向量中第一(即身高X1的系数)和第四个分量(即坐高X4的系数)为负值,而第二(即体重X2的系数)和第三个分量(即胸围X3的系数)为正值,它反映学生的胖瘦情况,故称第二主成分为胖瘦因子.*第65页，共113页，星期日，2025年，2月5日第七章§7.2样本的主成分

例7.2.1的输出结果输出7.2.2第二主成分得分对第一主成分得分的散布图*第66页，共113页，星期日，2025年，2月5日第七章§7.2样本的主成分

例7.2.1的结果分析输出7.2.2是PLOT过程产生的输出图形，从图中可以直观地看出，按学生的身体指标尺寸，这30名学生大约应分成三组(以第一主成分得分值为-1和2为分界点).每一组包括哪几名学生由每个散点旁边的序号可以得知.更详细的信息可从PRINT过程产生的输出数据列表中得到.*第67页，共113页，星期日，2025年，2月5日第七章§7.2样本的主成分

例7.2.1的输出结果按第一主成分得分排序后的主成分得分和原始数据*第68页，共113页，星期日，2025年，2月5日第七章§7.2样本的主成分

例7.2.1的结果分析以上输出列表中把30个观测按第一主成分从小到大重新排序后的输出结果.从这里可以得到分为三组时各组学生的更多的信息如下:G1={11,15,29,10,28,6,24,14,2,27,18}G2={4,30,22,1,16,26,23,21,8,9,7,17}G3={20,13,19,12,5,3,25}若考虑用Z1,Z2进行聚类,这就是主成分聚类方法.*第69页，共113页，星期日，2025年，2月5日*第70页，共113页，星期日，2025年，2月5日第七章§7.3主成分分析的应用主成分分析方法把p维数据简化为m(m?p)维数据后，进一步地可用于变量的分类，样品的分类，对样品进行排序或对系统进行评估，以及主成分回归，主成分聚类，多维正态数据的主成分检验等方面。*第71页，共113页，星期日，2025年，2月5日第七章§7.3主成分分析的应用设n次观测数据阵X已标准化,这时样本协差阵就是样本相关阵R,R的特征值为λ1≥λ2≥…≥λp相应的标准化特征向量为a1,a2,…,ap。样本主成分为Zi=aiX(i=1,…,p).设m为满足