主成分分析報(bào)告

1、精選優(yōu)質(zhì)文檔-傾情為你奉上實(shí)驗(yàn)名稱：主成分分析一、實(shí)驗(yàn)?zāi)康暮鸵笸ㄟ^(guò)上機(jī)操作，完成spss軟件的主成分分析二、實(shí)驗(yàn)內(nèi)容和步驟6.8如圖所示點(diǎn)擊analyze-data reduction-factor將6個(gè)變量選入變量框中分別點(diǎn)擊descriptive rotation選項(xiàng)，進(jìn)行以下操作 點(diǎn)擊extraction進(jìn)行以下分析點(diǎn)擊options結(jié)果如下所示Correlation MatrixX1X2X3X4X5X6CorrelationX11.000.711.420.182.081-.166X2.7111.000.141.275.302-.051X3.420.1411.000.028-.142.

2、353X4.182.275.0281.000.384.042X5.081.302-.142.3841.000.104X6-.166-.051.353.042.1041.000上表為相關(guān)矩陣，給出了6個(gè)變量之間的相關(guān)系數(shù)主對(duì)角線的值均為1，絕大大部分小于0.01，因此可以說(shuō)明因子之間相關(guān)性不是特別的大。KMO and Bartlett's TestKaiser-Meyer-Olkin Measure of Sampling Adequacy.434Bartlett's Test of SphericityApprox. Chi-Square45.919df15Sig.000上表為

3、KMO和Bartlett檢驗(yàn)表，KMO檢驗(yàn)是對(duì)變量是否適合做因子分析的檢驗(yàn)，根據(jù)Kaiser常用度量標(biāo)準(zhǔn)，因?yàn)榇藭r(shí)KMO=0.434,表示此事不適合做因子分析，所以我們用主成分分析。CommunalitiesInitialExtractionX11.000.911X21.000.785X31.000.835X41.000.585X51.000.744X61.000.859Extraction Method: Principal Component Analysis.上表額為公因子方差，給出了蓋茨分析中從每個(gè)原始變量中提取的信息，從表中可以看出除了人均城市道路面積X4（平方米），主成分幾乎都包含

4、了其余各個(gè)變量至少80%的信息。Total Variance ExplainedComponentInitial EigenvaluesExtraction Sums of Squared LoadingsTotal% of VarianceCumulative %Total% of VarianceCumulative %12.08234.69534.6952.08234.69534.69521.39223.19757.8921.39223.19757.89231.24520.75778.6491.24520.75778.6494.66511.09089.7395.4427.36297.10

5、16.1742.899100.000Extraction Method: Principal Component Analysis.上表為特征根于方差貢獻(xiàn)表，給出了個(gè)主成分解釋原始變量總方差的情況，從表中可以看出，本例中保留了3個(gè)主成分，集中了原始變量總信息的78.649%上圖為碎石土，分析碎石土看出因子1與因子2與因子3特征值差值比較大，而其他特征值比較小，可以出保留3個(gè)因子能概括絕大部分信息。Component MatrixaComponent123X2.861-.071-.196X1.840.236-.387X4.528-.406.376X3.402.801.179X5.440-.580

6、.462X6.024.434.819Extraction Method: Principal Component Analysis.a. 3 components extracted.以上為因子載荷矩陣，包含了3個(gè)特征向量?？梢愿鶕?jù)這個(gè)計(jì)算主成分，例如，X1=0.861a1-0.071a2-0.196a3。令Zi為第i個(gè)主成分的變量系數(shù)向量，Z1=a1/squrt(2.154),以此類推Z2，Z3可以對(duì)Z排序做綜合排序指標(biāo)，并作結(jié)果說(shuō)明。Rotated Component MatrixaComponent123X1.954.027.015X2.808.364-.057X4.171.803.10

7、9X3.481-.290.732X5.064.916-.102X6-.225.165.884以上為旋轉(zhuǎn)后矩陣，第一個(gè)公共因子在前兩個(gè)指標(biāo)上有較大載荷，說(shuō)明這兩個(gè)指標(biāo)有較強(qiáng)的相關(guān)性，可以歸為一類 Component Transformation MatrixComponent1231.785.616.0582.480-.666.5713-.391.421.819通過(guò)相加對(duì)角線元素，判斷是正交矩陣。Component Score Coefficient MatrixComponent123X1.528-.090-.048X2.413.125-.075X4-.002.471.114X3.254-.191.507X5-.062.540-.032X6-.200.172.690Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. Component Scores.可知F1=0.528X1+0.413X2-0.002X3+0.254X4-0.